CN113610580B - 产品推荐方法、装置、电子设备及可读存储介质 - Google Patents

产品推荐方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN113610580B
CN113610580B CN202110934038.6A CN202110934038A CN113610580B CN 113610580 B CN113610580 B CN 113610580B CN 202110934038 A CN202110934038 A CN 202110934038A CN 113610580 B CN113610580 B CN 113610580B
Authority
CN
China
Prior art keywords
user
product recommendation
product
determining
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.)
Active
Application number
CN202110934038.6A
Other languages
English (en)
Other versions
CN113610580A (zh
Inventor
黎建辉
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110934038.6A priority Critical patent/CN113610580B/zh
Publication of CN113610580A publication Critical patent/CN113610580A/zh
Application granted granted Critical
Publication of CN113610580B publication Critical patent/CN113610580B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0261—Targeted advertisements based on user location
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及智能决策，揭露一种产品推荐方法，包括：基于第一历史点击数据及第一基本信息数据确定用户集中每个用户对应的第一特征矩阵及第一标注信息；构建产品推荐模型，产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于第一特征矩阵及第一标注信息训练产品推荐模型；基于第二历史点击数据及第二基本信息数据确定目标用户对应的第二特征矩阵；将第二特征矩阵输入训练好的产品推荐模型，得到目标用户对产品类别集中每个产品类别的预测点击率，基于预测点击率确定目标用户对应的产品推荐列表。本发明还提供一种产品推荐装置、电子设备及可读存储介质。本发明提高了产品推荐准确度。

Description

产品推荐方法、装置、电子设备及可读存储介质
技术领域
本发明涉及智能决策领域，尤其涉及一种产品推荐方法、装置、电子设备及可读存储介质。
背景技术
随着机器学习的发展，模型逐渐融入人们的生活中，例如，通过模型为用户推荐感兴趣的产品。当前，通常采用逻辑回归模型为用户推荐产品，然而因逻辑回归模型对自变量多重共线性较为敏感，使得相关性高的自变量无法正常回归，导致推荐准确度不高。因此，亟需一种产品推荐方法，以提高产品推荐准确度。
发明内容
鉴于以上内容，有必要提供一种产品推荐方法，旨在提高产品推荐准确度。
本发明提供的产品推荐方法，包括：
根据第一时间段内登录目标应用程序的用户信息生成用户集，获取所述用户集中每个用户在所述第一时间段内的第一历史点击数据及第一基本信息数据；
基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息；
构建产品推荐模型，所述产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型；
解析针对目标用户的产品推荐请求，从预设数据库获取所述目标用户对应的第二历史点击数据及第二基本信息数据，基于所述第二历史点击数据及所述第二基本信息数据确定所述目标用户对应的第二特征矩阵；
将所述第二特征矩阵输入所述训练好的产品推荐模型，得到所述目标用户对产品类别集中每个产品类别的预测点击率，基于所述预测点击率确定所述目标用户对应的产品推荐列表。
可选的，所述基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息，包括：
基于所述第一基本信息数据构建所述用户集中每个用户的用户画像；
从所述第一历史点击数据中抽取多个预设特征因子的特征值，得到所述用户集中每个用户对应的特征值集合；
汇总所述用户画像及特征值集合，得到所述用户集中每个用户对应的初始特征矩阵；
对所述初始特征矩阵执行编码处理，得到所述用户集中每个用户对应的第一特征矩阵；
基于所述第一历史点击数据中的用户点击行为确定所述用户集中每个用户对应的第一标注信息。
可选的，所述构建产品推荐模型包括：
将因子分解机模型作为低阶组合特征提取分支，将深度神经网络模型作为高阶组合特征提取分支；
连接所述低阶组合特征提取分支的输出与所述高阶组合特征分支的激活层的输入，得到产品推荐模型。
