CN113704624B - 基于用户分流的策略推荐方法、装置、设备及介质 - Google Patents

基于用户分流的策略推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN113704624B
CN113704624B CN202111023515.XA CN202111023515A CN113704624B CN 113704624 B CN113704624 B CN 113704624B CN 202111023515 A CN202111023515 A CN 202111023515A CN 113704624 B CN113704624 B CN 113704624B
Authority
CN
China
Prior art keywords
user
policy
strategy
path
target
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
CN202111023515.XA
Other languages
English (en)
Other versions
CN113704624A (zh
Inventor
周珍珠
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 Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China 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 Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202111023515.XA priority Critical patent/CN113704624B/zh
Publication of CN113704624A publication Critical patent/CN113704624A/zh
Application granted granted Critical
Publication of CN113704624B publication Critical patent/CN113704624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5011—Pool
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5018—Thread allocation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据处理领域，提供一种基于用户分流的策略推荐方法、装置、设备及介质，能够为构建的实验域配置域ID、实验层的层ID、策略ID，获取用户集中每个用户的用户ID及用户数量，从线程池中获取分流线程，利用分流线程并行处理每个用户的用户ID、域ID、每个层ID，得到至少一个目标数值，利用多线程同时执行任务，提高了任务的执行效率，利用至少一个目标数值在实验域中进行匹配计算得到目标策略，根据目标策略的策略ID生成并分析路径，得到策略推荐结果，进而通过一系列的数据处理自动执行策略推荐，快速识别出每个用户对应的策略。此外，本发明还涉及区块链技术，策略推荐结果可存储于区块链节点中。

Description

基于用户分流的策略推荐方法、装置、设备及介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于用户分流的策略推荐方法、装置、设备及介质。
背景技术
智能推荐专注于赋能业务增长，以用户行为数据为基础，采用深度学习等先进的机器学习算法，实现对用户“千人千面”的个性化推荐，改善用户体验，持续提升核心业务指标。
推荐的应用场景通常都是一些流量大的场景，比如资讯推荐等，在线上为了探索推荐策略的效果，相关工作人员通常会使用智能推荐实验平台做各类A/B实验，对用户进行不同的分流，再对比不同策略的效果。
上述方法通常需要进行大量的实验，不仅效率低，且由于过分依赖人力，出错率也较高。
发明内容
本发明实施例提供了一种基于用户分流的策略推荐方法、装置、设备及介质，旨在解决策略推荐效率低，且出错率高的问题。
第一方面，本发明实施例提供了一种基于用户分流的策略推荐方法，其包括：
构建实验域，所述实验域包括实验层及策略，并为所述实验域配置域ID，为每个实验层配置层ID，为每个策略配置策略ID；
获取预先构建的用户集，并获取所述用户集中每个用户的用户ID及所述用户集中用户的用户数量；
创建线程池，并从所述线程池中获取线程作为分流线程，其中，所述分流线程的数量与所述用户数量相同；
并行启动所述分流线程，并利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值；
利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略；
获取所述至少一个目标策略的策略ID，并根据所述至少一个目标策略的策略ID生成至少一条路径；
分析所述至少一条路径，得到策略推荐结果。
根据本发明优选实施例，所述构建实验域包括：
为所述实验域创建至少一个所述实验层；
为每个实验层创建至少一个策略，其中，每个策略对应一个桶位范围，每个实验层上的所有策略的桶位范围的并集属于[0,100]。
根据本发明优选实施例，所述从所述线程池中获取线程作为分流线程包括：
获取所述线程池中的闲置线程；
获取每个闲置线程的资源占用率；
根据所述资源占用率由低到高的顺序对所述闲置线程进行排序，得到线程序列；
按照从前到后的顺序，从所述线程序列中获取线程作为所述分流线程。
根据本发明优选实施例，所述利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值包括：
将所述分流线程随机分配给每个用户，得到每个用户的线程；
通过每个用户的线程对每个用户的用户ID、所述域ID、每个层ID进行哈希运算，得到每个用户的哈希值；
