CN113627967A - 行为数据处理方法、装置、设备及存储介质 - Google Patents
行为数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113627967A CN113627967A CN202010391038.1A CN202010391038A CN113627967A CN 113627967 A CN113627967 A CN 113627967A CN 202010391038 A CN202010391038 A CN 202010391038A CN 113627967 A CN113627967 A CN 113627967A
- Authority
- CN
- China
- Prior art keywords
- data
- commodity
- current
- behavior
- user
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 72
- 239000013598 vector Substances 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 174
- 238000012163 sequencing technique Methods 0.000 claims description 38
- 238000006243 chemical reaction Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 23
- 230000003542 behavioural effect Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 description 55
- 230000004927 fusion Effects 0.000 description 12
- 238000005065 mining Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- 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
- G06Q30/0253—During e-commerce, i.e. online transactions
-
- 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
-
- 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
- G06Q30/0277—Online advertisement
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种行为数据处理方法、装置、设备及存储介质,通过在检测到数据处理请求时,根据数据处理请求获取用户行为数据和当前网页商品关联数据;将用户行为数据和当前网页商品关联数据进行拼接,生成行为特征;根据行为特征确定对应的当前兴趣度向量;将当前兴趣度向量输入至预设深度神经网络中的隐藏层,以获得不同商品的当前商品推荐度,预设深度神经网络中的隐藏层反映兴趣度向量与商品推荐度的映射关系;基于当前商品推荐度选取目标商品,并对目标商品进行展示,能够充分挖掘用户的实时行为数据,提高了对用户实时兴趣的捕捉能力,实现了商品个性化推荐。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种行为数据处理方法、装置、设备及存储介质。
背景技术
在召回层面,目前召回采用搜索化召回和目标群体指数(Target Group Index,TGI)指标召回等多路召回的方式;对于特定的场景,通过一些指定的筛选条件(如:一级类别、二级类别、物品tag),将数据从搜索服务器(Elastic Search,ES)数据库中查询出来;通过召回筛选将候选集合从百万或十万级压缩到数百级,从而减少排序服务的压力。
在排序层面,排序主要用到的模型包括wide&deep、deepfm等模型,wide&deep模型结合了逻辑回归(Logtistic Regression,LR)模型的记忆能力以及深度神经网络模型(Deep Neural Network,DNN)模型的泛化能力,但是在wide层,还需要大量的人工特征组合的过程;DeepFm模型在wide层采用因子分解机(Factorization Machine,FM)模型,能够实现特征的自动交叉,但是在线上服务上耗时要高于wide&deep模型。
在召回过程中,只考虑到用户的历史偏好,没有对用户的实时行为进行偏好挖掘和分析,导致召回缺乏实时的特性;在排序中,对用户行为的挖掘粒度较粗,其中点击、下载等行为采用的是多天累计的方式,缺乏对用户实时兴趣的捕捉,不能通过用户的实时反馈调整物品的排序;同时在召回和排序中,缺乏对物品的实时表现的捕获,例如:双十一期间,购物类的产品会在短期或者一天的晚上和中午产生大量的需求,在模型层面很难去捕捉到这样的数据分布的变化,导致模型不能迎合用户的实时需求。
发明内容
本发明的主要目的在于提供一种行为数据处理方法、装置、设备及存储介质,旨在解决现有技术中召回缺乏实时性,排序缺乏对用户实时兴趣的捕捉,数据不能迎合用户的实时需求的技术问题。
为实现上述目的,本发明提供一种行为数据处理方法,所述行为数据处理方法包括以下步骤:
在检测到数据处理请求时,根据所述数据处理请求获取用户行为数据和当前网页商品关联数据;
将所述用户行为数据和所述当前网页商品关联数据进行拼接,生成行为特征;
根据所述行为特征确定对应的当前兴趣度向量;
将所述当前兴趣度向量输入至预设深度神经网络中的隐藏层,以获得不同商品的当前商品推荐度,所述预设深度神经网络中的隐藏层反映兴趣度向量与商品推荐度的映射关系;
基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示。
可选地,所述根据所述行为特征确定对应的当前兴趣度向量,包括:
从所述行为特征中获取用户的点击数据、搜索数据和下载数据;
根据所述点击数据、所述搜索数据和所述下载数据确定当前兴趣度向量。
可选地,所述根据所述点击数据、所述搜索数据和所述下载数据确定当前兴趣度向量,包括:
根据所述点击数据、所述搜索数据和所述下载数据确定用户感兴趣的商品数据;
将用户感兴趣的商品数据对应的特征向量作为当前兴趣度向量。
可选地,所述根据所述点击数据、所述搜索数据和所述下载数据确定用户感兴趣的商品数据,包括:
根据所述点击数据获得各商品的点击次数,将各点击次数与预设点击次数进行比较,获得第一比较结果;
根据所述搜索数据获得各商品的关键词搜索次数,将各关键词搜索次数与预设搜索次数进行比较,获得第二比较结果;
根据所述下载数据获得各商品的数据下载总量,将各数据下载总量与预设数据总量进行比较,获得第三比较结果;
根据所述第一比较结果、所述第二比较结果和所述第三比较结果确定用户感兴趣的商品数据。
可选地,所述基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示,包括:
从所述当前商品推荐度中确定用户感兴趣的目标商品,并根据所述当前商品推荐度获得各目标商品的感兴趣值;