可选的，所述基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型，包括：
将所述第一特征矩阵输入所述产品推荐模型的低阶组合特征提取分支，得到所述用户集中每个用户对应的一阶特征及二阶组合特征；
将所述第一特征矩阵输入所述产品推荐模型的高阶组合特征提取分支的线性层、嵌入层及神经网络层，得到所述用户集中每个用户对应的高阶组合特征；
将所述一阶特征、二阶组合特征及高阶组合特征输入所述高阶组合特征提取分支的激活层，得到所述用户集中每个用户对应的预测点击结果；
基于所述第一标注信息确定所述用户集中每个用户对应的真实点击结果，通过最小化预测点击结果与真实点击结果之间的损失值确定所述产品推荐模型的结构参数，得到训练好的产品推荐模型。
可选的，所述基于所述预测点击率确定所述目标用户对应的产品推荐列表，包括：
将预测点击率大于预设阈值的产品类别的集合作为目标产品类别集，确定所述目标产品类别集中每个产品类别的优先级；
根据预先确定的优先级及抽样比例之间的映射关系，确定所述目标产品类别集中每个产品类别对应的目标抽样比例；
基于所述目标抽样比例从产品库中为所述目标产品类别集中每个产品类别抽取对应数量的产品存储至空白列表，得到产品推荐列表。
可选的，在所述得到训练好的产品推荐模型之后，所述方法还包括：
每隔第二时间段，根据所述目标应用程序的历史登录数据确定新的用户集，确定所述新的用户集中每个用户的第三特征矩阵及第二标注信息，基于所述第三特征矩阵及所述第二标注信息训练所述训练好的产品推荐模型，得到更新后的产品推荐模型。
可选的，所述损失值的计算公式为：
其中，qi为用户集中第i个用户的预测点击结果，pi为用户集中第i个用户的真实点击结果，c为用户集中用户的总数量，loss(qi，pi)为用户集的预测点击结果与真实点击结果之间的损失值。
为了解决上述问题，本发明还提供一种产品推荐装置，所述装置包括：
获取模块，用于根据第一时间段内登录目标应用程序的用户信息生成用户集，获取所述用户集中每个用户在所述第一时间段内的第一历史点击数据及第一基本信息数据；
确定模块，用于基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息；
构建模块，用于构建产品推荐模型，所述产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型；
解析模块，用于解析针对目标用户的产品推荐请求，从预设数据库获取所述目标用户对应的第二历史点击数据及第二基本信息数据，基于所述第二历史点击数据及所述第二基本信息数据确定所述目标用户对应的第二特征矩阵；
推荐模块，用于将所述第二特征矩阵输入所述训练好的产品推荐模型，得到所述目标用户对产品类别集中每个产品类别的预测点击率，基于所述预测点击率确定所述目标用户对应的产品推荐列表。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
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产品推荐程序，所述产品推荐程序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上述产品推荐方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有产品推荐程序，所述产品推荐程序可被一个或者多个处理器执行，以实现上述产品推荐方法。
相较现有技术，本发明首先确定用户集中每个用户对应的第一特征矩阵及第一标注信息；接着，构建产品推荐模型，产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于第一特征矩阵及第一标注信息训练产品推荐模型；最后，确定目标用户对应的第二特征矩阵，将第二特征矩阵输入训练好的产品推荐模型，得到目标用户对每个产品类别的预测点击率，基于预测点击率确定产品推荐列表。本方案的产品推荐模型可同时学习到样本的低阶组合特征及高阶组合特征，使得训练好的模型输出的预测点击率更加准确，从而产品推荐准确度更高。因此，本发明提高了产品推荐准确度。
附图说明
图1为本发明一实施例提供的产品推荐方法的流程示意图；
图2为本发明一实施例提供的产品推荐模型的结构示意图；
图3为本发明一实施例提供的产品推荐装置的模块示意图；
图4为本发明一实施例提供的实现产品推荐方法的电子设备的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提供一种产品推荐方法。参照图1所示，为本发明一实施例提供的产品推荐方法的流程示意图。该方法可以由一个电子设备执行，该电子设备可以由软件和/或硬件实现。
本实施例中，产品推荐方法包括：
S1、根据第一时间段内登录目标应用程序的用户信息生成用户集，获取所述用户集中每个用户在所述第一时间段内的第一历史点击数据及第一基本信息数据。
本实施例用于在用户登录目标应用程序时向用户展示其感兴趣的产品，以目标应用程序为购物APP为例，产品可以是展示在首页产品列表中，也可以是展示在广告弹窗中。
所述第一时间段可以是最近半年，所述第一历史点击数据包括用户登录目标应用程序后，目标应用程序展示的产品的标识信息、展示的产品所属的产品类别、用户点击行为、展示时间戳及点击时间戳，所述用户点击行为包括用户点击了该产品及用户没有点击该产品。本实施例中，一个展示时间戳内展示的一个产品对应一条第一历史点击数据。