计算每个用户的哈希值与预设阈值的商，得到所述至少一个目标数值。
根据本发明优选实施例，所述利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略包括：
获取所述实验域中每个实验层的桶位范围；
检测所述至少一个目标数值中每个目标数值在每个实验层中所属的桶位范围，并将检测到的桶位范围确定为每个目标数值在每个实验层中的目标桶位范围；
检测每个目标桶位范围在每个实验层中对应的策略；
组合检测到的策略，得到所述至少一个目标策略。
根据本发明优选实施例，所述分析所述至少一条路径，得到策略推荐结果包括：
获取对应于每条路径的用户ID；
根据每条路径的用户ID确定每条路径对应的用户；
计算每条路径对应的用户的数量；
获取每条路径上的策略ID；
根据每条路径上的策略ID识别每条路径对应的策略；
整合每条路径对应的用户、每条路径对应的用户的数量及每条路径对应的策略，得到每条路径对应的策略推荐文件；
将每条路径对应的策略推荐文件转化为指定格式，得到所述策略推荐结果。
根据本发明优选实施例，在得到策略推荐结果后，所述方法还包括：
当获取到待验证策略时，将所述待验证策略对应的路径确定为目标路径；
获取所述目标路径对应的目标用户；
检测所述目标用户对应的埋点数据；
当所述目标用户对应的埋点数据都与所述目标路径相匹配时，确定所述待验证策略通过验证；或者
当所述目标用户对应的埋点数据中有数据与所述目标路径不匹配时，确定所述待验证策略未通过验证。
第二方面，本发明实施例提供了一种基于用户分流的策略推荐装置，其包括：
构建单元，用于构建实验域，所述实验域包括实验层及策略，并为所述实验域配置域ID，为每个实验层配置层ID，为每个策略配置策略ID；
获取单元，用于获取预先构建的用户集，并获取所述用户集中每个用户的用户ID及所述用户集中用户的用户数量；
创建单元，用于创建线程池，并从所述线程池中获取线程作为分流线程，其中，所述分流线程的数量与所述用户数量相同；
处理单元，用于并行启动所述分流线程，并利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值；
计算单元，用于利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略；
生成单元，用于获取所述至少一个目标策略的策略ID，并根据所述至少一个目标策略的策略ID生成至少一条路径；
分析单元，用于分析所述至少一条路径，得到策略推荐结果。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、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计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于用户分流的策略推荐方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于用户分流的策略推荐方法。
本发明实施例提供了一种基于用户分流的策略推荐方法、装置、设备及介质，能够构建实验域，所述实验域包括实验层及策略，并为所述实验域配置域ID，为每个实验层配置层ID，为每个策略配置策略ID，获取预先构建的用户集，并获取所述用户集中每个用户的用户ID及所述用户集中用户的用户数量，创建线程池，并从所述线程池中获取线程作为分流线程，其中，所述分流线程的数量与所述用户数量相同，并行启动所述分流线程，并利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值，通过并行启动所述分流线程，能够利用多线程同时执行任务，提高了任务的执行效率，利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略，获取所述至少一个目标策略的策略ID，并根据所述至少一个目标策略的策略ID生成至少一条路径，分析所述至少一条路径，得到策略推荐结果，进而通过一系列的数据处理自动执行策略推荐，快速识别出每个用户对应的策略。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的基于用户分流的策略推荐方法的流程示意图；
图2为本发明实施例提供的基于用户分流的策略推荐装置的示意性框图；
图3为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，为本发明实施例提供的基于用户分流的策略推荐方法的流程示意图。
S10，构建实验域，所述实验域包括实验层及策略，并为所述实验域配置域ID(Identity，身份标识码)，为每个实验层配置层ID，为每个策略配置策略ID。
在本实施例中，可以为每个任务领域构建一个实验域，也可以为每个产品构建一个实验域，如：可以为资讯推荐任务构建一个实验域，或者为一个产品A构建一个实验域，本发明不限制。
因此，当任务领域或者执行环境等发生变化时，只需要更新所述实验域的域ID，即可继续执行后续的策略推荐或者策略验证，提高了执行效率。
在本发明的至少一个实施例中，所述构建实验域包括：
为所述实验域创建至少一个所述实验层；
为每个实验层创建至少一个策略，其中，每个策略对应一个桶位范围，每个实验层上的所有策略的桶位范围的并集属于[0,100]。
例如：所述实验域可以包括召回层、粗排层及精排层，其中，所述召回层上包括召回策略A及召回策略B，所述召回策略A的桶位范围可以配置为[0,35)，所述召回策略B的桶位范围可以配置为[35,100)，所述粗排层上包括粗排策略A及粗排策略B，所述粗排策略A的桶位范围可以配置为[0,40)，所述召回策略B的桶位范围可以配置为[40,100)，所述精排层上包括精排策略A及精排策略B，所述精排策略A的桶位范围可以配置为[0,60)，所述召回策略B的桶位范围可以配置为[60,100)。
当然，在其他实施例中，还可以在所述实验域中配置流量扶持层，所述流量扶持层是指相关工作人员根据指定时间内的热点等进行指定内容推荐的策略。