根据各目标商品的感兴趣值对各目标商品进行排序,并生成排序结果;
根据所述排序结果对所述目标商品进行展示。
可选地,所述根据各目标商品的感兴趣值对各目标商品进行排序,并生成排序结果,包括:
获取各目标商品的商品购买数量和点击数量;
根据所述商品购买数量和所述点击数量获得各目标商品的转化率;
根据各目标商品的感兴趣值确定各目标商品的预测分值;
根据所述预测分值和所述转化率计算各目标商品的最终感兴趣值;
根据所述最终感兴趣值对各目标商品进行排序,并生成排序结果。
可选地,根据所述预测分值和所述转化率利用下述公式计算各目标商品的最终感兴趣值,包括:
Iv=α*A+β*B
其中,Iv为最终感兴趣值,A为所述预测分值,B为所述转化率,α为预设分值权重比例,β为预设转化率权重比例。
此外,为实现上述目的,本发明还提出一种行为数据处理装置,所述行为数据处理装置包括:
数据获取模块,用于在检测到数据处理请求时,根据所述数据处理请求获取用户行为数据和当前网页商品关联数据;
特征生成模块,用于将所述用户行为数据和所述当前网页商品关联数据进行拼接,生成行为特征;
向量获取模块,用于根据所述行为特征确定对应的当前兴趣度向量;
输入模块,用于将所述当前兴趣度向量输入至预设深度神经网络中的隐藏层,以获得不同商品的当前商品推荐度,所述预设深度神经网络中的隐藏层反映兴趣度向量与商品推荐度的映射关系;
推荐模块,用于基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示。
此外,为实现上述目的,本发明还提出一种行为数据处理设备,所述行为数据处理设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的行为数据处理程序,所述行为数据处理程序配置为实现如上文所述的行为数据处理方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有行为数据处理程序,所述行为数据处理程序被处理器执行时实现如上文所述的行为数据处理方法的步骤。
本发明提出的行为数据处理方法,通过在检测到数据处理请求时,根据所述数据处理请求获取用户行为数据和当前网页商品关联数据;将所述用户行为数据和所述当前网页商品关联数据进行拼接,生成行为特征;根据所述行为特征确定对应的当前兴趣度向量;将所述当前兴趣度向量输入至预设深度神经网络中的隐藏层,以获得不同商品的当前商品推荐度,所述预设深度神经网络中的隐藏层反映兴趣度向量与商品推荐度的映射关系;基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示,能够充分挖掘用户的实时行为数据,通过对用户实时行为以及产品实时数据的收集,挖掘用户的类别偏好,并应用于召回和排序层面;提高了对用户实时兴趣的捕捉能力,实现了商品个性化推荐。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本发明行为数据处理方法第一实施例的流程示意图;
图3为本发明行为数据处理方法第二实施例的流程示意图;
图4为本发明行为数据处理方法第三实施例的流程示意图;
图5为本发明行为数据处理方法第四实施例的流程示意图;
图6为本发明行为数据处理方法第五实施例的流程示意图;
图7为本发明行为数据处理装置第一实施例的功能模块图。
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
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示,该设备可以包括:处理器1001,例如中央处理器(Central ProcessingUnit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键,可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速随机存取存储器(Random Access Memory,RAM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及行为数据处理程序。
在图1所示的设备中,网络接口1004主要用于连接外网,与其他网络设备进行数据通信;用户接口1003主要用于连接用户设备,与设备进行数据通信;本发明设备通过处理器1001调用存储器1005中存储的行为数据处理程序,并执行本发明实施例提供的行为数据处理的实施方法。
基于上述硬件结构,提出本发明行为数据处理方法实施例。
参照图2,图2为本发明行为数据处理方法第一实施例的流程示意图。
在第一实施例中,所述行为数据处理方法包括以下步骤:
步骤S10、在检测到数据处理请求时,根据所述数据处理请求获取用户行为数据和当前网页商品关联数据。
需要说明的是,所述数据处理请求为用户通过点击或触摸等行为生成的数据处理请求,通过所述数据处理请求可以获得用户行为数据和当前网页商品关联数据,所述用户行为数据为用户浏览商品的实时数据;所述当前网页商品关联数据为用户当前浏览的网页对应的产品相关数据。
步骤S20、将所述用户行为数据和所述当前网页商品关联数据进行拼接,生成行为特征。
可以理解的是,一般可以将所述用户行为数据和所述当前网页商品关联数据进行拼接,从而拼接陈行为特征以供模型预测使用。
步骤S30、根据所述行为特征确定对应的当前兴趣度向量。
应当理解的是,不同的行为特征对应不同的兴趣度向量,通过所述行为特征确定当前用户的当前兴趣度向量,有助于提高后续商品推荐的针对性。
步骤S40、将所述当前兴趣度向量输入至预设深度神经网络中的隐藏层,以获得不同商品的当前商品推荐度,所述预设深度神经网络中的隐藏层反映兴趣度向量与商品推荐度的映射关系。
可以理解的是,所述预设深度神经网络为预先设置的用于获得商品推荐度的深度神经网络,所述预设深度神经网络中的隐藏层反映兴趣度向量与商品推荐度的映射关系,可以是通过大量数据训练获得的关系,也可以是技术人员根据日常操作经验设置的映射关系,还可以是通过其他方式确定的映射关系,本实施例对此不加以限制。
步骤S50、基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示。
应当理解的是,通过所述当前商品推荐度可以选取若干商品作为目标商品,并将所述目标商品进行展示,展示的方式可以是按照商品推荐度的大小按照一定的顺序展示,也可以是根据商品推荐度对部分目标商品进行优秀集中展示,也可以是通过其他方式进行展示,本实施例对此不加以限制。
本实施例通过上述方案,通过在检测到数据处理请求时,根据所述数据处理请求获取用户行为数据和当前网页商品关联数据;将所述用户行为数据和所述当前网页商品关联数据进行拼接,生成行为特征;根据所述行为特征确定对应的当前兴趣度向量;将所述当前兴趣度向量输入至预设深度神经网络中的隐藏层,以获得不同商品的当前商品推荐度,所述预设深度神经网络中的隐藏层反映兴趣度向量与商品推荐度的映射关系;基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示,能够充分挖掘用户的实时行为数据,通过对用户实时行为以及产品实时数据的收集,挖掘用户的类别偏好,并应用于召回和排序层面;提高了对用户实时兴趣的捕捉能力,实现了商品个性化推荐。
进一步地,图3为本发明行为数据处理方法第二实施例的流程示意图,如图3所示,基于第一实施例提出本发明行为数据处理方法第二实施例,在本实施例中,所述步骤S30包括以下步骤:
步骤S31、从所述行为特征中获取用户的点击数据、搜索数据和下载数据。
需要说明的是,所述行为特征中包含用户的点击数据、搜索数据和下载数据;所述点击数据为用户进行点击生成的实时点击数据,所述搜索数据为用户进行搜索操作生成的实时点击数据,所述下载数据为响应用户的下载请求完成下载的数据。
步骤S32、根据所述点击数据、所述搜索数据和所述下载数据确定当前兴趣度向量。
可以理解的是,通过所述点击数据、所述搜索数据和所述下载数据可以确定当前兴趣度向量,一般是对这些数据进行分析,获取这些数据对应的兴趣度向量,即通过所述点击数据、所述搜索数据和所述下载数据可以反映用户的实时兴趣。
进一步地,所述步骤S32还包括以下步骤:
根据所述点击数据、所述搜索数据和所述下载数据确定用户感兴趣的商品数据;
将用户感兴趣的商品数据对应的特征向量作为当前兴趣度向量。
应当理解的是,通过所述点击数据、所述搜索数据和所述下载数据可以分析确定用户感兴趣的商品,进而确定用户感兴趣的商品数据;进而获得将用户感兴趣的商品数据对应的特征向量,将所述特征向量作为当前兴趣度向量。
进一步地,所述步骤根据所述点击数据、所述搜索数据和所述下载数据确定用户感兴趣的商品数据,具体包括以下步骤:
根据所述点击数据获得各商品的点击次数,将各点击次数与预设点击次数进行比较,获得第一比较结果;
根据所述搜索数据获得各商品的关键词搜索次数,将各关键词搜索次数与预设搜索次数进行比较,获得第二比较结果;
根据所述下载数据获得各商品的数据下载总量,将各数据下载总量与预设数据总量进行比较,获得第三比较结果;
根据所述第一比较结果、所述第二比较结果和所述第三比较结果确定用户感兴趣的商品数据。
需要说明的是,所述预设点击次数为预先设置的点击次数阈值,所述预设搜索次数为预先设置的搜索次数阈值,所述预设数据总量为预先设置的数据总量阈值,所述预设点击次数、所述预设搜索次数和所述预设数据总量可以是预先通过大量实验训练获得的阈值,也可以是技术人员根据日常操作经验确定的阈值,还可以是通过其他方式确定的阈值,本实施例对此不加以限制;所述关键词搜索次数为通过对所述搜索数据进行分析获得的关键词在搜索过程中出现的次数,所述数据加载总量为进行相关下载操作的各商品累计的数据下载总量,通过比较后获得的所述第一比较结果、所述第二比较结果和所述第三比较结果可以确定用户比较感兴趣的商品对应的商品数据。
进一步地,所述步骤根据所述第一比较结果、所述第二比较结果和所述第三比较结果确定用户感兴趣的商品数据,包括:
将所述第一比较结果中点击次数大于所述预设点击次数的商品作为第一兴趣商品;
将所述第二比较结果中关键词搜索次数大于所述预设搜索次数的商品作为第二兴趣商品;
将所述第三比较结果中数据下载总量大于所述预设数据总量的商品作为第三兴趣商品;
将所述第一兴趣商品、所述第二兴趣商品和所述第三兴趣商品分别对应的数据作为用户感兴趣的商品数据。
应当理解的是,在进行比较后,可以将大于各个预设阈值的商品作为感兴趣的商品,进而将相应商品对应的数据作为用户感兴趣的商品数据。
本实施例通过上述方案,通过从所述行为特征中获取用户的点击数据、搜索数据和下载数据;根据所述点击数据、所述搜索数据和所述下载数据确定当前兴趣度向量,能够针对性的确定用户感兴趣的商品,通过对用户的点击、搜索和下载的实时行为数据进行分析,能够充分挖掘用户的实时行为数据,通过对用户实时行为以及产品实时数据的收集,挖掘用户的类别偏好,并应用于召回和排序层面;提高了对用户实时兴趣的捕捉能力,实现了商品个性化推荐。
进一步地,图4为本发明行为数据处理方法第三实施例的流程示意图,如图4所示,基于第一实施例提出本发明行为数据处理方法第三实施例,在本实施例中,所述步骤S40之前,所述数据处理方法还包括以下步骤:
步骤S401、获取用户的历史行为数据和历史行为结果,将所述历史行为数据和历史行为结果作为待训练数据。
需要说明的是,所述历史行为数据和历史行为结果为用户在之前的网页浏览过程中产生的行为数据和相应的行为结果,通过获取所述用户的历史行为数据和历史行为结果,能够将历史行为数据和历史行为结果作为准备就绪训练的数据。
步骤S402、根据所述待训练数据对初始深度神经网络进行训练,获得预设深度神经网络。
可以理解的是,所述初始深度神经网络为预先设置的用于对用户历史行为数据进行训练的深度神经网络,通过所述待训练数据可以对初始深度神经网络进行训练学习,获得预设深度神经网络。
进一步地,所述步骤S402包括以下步骤:
获取预设候选商品的候选特征数据;
将所述候选特征数据和所述待训练数据进行关联;
对关联后的所述候选特征数据和所述待训练数据进行加权求和,生成待嵌入数据;
根据所述待训练数据和所述待嵌入数据对初始深度神经网络进行训练,获得预设深度神经网络。
需要说明的是,所述预设候选商品为预先设置的从搜索服务器(Elastic Search,ES)对应的数据库中选取的候选商品,当然也可以是技术人员自定义的商品,也可以是其他类型的候选商品,本实施例对此不加以限制;通过获取所述预设候选商品的候选特征数据,并将所述候选特征数据和所述待训练数据进行关联,一般是做嵌入管理,并将关联后的数据做加权求和,能够生成对应的待嵌入数据,从而根据所述待选了数据和所述待嵌入数据对初始深度神经网络进行训练,获得预设深度神经网络。
进一步地,所述步骤根据所述待训练数据和所述待嵌入数据对初始深度神经网络进行训练,获得预设深度神经网络,包括以下步骤:
将所述待训练数据对初始深度神经网络进行训练,获得初始训练结果;
将所述待嵌入数据输入至所述初始深度神经网络的隐藏层中,获得嵌入训练结果;
将所述待嵌入数据输入至预设融合浅层模型中,获得融合训练结果;
基于所述初始训练结果、所述嵌入训练结果和所述融合训练结果对所述初始深度神经网络进行训练,获得预设深度神经网络。
可以理解的是,在获得了待训练数据后,可以根据训练获得的初始训练结果,并结合根据所述待嵌入数据在所述初始深度神经网络的隐藏层中训练获得的嵌入训练结果获得预设深度神经网络,一般的,是将待训练数据和所述带嵌入数据做连接并输入到隐藏层,与预设融合浅层模型进行联合训练,即基于所述初始训练结果、所述嵌入训练结果和所述融合训练结果对所述初始深度神经网络进行训练,进而获得预设深度神经网络。
进一步地,所述步骤获取预设候选商品的候选特征数据,包括以下步骤:
获取预设候选商品的类别特征数据和上下文特征数据,将所述类别特征数据和所述上下文特征数据作为候选特征数据。
应当理解的是,所述预设候选商品对应有类别特征数据和上下文特征数据,所述类别特征数据为一些指定的筛选条件,例如一级类别,二级类别,物品标签等,不同的类别特征数据对应用户对不同水平的类别偏好;所述上下文特征数据为所述预设候选商品对应的上下文信息,通过将所述类别特征数据和所述上下文特征数据作为候选特征数据,能够更加全面的对初始深度神经网络进行训练,保证预设深度神经网络的数据有效性和准确性。
进一步地,所述步骤对关联后的所述候选特征数据和所述待训练数据进行加权求和,生成待嵌入数据,包括以下步骤:
根据预设权重系数将关联后的所述候选特征数据和所述待训练数据进行加权求和,获得求和结果,并将所述求和结果写入预设分布式文件系统;
获取预设数据库仓库工具表中记录的用户下载行为信息,并获取所述预设分布式文件系统中的日志信息;
将所述用户下载行为信息和所述日志信息进行合并,生成待嵌入数据。