所述第一基本信息数据包括用户的性别、年龄、教育程度、婚姻状态、居住地、职业、贷款状态及用户偏好。所述用户偏好可以是根据用户历史购买记录确定的，例如，用户1的历史购买记录显示其购买运动类产品较多，则可确定用户1的偏好为运动类产品。
S2、基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息。
本实施例中，将一个用户的一条第一历史点击数据与该用户的第一基本信息数据汇总，得到一个样本，汇总用户集中每个用户的所有第一历史点击数据，得到样本集，通过提取样本集中样本的特征，可用于后续训练产品推荐模型。
所述基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息，包括：
A11、基于所述第一基本信息数据构建所述用户集中每个用户的用户画像；
本实施例中，通过确定第一基本信息数据中各个指标项的指标值对应的标签，进而确定用户集中每个用户的用户画像(下述步骤B11-B13细化描述了用户画像的构建过程)。
A12、从所述第一历史点击数据中抽取多个预设特征因子的特征值，得到所述用户集中每个用户对应的特征值集合；
所述预设特征因子包括展示的产品的标识信息、展示的产品所属的产品类别及该产品类别的历史点击率，其中，历史点击率＝该用户对该产品类别的产品的点击次数/对该用户展示的该产品类别的产品次数。
可从第一历史点击数据中获取各个预设特征因子的特征值，例如，用户1的一条第一历史点击数据中展示的产品的标识信息为产品1，产品1所属的产品类别为产品类别1，产品1的历史点击率为0.2，则这条第一历史点击数据对应的特征数组为{产品1，产品类别1，0.2}，将用户1的每条第一历史点击数据对应的特征数组的集合作为用户1对应的特征值集合。
A13、汇总所述用户画像及特征值集合，得到所述用户集中每个用户对应的初始特征矩阵；
目标应用程序展示给用户的一个产品对应一条第一历史数据，则一条第一历史数据对应初始特征矩阵中的一行特征数据。
假设共获取到用户1的3条第一历史点击数据，基于第一历史点击数据确定的用户1的初始特征矩阵可以为：
上述矩阵中，第一列数据代表产品标识，第二列代表产品类别，第三列代表用户画像，第四列代表历史点击率，第一行代表用户1的第一条第一历史点击数据，第二行代表第二条第一历史点击数据。
A14、对所述初始特征矩阵执行编码处理，得到所述用户集中每个用户对应的第一特征矩阵；
本实施例中，采用lable encode方式对初始特征矩阵中的离散型数据(例如，产品标识、产品类别及用户画像)进行编码处理，连续型数据(例如，历史点击率)则保持原值。
Lable encode是对离散型数据进行编号，例如，产品1、产品2，……，产品8通过Lable encode编码后变为1，2，……，8；产品类别1、产品类别2，……，产品类别5通过Lableencode编码后变为11，12，……，15。
用户1的初始特征矩阵通过编码处理后，得到的第一特征矩阵为：
A15、基于所述第一历史点击数据中的用户点击行为确定所述用户集中每个用户对应的第一标注信息。
本实施例中，一条第一历史点击数据对应一个标注信息，若一条第一历史点击数据中用户点击了产品，则标注信息为1；若用户未点击产品，则标注信息为0。
假设用户1的三条第一历史点击数据中用户点击行为分别为：点击了、未点击、未点击，则用户1对应的第一标注信息为：
所述基于所述第一基本信息数据构建所述用户集中每个用户的用户画像，包括：
B11、获取所述第一基本信息数据中各个指标项的指标值与标签的映射关系；
本实施例中，以指标项年龄和居住地为例说明指标值与标签的映射关系。
年龄的指标值与标签的映射关系如下：
18岁以下，少年；
18岁～30岁，青年；
31岁～50岁，中年；
50岁以上，老年。
居住地的指标值与标签的映射关系如下：
北京、上海、广州、深圳，一线城市；
厦门、无锡、昆明、温州、长春、南宁、金华、……、珠海，二线城市；
……
B12、基于所述映射关系确定所述用户集中每个用户的第一基本信息数据中各个指标项的指标值对应的目标标签；
若用户1的第一基本信息数据中年龄为25岁、性别为女、居住地为上海，职业为外企职员、……，则用户1的各指标项对应的目标标签分别为青年、女性、一线城市、白领、……。
B13、将所述目标标签的集合作为所述用户集中每个用户的用户画像。
汇总上述各指标项对应的标签即得到用户集中每个用户的用户画像。例如，根据步骤B12得到用户1的用户画像为一个标签数组{青年，女性，一线城市，白领，……}。
S3、构建产品推荐模型，所述产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型。
本实施例中，通过融合低阶组合特征提取分支与高阶组合特征提取分支构建产品推荐模型，两个分支的输入相同，使得模型可从原始特征中同时学习到低阶组合特征及高阶组合特征，从而模型的推荐准确性更高。
所述构建产品推荐模型包括：
C11、将因子分解机模型作为低阶组合特征提取分支，将深度神经网络模型作为高阶组合特征提取分支；
本实施例中，所述因子分解机模型包括线性层、嵌入层及FM层(因子分解层)，其中，线性层用于提取输入特征的一阶特征，嵌入层用于将一阶特征从高维稀疏特征转换为低维稠密特征(可使转换后的特征的维度数量均为k)，FM层用于对嵌入层输出的特征进行交叉运算，得到输入特征的二阶组合特征。
所述深度神经网络模型包括线性层、嵌入层、神经网络层及激活层，其中，线性层与嵌入层的作用与其在因子分解机模型中的作用相同，神经网络层用于对嵌入层输出的特征进行交叉运算(本实施例中，神经网络层为3层)，得到输入特征的高阶组合特征，激活层用于输出预测结果。