在不同的实验层中均有100％的流量，可以用来创建不同流量的策略，只需要在对应的实验层中所有的流量之和不超过100％即可，例如：在召回层可以创建3个30％的召回策略，如召回策略a，召回策略b，召回策略c，共90％的真流量，剩余10％的空流量。也可以创建50％的召回策略a，30％的召回策略b，20％的召回策略c，共100％的流量。
通过上述实施方式，创建了统一的实验域用于辅助策略的推荐，便于更新及管理。
S11，获取预先构建的用户集，并获取所述用户集中每个用户的用户ID及所述用户集中用户的用户数量。
在本发明的至少一个实施例中，在获取预先构建的用户集前，所述方法还包括：
每隔预设时间间隔连接至指定平台；
从所述指定平台获取日志数据；
提取所述日志数据中的用户数据；
根据所述用户数据构建所述用户集。
其中，所述预设时间间隔可以进行自定义配置，如每隔10天，以实现对所述用户集的定期更新。
可以理解的是，很多策略推荐算法都跟用户的兴趣与行为有强相关性，使用虚拟用户无法真实模拟出真实用户的兴趣和行为分布，因此，不能有效地验证相关策略推荐算法的逻辑。
在本实施方式中，通过获取真实的用户数据作为后续策略推荐的数据基础，有效解决了推荐的策略与用户不匹配的问题。
S12，创建线程池，并从所述线程池中获取线程作为分流线程，其中，所述分流线程的数量与所述用户数量相同。
在本发明的至少一个实施例中，所述从所述线程池中获取线程作为分流线程包括：
获取所述线程池中的闲置线程；
获取每个闲置线程的资源占用率；
根据所述资源占用率由低到高的顺序对所述闲置线程进行排序，得到线程序列；
按照从前到后的顺序，从所述线程序列中获取线程作为所述分流线程。
通过上述实施方式，能够从创建的线程池中选择性能最佳的线程执行后续的分流任务，进而保证了任务的执行效果。
S13，并行启动所述分流线程，并利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值。
在上述实施方式中，通过并行启动所述分流线程，能够利用多线程同时执行任务，提高了任务的执行效率。
在本发明的至少一个实施例中，所述利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值包括：
将所述分流线程随机分配给每个用户，得到每个用户的线程；
通过每个用户的线程对每个用户的用户ID、所述域ID、每个层ID进行哈希运算，得到每个用户的哈希值；
计算每个用户的哈希值与预设阈值的商，得到所述至少一个目标数值。
其中，所述预设阈值可以进行自定义配置，如100。
在上述实施方式中，利用了哈希算法无限的输入及有限的输出的特性，使基于每个用户的用户ID计算得到的目标数值具有唯一性。
S14，利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略。
具体地，所述利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略包括：
获取所述实验域中每个实验层的桶位范围；
检测所述至少一个目标数值中每个目标数值在每个实验层中所属的桶位范围，并将检测到的桶位范围确定为每个目标数值在每个实验层中的目标桶位范围；
检测每个目标桶位范围在每个实验层中对应的策略；
组合检测到的策略，得到所述至少一个目标策略。
例如：承接上面的例子，对于目标数值38，通过与各个实验层的桶位范围进行匹配，确定在所述召回层上所属的桶位范围为[35,100)，则对应所述召回策略B；在所述粗排层上所属的桶位范围为[0,40)，则对应所述粗排策略A；在所述精排层上所属的桶位范围为[0,60)，则对应所述精排策略A。进一步地，可以确定所述目标数值38对应的目标策略为：所述召回策略B、所述粗排策略A及所述精排策略A。
通过上述实施方式，能够结合哈希算法自动匹配到对应的策略。
S15，获取所述至少一个目标策略的策略ID，并根据所述至少一个目标策略的策略ID生成至少一条路径。
具体地，所述根据所述至少一个目标策略的策略ID生成至少一条路径包括：
将所述至少一个目标策略的策略ID中属于同一用户的策略ID确定为一个策略组；
调用sort函数对每个策略组中的策略ID进行排序，得到每个用户对应的排序结果；
根据每个用户对应的排序结果拼接对应的策略组中的策略ID，得到每个用户对应的路径；
整合每个用户对应的路径，得到所述至少一条路径。
例如：当通过拼接，生成了字符串X时，可以将所述字符串X确定为一条路径，并记为path_key。
S16，分析所述至少一条路径，得到策略推荐结果。
在本发明的至少一个实施例中，所述分析所述至少一条路径，得到策略推荐结果包括：
获取对应于每条路径的用户ID；
根据每条路径的用户ID确定每条路径对应的用户；
计算每条路径对应的用户的数量；
获取每条路径上的策略ID；
根据每条路径上的策略ID识别每条路径对应的策略；
整合每条路径对应的用户、每条路径对应的用户的数量及每条路径对应的策略，得到每条路径对应的策略推荐文件；
将每条路径对应的策略推荐文件转化为指定格式，得到所述策略推荐结果。
在本实施例中，所述指定格式可以为.txt格式。
当然，在其他实施例中，所述策略推荐结果中还可以包括流量占比。
例如：对于路径'1372482059966201856,1372485205305307136,1372487988066627584'，通过分析，确定对应的用户的数量为'count'＝4，用户ID分别为'ids':['1041142818','1046816297','1041239090','1050175706']，策略ID对应的策略分别为'name':[recall_a','rank_a','rerank_b']，流量占比为'rate':0.04。
通过上述实施方式，能够通过一系列的数据处理自动执行策略推荐，快速识别出每个用户对应的策略。
在本发明的至少一个实施例中，在得到策略推荐结果后，所述方法还包括：
当获取到待验证策略时，将所述待验证策略对应的路径确定为目标路径；
获取所述目标路径对应的目标用户；
检测所述目标用户对应的埋点数据；
当所述目标用户对应的埋点数据都与所述目标路径相匹配时，确定所述待验证策略通过验证；或者