需要说明的是,所述预设权重系数为预先设置的权重比例,通过所述预设权重系数可以对关联后的所述候选特征数据和所述待训练数据进行加权求和,获得求和结果;所述预设分布式文件系统为预先设置的用于存储分布式文件例如各类日志信息的系统,所述预设数据库仓库工具表为预先设置的存储仓库工具的数据表,从所述预设数据库仓库工具表中可以获得用户下载行为信息,从所述预设分布式文件系统中可以获得日志信息;通过将所述日志信息和用户下载行为信息进行合并,可以获得用于神经网络模型训练的待嵌入数据。
本实施例通过上述方案,通过获取用户的历史行为数据和历史行为结果,将所述历史行为数据和历史行为结果作为待训练数据;根据所述待训练数据对初始深度神经网络进行训练,获得预设深度神经网络,能够以历史数据为依据对初始深度神经网络进行训练,挖掘用户的类别偏好,并应用于召回和排序层面;提高了对用户实时兴趣的捕捉能力,实现了商品个性化推荐。
进一步地,图5为本发明行为数据处理方法第四实施例的流程示意图,如图5所示,基于第一实施例提出本发明行为数据处理方法第四实施例,在本实施例中,所述步骤S50包括以下步骤:
步骤S51、根据所述当前商品推荐度确定用户感兴趣的目标商品,并根据所述当前商品推荐度获得各目标商品的感兴趣值。
需要说明的是,根据所述当前商品推荐度可以确定用户感兴趣的目标商品,并且可以根据所述当前商品推荐度获得各目标商品对应的感兴趣值。
步骤S52、根据各目标商品的感兴趣值对各目标商品进行排序,并生成排序结果。
应当理解的是,通过根据各目标商品的感兴趣值对各目标商品进行排序,可以通过生成的排序结果直观的了解用户对各商品的感兴趣程度,有助于针对性的对用户展示商品。
进一步地,所述步骤S52包括以下步骤:
获取各目标商品的商品购买数量和点击数量;
根据所述商品购买数量和所述点击数量获得各目标商品的转化率;
根据各目标商品的感兴趣值确定各目标商品的预测分值;
根据所述预测分值和所述转化率计算各目标商品的最终感兴趣值;
根据所述最终感兴趣值对各目标商品进行排序,并生成排序结果。
需要说明的是,所述商品购买数量和点击数量一般是通过调取各目标商品对应的后台购买记录和点击记录确定,当然也可以通过特定信息追溯回源的方式获取,还可以是通过其他方式获取,本实施例对此不加以限制;通过所述商品购买数量和所述点击数量可以确定对应商品的转化率,一般的,商品购买数量与点击数量的比值就是对应商品的转化率;通过各目标商品的感兴趣值就可以确定各目标商品的预测分值,进而根据所述预测分值和所述转化率计算各目标商品的最终感兴趣值,并根据所述最终感兴趣值对各目标商品排序,生成排序结果。
进一步地,根据所述预测分值和所述转化率利用下述公式计算各目标商品的最终感兴趣值,包括:
Iv=α*A+β*B
其中,Iv为最终感兴趣值,A为所述预测分值,B为所述转化率,α为预设分值权重比例,β为预设转化率权重比例。
可以理解的是,在线上服务的过程中,物品的最终感兴趣值确定通过预估分,即预测分值以及转化率相结合的方式确定。
步骤S53、根据所述排序结果对所述目标商品进行展示。
可以理解的是,通过所述排序结果对所述目标商品进行展示,一般是用户的当前使用的终端设备上的显示页面中进行展示,也可以是通过投影等方式进行展示,本实施例对此不加以限制。
本实施例通过上述方案,通过根据所述当前商品推荐度确定用户感兴趣的目标商品,并根据所述当前商品推荐度获得各目标商品的感兴趣值;根据各目标商品的感兴趣值对各目标商品进行排序,并生成排序结果;根据所述排序结果对所述目标商品进行展示,能够以目标商品的感兴趣值对目标商品排序展示,提高了对用户实时兴趣的捕捉能力,实现了商品个性化推荐。
进一步地,图6为本发明行为数据处理方法第五实施例的流程示意图,如图6所示,基于第一实施例提出本发明行为数据处理方法第五实施例,在本实施例中,所述步骤S50之后,所述行为数据处理方法还包括以下步骤:
步骤S60、在接收到用户点击和下载的初始地址后,根据所述初始地址生成商品的二级类别地址,并根据所述二级类别地址生成召回排序条件。
需要说明的是,所述初始地址为用户实时的点击和下载行为对应的商品地址,通过所述初始地址可以生成二级类别地址,即对商品的二级类别通缉后可以获得用户可能感兴趣的二级类别,进而确定二级类别对应的地址,从而根据所述二级类别地址生成召回排序条件。
步骤S70、根据所述召回排序条件在所述搜索服务器中查询召回数据。
可以理解的是,候选商品的全量数据一般存储在所述搜索服务器中,通过所述召回排序条件可以在所述搜索服务器中查找到对应的召回数据。
步骤S80、根据所述召回数据对当前展示的商品进行调整。
应当理解的是,根据所述召回数据可以对当前展示的商品进行排序上的调整。
进一步地,所述步骤S80包括以下步骤:
获取所述召回数据的当前展示的商品的曝光度;
根据所述曝光度对各商品进行排序,获得曝光度排名最低的商品;
根据预设曝光次数增加曝光度排名最低的商品的推荐次数。
需要说明的是,所述召回数据中对应有不同商品的曝光度,通过所述曝光度可以对各商品进行排序,从而将增加曝光度最低的商品的推荐次数,使得曝光数据多样化和均衡化。
进一步地,所述步骤根据所述召回排序条件在所述搜索服务器中查询召回数据,包括以下步骤:
在检测到有新增的推荐商品时,根据所述推荐商品和所述召回数据对召回排序条件进行更新;
根据更新后的召回排序条件重新在所述搜索服务器中查询对应的召回数据。
可以理解的是,在检测到新增的推荐商品时,可以根据所述推荐商品和召回数据对召回排序条件进行更新,进而获取新的召回数据。
在具体实现中,从所述搜索服务器中查询出的数据都会对应一个查询分数,当线上模型预测超时时,可以将召回分数作为一种降级策略,通过召回分进行排序,降低因为超时所引起的排序失效的风险;在实时数据中,包含每个物品的曝光和转化数据,在召回层,可以根据物品的曝光量做频次控制,提高低曝光物品的推荐次数,使得曝光数据多样、均衡。
进一步地,所述步骤在检测到有新增的推荐商品时,根据所述推荐商品和所述召回数据对召回排序条件进行更新,包括:
在检测到有新增的推荐商品时,将所述新增的推荐商品添加至商品推荐名单,从而对所述召回排序条件进行更新;
或,
在检测到有新增的推荐商品时,将所述新增的推荐商品添加至商品推荐名单,并将用户兴趣度最低的商品在所述商品推荐名单中删除,从而对所述召回排序条件进行更新。
可以理解的是,通过对所述召回排序条件更新,或直接将用户兴趣度最低的商品在商品推荐名单中删除,能够保证召回排序条件的实时性,有效跟进用户的实时兴趣,实现对用户实时兴趣的及时捕捉。
本实施例通过上述方案,通过在接收到用户点击和下载的初始地址后,根据所述初始地址生成商品的二级类别地址,并根据所述二级类别地址生成召回排序条件;根据所述召回排序条件在所述搜索服务器中查询召回数据;根据所述召回数据对当前展示的商品进行调整,能够保证召回排序条件的实时性,有效跟进用户的实时兴趣,实现对用户实时兴趣的及时捕捉。
基于上述行为数据处理方法,本发明进一步提供一种行为数据处理装置,提出本发明行为数据处理装置实施例。
参照图7,图7为本发明行为数据处理装置第一实施例的功能模块图。
本发明行为数据处理装置第一实施例中,该行为数据处理装置包括:
数据获取模块10,用于在检测到数据处理请求时,根据所述数据处理请求获取用户行为数据和当前网页商品关联数据。
特征生成模块20,用于将所述用户行为数据和所述当前网页商品关联数据进行拼接,生成行为特征。
向量获取模块30,用于根据所述行为特征确定对应的当前兴趣度向量。
进一步地,所述向量获取模块30包括:
特征数据提取模块,用于从所述行为特征中获取用户的点击数据、搜索数据和下载数据。
向量确定模块,用于根据所述点击数据、所述搜索数据和所述下载数据确定当前兴趣度向量。
进一步地,所述向量确定模块包括:
商品数据确定模块,用于根据所述点击数据、所述搜索数据和所述下载数据确定用户感兴趣的商品数据。
特征向量确定模块,用于将用户感兴趣的商品数据对应的特征向量作为当前兴趣度向量。
进一步地,所述商品数据确定模块包括:
第一比较模块,用于根据所述点击数据获得各商品的点击次数,将各点击次数与预设点击次数进行比较,获得第一比较结果。
第二比较模块,用于根据所述搜索数据获得各商品的关键词搜索次数,将各关键词搜索次数与预设搜索次数进行比较,获得第二比较结果。
第三比较模块,用于根据所述下载数据获得各商品的数据下载总量,将各数据下载总量与预设数据总量进行比较,获得第三比较结果。
比较结果确定模块,用于根据所述第一比较结果、所述第二比较结果和所述第三比较结果确定用户感兴趣的商品数据。
进一步地,所述比较结果确定模块包括:
第一兴趣模块,用于将所述第一比较结果中点击次数大于所述预设点击次数的商品作为第一兴趣商品。
第二兴趣模块,用于将所述第二比较结果中关键词搜索次数大于所述预设搜索次数的商品作为第二兴趣商品。
第三兴趣模块,用于将所述第三比较结果中数据下载总量大于所述预设数据总量的商品作为第三兴趣商品。
商品数据对应模块,用于将所述第一兴趣商品、所述第二兴趣商品和所述第三兴趣商品分别对应的数据作为用户感兴趣的商品数据。
输入模块40,用于将所述当前兴趣度向量输入至预设深度神经网络中的隐藏层,以获得不同商品的当前商品推荐度,所述预设深度神经网络中的隐藏层反映兴趣度向量与商品推荐度的映射关系。
相应地,所述行为数据处理装置还包括:
历史数据获取模块,用于获取用户的历史行为数据和历史行为结果,将所述历史行为数据和历史行为结果作为待训练数据。
历史数据训练模块,用于根据所述待训练数据对初始深度神经网络进行训练,获得预设深度神经网络。
进一步地,所述历史数据训练模块包括:
候选特征获取模块,用于获取预设候选商品的候选特征数据。
关联模块,用于将所述候选特征数据和所述待训练数据进行关联。
加权求和模块,用于对关联后的所述候选特征数据和所述待训练数据进行加权求和,生成待嵌入数据。
联合训练模块,用于根据所述待训练数据和所述待嵌入数据对初始深度神经网络进行训练,获得预设深度神经网络。
进一步地,所述联合训练模块包括:
初始训练模块,用于将所述待训练数据对初始深度神经网络进行训练,获得初始训练结果。
嵌入训练模块,用于将所述待嵌入数据输入至所述初始深度神经网络的隐藏层中,获得嵌入训练结果。
融合模块,用于将所述待嵌入数据输入至预设融合浅层模型中,获得融合训练结果。
深度训练模块,用于基于所述初始训练结果、所述嵌入训练结果和所述融合训练结果对所述初始深度神经网络进行训练,获得预设深度神经网络。
进一步地,所述候选特征获取模块包括:
上下文获取模块,用于获取预设候选商品的类别特征数据和上下文特征数据,将所述类别特征数据和所述上下文特征数据作为候选特征数据。
进一步地,所述加权求和模块包括:
求和写入模块,用于根据预设权重系数将关联后的所述候选特征数据和所述待训练数据进行加权求和,获得求和结果,并将所述求和结果写入预设分布式文件系统;
日志获取模块,用于获取预设数据库仓库工具表中记录的用户下载行为信息,并获取所述预设分布式文件系统中的日志信息。
嵌入合并模块,用于将所述用户下载行为信息和所述日志信息进行合并,生成待嵌入数据。
推荐模块50,用于基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示。
进一步地,所述推荐模块50包括:
感兴趣值获取模块,用于从所述当前商品推荐度中确定用户感兴趣的目标商品,并根据所述当前商品推荐度获得各目标商品的感兴趣值。
感兴趣排序模块,用于根据各目标商品的感兴趣值对各目标商品进行排序,并生成排序结果。
展示模块,用于根据所述排序结果对所述目标商品进行展示。
进一步地,所述感兴趣排序模块包括:
购买点击模块,用于获取各目标商品的商品购买数量和点击数量。
转化率确定模块,用于根据所述商品购买数量和所述点击数量获得各目标商品的转化率。
预测分值模块,用于根据各目标商品的感兴趣值确定各目标商品的预测分值。
感兴趣值计算模块,用于根据所述预测分值和所述转化率计算各目标商品的最终感兴趣值。
最终排序模块,用于根据所述最终感兴趣值对各目标商品进行排序,并生成排序结果。
进一步地,所述行为数据处理装置还包括:
二级地址生成模块,用于在接收到用户点击和下载的初始地址后,根据所述初始地址生成商品的二级类别地址,并根据所述二级类别地址生成召回排序条件。
排序查询模块,用于根据所述召回排序条件在所述搜索服务器中查询召回数据。
排序调整模块,用于根据所述召回数据对当前展示的商品进行调整。
进一步地,所述排序调整模块包括:
曝光度获取模块,用于获取所述召回数据的当前展示的商品的曝光度;
曝光排序模块,用于根据所述曝光度对各商品进行排序,获得曝光度排名最低的商品;
增加推荐模块,用于根据预设曝光次数增加曝光度排名最低的商品的推荐次数。
进一步地,所述排序查询模块包括:
更新排序模块,用于在检测到有新增的推荐商品时,根据所述推荐商品和所述召回数据对召回排序条件进行更新;
重新查询模块,用于根据更新后的召回排序条件重新在所述搜索服务器中查询对应的召回数据。
进一步地,所述更新排序模块包括:
添加更新模块,用于在检测到有新增的推荐商品时,将所述新增的推荐商品添加至商品推荐名单,从而对所述召回排序条件进行更新。
删除更新模块,用于在检测到有新增的推荐商品时,将所述新增的推荐商品添加至商品推荐名单,并将用户兴趣度最低的商品在所述商品推荐名单中删除,从而对所述召回排序条件进行更新。
其中,行为数据处理装置的各个功能模块实现的步骤可参照本发明行为数据处理方法的各个实施例,此处不再赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有行为数据处理程序,所述行为数据处理程序被处理器执行时实现如上本发明实施例提供的行为数据处理的实施方法。
本发明公开了A1、一种行为数据处理方法,其特征在于,所述行为数据处理方法包括:
在检测到数据处理请求时,根据所述数据处理请求获取用户行为数据和当前网页商品关联数据;
将所述用户行为数据和所述当前网页商品关联数据进行拼接,生成行为特征;
根据所述行为特征确定对应的当前兴趣度向量;
将所述当前兴趣度向量输入至预设深度神经网络中的隐藏层,以获得不同商品的当前商品推荐度,所述预设深度神经网络中的隐藏层反映兴趣度向量与商品推荐度的映射关系;
基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示。
A2、如A1所述的行为数据处理方法,所述根据所述行为特征确定对应的当前兴趣度向量,包括:
从所述行为特征中获取用户的点击数据、搜索数据和下载数据;
根据所述点击数据、所述搜索数据和所述下载数据确定当前兴趣度向量。
A3、如A2所述的行为数据处理方法,所述根据所述点击数据、所述搜索数据和所述下载数据确定当前兴趣度向量,包括:
根据所述点击数据、所述搜索数据和所述下载数据确定用户感兴趣的商品数据;
将用户感兴趣的商品数据对应的特征向量作为当前兴趣度向量。