C12、连接所述低阶组合特征提取分支的输出与所述高阶组合特征分支的激活层的输入，得到产品推荐模型。
如图2所示，为本发明一实施例提供的产品推荐模型的结构示意图。将低阶组合特征提取分支的输出与高阶组合特征提取分支的激活层的输入相连接，得到的产品推荐模型为Y型结构，其包括两个输入端(分别为：低阶组合特征提取分支的线性层及高阶组合特征提取分支的线性层)和一个输出端(高阶组合特征提取分支的激活层)。
所述基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型，包括：
D11、将所述第一特征矩阵输入所述产品推荐模型的低阶组合特征提取分支，得到所述用户集中每个用户对应的一阶特征及二阶组合特征；
低阶组合特征提取分支的线性层输出一阶特征，FM层输出二阶组合特征。
D12、将所述第一特征矩阵输入所述产品推荐模型的高阶组合特征提取分支的线性层、嵌入层及神经网络层，得到所述用户集中每个用户对应的高阶组合特征；
高阶组合特征提取分支的线性层及嵌入层与低阶组合特征提取分支的输出相同，神经网络层输出高阶组合特征。
D13、将所述一阶特征、二阶组合特征及高阶组合特征输入所述高阶组合特征提取分支的激活层，得到所述用户集中每个用户对应的预测点击结果；
本实施例中，用户集中每个用户对应的预测点击结果是与其对应的第一标注信息维度数相同的矩阵，例如，若用户1的第一标注信息为3*1的矩阵(行为3、列为1的矩阵)，则用户1对应的预测点击结果也为3*1的矩阵。
D14、基于所述第一标注信息确定所述用户集中每个用户对应的真实点击结果，通过最小化预测点击结果与真实点击结果之间的损失值确定所述产品推荐模型的结构参数，得到训练好的产品推荐模型。
所述损失值的计算公式为：
其中，qi为用户集中第i个用户的预测点击结果，pi为用户集中第i个用户的真实点击结果，c为用户集中用户的总数量，loss(qi，pi)为用户集的预测点击结果与真实点击结果之间的损失值。
S4、解析针对目标用户的产品推荐请求，从预设数据库获取所述目标用户对应的第二历史点击数据及第二基本信息数据，基于所述第二历史点击数据及所述第二基本信息数据确定所述目标用户对应的第二特征矩阵。
第二历史点击数据及第二基本信息数据与第一历史点击数据及第一基本信息数据包括的指标项相同，第二特征矩阵的确定过程与第一特征矩阵的确定过程相同，在此不做赘述。
S5、将所述第二特征矩阵输入所述训练好的产品推荐模型，得到所述目标用户对产品类别集中每个产品类别的预测点击率，基于所述预测点击率确定所述目标用户对应的产品推荐列表。
本实施例中，所述产品类别集中包括所有的产品类别，将第二特征矩阵输入训练好的产品推荐模型，可得到每个产品类型的预测点击率，根据预测点击率可为目标用户推荐其感兴趣的产品。
所述基于所述预测点击率确定所述目标用户对应的产品推荐列表，包括：
E11、将预测点击率大于预设阈值的产品类别的集合作为目标产品类别集，确定所述目标产品类别集中每个产品类别的优先级；
若模型输出结果中，预测点击率大于预设阈值(例如，80％)的产品类别有3个，分别是产品类别2、产品类别5及产品类别8，则目标产品类别集中的产品类别的数量为3。
本实施例中，按照预测点击率从高到低的顺序确定产品类别的优先级，预测点击率最高的产品类别的优先级最高。
E12、根据预先确定的优先级及抽样比例之间的映射关系，确定所述目标产品类别集中每个产品类别对应的目标抽样比例；
所述优先级及抽样比例之间的映射关系可以是：
第一优先级：15％；
第二优先级：12％；
……
其中，第一优先级为最高的优先级，其对应的抽样比例也最高。
E13、基于所述目标抽样比例从产品库中为所述目标产品类别集中每个产品类别抽取对应数量的产品存储至空白列表，得到产品推荐列表。
本实施例中，产品库中存储有每个产品类别对应的多个产品，按照抽样比例为目标产品类别集中每个产品类别抽取对应数量的产品存储至空白列表中，得到产品推荐列表。
产品推荐列表中，按照优先级顺序对产品类别区块排序，每个产品类别区块中的产品随机排序。
在所述得到训练好的产品推荐模型之后，所述方法还包括：
每隔第二时间段，根据所述目标应用程序的历史登录数据确定新的用户集，确定所述新的用户集中每个用户的第三特征矩阵及第二标注信息，基于所述第三特征矩阵及所述第二标注信息训练所述训练好的产品推荐模型，得到更新后的产品推荐模型。
本实施例中，所述第二时间段可以是三个月，每隔三个月确定新的用户集，并将新的用户集中每个用户的第三特征矩阵及第二标注信息作为样本，继续训练所述训练好的产品推荐模型，得到更新后的产品推荐模型，该步骤使得更新后的产品推荐模型与当前点击数据更为相关，从而推荐准确率更高。
由上述实施例可知，本发明提出的产品推荐方法，首先，确定用户集中每个用户对应的第一特征矩阵及第一标注信息；接着，构建产品推荐模型，产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于第一特征矩阵及第一标注信息训练产品推荐模型；最后，确定目标用户对应的第二特征矩阵，将第二特征矩阵输入训练好的产品推荐模型，得到目标用户对每个产品类别的预测点击率，基于预测点击率确定产品推荐列表。本方案的产品推荐模型可同时学习到样本的低阶组合特征及高阶组合特征，使得训练好的模型输出的预测点击率更加准确，从而产品推荐准确度更高。因此，本发明提高了产品推荐准确度。
如图3所示，为本发明一实施例提供的产品推荐装置的模块示意图。