当所述目标用户对应的埋点数据中有数据与所述目标路径不匹配时，确定所述待验证策略未通过验证。
其中，所述待验证策略可以包括新增策略或普通策略。
可以理解的是，在测试各类推荐策略时，尤其对于大流量场景(如具有十多种推荐策略)，为了验证策略，通常要尝试几十个用户才可能命中要验证的策略，甚至有时尝试更多用户也不能命中要验证的策略。另外，对于新增的策略，可能放量只有1％或5％，在这种情况下就更难命中相关策略。
在本实施例中，由于所述用户集是不断更新的，当有新增策略时，也会同步更新所述策略推荐结果，因此，当有策略需要被验证时，通过所述策略推荐结果进行反推，就能找到于待验证策略对应的用户，再有针对性的检测对应的用户的数据是否完全满足所述待验证策略，即可实现对所述待验证策略的准确验证，并提高了验证效率，避免了反复实验造成资源及时间消耗的问题。
经过验证，采用原有的方式验证策略，由于存在随机寻找用户且难以命中指定策略的问题，验证耗时通常为30分钟，采用本实施方式进行策略的验证，能够将耗时降低到2秒，即在2秒内锁定用户，并检测用户是否满足指定策略，有效地提高了线上生产的验证效率。
因此，本实施方式可以用于测试或者开发，以辅助相关工作人员快速验证特定推荐策略。
需要说明的是，为了进一步提高数据的安全性，避免数据被恶意篡改，所述策略推荐结果可存储于区块链节点中。
由以上技术方案可以看出，本发明构建实验域，所述实验域包括实验层及策略，并为所述实验域配置域ID，为每个实验层配置层ID，为每个策略配置策略ID，获取预先构建的用户集，并获取所述用户集中每个用户的用户ID及所述用户集中用户的用户数量，创建线程池，并从所述线程池中获取线程作为分流线程，其中，所述分流线程的数量与所述用户数量相同，并行启动所述分流线程，并利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值，通过并行启动所述分流线程，能够利用多线程同时执行任务，提高了任务的执行效率，利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略，获取所述至少一个目标策略的策略ID，并根据所述至少一个目标策略的策略ID生成至少一条路径，分析所述至少一条路径，得到策略推荐结果，进而通过一系列的数据处理自动执行策略推荐，快速识别出每个用户对应的策略。
本发明实施例还提供一种基于用户分流的策略推荐装置，该基于用户分流的策略推荐装置用于执行前述基于用户分流的策略推荐方法的任一实施例。具体地，请参阅图2，图2是本发明实施例提供的基于用户分流的策略推荐装置的示意性框图。
如图2所示，基于用户分流的策略推荐装置100包括：构建单元101、获取单元102、创建单元103、处理单元104、计算单元105、生成单元106、分析单元107。
构建单元101构建实验域，所述实验域包括实验层及策略，并为所述实验域配置域ID(Identity，身份标识码)，为每个实验层配置层ID，为每个策略配置策略ID。
在本实施例中，可以为每个任务领域构建一个实验域，也可以为每个产品构建一个实验域，如：可以为资讯推荐任务构建一个实验域，或者为一个产品A构建一个实验域，本发明不限制。
因此，当任务领域或者执行环境等发生变化时，只需要更新所述实验域的域ID，即可继续执行后续的策略推荐或者策略验证，提高了执行效率。
在本发明的至少一个实施例中，所述构建单元101构建实验域包括：
为所述实验域创建至少一个所述实验层；
为每个实验层创建至少一个策略，其中，每个策略对应一个桶位范围，每个实验层上的所有策略的桶位范围的并集属于[0,100]。
例如：所述实验域可以包括召回层、粗排层及精排层，其中，所述召回层上包括召回策略A及召回策略B，所述召回策略A的桶位范围可以配置为[0,35)，所述召回策略B的桶位范围可以配置为[35,100)，所述粗排层上包括粗排策略A及粗排策略B，所述粗排策略A的桶位范围可以配置为[0,40)，所述召回策略B的桶位范围可以配置为[40,100)，所述精排层上包括精排策略A及精排策略B，所述精排策略A的桶位范围可以配置为[0,60)，所述召回策略B的桶位范围可以配置为[60,100)。
当然，在其他实施例中，还可以在所述实验域中配置流量扶持层，所述流量扶持层是指相关工作人员根据指定时间内的热点等进行指定内容推荐的策略。
在不同的实验层中均有100％的流量，可以用来创建不同流量的策略，只需要在对应的实验层中所有的流量之和不超过100％即可，例如：在召回层可以创建3个30％的召回策略，如召回策略a，召回策略b，召回策略c，共90％的真流量，剩余10％的空流量。也可以创建50％的召回策略a，30％的召回策略b，20％的召回策略c，共100％的流量。
通过上述实施方式，创建了统一的实验域用于辅助策略的推荐，便于更新及管理。
获取单元102获取预先构建的用户集，并获取所述用户集中每个用户的用户ID及所述用户集中用户的用户数量。
在本发明的至少一个实施例中，在获取预先构建的用户集前，每隔预设时间间隔连接至指定平台；
从所述指定平台获取日志数据；
提取所述日志数据中的用户数据；
根据所述用户数据构建所述用户集。
其中，所述预设时间间隔可以进行自定义配置，如每隔10天，以实现对所述用户集的定期更新。
可以理解的是，很多策略推荐算法都跟用户的兴趣与行为有强相关性，使用虚拟用户无法真实模拟出真实用户的兴趣和行为分布，因此，不能有效地验证相关策略推荐算法的逻辑。
在本实施方式中，通过获取真实的用户数据作为后续策略推荐的数据基础，有效解决了推荐的策略与用户不匹配的问题。
创建单元103创建线程池，并从所述线程池中获取线程作为分流线程，其中，所述分流线程的数量与所述用户数量相同。
在本发明的至少一个实施例中，所述创建单元103从所述线程池中获取线程作为分流线程包括：
获取所述线程池中的闲置线程；
获取每个闲置线程的资源占用率；
根据所述资源占用率由低到高的顺序对所述闲置线程进行排序，得到线程序列；
按照从前到后的顺序，从所述线程序列中获取线程作为所述分流线程。
通过上述实施方式，能够从创建的线程池中选择性能最佳的线程执行后续的分流任务，进而保证了任务的执行效果。