A4、如A3所述的行为数据处理方法,所述根据所述点击数据、所述搜索数据和所述下载数据确定用户感兴趣的商品数据,包括:
根据所述点击数据获得各商品的点击次数,将各点击次数与预设点击次数进行比较,获得第一比较结果;
根据所述搜索数据获得各商品的关键词搜索次数,将各关键词搜索次数与预设搜索次数进行比较,获得第二比较结果;
根据所述下载数据获得各商品的数据下载总量,将各数据下载总量与预设数据总量进行比较,获得第三比较结果;
根据所述第一比较结果、所述第二比较结果和所述第三比较结果确定用户感兴趣的商品数据。
A5、如A4所述的行为数据处理方法,所述根据所述第一比较结果、所述第二比较结果和所述第三比较结果确定用户感兴趣的商品数据,包括:
将所述第一比较结果中点击次数大于所述预设点击次数的商品作为第一兴趣商品;
将所述第二比较结果中关键词搜索次数大于所述预设搜索次数的商品作为第二兴趣商品;
将所述第三比较结果中数据下载总量大于所述预设数据总量的商品作为第三兴趣商品;
将所述第一兴趣商品、所述第二兴趣商品和所述第三兴趣商品分别对应的数据作为用户感兴趣的商品数据。
A6、如A1所述的行为数据处理方法,所述将所述当前兴趣度向量输入至预设深度神经网络中的隐藏层,以获得不同商品的当前商品推荐度之前,所述包括:
获取用户的历史行为数据和历史行为结果,将所述历史行为数据和历史行为结果作为待训练数据;
根据所述待训练数据对初始深度神经网络进行训练,获得预设深度神经网络。
A7、如A6所述的行为数据处理方法,所述根据所述待训练数据对初始深度神经网络进行训练,获得预设深度神经网络,包括:
获取预设候选商品的候选特征数据;
将所述候选特征数据和所述待训练数据进行关联;
对关联后的所述候选特征数据和所述待训练数据进行加权求和,生成待嵌入数据;
根据所述待训练数据和所述待嵌入数据对初始深度神经网络进行训练,获得预设深度神经网络。
A8、如A7所述的行为数据处理方法,所述根据所述待训练数据和所述待嵌入数据对初始深度神经网络进行训练,获得预设深度神经网络,包括:
将所述待训练数据对初始深度神经网络进行训练,获得初始训练结果;
将所述待嵌入数据输入至所述初始深度神经网络的隐藏层中,获得嵌入训练结果;
将所述待嵌入数据输入至预设融合浅层模型中,获得融合训练结果;
基于所述初始训练结果、所述嵌入训练结果和所述融合训练结果对所述初始深度神经网络进行训练,获得预设深度神经网络。
A9、如A7所述的行为数据处理方法,所述获取预设候选商品的候选特征数据,包括:
获取预设候选商品的类别特征数据和上下文特征数据,将所述类别特征数据和所述上下文特征数据作为候选特征数据。
A10、如A7所述的行为数据处理方法,所述对关联后的所述候选特征数据和所述待训练数据进行加权求和,生成待嵌入数据,包括:
根据预设权重系数将关联后的所述候选特征数据和所述待训练数据进行加权求和,获得求和结果,并将所述求和结果写入预设分布式文件系统;
获取预设数据库仓库工具表中记录的用户下载行为信息,并获取所述预设分布式文件系统中的日志信息;
将所述用户下载行为信息和所述日志信息进行合并,生成待嵌入数据。
A11、如A1-A10中任一项所述的行为数据处理方法,所述基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示,包括:
从所述当前商品推荐度中确定用户感兴趣的目标商品,并根据所述当前商品推荐度获得各目标商品的感兴趣值;
根据各目标商品的感兴趣值对各目标商品进行排序,并生成排序结果;
根据所述排序结果对所述目标商品进行展示。
A12、如A11所述的行为数据处理方法,所述根据各目标商品的感兴趣值对各目标商品进行排序,并生成排序结果,包括:
获取各目标商品的商品购买数量和点击数量;
根据所述商品购买数量和所述点击数量获得各目标商品的转化率;
根据各目标商品的感兴趣值确定各目标商品的预测分值;
根据所述预测分值和所述转化率计算各目标商品的最终感兴趣值;
根据所述最终感兴趣值对各目标商品进行排序,并生成排序结果。
A13、如A12所述的行为数据处理方法,根据所述预测分值和所述转化率利用下述公式计算各目标商品的最终感兴趣值,包括:
Iv=α*A+β*B
其中,Iv为最终感兴趣值,A为所述预测分值,B为所述转化率,α为预设分值权重比例,β为预设转化率权重比例。
A14、如A1-A10中任一项所述的行为数据处理方法,所述基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示之后,所述的行为数据处理方法包括:
在接收到用户点击和下载的初始地址后,根据所述初始地址生成商品的二级类别地址,并根据所述二级类别地址生成召回排序条件;
根据所述召回排序条件在所述搜索服务器中查询召回数据;
根据所述召回数据对当前展示的商品进行调整。
A15、如A14所述的行为数据处理方法,所述根据所述召回数据对当前展示的商品进行调整,包括:
获取所述召回数据的当前展示的商品的曝光度;
根据所述曝光度对各商品进行排序,获得曝光度排名最低的商品;
根据预设曝光次数增加曝光度排名最低的商品的推荐次数。
A16、如A14所述的行为数据处理方法,所述根据所述召回排序条件在所述搜索服务器中查询召回数据,包括:
在检测到有新增的推荐商品时,根据所述推荐商品和所述召回数据对召回排序条件进行更新;
根据更新后的召回排序条件重新在所述搜索服务器中查询对应的召回数据。
A17、如A16所述的行为数据处理方法,所述在检测到有新增的推荐商品时,根据所述推荐商品和所述召回数据对召回排序条件进行更新,包括:
在检测到有新增的推荐商品时,将所述新增的推荐商品添加至商品推荐名单,从而对所述召回排序条件进行更新;
或,
在检测到有新增的推荐商品时,将所述新增的推荐商品添加至商品推荐名单,并将用户兴趣度最低的商品在所述商品推荐名单中删除,从而对所述召回排序条件进行更新。
本发明还公开了B18一种行为数据处理装置,所述行为数据处理装置包括:
数据获取模块,用于在检测到数据处理请求时,根据所述数据处理请求获取用户行为数据和当前网页商品关联数据;
特征生成模块,用于将所述用户行为数据和所述当前网页商品关联数据进行拼接,生成行为特征;
向量获取模块,用于根据所述行为特征确定对应的当前兴趣度向量;
输入模块,用于将所述当前兴趣度向量输入至预设深度神经网络中的隐藏层,以获得不同商品的当前商品推荐度,所述预设深度神经网络中的隐藏层反映兴趣度向量与商品推荐度的映射关系;
推荐模块,用于基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示。
本发明还公开了C19一种行为数据处理设备,所述行为数据处理设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的行为数据处理程序,所述行为数据处理程序配置为实现如A1-A17中任一项所述的行为数据处理方法的步骤。
本发明还公开了D20一种存储介质,所述存储介质上存储有行为数据处理程序,所述行为数据处理程序被处理器执行时实现如A1-A17中任一项所述的行为数据处理方法的步骤。
Claims (10)
1.一种行为数据处理方法,其特征在于,所述行为数据处理方法包括:
在检测到数据处理请求时,根据所述数据处理请求获取用户行为数据和当前网页商品关联数据;
将所述用户行为数据和所述当前网页商品关联数据进行拼接,生成行为特征;
根据所述行为特征确定对应的当前兴趣度向量;