本发明所述产品推荐装置100可以安装于电子设备中。根据实现的功能，所述产品推荐装置100可以包括获取模块110、确定模块120、构建模块130、解析模块140及推荐模块150。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
获取模块110，用于根据第一时间段内登录目标应用程序的用户信息生成用户集，获取所述用户集中每个用户在所述第一时间段内的第一历史点击数据及第一基本信息数据。
确定模块120，用于基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息。
所述基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息，包括：
A21、基于所述第一基本信息数据构建所述用户集中每个用户的用户画像；
A22、从所述第一历史点击数据中抽取多个预设特征因子的特征值，得到所述用户集中每个用户对应的特征值集合；
A23、汇总所述用户画像及特征值集合，得到所述用户集中每个用户对应的初始特征矩阵；
A24、对所述初始特征矩阵执行编码处理，得到所述用户集中每个用户对应的第一特征矩阵；
A25、基于所述第一历史点击数据中的用户点击行为确定所述用户集中每个用户对应的第一标注信息。
所述基于所述第一基本信息数据构建所述用户集中每个用户的用户画像，包括：
B21、获取所述第一基本信息数据中各个指标项的指标值与标签的映射关系；
B22、基于所述映射关系确定所述用户集中每个用户的第一基本信息数据中各个指标项的指标值对应的目标标签；
B23、将所述目标标签的集合作为所述用户集中每个用户的用户画像。
构建模块130，用于构建产品推荐模型，所述产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型。
所述构建产品推荐模型包括：
C21、将因子分解机模型作为低阶组合特征提取分支，将深度神经网络模型作为高阶组合特征提取分支；
C22、连接所述低阶组合特征提取分支的输出与所述高阶组合特征分支的激活层的输入，得到产品推荐模型。
所述基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型，包括：
D21、将所述第一特征矩阵输入所述产品推荐模型的低阶组合特征提取分支，得到所述用户集中每个用户对应的一阶特征及二阶组合特征；
D22、将所述第一特征矩阵输入所述产品推荐模型的高阶组合特征提取分支的线性层、嵌入层及神经网络层，得到所述用户集中每个用户对应的高阶组合特征；
D23、将所述一阶特征、二阶组合特征及高阶组合特征输入所述高阶组合特征提取分支的激活层，得到所述用户集中每个用户对应的预测点击结果；
D24、基于所述第一标注信息确定所述用户集中每个用户对应的真实点击结果，通过最小化预测点击结果与真实点击结果之间的损失值确定所述产品推荐模型的结构参数，得到训练好的产品推荐模型。
解析模块140，用于解析针对目标用户的产品推荐请求，从预设数据库获取所述目标用户对应的第二历史点击数据及第二基本信息数据，基于所述第二历史点击数据及所述第二基本信息数据确定所述目标用户对应的第二特征矩阵。
推荐模块150，用于将所述第二特征矩阵输入所述训练好的产品推荐模型，得到所述目标用户对产品类别集中每个产品类别的预测点击率，基于所述预测点击率确定所述目标用户对应的产品推荐列表。
所述基于所述预测点击率确定所述目标用户对应的产品推荐列表，包括：
E21、将预测点击率大于预设阈值的产品类别的集合作为目标产品类别集，确定所述目标产品类别集中每个产品类别的优先级；
E22、根据预先确定的优先级及抽样比例之间的映射关系，确定所述目标产品类别集中每个产品类别对应的目标抽样比例；
E23、基于所述目标抽样比例从产品库中为所述目标产品类别集中每个产品类别抽取对应数量的产品存储至空白列表，得到产品推荐列表。
在所述得到训练好的产品推荐模型之后，所述构建模块130还用于：
每隔第二时间段，根据所述目标应用程序的历史登录数据确定新的用户集，确定所述新的用户集中每个用户的第三特征矩阵及第二标注信息，基于所述第三特征矩阵及所述第二标注信息训练所述训练好的产品推荐模型，得到更新后的产品推荐模型。
如图4所示，为本发明一实施例提供的实现产品推荐方法的电子设备的结构示意图。
所述电子设备1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述电子设备1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
在本实施例中，电子设备1包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13，该存储器11中存储有产品推荐程序10，所述产品推荐程序10可被所述处理器12执行。图3仅示出了具有组件11-13以及产品推荐程序10的电子设备1，本领域技术人员可以理解的是，图4示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子设备1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子设备1的内部存储单元，例如该电子设备1的硬盘；在另一些实施例中，该非易失性存储介质也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于电子设备1的操作系统和各类应用软件，例如存储本发明一实施例中的产品推荐程序10的代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行产品推荐程序10等。