处理单元104并行启动所述分流线程，并利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值。
在上述实施方式中，通过并行启动所述分流线程，能够利用多线程同时执行任务，提高了任务的执行效率。
在本发明的至少一个实施例中，所述处理单元104利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值包括：
将所述分流线程随机分配给每个用户，得到每个用户的线程；
通过每个用户的线程对每个用户的用户ID、所述域ID、每个层ID进行哈希运算，得到每个用户的哈希值；
计算每个用户的哈希值与预设阈值的商，得到所述至少一个目标数值。
其中，所述预设阈值可以进行自定义配置，如100。
在上述实施方式中，利用了哈希算法无限的输入及有限的输出的特性，使基于每个用户的用户ID计算得到的目标数值具有唯一性。
计算单元105利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略。
具体地，所述计算单元105利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略包括：
获取所述实验域中每个实验层的桶位范围；
检测所述至少一个目标数值中每个目标数值在每个实验层中所属的桶位范围，并将检测到的桶位范围确定为每个目标数值在每个实验层中的目标桶位范围；
检测每个目标桶位范围在每个实验层中对应的策略；
组合检测到的策略，得到所述至少一个目标策略。
例如：承接上面的例子，对于目标数值38，通过与各个实验层的桶位范围进行匹配，确定在所述召回层上所属的桶位范围为[35,100)，则对应所述召回策略B；在所述粗排层上所属的桶位范围为[0,40)，则对应所述粗排策略A；在所述精排层上所属的桶位范围为[0,60)，则对应所述精排策略A。进一步地，可以确定所述目标数值38对应的目标策略为：所述召回策略B、所述粗排策略A及所述精排策略A。
通过上述实施方式，能够结合哈希算法自动匹配到对应的策略。
生成单元106获取所述至少一个目标策略的策略ID，并根据所述至少一个目标策略的策略ID生成至少一条路径。
具体地，所述生成单元106根据所述至少一个目标策略的策略ID生成至少一条路径包括：
将所述至少一个目标策略的策略ID中属于同一用户的策略ID确定为一个策略组；
调用sort函数对每个策略组中的策略ID进行排序，得到每个用户对应的排序结果；
根据每个用户对应的排序结果拼接对应的策略组中的策略ID，得到每个用户对应的路径；
整合每个用户对应的路径，得到所述至少一条路径。
例如：当通过拼接，生成了字符串X时，可以将所述字符串X确定为一条路径，并记为path_key。
分析单元107分析所述至少一条路径，得到策略推荐结果。
在本发明的至少一个实施例中，所述分析单元107分析所述至少一条路径，得到策略推荐结果包括：
获取对应于每条路径的用户ID；
根据每条路径的用户ID确定每条路径对应的用户；
计算每条路径对应的用户的数量；
获取每条路径上的策略ID；
根据每条路径上的策略ID识别每条路径对应的策略；
整合每条路径对应的用户、每条路径对应的用户的数量及每条路径对应的策略，得到每条路径对应的策略推荐文件；
将每条路径对应的策略推荐文件转化为指定格式，得到所述策略推荐结果。
在本实施例中，所述指定格式可以为.txt格式。
当然，在其他实施例中，所述策略推荐结果中还可以包括流量占比。
例如：对于路径'1372482059966201856,1372485205305307136,1372487988066627584'，通过分析，确定对应的用户的数量为'count'＝4，用户ID分别为'ids':['1041142818','1046816297','1041239090','1050175706']，策略ID对应的策略分别为'name':[recall_a','rank_a','rerank_b']，流量占比为'rate':0.04。
通过上述实施方式，能够通过一系列的数据处理自动执行策略推荐，快速识别出每个用户对应的策略。
在本发明的至少一个实施例中，在得到策略推荐结果后，当获取到待验证策略时，将所述待验证策略对应的路径确定为目标路径；
获取所述目标路径对应的目标用户；
检测所述目标用户对应的埋点数据；
当所述目标用户对应的埋点数据都与所述目标路径相匹配时，确定所述待验证策略通过验证；或者
当所述目标用户对应的埋点数据中有数据与所述目标路径不匹配时，确定所述待验证策略未通过验证。
其中，所述待验证策略可以包括新增策略或普通策略。
可以理解的是，在测试各类推荐策略时，尤其对于大流量场景(如具有十多种推荐策略)，为了验证策略，通常要尝试几十个用户才可能命中要验证的策略，甚至有时尝试更多用户也不能命中要验证的策略。另外，对于新增的策略，可能放量只有1％或5％，在这种情况下就更难命中相关策略。
在本实施例中，由于所述用户集是不断更新的，当有新增策略时，也会同步更新所述策略推荐结果，因此，当有策略需要被验证时，通过所述策略推荐结果进行反推，就能找到于待验证策略对应的用户，再有针对性的检测对应的用户的数据是否完全满足所述待验证策略，即可实现对所述待验证策略的准确验证，并提高了验证效率，避免了反复实验造成资源及时间消耗的问题。
经过验证，采用原有的方式验证策略，由于存在随机寻找用户且难以命中指定策略的问题，验证耗时通常为30分钟，采用本实施方式进行策略的验证，能够将耗时降低到2秒，即在2秒内锁定用户，并检测用户是否满足指定策略，有效地提高了线上生产的验证效率。
因此，本实施方式可以用于测试或者开发，以辅助相关工作人员快速验证特定推荐策略。
需要说明的是，为了进一步提高数据的安全性，避免数据被恶意篡改，所述策略推荐结果可存储于区块链节点中。
