CN113535311A - 一种页面显示方法、装置及电子设备 - Google Patents
一种页面显示方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113535311A CN113535311A CN202110863003.8A CN202110863003A CN113535311A CN 113535311 A CN113535311 A CN 113535311A CN 202110863003 A CN202110863003 A CN 202110863003A CN 113535311 A CN113535311 A CN 113535311A
- Authority
- CN
- China
- Prior art keywords
- page
- user
- interface
- target
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请提供了一种页面显示方法、装置及电子设备,其中,该方法包括:获取第一用户访问业务系统中各个页面的页面历史数据,调用训练后的页面显示模型对页面历史数据进行预测处理,确定第一用户的目标页面,目标页面为各个页面的预测概率中最大预测概率对应的页面,显示第一用户的目标页面。可以无需繁琐操作,自动化的显示适应用户习惯的目标页面。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种页面显示方法、装置及电子设备。
背景技术
随着科学技术的快速发展,业务系统的集成度越来越高,业务系统的业务越来越丰富。相应的,业务系统所包含的页面也越来越复杂。目前,业务系统的页面跳转机制较为固定,通常是基于用户的选择操作进行页面跳转显示。该方式操作繁琐,降低了工作效率。
发明内容
本申请实施例提供了一种页面显示方法、装置及电子设备。该方法可以无需繁琐操作,自动化的显示适应用户习惯的目标页面。
第一方面,本申请实施例提供了一种页面显示方法,该页面显示方法包括:
获取第一用户访问业务系统中各个页面的页面历史数据;
调用训练后的页面显示模型对页面历史数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率;
基于各个页面的预测概率确定第一用户的目标页面,该目标页面为各个页面的预测概率中最大预测概率对应的页面;
显示第一用户的目标页面。
第二方面,本申请实施例提供了一种页面显示装置,该页面显示装置包括:
获取单元,用于获取第一用户访问业务系统中各个页面的页面历史数据,该页面历史数据包括第一用户在各个页面的功能项上的操作时间,第一用户在各个页面的停留时间,第一用户浏览各个页面的浏览次数中的一种或多项;
处理单元,用于调用训练后的页面显示模型对页面历史数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率;
确定单元,用于基于各个页面的预测概率确定第一用户的目标页面,目标页面为各个页面的预测概率中最大预测概率对应的页面;
显示单元,用于显示第一用户的目标页面。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括处理器和存储器,处理器和存储器相连,其中,存储器用于存储程序代码,处理器用于调用程序代码以执行第一方面的页面显示方法。
第四方面,本申请实施例提供了一种芯片,该芯片用于
获取第一用户访问业务系统中各个页面的页面历史数据;
调用训练后的页面显示模型对页面历史数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率;
基于各个页面的预测概率确定第一用户的目标页面,该目标页面为各个页面的预测概率中最大预测概率对应的页面;
显示第一用户的目标页面。
第五方面,本申请实施例提供了一种模组设备,该模组设备包括处理器和通信接口,处理器与通信接口相连,通信接口用于收发信号,处理器用于:
获取第一用户访问业务系统中各个页面的页面历史数据;
调用训练后的页面显示模型对页面历史数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率;
基于各个页面的预测概率确定第一用户的目标页面,该目标页面为各个页面的预测概率中最大预测概率对应的页面;
显示第一用户的目标页面。
第六方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时以实现第一方面的页面显示方法。
在本申请实施例中,电子设备获取第一用户访问业务系统中各个页面的页面历史数据,调用训练后的页面显示模型对页面历史数据进行预测处理,确定第一用户访问所述业务系统中各个页面的预测概率,并基于各个页面的预测概率确定第一用户的目标页面,显示第一用户的目标页面。本申请实施例可以基于页面历史数据显示第一用户的目标页面,由于第一用户的页面历史数据是与第一用户关联的,所以第一用户的目标页面是适应第一用户的用户习惯的目标页面,可以为用户个性化的显示页面。并且,页面的跳转不受用户的选择操作限制,可以根据页面历史数据智能化的跳转并显示第一用户的目标页面,可以自动化跳转至目标页面,无需繁琐的用户操作。除此之外,由于本申请实施例中的页面历史数据结合了短期内的第一页面数据和长期内的第二页面数据,该页面数据能更全面的指示用户的历史行为,基于该页面历史数据确定的目标页面更准确。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例提供的一种页面显示方法的流程示意图;
图2是本申请实施例提供的一种页面显示模型的处理流程示意图;
图3是本申请实施例提供的另一种页面显示方法的流程示意图;
图4是本申请实施例提供的一种接口加载模型的处理流程示意图;
图5是本申请实施例提供的一种页面显示装置的结构示意图;
图6是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。其中,机器学习(Machine Learning,ML)是一门多领域交叉的学科,其涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等。除此之外,人工智能技术还可以在其他领域得到应用,例如,可以采用人工智能技术中的机器学习实现页面的智能显示。其中,本申请实施例提出了一种基于机器学习的页面显示方法,使得电子设备可通过机器学习构建页面显示模型,从而在第一用户登录业务系统时,电子设备可以调用构建的页面显示模型对第一用户访问业务系统中各个页面的页面历史数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率,并基于各个页面的预测概率确定第一用户的目标页面,显示第一用户的目标页面。基于页面历史数据确定第一用户的目标页面,第一用户的目标页面是适应第一用户的用户习惯的,可以为用户个性化的显示页面。并且,页面的跳转不受用户的选择操作限制,可以根据页面历史数据智能化的跳转并显示第一用户的目标页面,无需繁琐的用户操作。