网络接口13可包括无线网络接口或有线网络接口，该网络接口13用于在所述电子设备1与客户端(图中未画出)之间建立通信连接。
可选的，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选的，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的产品推荐程序10是多个指令的组合，在所述处理器12中运行时，可以实现上述产品推荐方法。
具体地，所述处理器12对上述产品推荐程序10的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是非易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
所述计算机可读存储介质上存储有产品推荐程序10，所述产品推荐程序10可被一个或者多个处理器执行，以实现上述产品推荐方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (6)

1.一种产品推荐方法，其特征在于，所述方法包括：
根据第一时间段内登录目标应用程序的用户信息生成用户集，获取所述用户集中每个用户在所述第一时间段内的第一历史点击数据及第一基本信息数据，所述第一基本信息数据包括用户的性别、年龄、教育程度、婚姻状态、居住地、职业、贷款状态及用户偏好；
基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息；
构建产品推荐模型，所述产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型；
解析针对目标用户的产品推荐请求，从预设数据库获取所述目标用户对应的第二历史点击数据及第二基本信息数据，基于所述第二历史点击数据及所述第二基本信息数据确定所述目标用户对应的第二特征矩阵，其中，第二历史点击数据及第二基本信息数据，与第一历史点击数据及第一基本信息数据包括的指标项相同，第二特征矩阵的确定过程与第一特征矩阵的确定过程相同；
将所述第二特征矩阵输入所述训练好的产品推荐模型，得到所述目标用户对产品类别集中每个产品类别的预测点击率，基于所述预测点击率确定所述目标用户对应的产品推荐列表；
其中，所述基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息，包括：基于所述第一基本信息数据构建所述用户集中每个用户的用户画像；从所述第一历史点击数据中抽取多个预设特征因子的特征值，得到所述用户集中每个用户对应的特征值集合；汇总所述用户画像及特征值集合，得到所述用户集中每个用户对应的初始特征矩阵；对所述初始特征矩阵执行编码处理，得到所述用户集中每个用户对应的第一特征矩阵；基于所述第一历史点击数据中的用户点击行为确定所述用户集中每个用户对应的第一标注信息；
所述构建产品推荐模型包括：将因子分解机模型作为低阶组合特征提取分支，将深度神经网络模型作为高阶组合特征提取分支；连接所述低阶组合特征提取分支的输出与所述高阶组合特征分支的激活层的输入，得到产品推荐模型；
所述基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型，包括：将所述第一特征矩阵输入所述产品推荐模型的低阶组合特征提取分支，得到所述用户集中每个用户对应的一阶特征及二阶组合特征；将所述第一特征矩阵输入所述产品推荐模型的高阶组合特征提取分支的线性层、嵌入层及神经网络层，得到所述用户集中每个用户对应的高阶组合特征；将所述一阶特征、二阶组合特征及高阶组合特征输入所述高阶组合特征提取分支的激活层，得到所述用户集中每个用户对应的预测点击结果；基于所述第一标注信息确定所述用户集中每个用户对应的真实点击结果，通过最小化预测点击结果与真实点击结果之间的损失值确定所述产品推荐模型的结构参数，得到训练好的产品推荐模型；
所述损失值的计算公式为：
其中，为用户集中第i个用户的预测点击结果，/>为用户集中第i个用户的真实点击结果，c为用户集中用户的总数量，/>为用户集的预测点击结果与真实点击结果之间的损失值。
2.如权利要求1所述的产品推荐方法，其特征在于，所述基于所述预测点击率确定所述目标用户对应的产品推荐列表，包括：
将预测点击率大于预设阈值的产品类别的集合作为目标产品类别集，确定所述目标产品类别集中每个产品类别的优先级；
根据预先确定的优先级及抽样比例之间的映射关系，确定所述目标产品类别集中每个产品类别对应的目标抽样比例；
基于所述目标抽样比例从产品库中为所述目标产品类别集中每个产品类别抽取对应数量的产品存储至空白列表，得到产品推荐列表。
3.如权利要求1-2任一项所述的产品推荐方法，其特征在于，在所述得到训练好的产品推荐模型之后，所述方法还包括：
每隔第二时间段，根据所述目标应用程序的历史登录数据确定新的用户集，确定所述新的用户集中每个用户的第三特征矩阵及第二标注信息，基于所述第三特征矩阵及所述第二标注信息训练所述训练好的产品推荐模型，得到更新后的产品推荐模型。
4.一种产品推荐装置，用于实现如权利要求1至3任一项所述的产品推荐方法，其特征在于，所述装置包括：
获取模块，用于根据第一时间段内登录目标应用程序的用户信息生成用户集，获取所述用户集中每个用户在所述第一时间段内的第一历史点击数据及第一基本信息数据；
确定模块，用于基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息；