由以上技术方案可以看出，本发明构建实验域，所述实验域包括实验层及策略，并为所述实验域配置域ID，为每个实验层配置层ID，为每个策略配置策略ID，获取预先构建的用户集，并获取所述用户集中每个用户的用户ID及所述用户集中用户的用户数量，创建线程池，并从所述线程池中获取线程作为分流线程，其中，所述分流线程的数量与所述用户数量相同，并行启动所述分流线程，并利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值，通过并行启动所述分流线程，能够利用多线程同时执行任务，提高了任务的执行效率，利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略，获取所述至少一个目标策略的策略ID，并根据所述至少一个目标策略的策略ID生成至少一条路径，分析所述至少一条路径，得到策略推荐结果，进而通过一系列的数据处理自动执行策略推荐，快速识别出每个用户对应的策略。
上述基于用户分流的策略推荐装置可以实现为计算机程序的形式，该计算机程序可以在如图3所示的计算机设备上运行。
请参阅图3，图3是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
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、机器人技术、生物识别技术、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。
参阅图3，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于用户分流的策略推荐方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于用户分流的策略推荐方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的基于用户分流的策略推荐方法。
本领域技术人员可以理解，图3中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备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。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图3所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal 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。其中，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。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的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，其中计算机程序被处理器执行时实现本发明实施例公开的基于用户分流的策略推荐方法。
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。
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，上述描述的设备、装置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。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本发明实施例方案的目的。
本发明可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
另外，在本发明各个实施例中的各功能单元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，也可以是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，也可以采用软件功能单元的形式实现。
所述集成的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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但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。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于用户分流的策略推荐方法，其特征在于，包括：
构建实验域，所述实验域包括实验层及策略，并为所述实验域配置域ID，为每个实验层配置层ID，为每个策略配置策略ID；
获取预先构建的用户集，并获取所述用户集中每个用户的用户ID及所述用户集中用户的用户数量；
创建线程池，并从所述线程池中获取线程作为分流线程，其中，所述分流线程的数量与所述用户数量相同；
并行启动所述分流线程，并利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值；
利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略；
获取所述至少一个目标策略的策略ID，并根据所述至少一个目标策略的策略ID生成至少一条路径；
分析所述至少一条路径，得到策略推荐结果；
其中，所述构建实验域包括：
为所述实验域创建至少一个所述实验层；
为每个实验层创建至少一个策略，其中，每个策略对应一个桶位范围，每个实验层上的所有策略的桶位范围的并集属于[0,100]；
所述利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值包括：
将所述分流线程随机分配给每个用户，得到每个用户的线程；
通过每个用户的线程对每个用户的用户ID、所述域ID、每个层ID进行哈希运算，得到每个用户的哈希值；
计算每个用户的哈希值与预设阈值的商，得到所述至少一个目标数值；
所述利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略包括：
获取所述实验域中每个实验层的桶位范围；
检测所述至少一个目标数值中每个目标数值在每个实验层中所属的桶位范围，并将检测到的桶位范围确定为每个目标数值在每个实验层中的目标桶位范围；
检测每个目标桶位范围在每个实验层中对应的策略；
组合检测到的策略，得到所述至少一个目标策略；
所述分析所述至少一条路径，得到策略推荐结果包括：
获取对应于每条路径的用户ID；
根据每条路径的用户ID确定每条路径对应的用户；
计算每条路径对应的用户的数量；
获取每条路径上的策略ID；
根据每条路径上的策略ID识别每条路径对应的策略；
整合每条路径对应的用户、每条路径对应的用户的数量及每条路径对应的策略，得到每条路径对应的策略推荐文件；
将每条路径对应的策略推荐文件转化为指定格式，得到所述策略推荐结果。
2.根据权利要求1所述的基于用户分流的策略推荐方法，其特征在于，所述从所述线程池中获取线程作为分流线程包括：
获取所述线程池中的闲置线程；
获取每个闲置线程的资源占用率；
根据所述资源占用率由低到高的顺序对所述闲置线程进行排序，得到线程序列；
按照从前到后的顺序，从所述线程序列中获取线程作为所述分流线程。
3.根据权利要求1所述的基于用户分流的策略推荐方法，其特征在于，在得到策略推荐结果后，所述方法还包括：
当获取到待验证策略时，将所述待验证策略对应的路径确定为目标路径；
获取所述目标路径对应的目标用户；
检测所述目标用户对应的埋点数据；
当所述目标用户对应的埋点数据都与所述目标路径相匹配时，确定所述待验证策略通过验证；或者
当所述目标用户对应的埋点数据中有数据与所述目标路径不匹配时，确定所述待验证策略未通过验证。
4.一种基于用户分流的策略推荐装置，其特征在于，包括：
构建单元，用于构建实验域，所述实验域包括实验层及策略，并为所述实验域配置域ID，为每个实验层配置层ID，为每个策略配置策略ID；
获取单元，用于获取预先构建的用户集，并获取所述用户集中每个用户的用户ID及所述用户集中用户的用户数量；
创建单元，用于创建线程池，并从所述线程池中获取线程作为分流线程，其中，所述分流线程的数量与所述用户数量相同；
处理单元，用于并行启动所述分流线程，并利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值；
计算单元，用于利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略；
生成单元，用于获取所述至少一个目标策略的策略ID，并根据所述至少一个目标策略的策略ID生成至少一条路径；
分析单元，用于分析所述至少一条路径，得到策略推荐结果；
其中，所述构建实验域包括：
为所述实验域创建至少一个所述实验层；
为每个实验层创建至少一个策略，其中，每个策略对应一个桶位范围，每个实验层上的所有策略的桶位范围的并集属于[0,100]；
所述利用所述分流线程处理每个用户的用户ID、所述域ID、每个层ID，得到至少一个目标数值包括：
将所述分流线程随机分配给每个用户，得到每个用户的线程；
通过每个用户的线程对每个用户的用户ID、所述域ID、每个层ID进行哈希运算，得到每个用户的哈希值；
计算每个用户的哈希值与预设阈值的商，得到所述至少一个目标数值；
所述利用所述至少一个目标数值在所述实验域中进行匹配计算，并将匹配到的策略确定为至少一个目标策略包括：
获取所述实验域中每个实验层的桶位范围；
检测所述至少一个目标数值中每个目标数值在每个实验层中所属的桶位范围，并将检测到的桶位范围确定为每个目标数值在每个实验层中的目标桶位范围；
检测每个目标桶位范围在每个实验层中对应的策略；
组合检测到的策略，得到所述至少一个目标策略；
所述分析所述至少一条路径，得到策略推荐结果包括：
获取对应于每条路径的用户ID；
根据每条路径的用户ID确定每条路径对应的用户；
计算每条路径对应的用户的数量；
获取每条路径上的策略ID；
根据每条路径上的策略ID识别每条路径对应的策略；
整合每条路径对应的用户、每条路径对应的用户的数量及每条路径对应的策略，得到每条路径对应的策略推荐文件；
将每条路径对应的策略推荐文件转化为指定格式，得到所述策略推荐结果。
5.一种计算机设备，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计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的基于用户分流的策略推荐方法。
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存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至3任一项所述的基于用户分流的策略推荐方法。
CN202111023515.XA 2021-08-31 2021-08-31 基于用户分流的策略推荐方法、装置、设备及介质 Active CN113704624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111023515.XA CN113704624B (zh) 2021-08-31 2021-08-31 基于用户分流的策略推荐方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111023515.XA CN113704624B (zh) 2021-08-31 2021-08-31 基于用户分流的策略推荐方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113704624A CN113704624A (zh) 2021-11-26
CN113704624B true CN113704624B (zh) 2023-08-22

Family

ID=78657132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111023515.XA Active CN113704624B (zh) 2021-08-31 2021-08-31 基于用户分流的策略推荐方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113704624B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114884888B (zh) * 2022-05-10 2024-04-30 北京明略软件系统有限公司 用于流量分桶的方法及装置、电子设备、存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281611A (zh) * 2013-07-08 2015-01-14 阿里巴巴集团控股有限公司 网站测试系统中的用户流量分配方法及装置
CN109657801A (zh) * 2019-02-14 2019-04-19 网易（杭州）网络有限公司 推荐系统的分流方法、装置及可读存储介质
CN110442796A (zh) * 2019-08-14 2019-11-12 北京思维造物信息科技股份有限公司 一种推荐策略分桶方法、装置及设备
CN110769034A (zh) * 2019-09-20 2020-02-07 中国平安人寿保险股份有限公司 推荐系统策略迭代方法、装置及存储介质、服务器
CN111914175A (zh) * 2020-08-07 2020-11-10 平安科技（深圳）有限公司 一种推荐流程优化方法、装置、设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180158082A1 (en) * 2016-12-06 2018-06-07 Yahoo! Inc. Method and system for automatic detection and prevention of quality issues in online experiments

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281611A (zh) * 2013-07-08 2015-01-14 阿里巴巴集团控股有限公司 网站测试系统中的用户流量分配方法及装置
CN109657801A (zh) * 2019-02-14 2019-04-19 网易（杭州）网络有限公司 推荐系统的分流方法、装置及可读存储介质
CN110442796A (zh) * 2019-08-14 2019-11-12 北京思维造物信息科技股份有限公司 一种推荐策略分桶方法、装置及设备
CN110769034A (zh) * 2019-09-20 2020-02-07 中国平安人寿保险股份有限公司 推荐系统策略迭代方法、装置及存储介质、服务器
CN111914175A (zh) * 2020-08-07 2020-11-10 平安科技（深圳）有限公司 一种推荐流程优化方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113704624A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
Rabosky et al. FiSSE: a simple nonparametric test for the effects of a binary character on lineage diversification rates
CN107430611B (zh) 过滤数据沿袭图
CN110855648B (zh) 一种网络攻击的预警控制方法及装置
CN111242230A (zh) 基于人工智能的图像处理方法及图像分类模型训练方法
CN112365171A (zh) 基于知识图谱的风险预测方法、装置、设备及存储介质
CN104618304B (zh) 数据处理方法及数据处理系统
US20220083568A1 (en) Latent Intent Clustering in High Latent Spaces
Strotmann et al. Author name disambiguation for collaboration network analysis and visualization
CN108846292B (zh) 脱敏规则生成方法及装置
CN113704624B (zh) 基于用户分流的策略推荐方法、装置、设备及介质
US11301522B1 (en) Method and apparatus for collecting information regarding dark web
CN112925899B (zh) 排序模型建立方法、案件线索推荐方法、装置及介质
CN114185770A (zh) 生成测试数据的方法、装置、计算机设备和存储介质
CN112948275A (zh) 测试数据生成方法、装置、设备及存储介质
CN112529543A (zh) 工作流互斥关系的校验方法、装置、设备及存储介质
CN115037790B (zh) 异常注册识别方法、装置、设备及存储介质
CN113688762B (zh) 基于深度学习的人脸识别方法、装置、设备及介质
CN114398676A (zh) 基于人工智能的数据安全分级方法、装置、设备及介质
US11170000B2 (en) Parallel map and reduce on hash chains
CN106789140B (zh) 一种识别非法用户的方法和设备
CN103679023A (zh) 一种联合计算架构下的海量病毒报告分析方法
US20220358371A1 (en) Digital transaction ledger with dna-related ledger parameter
CN113342795B (zh) 应用程序中数据核对方法、装置、电子设备及存储介质
CN112000945B (zh) 基于人工智能的授权方法、装置、设备及介质
CN110719260B (zh) 智能网络安全分析方法、装置及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
GR01 Patent grant
GR01 Patent grant