在一个实施例中,该页面显示方法可以用于对业务系统的页面进行预测处理,从而确定出第一用户对应的目标页面。在该页面显示方法用于确定第一用户的目标页面时,该页面显示方法可以应用于电子设备中,该电子设备可用于对业务系统中的各个页面进行预测处理,从而确定出第一用户对应的目标页面。该电子设备可以是具有显示屏的任意设备,可选的,该电子设备可以是终端设备,该终端设备可以包括但不限于:智能手机、平板电脑、膝上计算机、可穿戴设备、台式计算机,等等。可选的,该电子设备也可以是携带显示屏的服务器,该服务器可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心。
接下来,将详细阐述本申请实施例所涉及的页面显示方法。请参见图1,图1是本申请实施例提出的一种页面显示方法的流程示意图。如图1所示,该页面显示方法包括S101-S104:
S101:获取第一用户访问业务系统中各个页面的页面历史数据。
在一个实施例中,该第一用户访问业务系统中各个页面的页面历史数据可以是电子设备检测到触发事件后获取的。可选的,该触发事件可以是检测到第一用户通过电子设备登录业务系统。可选的,该触发事件也可以是电子设备检测到在业务系统的用户界面中存在对业务系统的各个页面的预测处理操作。具体实现中,第一用户登录到业务系统后,电子设备显示业务系统的用户界面,用户界面中可包括控件。当电子设备检测到控件上的用户操作时,可以确定检测到存在对业务系统的各个页面的预测处理操作,电子设备可以获取第一用户访问业务系统中各个页面的页面历史数据。
其中,页面的页面历史数据用于指示第一用户在各个页面内的历史行为。该页面历史数据可以包括一个时间段内,第一用户在各个页面的功能项上的操作时间,第一用户在各个页面的停留时间,第一用户浏览各个页面的浏览次数中的一种或多项。
例如,一个业务系统可以包括A页面、B页面和C页面。那么,一个时间段内第一用户在A页面的功能项上的操作时间可以为100秒,第一用户在C页面的功能项上的操作时间可以为10秒,第一用户浏览C页面的次数可以为100次等;又例如,一个业务系统可以包括A页面、B页面和C页面,那么一个时间段内,第一用户在A页面的功能项上的操作时间可以为100秒,第一用户浏览B页面的次数可以为10次,第一用户在C页面的功能项上的操作时间可以为10秒,在C页面的停留时间可以为10分钟等等。
在一个实施例中,为了使页面历史数据更全面的表征第一用户在业务系统中的各个页面内的历史行为,电子设备可以基于短期内的第一页面数据和长期的第二页面数据确定用户的页面历史数据。电子设备可以获取第一用户在第一时间段内访问业务系统中各个页面的第一页面数据,以及获取第一用户在第二时间段内访问业务系统中各个页面的第二页面数据,并根据第一页面数据和第二页面数据确定第一用户访问业务系统中各个页面的页面历史数据;其中,第一时间段的时长小于第二时间段的时长,例如,第一时间段可以为距离当前时间最近的一周,第二时间段可以为距离当前时间最近的一个月。需要说明的是,第一页面数据可以包括在第一时间段内,第一用户在各个页面的功能项上的操作时间,第一用户在各个页面的停留时间,第一用户浏览各个页面的浏览次数中的一种或多项。第二页面数据可以包括第二时间段内,第一用户在各个页面的功能项上的操作时间,第一用户在各个页面的停留时间,第一用户浏览各个页面的浏览次数中的一种或多项。
其中,根据第一页面数据和第二页面数据确定第一用户访问业务系统中各个页面的页面历史数据可以包括以下多种形式。
可选的,电子设备可以通过注意力机制对第一用户访问业务系统中各个页面的第一页面数据和第一用户访问业务系统中各个页面的第二页面数据进行注意力处理,得到第一用户访问业务系统中各个页面的页面历史数据。其中,注意力机制是指可以通过注意力权重将注意力集中在实际重要的特征上。例如,当页面显示模型更关注短期特征时,可以设置第一页面数据的注意力权重大于第二页面数据的注意力权重。又例如,当页面显示模型更关注长期特征时,可设置第二页面数据的注意力权重大于第一页面数据的注意力权重。
可选的,电子设备还可以直接将第一用户访问业务系统中各个页面的第一页面数据和第一用户访问业务系统中各个页面的第二页面数据进行加法处理,得到第一用户访问业务系统中各个页面的页面历史数据。例如,第一页面数据包括:第一时间段内,第一用户在A页面的功能项上的操作时间为100秒,在C页面的功能项上的操作时间为10秒,浏览C页面的次数为100次;第二页面数据包括:在第二时间段内,第一用户在A页面的功能项上的操作时间为100秒,浏览B页面的次数可以为10次,在C页面的功能项上的操作时间为10秒,在C页面的停留时间为10分钟,那么第一用户访问业务系统中各个页面的页面历史数据可以为:第一用户在A页面的功能项上的操作时间为200秒,浏览B页面的次数可以为10次,在C页面的功能项上的操作时间为20秒,在C页面的停留时间为10分钟,浏览C页面的次数为100次。
S102:调用训练后的页面显示模型对页面历史数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率。
在一个实施例中,电子设备可以对页面历史数据进行编码处理得到特征向量,调用训练后的页面显示模型对特征向量进行预测处理,基于该特征向量确定第一用户访问业务系统中各个页面的预测概率。
在另一个实施例中,电子设备可以先对页面历史数据进行预处理,然后再对预处理后的页面历史数据进行编码处理得到特征向量,调用训练后的页面显示模型对特征向量进行预测处理,基于该特征向量确定第一用户访问业务系统中各个页面的预测概率。
其中,预处理可以包括打分处理。具体的,电子设备可以基于各个页面的页面历史数据执行打分处理,得到页面对应的分数。例如,电子设备可以利用注意力机制基于用户在一个页面内的功能项操作时间,在这一个页面内的停留时间,在这一个页面内的浏览次数确定这一个页面对应的分数。
其中,页面显示模型可以是基于机器学习中的神经网络训练得到的。该神经网络可以包括但不限于时间循环神经网络、卷积神经网络和递归神经网络等等。
电子设备可以通过以下步骤训练页面显示模型,训练页面显示模型的步骤可以包括S11-S14:
S11:获取训练样本,该训练样本包括样本页面数据以及该样本页面数据的基准页面。
其中,样本页面数据与页面历史数据类似,该样本页面数据可以包括用户在各个页面的功能项上的操作时间、用户在各个页面的停留时间以及用户浏览各个页面的浏览次数中的一种或多项。
S12:调用页面显示模型对样本页面数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率。
S13:基于各个页面的预测概率确定第一用户的预测页面。
S14:根据预测页面和基准页面,对页面显示模型进行训练,得到训练后的页面显示模型。
在一个实施例中,可以根据预测页面和基准页面确定页面显示模型的损失值,对页面显示模型的损失值执行求导计算得到页面显示模型的更新参数,并基于页面显示模型的更新参数对页面显示模型进行梯度反向传播,直至得到收敛的训练后的页面显示模型。
S103:基于各个页面的预测概率确定第一用户的目标页面,该目标页面为各个页面的预测概率中最大预测概率对应的页面。
在一个实施例中,电子设备可以调用页面显示模型确定各个页面的预测概率。请参见图2,图2示出了一种页面显示模型的处理流程示意图。如图2所示,电子设备可以调用页面显示模型对第一用户访问业务系统中各个页面的页面历史进行预测处理,得到各个页面的预测概率可以显示如图2所示,即A页面的预测概率、B页面的预测概率和C页面的预测概率。可以看出,“C页面”的预测概率最大,因此,电子设备可以将C页面作为第一用户的目标页面。
S104:显示第一用户的目标页面。
在一个实施例中,电子设备可以直接跳转并显示第一用户的目标页面。在另一个实施例中,电子设备还可以获取第一用户的当前页面,若第一用户的当前页面与第一用户的目标页面之间不存在逻辑关系,则显示第一用户的目标页面。其中,当前页面和目标页面之间存在逻辑关系可以包括当前页面和目标页面之间存在数据验证。例如,登录过程中,电子设备只有在业务系统的登录页面中对登录信息验证通过后才能跳转显示业务系统的主页面。
在本申请实施例中,电子设备获取第一用户访问业务系统中各个页面的页面历史数据,调用训练后的页面显示模型对页面历史数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率,并基于各个页面的预测概率确定第一用户的目标页面,显示第一用户的目标页面。本申请实施例可以基于页面历史数据显示第一用户的目标页面,由于第一用户的页面历史数据是与第一用户关联的,所以第一用户的目标页面是适应第一用户的用户习惯的目标页面,可以为用户个性化的显示页面。并且,页面的跳转不受用户的选择操作限制,可以根据页面历史数据智能化的跳转并显示第一用户的目标页面,可以自动化跳转至目标页面,无需繁琐的用户操作。除此之外,由于本申请实施例中的页面历史数据结合了短期内的第一页面数据和长期内的第二页面数据,该页面数据能更全面的指示用户的历史行为,基于该页面历史数据确定的目标页面更准确。
参见上述图1所示的方法实施例的相关描述可知,图1所示的页面显示方法可以调用页面显示模型基于第一用户的页面历史数据智能化的显示第一用户的目标页面。但是,针对一个用户来说,与这一个用户关联的目标接口可能只包括目标页面中的部分接口,当电子设备加载目标页面中每个接口对应的数据时,可能会降低网络性能。基于此,本申请实施例提供了另一种页面显示方法,请参见图3,图3示出了另一种页面显示方法的流程示意图,该页面显示方法可包括S301-S304:
S301:获取第一用户访问目标页面中各个接口的接口历史数据。
其中,接口历史数据用于指示第一用户在目标页面内的各个接口的历史行为。该接口历史数据可以包括一个时间段内,第一用户点击各个接口内数据的次数,第一用户浏览各个接口内数据的时长,第一用户搜索各个接口内数据的次数中的一项或多项。例如,一个目标页面可以包括部门接口、姓名接口和邮箱接口。那么,一个时间段内,第一用户可以点击部门接口内的数据3次,浏览部门接口内数据的时长为100秒。又例如,一个时间段内,第一用户可以点击姓名接口内的数据10次,点击邮箱接口内的数据1次,搜索部门接口内的数据2次。等等。
在一个实施例中,为了使得接口历史数据更全面的表征第一用户在目标页面中的各个接口内的历史行为,电子设备可以基于短期内的第一接口数据和长期的第二接口数据确定用户的接口历史数据。电子设备可以获取第一用户在第三时间段内访问目标页面中各个接口的第一接口数据,以及获取第一用户在第四时间段内访问目标页面中各个接口的第二接口数据,并根据第一接口数据和第二接口数据确定第一用户访问目标页面中各个接口的接口历史数据;其中,第三时间段的时长小于第四时间段的时长,例如,第三时间段可以为距离当前时间最近的一个月,第四时间段可以为距离当前时间最近的三个月。需要说明的是,第一接口数据可以包括在第三时间段内,第一用户点击各个接口内数据的次数,第一用户浏览各个接口内数据的时长,第一用户搜索各个接口内数据的次数中的一项或多项。第二接口数据可以包括在第四时间段内,第一用户点击各个接口内数据的次数,第一用户浏览各个接口内数据的时长,第一用户搜索各个接口内数据的次数中的一项或多项。
其中,根据第一接口数据和第二接口数据确定第一用户访问目标页面中各个接口的接口历史数据可以包括以下多种形式。
可选的,电子设备可以通过注意力机制对第一用户访问目标页面中各个接口的第一接口数据和第一用户访问目标页面中各个接口的第二接口数据进行注意力处理,得到第一用户访问目标页面中各个接口的接口历史数据。其中,注意力机制是指可以通过注意力权重将注意力集中在实际重要的特征上。例如,当接口加载模型更关注短期特征时,可以设置第一接口数据的注意力权重大于第二接口数据的注意力权重。又例如,当接口加载模型更关注长期特征时,可设置第二接口数据的注意力权重大于第一接口数据的注意力权重。
可选的,电子设备还可以直接将第一用户访问目标页面中各个接口的第一接口数据和第一用户访问目标页面中各个接口的第二接口数据进行加法处理,得到第一用户访问目标页面中各个接口的接口历史数据。例如,第三个时间段内的第一接口数据包括:第一用户点击部门接口内的数据3次,浏览部门接口内数据的时长为100秒。第四时间段内的第二接口数据包括:第一用户点击姓名接口内的数据10次,点击邮箱接口内的数据1次,搜索部门接口内的数据2次。那么可以确定第一用户访问目标页面中各个接口的接口历史数据包括:第一用户点击部门接口内的数据3次,点击姓名接口内的数据10次,点击邮箱接口内的数据1次,浏览部门接口内数据的时长为100秒,搜索部门接口内的数据2次。
S302:调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率。
具体的,电子设备可以获取至少两个训练后的接口加载模型,从至少两个训练后的接口加载模型中获取目标页面对应的训练后的目标接口加载模型,调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率。其中,一个接口加载模型用于对一个页面内的接口进行预测处理。
在一个实施例中,电子设备可以对接口历史数据进行编码处理得到特征向量,调用训练后的目标接口加载模型对特征向量进行预测处理,基于该特征向量确定第一用户访问目标页面中各个接口的预测概率。
在另一个实施例中,电子设备可以先对接口历史数据进行预处理,然后再对预处理后的接口历史数据进行编码处理得到特征向量,调用训练后的目标接口加载模型对特征向量进行预测处理,基于该特征向量确定第一用户访问目标页面中各个接口的预测概率。
其中,预处理可以包括打分处理。具体的,电子设备可以基于各个页面的接口历史数据执行打分处理,得到接口对应的分数。例如,电子设备可以利用注意力机制基于用户点击一个接口内数据的次数,浏览一个接口内数据的时长,搜索一个接口内数据的次数确定这一个接口对应的分数。
其中,接口加载模型可以是基于机器学习中的神经网络训练得到的。该神经网络可以包括但不限于时间循环神经网络、卷积神经网络和递归神经网络等等。
电子设备可以通过以下步骤训练接口加载模型,训练接口加载模型的步骤可以包括S21-S24:
S21:获取训练样本,该训练样本包括样本接口数据以及该样本接口数据的基准接口。
其中,样本接口数据与接口历史数据类似,该样本接口数据可以包括一个时间段内,用户点击各个接口内数据的次数,用户浏览各个接口内数据的时长,用户搜索各个接口内数据的次数中的一项或多项。
S22:调用接口加载模型对样本接口数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率。
S23:基于各个接口的预测概率确定第一用户的预测接口。
S24:根据预测接口和基准接口,对接口加载模型进行训练,得到训练后的接口加载模型。
在一个实施例中,可以根据预测接口和基准接口确定接口加载模型的损失值,对接口加载模型的损失值执行求导计算得到接口加载模型的更新参数,并基于接口加载模型的更新参数对接口加载模型进行梯度反向传播,直至得到收敛的训练后的接口加载模型。
S303:获取预设概率阈值,并将预测概率大于预设概率阈值的接口确定为第一用户在目标页面中的目标接口。
在一个实施例中,电子设备可以调用接口加载模型确定各个接口的预测概率。请参见图4,图4示出了一种接口加载模型的处理流程示意图。如图4所示,电子设备可以调用接口加载模型对第一用户访问目标页面中各个接口的接口历史进行预测处理,得到各个接口的预测概率,可以显示如图4所示,即部门接口的预测概率、姓名接口的预测概率和邮箱接口的预测概率。可以看出,部门接口的预测概率、姓名接口的预测概率大于概率阈值,因此,电子设备可以将部门接口、姓名接口作为第一用户的目标接口。
S304:在目标页面中加载目标接口对应的数据。
在本申请实施例中,电子设备可以获取第一用户访问目标页面中各个接口的接口历史数据,调用训练后的接口加载模型对接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率,并基于各个接口的预测概率确定第一用户的目标接口,加载第一用户的目标接口对应的数据。本申请实施例可以基于接口历史数据加载目标页面内的接口的数据,由于第一用户的接口历史数据是与第一用户关联的,所以第一用户的目标接口为适应第一用户的用户习惯的目标接口,可以为用户个性化的加载接口内的数据。除此之外,由于本申请实施例中的接口历史数据结合了短期内的第一接口数据和长期内的第二接口数据,该接口数据能更全面的指示用户的历史行为,基于该接口历史数据确定的目标接口更准确。
请参见图5,图5是本申请实施例的一种页面显示装置的结构示意图。该装置可以是电子设备,也可以是电子设备中的装置,或者是能够和电子设备匹配使用的装置。图5所示的页面显示装置可以包括获取单元501、处理单元502、确定单元503和显示单元504,其中:
获取单元501,用于获取第一用户访问业务系统中各个页面的页面历史数据,该页面历史数据包括第一用户在各个页面的功能项上的操作时间,第一用户在各个页面的停留时间,第一用户浏览各个页面的浏览次数中的一种或多项;
处理单元502,用于调用训练后的页面显示模型对页面历史数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率;
确定单元503,用于基于各个页面的预测概率确定第一用户的目标页面,目标页面为各个页面的预测概率中最大预测概率对应的页面;
显示单元504,用于显示第一用户的目标页面。
在一些可行的实施方式中,获取单元501用于获取第一用户访问业务系统中各个页面的页面历史数据,包括:
获取第一用户在第一时间段内访问业务系统中各个页面的第一页面数据,以及获取第一用户在第二时间段内访问业务系统中各个页面的第二页面数据;
根据第一页面数据和第二页面数据确定第一用户访问业务系统中各个页面的页面历史数据;
第一时间段的时长小于第二时间段的时长。
在一些可行的实施方式中,获取单元501还用于:
获取训练样本,该训练样本包括样本页面数据以及样本页面数据的基准页面;
调用页面显示模型对样本页面数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率;
基于各个页面的预测概率确定第一用户的预测页面;
根据预测页面和基准页面,对页面显示模型进行训练,得到训练后的页面显示模型。
在一些可行的实施方式中,该目标页面中包括多个接口,获取单元501还用于:
获取第一用户访问目标页面中各个接口的接口历史数据;
调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率;
获取预设概率阈值,并将预测概率大于预设概率阈值的接口确定为第一用户在目标页面中的目标接口;
在目标页面中加载目标接口对应的数据。
在一些可行的实施方式中,获取单元501用于获取第一用户访问所述目标页面中各个接口的接口历史数据,包括:
获取第一用户在第三时间段内访问目标页面中各个接口的第一接口数据,以及获取第一用户在第四时间段内访问目标页面中各个接口的第二接口数据;
根据第一接口数据和第二接口数据确定第一用户访问目标页面中各个接口的接口历史数据;
第三时间段的时长小于第四时间段的时长。
在一些可行的实施方式中,获取单元501用于调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率,包括:
获取至少两个训练后的接口加载模型,其中,一个接口加载模型用于对一个页面内的接口进行预测处理;
从至少两个训练后的接口加载模型中获取目标页面对应的训练后的目标接口加载模型;
调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率。
在一些可行的实施方式中,显示单元504用于显示第一用户的目标页面,包括:
获取第一用户的当前页面;
若第一用户的当前页面与第一用户的目标页面之间不存在逻辑关系,则显示第一用户的目标页面。
上述页面显示装置例如可以是:芯片、或者模组设备。关于上述实施例中描述的各个装置、产品包含的各个单元,其可以是软件单元,也可以是硬件单元,或者也可以部分是软件单元,部分是硬件单元。例如,对于应用于或集成于芯片的各个装置、产品,其包含的各个单元可以都采用电路等硬件的方式实现,或者,至少部分单元可以采用软件程序的方式实现,该软件程序运行于芯片内部集成的处理器,剩余的(如果有)部分单元可以采用电路等硬件方式实现;对于应用于或集成于模组设备的各个装置、产品,其包含的各个单元可以都采用电路等硬件的方式实现,不同的单元可以位于模组设备的同一组件(例如芯片、电路单元等)或者不同组件中,或者,至少部分单元可以采用软件程序的方式实现,该软件程序运行于模组设备内部集成的处理器,剩余的(如果有)部分单元可以采用电路等硬件方式实现;对于应用于或集成于电子设备的各个装置、产品,其包含的各个单元可以都采用电路等硬件的方式实现,不同的单元可以位于电子设备内同一组件(例如,芯片、电路单元等)或者不同组件中,或者,至少部分单元可以采用软件程序的方式实现,该软件程序运行于电子设备内部集成的处理器,剩余的(如果有)部分单元可以采用电路等硬件方式实现。
其中,该实施方式的相关内容可参见上述方法实施例的相关内容。此处不再详述。本申请实施例和上述方法实施例基于同一构思,其带来的技术效果也相同,具体原理请参照上述方法实施例的描述,在此不赘述。
请参见图6,图6为本申请实施例提供的一种电子设备的结构示意图。该电子设备包括:处理器601、存储器602,处理器601和存储器602通过一条或多条通信总线603连接。
上述处理器601可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。处理器601被配置为支持电子设备执行前述页面显示方法中电子设备相应的功能。
上述存储器602可以包括只读存储器和随机存取存储器,并向处理器601提供计算机程序和数据。存储器602的一部分还可以包括非易失性随机存取存储器。其中,该处理器601调用所述计算机程序时用于执行:
获取第一用户访问业务系统中各个页面的页面历史数据,该页面历史数据包括第一用户在各个页面的功能项上的操作时间,第一用户在各个页面的停留时间,第一用户浏览各个页面的浏览次数中的一种或多项;
调用训练后的页面显示模型对页面历史数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率;
基于各个页面的预测概率确定第一用户的目标页面,目标页面为各个页面的预测概率中最大预测概率对应的页面;
显示第一用户的目标页面。
在一些可行的实施方式中,处理器601用于获取第一用户访问业务系统中各个页面的页面历史数据,包括:
获取第一用户在第一时间段内访问业务系统中各个页面的第一页面数据,以及获取第一用户在第二时间段内访问业务系统中各个页面的第二页面数据;
根据第一页面数据和第二页面数据确定第一用户访问业务系统中各个页面的页面历史数据;
第一时间段的时长小于第二时间段的时长。
在一些可行的实施方式中,处理器601还用于:
获取训练样本,该训练样本包括样本页面数据以及样本页面数据的基准页面;
调用页面显示模型对样本页面数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率;
基于各个页面的预测概率确定第一用户的预测页面;
根据预测页面和基准页面,对页面显示模型进行训练,得到训练后的页面显示模型。
在一些可行的实施方式中,该目标页面中包括多个接口,处理器601还用于:
获取第一用户访问目标页面中各个接口的接口历史数据;
调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率;
获取预设概率阈值,并将预测概率大于预设概率阈值的接口确定为第一用户在目标页面中的目标接口;
在目标页面中加载目标接口对应的数据。
在一些可行的实施方式中,处理器601用于获取第一用户访问所述目标页面中各个接口的接口历史数据,包括:
获取第一用户在第三时间段内访问目标页面中各个接口的第一接口数据,以及获取第一用户在第四时间段内访问目标页面中各个接口的第二接口数据;
根据第一接口数据和第二接口数据确定第一用户访问目标页面中各个接口的接口历史数据;
第三时间段的时长小于第四时间段的时长。
在一些可行的实施方式中,处理器601用于调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率,包括:
获取至少两个训练后的接口加载模型,其中,一个接口加载模型用于对一个页面内的接口进行预测处理;
从至少两个训练后的接口加载模型中获取目标页面对应的训练后的目标接口加载模型;
调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率。
在一些可行的实施方式中,处理器601用于显示第一用户的目标页面,包括:
获取第一用户的当前页面;
若第一用户的当前页面与第一用户的目标页面之间不存在逻辑关系,则显示第一用户的目标页面。
其中,该实施方式的相关内容可参见上述方法实施例的相关内容。此处不再详述。本申请实施例和上述方法实施例基于同一构思,其带来的技术效果也相同,具体原理请参照上述方法实施例的描述,在此不赘述。
本申请实施例提供一种芯片,该芯片可以执行前述方法实施例中电子设备的相关步骤。该芯片用于:
获取第一用户访问业务系统中各个页面的页面历史数据,该页面历史数据包括第一用户在各个页面的功能项上的操作时间,第一用户在各个页面的停留时间,第一用户浏览各个页面的浏览次数中的一种或多项;
调用训练后的页面显示模型对页面历史数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率;
基于各个页面的预测概率确定第一用户的目标页面,目标页面为各个页面的预测概率中最大预测概率对应的页面;
显示第一用户的目标页面。
在一些可行的实施方式中,该芯片用于获取第一用户访问业务系统中各个页面的页面历史数据,包括:
获取第一用户在第一时间段内访问业务系统中各个页面的第一页面数据,以及获取第一用户在第二时间段内访问业务系统中各个页面的第二页面数据;
根据第一页面数据和第二页面数据确定第一用户访问业务系统中各个页面的页面历史数据;
第一时间段的时长小于第二时间段的时长。
在一些可行的实施方式中,该芯片还用于:
获取训练样本,该训练样本包括样本页面数据以及样本页面数据的基准页面;
调用页面显示模型对样本页面数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率;
基于各个页面的预测概率确定第一用户的预测页面;
根据预测页面和基准页面,对页面显示模型进行训练,得到训练后的页面显示模型。
在一些可行的实施方式中,该目标页面中包括多个接口,该芯片还用于:
获取第一用户访问目标页面中各个接口的接口历史数据;
调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率;
获取预设概率阈值,并将预测概率大于预设概率阈值的接口确定为第一用户在目标页面中的目标接口;
在目标页面中加载目标接口对应的数据。
在一些可行的实施方式中,该芯片用于获取第一用户访问所述目标页面中各个接口的接口历史数据,包括:
获取第一用户在第三时间段内访问目标页面中各个接口的第一接口数据,以及获取第一用户在第四时间段内访问目标页面中各个接口的第二接口数据;
根据第一接口数据和第二接口数据确定第一用户访问目标页面中各个接口的接口历史数据;
第三时间段的时长小于第四时间段的时长。
在一些可行的实施方式中,该芯片用于调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率,包括:
获取至少两个训练后的接口加载模型,其中,一个接口加载模型用于对一个页面内的接口进行预测处理;
从至少两个训练后的接口加载模型中获取目标页面对应的训练后的目标接口加载模型;
调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率。
在一些可行的实施方式中,该芯片用于显示第一用户的目标页面,包括:
获取第一用户的当前页面;
若第一用户的当前页面与第一用户的目标页面之间不存在逻辑关系,则显示第一用户的目标页面。
其中,该实施方式的相关内容可参见上述方法实施例的相关内容。此处不再详述。本申请实施例和上述方法实施例基于同一构思,其带来的技术效果也相同,具体原理请参照上述方法实施例的描述,在此不赘述。
本申请实施例还提供一种模组设备,模组设备包括处理器和通信接口,处理器与通信接口相连,通信接口用于收发信号,处理器用于:
获取第一用户访问业务系统中各个页面的页面历史数据,该页面历史数据包括第一用户在各个页面的功能项上的操作时间,第一用户在各个页面的停留时间,第一用户浏览各个页面的浏览次数中的一种或多项;
调用训练后的页面显示模型对页面历史数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率;
基于各个页面的预测概率确定第一用户的目标页面,目标页面为各个页面的预测概率中最大预测概率对应的页面;
显示第一用户的目标页面。
在一些可行的实施方式中,处理器用于获取第一用户访问业务系统中各个页面的页面历史数据,包括:
获取第一用户在第一时间段内访问业务系统中各个页面的第一页面数据,以及获取第一用户在第二时间段内访问业务系统中各个页面的第二页面数据;
根据第一页面数据和第二页面数据确定第一用户访问业务系统中各个页面的页面历史数据;
第一时间段的时长小于第二时间段的时长。
在一些可行的实施方式中,处理器还用于:
获取训练样本,该训练样本包括样本页面数据以及样本页面数据的基准页面;
调用页面显示模型对样本页面数据进行预测处理,确定第一用户访问业务系统中各个页面的预测概率;
基于各个页面的预测概率确定第一用户的预测页面;
根据预测页面和基准页面,对页面显示模型进行训练,得到训练后的页面显示模型。
在一些可行的实施方式中,该目标页面中包括多个接口,处理器还用于:
获取第一用户访问目标页面中各个接口的接口历史数据;
调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率;
获取预设概率阈值,并将预测概率大于预设概率阈值的接口确定为第一用户在目标页面中的目标接口;
在目标页面中加载目标接口对应的数据。
在一些可行的实施方式中,处理器用于获取第一用户访问所述目标页面中各个接口的接口历史数据,包括:
获取第一用户在第三时间段内访问目标页面中各个接口的第一接口数据,以及获取第一用户在第四时间段内访问目标页面中各个接口的第二接口数据;
根据第一接口数据和第二接口数据确定第一用户访问目标页面中各个接口的接口历史数据;
第三时间段的时长小于第四时间段的时长。
在一些可行的实施方式中,处理器用于调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率,包括:
获取至少两个训练后的接口加载模型,其中,一个接口加载模型用于对一个页面内的接口进行预测处理;
从至少两个训练后的接口加载模型中获取目标页面对应的训练后的目标接口加载模型;
调用训练后的目标接口加载模型基于各个接口的接口历史数据进行预测处理,确定第一用户访问目标页面中各个接口的预测概率。
在一些可行的实施方式中,处理器用于显示第一用户的目标页面,包括:
获取第一用户的当前页面;
若第一用户的当前页面与第一用户的目标页面之间不存在逻辑关系,则显示第一用户的目标页面。
其中,该实施方式的相关内容可参见上述方法实施例的相关内容。此处不再详述。本申请实施例和上述方法实施例基于同一构思,其带来的技术效果也相同,具体原理请参照上述方法实施例的描述,在此不赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时,可以用于实现本申请实施例描述的页面显示方法,在此不再赘述。
计算机可读存储介质可以是前述任一实施例的电子设备的内部存储单元,例如电子设备的硬盘或内存。计算机可读存储介质也可以是电子设备的外部存储设备,例如电子设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括电子设备的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序以及电子设备所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
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,所述的程序可存储于可读取存储介质中,所述程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (12)
1.一种页面显示方法,其特征在于,所述方法包括:
获取第一用户访问业务系统中各个页面的页面历史数据;
调用训练后的页面显示模型对所述页面历史数据进行预测处理,确定所述第一用户访问所述业务系统中各个页面的预测概率;
基于所述各个页面的预测概率确定所述第一用户的目标页面,所述目标页面为所述各个页面的预测概率中最大预测概率对应的页面;
显示所述第一用户的目标页面。
2.如权利要求1所述的方法,其特征在于,所述获取第一用户访问业务系统中各个页面的页面历史数据,包括:
获取所述第一用户在第一时间段内访问所述业务系统中各个页面的第一页面数据,以及获取所述第一用户在第二时间段内访问所述业务系统中各个页面的第二页面数据;
根据所述第一页面数据和所述第二页面数据确定所述第一用户访问所述业务系统中各个页面的页面历史数据;
所述第一时间段的时长小于所述第二时间段的时长。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练样本,所述训练样本包括样本页面数据以及所述样本页面数据的基准页面;
调用页面显示模型对所述样本页面数据进行预测处理,确定所述第一用户访问所述业务系统中各个页面的预测概率;
基于所述各个页面的预测概率确定所述第一用户的预测页面;
根据所述预测页面和所述基准页面,对所述页面显示模型进行训练,得到所述训练后的页面显示模型。
4.如权利要求1所述的方法,其特征在于,所述目标页面中包括多个接口,所述方法还包括:
获取所述第一用户访问所述目标页面中各个接口的接口历史数据;
调用训练后的目标接口加载模型基于所述各个接口的接口历史数据进行预测处理,确定所述第一用户访问所述目标页面中各个接口的预测概率;
获取预设概率阈值,并将预测概率大于所述预设概率阈值的接口确定为所述第一用户在所述目标页面中的目标接口;
在所述目标页面中加载所述目标接口对应的数据。
5.如权利要求4所述的方法,其特征在于,所述获取第一用户访问所述目标页面中各个接口的接口历史数据,包括:
获取所述第一用户在第三时间段内访问所述目标页面中各个接口的第一接口数据,以及获取所述第一用户在第四时间段内访问所述目标页面中各个接口的第二接口数据;
根据所述第一接口数据和所述第二接口数据确定所述第一用户访问所述目标页面中各个接口的接口历史数据;
所述第三时间段的时长小于所述第四时间段的时长。
6.如权利要求5所述的方法,其特征在于,所述调用训练后的目标接口加载模型基于所述各个接口的接口历史数据进行预测处理,确定所述第一用户访问所述目标页面中各个接口的预测概率,包括:
获取至少两个训练后的接口加载模型,其中,一个接口加载模型用于对一个页面内的接口进行预测处理;
从所述至少两个训练后的接口加载模型中获取所述目标页面对应的训练后的目标接口加载模型;
调用训练后的目标接口加载模型基于所述各个接口的接口历史数据进行预测处理,确定所述第一用户访问所述目标页面中各个接口的预测概率。
7.如权利要求1-6任一项所述的方法,其特征在于,所述显示所述第一用户的目标页面,包括:
获取所述第一用户的当前页面;
若所述第一用户的当前页面与所述第一用户的目标页面之间不存在逻辑关系,则显示所述第一用户的目标页面。
8.一种页面显示装置,其特征在于,所述装置包括:
获取单元,用于获取第一用户访问业务系统中各个页面的页面历史数据,所述页面历史数据包括所述第一用户在所述各个页面的功能项上的操作时间,所述第一用户在所述各个页面的停留时间,所述第一用户浏览所述各个页面的浏览次数中的一种或多项;
处理单元,用于调用训练后的页面显示模型对所述页面历史数据进行预测处理,确定所述第一用户访问所述业务系统中各个页面的预测概率;
确定单元,用于基于所述各个页面的预测概率确定所述第一用户的目标页面,所述目标页面为所述各个页面的预测概率中最大预测概率对应的页面;
显示单元,用于显示所述第一用户的目标页面。
9.一种电子设备,其特征在于,包括处理器和存储器,所述处理器和存储器相连,其中,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行如权利要求1至7任意一项所述的页面显示方法。
10.一种芯片,其特征在于,
所述芯片获取第一用户访问业务系统中各个页面的页面历史数据,所述页面历史数据包括所述第一用户在所述各个页面的功能项上的操作时间,所述第一用户在所述各个页面的停留时间,所述第一用户浏览所述各个页面的浏览次数中的一种或多项;
调用训练后的页面显示模型对所述页面历史数据进行预测处理,确定所述第一用户访问所述业务系统中各个页面的预测概率;
基于所述各个页面的预测概率确定所述第一用户的目标页面,所述目标页面为所述各个页面的预测概率中最大预测概率对应的页面;
显示所述第一用户的目标页面。
11.一种模组设备,其特征在于,所述模组设备包括处理器和通信接口,所述处理器与所述通信接口相连,所述通信接口用于收发信号,所述处理器用于:
获取第一用户访问业务系统中各个页面的页面历史数据,所述页面历史数据包括所述第一用户在所述各个页面的功能项上的操作时间,所述第一用户在所述各个页面的停留时间,所述第一用户浏览所述各个页面的浏览次数中的一种或多项;
调用训练后的页面显示模型对所述页面历史数据进行预测处理,确定所述第一用户访问所述业务系统中各个页面的预测概率;
基于所述各个页面的预测概率确定所述第一用户的目标页面,所述目标页面为所述各个页面的预测概率中最大预测概率对应的页面;
显示所述第一用户的目标页面。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1至7任意一项所述页面显示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110863003.8A CN113535311A (zh) | 2021-07-29 | 2021-07-29 | 一种页面显示方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110863003.8A CN113535311A (zh) | 2021-07-29 | 2021-07-29 | 一种页面显示方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113535311A true CN113535311A (zh) | 2021-10-22 |
Family
ID=78121396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110863003.8A Pending CN113535311A (zh) | 2021-07-29 | 2021-07-29 | 一种页面显示方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113535311A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115037655A (zh) * | 2022-05-19 | 2022-09-09 | 支付宝(杭州)信息技术有限公司 | 压测方法和系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104246751A (zh) * | 2011-12-02 | 2014-12-24 | Kddi株式会社 | 推荐装置、推荐系统、推荐方法以及程序 |
CN104298780A (zh) * | 2014-11-05 | 2015-01-21 | 百纳(武汉)信息技术有限公司 | 一种浏览器网页信息的预获取方法及系统 |
CN107220094A (zh) * | 2017-06-27 | 2017-09-29 | 北京金山安全软件有限公司 | 页面加载方法、装置和电子设备 |
CN107436893A (zh) * | 2016-05-26 | 2017-12-05 | 北京搜狗科技发展有限公司 | 一种网页推荐方法和装置 |
CN108255896A (zh) * | 2017-02-06 | 2018-07-06 | 广州市动景计算机科技有限公司 | 网页预读方法、网页访问方法、设备及电子设备 |
CN108280168A (zh) * | 2018-01-19 | 2018-07-13 | 中国科学院上海高等研究院 | 网页的处理方法/系统、计算机可读存储介质及电子设备 |
CN110597569A (zh) * | 2019-09-04 | 2019-12-20 | 北京安云世纪科技有限公司 | 软件开启页面控制方法、装置、存储介质及电子设备 |
CN112384890A (zh) * | 2018-07-11 | 2021-02-19 | 美光科技公司 | 预测性分页以加速存储器存取 |
CN112507230A (zh) * | 2020-12-16 | 2021-03-16 | 平安银行股份有限公司 | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 |
CN112540819A (zh) * | 2020-12-08 | 2021-03-23 | 杭州讯酷科技有限公司 | 一种根据查询页面自动生成推荐详细页面及表单页面的方法 |
US20210201177A1 (en) * | 2019-12-26 | 2021-07-01 | Rakuten, Inc. | Prediction system, prediction method, and information storage medium |
WO2021135578A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 页面处理方法、装置、存储介质及终端设备 |
-
2021
- 2021-07-29 CN CN202110863003.8A patent/CN113535311A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104246751A (zh) * | 2011-12-02 | 2014-12-24 | Kddi株式会社 | 推荐装置、推荐系统、推荐方法以及程序 |
CN104298780A (zh) * | 2014-11-05 | 2015-01-21 | 百纳(武汉)信息技术有限公司 | 一种浏览器网页信息的预获取方法及系统 |
CN107436893A (zh) * | 2016-05-26 | 2017-12-05 | 北京搜狗科技发展有限公司 | 一种网页推荐方法和装置 |
CN108255896A (zh) * | 2017-02-06 | 2018-07-06 | 广州市动景计算机科技有限公司 | 网页预读方法、网页访问方法、设备及电子设备 |
CN107220094A (zh) * | 2017-06-27 | 2017-09-29 | 北京金山安全软件有限公司 | 页面加载方法、装置和电子设备 |
CN108280168A (zh) * | 2018-01-19 | 2018-07-13 | 中国科学院上海高等研究院 | 网页的处理方法/系统、计算机可读存储介质及电子设备 |
CN112384890A (zh) * | 2018-07-11 | 2021-02-19 | 美光科技公司 | 预测性分页以加速存储器存取 |
CN110597569A (zh) * | 2019-09-04 | 2019-12-20 | 北京安云世纪科技有限公司 | 软件开启页面控制方法、装置、存储介质及电子设备 |
US20210201177A1 (en) * | 2019-12-26 | 2021-07-01 | Rakuten, Inc. | Prediction system, prediction method, and information storage medium |
WO2021135578A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 页面处理方法、装置、存储介质及终端设备 |
CN112540819A (zh) * | 2020-12-08 | 2021-03-23 | 杭州讯酷科技有限公司 | 一种根据查询页面自动生成推荐详细页面及表单页面的方法 |
CN112507230A (zh) * | 2020-12-16 | 2021-03-16 | 平安银行股份有限公司 | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115037655A (zh) * | 2022-05-19 | 2022-09-09 | 支付宝(杭州)信息技术有限公司 | 压测方法和系统 |
CN115037655B (zh) * | 2022-05-19 | 2024-03-12 | 支付宝(杭州)信息技术有限公司 | 压测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11036820B2 (en) | Page loading method and electronic device | |
US9569423B2 (en) | Mobile based lexicon and forecasting | |
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN111090756A (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
CN109548691A (zh) | 一种宠物识别方法、装置、介质和电子设备 | |
US20230035366A1 (en) | Image classification model training method and apparatus, computer device, and storage medium | |
CN110473042B (zh) | 用于获取信息的方法及装置 | |
CN108140055A (zh) | 触发应用信息 | |
US20220391425A1 (en) | Method and apparatus for processing information | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN116049536A (zh) | 一种推荐方法及相关装置 | |
CN109829117B (zh) | 用于推送信息的方法和装置 | |
CN118043802A (zh) | 一种推荐模型训练方法及装置 | |
CN113535311A (zh) | 一种页面显示方法、装置及电子设备 | |
CN117251619A (zh) | 一种数据处理方法及相关装置 | |
CN117057855A (zh) | 一种数据处理方法及相关装置 | |
CN116204709A (zh) | 一种数据处理方法及相关装置 | |
CN116910357A (zh) | 一种数据处理方法及相关装置 | |
CN116661936A (zh) | 页面数据的处理方法、装置、计算机设备及存储介质 | |
CN114265777B (zh) | 应用程序的测试方法、装置、电子设备及存储介质 | |
CN111026849A (zh) | 数据处理方法和装置 | |
CN113868453A (zh) | 对象推荐方法和装置 | |
CN111339770A (zh) | 用于输出信息的方法和装置 | |
CN110990528A (zh) | 一种问答方法、装置及电子设备 | |
CN113420227B (zh) | 点击率预估模型的训练方法、预估点击率的方法、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211022 |
|
RJ01 | Rejection of invention patent application after publication |