将所述当前兴趣度向量输入至预设深度神经网络中的隐藏层,以获得不同商品的当前商品推荐度,所述预设深度神经网络中的隐藏层反映兴趣度向量与商品推荐度的映射关系;
基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示。
2.如权利要求1所述的行为数据处理方法,其特征在于,所述根据所述行为特征确定对应的当前兴趣度向量,包括:
从所述行为特征中获取用户的点击数据、搜索数据和下载数据;
根据所述点击数据、所述搜索数据和所述下载数据确定当前兴趣度向量。
3.如权利要求2所述的行为数据处理方法,其特征在于,所述根据所述点击数据、所述搜索数据和所述下载数据确定当前兴趣度向量,包括:
根据所述点击数据、所述搜索数据和所述下载数据确定用户感兴趣的商品数据;
将用户感兴趣的商品数据对应的特征向量作为当前兴趣度向量。
4.如权利要求3所述的行为数据处理方法,其特征在于,所述根据所述点击数据、所述搜索数据和所述下载数据确定用户感兴趣的商品数据,包括:
根据所述点击数据获得各商品的点击次数,将各点击次数与预设点击次数进行比较,获得第一比较结果;
根据所述搜索数据获得各商品的关键词搜索次数,将各关键词搜索次数与预设搜索次数进行比较,获得第二比较结果;
根据所述下载数据获得各商品的数据下载总量,将各数据下载总量与预设数据总量进行比较,获得第三比较结果;
根据所述第一比较结果、所述第二比较结果和所述第三比较结果确定用户感兴趣的商品数据。
5.如权利要求1-4中任一项所述的行为数据处理方法,其特征在于,所述基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示,包括:
从所述当前商品推荐度中确定用户感兴趣的目标商品,并根据所述当前商品推荐度获得各目标商品的感兴趣值;
根据各目标商品的感兴趣值对各目标商品进行排序,并生成排序结果;
根据所述排序结果对所述目标商品进行展示。
6.如权利要求5所述的行为数据处理方法,其特征在于,所述根据各目标商品的感兴趣值对各目标商品进行排序,并生成排序结果,包括:
获取各目标商品的商品购买数量和点击数量;
根据所述商品购买数量和所述点击数量获得各目标商品的转化率;
根据各目标商品的感兴趣值确定各目标商品的预测分值;
根据所述预测分值和所述转化率计算各目标商品的最终感兴趣值;
根据所述最终感兴趣值对各目标商品进行排序,并生成排序结果。
7.如权利要求6所述的行为数据处理方法,其特征在于,根据所述预测分值和所述转化率利用下述公式计算各目标商品的最终感兴趣值,包括:
Iv=α*A+β*B
其中,Iv为最终感兴趣值,A为所述预测分值,B为所述转化率,α为预设分值权重比例,β为预设转化率权重比例。
8.一种行为数据处理装置,其特征在于,所述行为数据处理装置包括:
数据获取模块,用于在检测到数据处理请求时,根据所述数据处理请求获取用户行为数据和当前网页商品关联数据;
特征生成模块,用于将所述用户行为数据和所述当前网页商品关联数据进行拼接,生成行为特征;
向量获取模块,用于根据所述行为特征确定对应的当前兴趣度向量;
输入模块,用于将所述当前兴趣度向量输入至预设深度神经网络中的隐藏层,以获得不同商品的当前商品推荐度,所述预设深度神经网络中的隐藏层反映兴趣度向量与商品推荐度的映射关系;
推荐模块,用于基于所述当前商品推荐度选取目标商品,并对所述目标商品进行展示。
9.一种行为数据处理设备,其特征在于,所述行为数据处理设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的行为数据处理程序,所述行为数据处理程序配置为实现如权利要求1-7中任一项所述的行为数据处理方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有行为数据处理程序,所述行为数据处理程序被处理器执行时实现如权利要求1-7中任一项所述的行为数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010391038.1A CN113627967A (zh) | 2020-05-09 | 2020-05-09 | 行为数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010391038.1A CN113627967A (zh) | 2020-05-09 | 2020-05-09 | 行为数据处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113627967A true CN113627967A (zh) | 2021-11-09 |
Family
ID=78377724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010391038.1A Pending CN113627967A (zh) | 2020-05-09 | 2020-05-09 | 行为数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627967A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971766A (zh) * | 2022-04-14 | 2022-08-30 | 广州华多网络科技有限公司 | 商品推荐方法及其装置、设备、介质、产品 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965890A (zh) * | 2015-06-17 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 广告推荐的方法和装置 |
US20160239738A1 (en) * | 2013-10-23 | 2016-08-18 | Tencent Technology (Shenzhen) Company Limited | Question recommending method, apparatus and system |
CN105912680A (zh) * | 2016-04-12 | 2016-08-31 | 广东欧珀移动通信有限公司 | 搜索推荐方法、装置和移动终端 |
CN108550068A (zh) * | 2018-04-16 | 2018-09-18 | 南京大学 | 一种基于用户行为分析的个性化商品推荐方法及系统 |
CN108648049A (zh) * | 2018-05-03 | 2018-10-12 | 中国科学技术大学 | 一种基于用户行为区别建模的序列推荐方法 |
CN108804619A (zh) * | 2018-05-31 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
WO2020057022A1 (zh) * | 2018-09-18 | 2020-03-26 | 深圳壹账通智能科技有限公司 | 关联推荐方法、装置、计算机设备和存储介质 |
CN111080413A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市华宇讯科技有限公司 | 电商平台商品的推荐方法、装置、服务器和存储介质 |
CN112132660A (zh) * | 2020-09-25 | 2020-12-25 | 尚娱软件(深圳)有限公司 | 商品推荐方法、系统、设备及存储介质 |
-
2020
- 2020-05-09 CN CN202010391038.1A patent/CN113627967A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160239738A1 (en) * | 2013-10-23 | 2016-08-18 | Tencent Technology (Shenzhen) Company Limited | Question recommending method, apparatus and system |
CN104965890A (zh) * | 2015-06-17 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 广告推荐的方法和装置 |
CN105912680A (zh) * | 2016-04-12 | 2016-08-31 | 广东欧珀移动通信有限公司 | 搜索推荐方法、装置和移动终端 |
CN108550068A (zh) * | 2018-04-16 | 2018-09-18 | 南京大学 | 一种基于用户行为分析的个性化商品推荐方法及系统 |
CN108648049A (zh) * | 2018-05-03 | 2018-10-12 | 中国科学技术大学 | 一种基于用户行为区别建模的序列推荐方法 |
CN108804619A (zh) * | 2018-05-31 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
WO2020057022A1 (zh) * | 2018-09-18 | 2020-03-26 | 深圳壹账通智能科技有限公司 | 关联推荐方法、装置、计算机设备和存储介质 |
CN111080413A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市华宇讯科技有限公司 | 电商平台商品的推荐方法、装置、服务器和存储介质 |
CN112132660A (zh) * | 2020-09-25 | 2020-12-25 | 尚娱软件(深圳)有限公司 | 商品推荐方法、系统、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
LV, SG: ""Research on Personalized Hybrid Recommendation Method of Commodity Based on Context"", 《 2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL SCIENCE AND ENGINEERING (CSE) AND IEEE/IFIP INTERNATIONAL CONFERENCE ON EMBEDDED AND UBIQUITOUS COMPUTING (EUC)》, vol. 1, 6 December 2018 (2018-12-06), pages 607 - 610, XP033139890, DOI: 10.1109/CSE-EUC.2017.111 * |
孙雨生;张晨;任洁;朱礼军;: "国内电子商务个性化推荐研究进展:核心技术", 现代情报, no. 04, 15 April 2017 (2017-04-15), pages 151 - 157 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971766A (zh) * | 2022-04-14 | 2022-08-30 | 广州华多网络科技有限公司 | 商品推荐方法及其装置、设备、介质、产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11107118B2 (en) | Management of the display of online ad content consistent with one or more performance objectives for a webpage and/or website | |
CN111079022B (zh) | 基于联邦学习的个性化推荐方法、装置、设备及介质 | |
US20220156512A1 (en) | Machine learning to generate and evaluate visualizations | |
CN107423355B (zh) | 信息推荐方法及装置、电子设备 | |
CN102073699B (zh) | 用于基于用户行为来改善搜索结果的方法、装置和设备 | |
CN102567475B (zh) | 用于交互式查询重构的用户接口 | |
US8972370B2 (en) | Repetitive fusion search method for search system | |
CN110175895B (zh) | 一种物品推荐方法及装置 | |
CN111815415A (zh) | 一种商品推荐方法、系统及设备 | |
CN106557480B (zh) | 查询改写的实现方法及装置 | |
CN110223133B (zh) | 产品展示方法、装置、计算机设备和存储介质 | |
CN105183727A (zh) | 一种图书推荐方法及其系统 | |
CN112052394B (zh) | 专业内容信息的推荐方法、系统、终端设备和存储介质 | |
US20130073618A1 (en) | Information Providing System, Information Providing method, Information Providing Device, Program, And Information Storage Medium | |
WO2011090036A1 (ja) | 動向情報検索装置、動向情報検索方法および記録媒体 | |
CN106126544B (zh) | 一种互联网内容的投放方法及装置 | |
CN111967914A (zh) | 基于用户画像的推荐方法、装置、计算机设备和存储介质 | |
CN112487283A (zh) | 训练模型的方法、装置、电子设备及可读存储介质 | |
CN114329207A (zh) | 多业务信息排序系统、方法、存储介质及电子设备 | |
CN113592589A (zh) | 纺织原料推荐方法、装置及处理器 | |
CN113627967A (zh) | 行为数据处理方法、装置、设备及存储介质 | |
CN113220974A (zh) | 点击率预测模型训练、搜索召回方法、装置、设备及介质 | |
CN111553749A (zh) | 一种活动推送策略配置方法及装置 | |
CN115545784A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN109934689B (zh) | 目标对象排名解释方法、装置、电子设备及可读存储介质 |
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 |