构建模块，用于构建产品推荐模型，所述产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型；
解析模块，用于解析针对目标用户的产品推荐请求，从预设数据库获取所述目标用户对应的第二历史点击数据及第二基本信息数据，基于所述第二历史点击数据及所述第二基本信息数据确定所述目标用户对应的第二特征矩阵；
推荐模块，用于将所述第二特征矩阵输入所述训练好的产品推荐模型，得到所述目标用户对产品类别集中每个产品类别的预测点击率，基于所述预测点击率确定所述目标用户对应的产品推荐列表。
5.一种电子设备，其特征在于，所述电子设备包括：
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，
所述存储器存储有被所述至少一个处理器执行的产品推荐程序，所述产品推荐程序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如权利要求1至3中任一项所述的产品推荐方法。
6.一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上存储有产品推荐程序，所述产品推荐程序被一个或者多个处理器执行，以实现如权利要求1至3任一项所述的产品推荐方法。
CN202110934038.6A 2021-08-10 2021-08-10 产品推荐方法、装置、电子设备及可读存储介质 Active CN113610580B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110934038.6A CN113610580B (zh) 2021-08-10 2021-08-10 产品推荐方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110934038.6A CN113610580B (zh) 2021-08-10 2021-08-10 产品推荐方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113610580A CN113610580A (zh) 2021-11-05
CN113610580B true CN113610580B (zh) 2023-09-19

Family

ID=78308583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110934038.6A Active CN113610580B (zh) 2021-08-10 2021-08-10 产品推荐方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113610580B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707488B (zh) * 2022-02-25 2024-02-09 马上消费金融股份有限公司 数据处理方法、装置、计算机设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679946A (zh) * 2017-09-28 2018-02-09 平安科技（深圳）有限公司 基金产品推荐方法、装置、终端设备及存储介质
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
CN109741146A (zh) * 2019-01-04 2019-05-10 平安科技（深圳）有限公司 基于用户行为的产品推荐方法、装置、设备及存储介质
CN109993638A (zh) * 2019-05-05 2019-07-09 重庆天蓬网络有限公司 产品推荐的方法、装置、介质和电子设备
WO2019223379A1 (zh) * 2018-05-22 2019-11-28 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN111523976A (zh) * 2020-04-23 2020-08-11 京东数字科技控股有限公司 商品推荐方法、装置、电子设备及存储介质
CN111553759A (zh) * 2020-03-25 2020-08-18 平安科技（深圳）有限公司 一种产品信息推送方法、装置、设备及存储介质
CN111626832A (zh) * 2020-06-05 2020-09-04 中国银行股份有限公司 产品推荐方法、装置及计算机设备
CN112085565A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于深度学习的信息推荐方法、装置、设备及存储介质
CN112418978A (zh) * 2020-11-17 2021-02-26 中国平安财产保险股份有限公司 产品推荐方法、装置、设备及介质
CN112508613A (zh) * 2020-12-09 2021-03-16 天津狮拓信息技术有限公司 一种商品推荐方法、装置、电子设备和可读存储介质
CN112598472A (zh) * 2020-12-25 2021-04-02 中国工商银行股份有限公司 产品推荐方法、装置、系统、介质和程序产品

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8364528B2 (en) * 2008-05-06 2013-01-29 Richrelevance, Inc. System and process for improving product recommendations for use in providing personalized advertisements to retail customers

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
CN107679946A (zh) * 2017-09-28 2018-02-09 平安科技（深圳）有限公司 基金产品推荐方法、装置、终端设备及存储介质
WO2019223379A1 (zh) * 2018-05-22 2019-11-28 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN109741146A (zh) * 2019-01-04 2019-05-10 平安科技（深圳）有限公司 基于用户行为的产品推荐方法、装置、设备及存储介质
CN109993638A (zh) * 2019-05-05 2019-07-09 重庆天蓬网络有限公司 产品推荐的方法、装置、介质和电子设备
CN111553759A (zh) * 2020-03-25 2020-08-18 平安科技（深圳）有限公司 一种产品信息推送方法、装置、设备及存储介质
CN111523976A (zh) * 2020-04-23 2020-08-11 京东数字科技控股有限公司 商品推荐方法、装置、电子设备及存储介质
CN111626832A (zh) * 2020-06-05 2020-09-04 中国银行股份有限公司 产品推荐方法、装置及计算机设备
CN112085565A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于深度学习的信息推荐方法、装置、设备及存储介质
CN112418978A (zh) * 2020-11-17 2021-02-26 中国平安财产保险股份有限公司 产品推荐方法、装置、设备及介质
CN112508613A (zh) * 2020-12-09 2021-03-16 天津狮拓信息技术有限公司 一种商品推荐方法、装置、电子设备和可读存储介质
CN112598472A (zh) * 2020-12-25 2021-04-02 中国工商银行股份有限公司 产品推荐方法、装置、系统、介质和程序产品

Also Published As

Publication number Publication date
CN113610580A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN112417096B (zh) 问答对匹配方法、装置、电子设备及存储介质
CN114462412B (zh) 实体识别方法、装置、电子设备及存储介质
CN111860377A (zh) 基于人工智能的直播方法、装置、电子设备及存储介质
CN113435202A (zh) 基于用户画像的产品推荐方法、装置、电子设备及介质
CN112288337B (zh) 行为推荐方法、装置、设备及介质
CN112597135A (zh) 用户分类方法、装置、电子设备及可读存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113485889A (zh) 埋点数据校验方法、装置、电子设备及存储介质
CN114281991A (zh) 文本分类方法、装置、电子设备及存储介质
CN113610580B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN115018588A (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN113706253A (zh) 实时产品推荐方法、装置、电子设备及可读存储介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN114706985A (zh) 文本分类方法、装置、电子设备及存储介质
CN113706252B (zh) 产品推荐方法、装置、电子设备及存储介质
CN112651782A (zh) 基于缩放点积注意力的行为预测方法、装置、设备及介质
CN114818685B (zh) 关键词提取方法、装置、电子设备及存储介质
CN113688239B (zh) 少样本下的文本分类方法、装置、电子设备及存储介质
CN113656586B (zh) 情感分类方法、装置、电子设备及可读存储介质
CN113705692A (zh) 基于人工智能的情感分类方法、装置、电子设备及介质
CN114139530A (zh) 同义词提取方法、装置、电子设备及存储介质
CN113591881A (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN113312482A (zh) 问题分类方法、装置、电子设备及可读存储介质
CN113139129A (zh) 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质
CN114742060B (zh) 实体识别方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant