CN113705698A - 基于点击行为预测的信息推送方法及装置 - Google Patents
基于点击行为预测的信息推送方法及装置 Download PDFInfo
- Publication number
- CN113705698A CN113705698A CN202111015434.5A CN202111015434A CN113705698A CN 113705698 A CN113705698 A CN 113705698A CN 202111015434 A CN202111015434 A CN 202111015434A CN 113705698 A CN113705698 A CN 113705698A
- Authority
- CN
- China
- Prior art keywords
- product
- information
- click behavior
- characteristic information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000006399 behavior Effects 0.000 claims description 138
- 239000013598 vector Substances 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 44
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 24
- 238000000354 decomposition reaction Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 20
- 238000009877 rendering Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 16
- 230000002779 inactivation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000007667 floating Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009849 deactivation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于点击行为预测的信息推送方法及装置，涉及人工智能与数字医疗领域，目的在于现有根据患者就诊结果直接匹配医疗项目进行推送，并未考虑患者行为信息，导致无法满足患者医疗信息推送需求，从而降低接收推送信息有效性的问题。包括：获取用户特征信息以及产品特征信息；基于已完成的点击行为预测模型对用户特征信息以及产品特征信息进行预测处理，得到预测点击行为结果；若结果为预期点击行为，则提取与产品特征信息匹配的目标产品信息中的目标关键词，并确定产品数据库中各产品关键词与目标关键词之间的相似度；获取相似度大于预设相似阈值的产品关键词所对应的关联产品信息，并按照联动方式输出关联产品信息、目标产品信息。
Description
技术领域
本申请涉及一种人工智能与数字医疗技术领域，特别是涉及一种基于点击行为预测的信息推送方法及装置。
背景技术
随着人工智能的快速发展，人工智能已经在数字医疗业务的大数据领域全面普及。其中，在基于数字医疗进行医疗就诊后，可以通过智能医疗系统进行信息推送。
目前，现有医疗信息的推送通常根据不同患者的就诊结果直接匹配相关的医疗项目进行推送，但是，基于直接匹配的方式进行信息推送并不会考虑到患者的行为信息，无法真正满足患者医疗信息推送需求，从而降低了信息推送的接收有效性，使得推送的信息成为无效信息。
发明内容
有鉴于此，本申请提供一种基于点击行为预测的信息推送方法及装置，主要目的在于现有根据不同患者的就诊结果直接匹配相关的医疗项目进行推送，并未考虑患者行为信息，导致无法真正满足患者医疗信息推送需求，从而降低信息推送的接收有效性的技术问题。
依据本申请一个方面，提供了一种基于点击行为预测的信息推送方法，包括：
获取用户特征信息以及产品特征信息；
基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果，所述点击行为预测模型为基于重定向分解机算法构建网络权重完成模型训练得到的；
若所述预测点击行为结果为预期点击行为，则提取与所述产品特征信息匹配的目标产品信息中的目标关键词，并确定产品数据库中各产品关键词与所述目标关键词之间的的相似度；
获取所述相似度大于预设相似阈值的产品关键词所对应的关联产品信息，并按照联动方式输出所述关联产品信息、所述目标产品信息。
优选的，所述基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果之前，所述方法还包括：
获取产品点击行为训练样本集，并构建基础神经网络；
基于重定向分解机算法对所述基础神经网络中全连接层网络、失活网络、激活网络所对应的权值向量进行限定重置，得到完成限定重置的预测模型；
基于所述产品点击行为训练样本集对所述预测模型进行模型训练，得到点击行为预测模型。
优选的，所述基于重定向分解机算法对所述基础神经网络中全连接层网络、失活网络、激活网络所对应的权值向量进行限定重置，得到完成限定重置的预测模型包括：
确定所述基础神经网络的神经网络多层感知机，并将所述神经网络多层感知机与全连接层网络构、失活网络、激活网络建连接关系；
将经过构建连接关系后得到向量与预设分解机算法的嵌入向量层参数进行相乘操作，得到权值向量的重定向分解机算法；
基于所述重定向分解机算法进行所述权值向量内积操作，生成的限定重置后的预测模型。
优选的，所述基于所述产品点击行为训练样本集对所述预测模型进行模型训练，得到点击行为预测模型之前，所述方法还包括：
根据所述产品点击行为训练样本集中的样本数据定义损失函数，其中，所述损失函数为基于所述重定向分解机算法进行限定，并结合交叉熵损失函数与激活函数得到。
优选的，所述基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果之后，所述方法还包括：
若所述预测点击行为结果为预期非点击行为，则基于所述用户特征信息从产品匹配关系库中查找替换产品信息，并进行推送，所述产品匹配关系库中存储有不同用户特征信息与不同产品信息之间的对应关系。
优选的，所述按照联动方式输出所述关联产品信息、所述目标产品信息包括：
将所述目标产品信息渲染至第一显示框中，并按照相似度大小顺序对至少一个的关联产品信息进行排序，将排序后的所述关联产品信息渲染至第二显示框中，所述第一显示框与所述第二显示框组合为一个浮动显示窗口；
按照滚动渲染方式在所述第二显示框中输出所述关联产品信息，并在所述第一显示框中输出所述目标产品信息。
优选的，所述确定产品数据库中各产品关键词与所述目标关键词之间的的相似度之后，所述方法还包括：
若所述相似度小于或等于预设相似阈值，则基于业务需求从产品匹配关系库中查找替换产品信息，并进行推送。
依据本申请另一个方面，提供了一种基于点击行为预测的信息推送装置，包括：
获取模块，用于获取用户特征信息以及产品特征信息；
预测模块，用于基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果，所述点击行为预测模型为基于重定向分解机算法构建网络权重完成模型训练得到的；
确定模块，用于若所述预测点击行为结果为预期点击行为，则提取与所述产品特征信息匹配的目标产品信息中的目标关键词，并确定产品数据库中各产品关键词与所述目标关键词之间的的相似度；
输出模块，用于获取所述相似度大于预设相似阈值的产品关键词所对应的关联产品信息，并按照联动方式输出所述关联产品信息、所述目标产品信息。
优选的，所述预测模块之前，所述装置还包括：
构建模块，用于获取产品点击行为训练样本集，并构建基础神经网络；
限定模块，用于基于重定向分解机算法对所述基础神经网络中全连接层网络、失活网络、激活网络所对应的权值向量进行限定重置，得到完成限定重置的预测模型；
训练模块，用于基于所述产品点击行为训练样本集对所述预测模型进行模型训练，得到点击行为预测模型。
优选的，所述限定模块包括：
确定单元，用于确定所述基础神经网络的神经网络多层感知机，并将所述神经网络多层感知机与全连接层网络构、失活网络、激活网络建立连接关系；
相乘单元，用于将经过构建连接关系后得到向量与预设分解机算法的嵌入向量层参数进行相乘操作，得到权值向量的重定向分解机算法；
生成单元，用于基于所述重定向分解机算法进行所述权值向量内积操作，生成的限定重置后的预测模型。
优选的，所述训练模块之前，所述装置还包括：
定义模块，用于根据所述产品点击行为训练样本集中的样本数据定义损失函数，其中，所述损失函数为基于所述重定向分解机算法进行限定，并结合交叉熵损失函数与激活函数得到。
优选的，所述预测模块之后，所述装置还包括：
替换模块，用于若所述预测点击行为结果为预期非点击行为，则基于所述用户特征信息从产品匹配关系库中查找替换产品信息，并进行推送，所述产品匹配关系库中存储有不同用户特征信息与不同产品信息之间的对应关系。
优选的，所述输出模块包括：
渲染单元，用于将所述目标产品信息渲染至第一显示框中，并按照相似度大小顺序对至少一个的关联产品信息进行排序，将排序后的所述关联产品信息渲染至第二显示框中，所述第一显示框与所述第二显示框组合为一个浮动显示窗口；
输出单元，用于按照滚动渲染方式在所述第二显示框中输出所述关联产品信息，并在所述第一显示框中输出所述目标产品信息。
优选的，所述确定模块之后，所述装置还包括：
推送模块，用于若所述相似度小于或等于预设相似阈值，则基于业务需求从产品匹配关系库中查找替换产品信息，并进行推送。
根据本申请的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于点击行为预测的信息推送方法对应的操作。
根据本申请的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于点击行为预测的信息推送方法对应的操作。
借由上述技术方案，本申请实施例提供的技术方案至少具有下列优点：
本申请提供了一种基于点击行为预测的信息推送方法及装置，首先获取用户特征信息以及产品特征信息；基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果，所述点击行为预测模型为基于重定向分解机算法构建网络权重完成模型训练得到的；若所述预测点击行为结果为预期点击行为，则提取与所述产品特征信息匹配的目标产品信息中的目标关键词，并确定产品数据库中各产品关键词与所述目标关键词之间的的相似度；获取所述相似度大于预设相似阈值的产品关键词所对应的关联产品信息，并按照联动方式输出所述关联产品信息、所述目标产品信息。与现有技术相比，本申请实施例通过点击行为预测模型对用户点击产品的行为进行预测处理，并基于预测结果进行目标产品与相关产品的推送，满足了用户产品推送需求，确保推送的信息为有效信息，从而提高了信息推送的接收有效性。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例提供的一种基于点击行为预测的信息推送方法流程图；
图2示出了本申请实施例提供的另一种基于点击行为预测的信息推送方法流程图；
图3示出了本申请实施例提供的一种基于点击行为预测的信息推送装置组成框图；
图4示出了本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。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。
基于此，在一个实施例中，如图1所示，提供了一种基于点击行为预测的信息推送方法，以该方法应用于服务器等计算机设备为例进行说明，其中，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(Content Delivery Network,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，如智能医疗系统、数字医疗平台等。上述方法包括以下步骤：
101、获取用户特征信息以及产品特征信息。
本申请实施例可以应用于任意具有信息推送功能的电子平台，如保险电子交易平台，智能医疗平台等。以保险电子交易平台为例，当用户选择登陆并注册后，在当前平台中记录并保存用户特征信息，用户特征信息包括但不限于用户年龄、性别、职业、工资等级、用户点击行为等内容，以便当前系统进行信息推荐。为了向用户推荐适用的推送信息及保险产品，作为当前执行端的保险电子交易平台，获取产品特征信息，产品特征信息包括但不限于保险额度、理赔时限、缴费方式、理赔金额等，从而基于用户特征信息来识别是否会对此保险产品进行点击。可以理解的是，保险产品特征信息为离散型特征。用户特征信息为一个用户所对应的一组特征向量，而保险产品特征信息可以为多个产品所对应的特征向量，本申请实施例不做具体限定。例如，用户A可以点击产品B、产品C、产品D等多个产品。
需要说明的是，本申请实施例中针对用户特征信息可以采用录入的方式，在用户登录注册时获取，而产品特征信息不仅可以基于开发技术人员进行录入，为了实现人工智能性，以及弥补产品更新时特征更新不及时的问题，可以对产品中的特定标记进行特征提取，以确保产品特征信息的准确性。
102、基于已完成的点击行为预测模型对用户特征信息以及产品特征信息进行预测处理，得到预测点击行为结果。
其中，点击行为预测模型为基于重定向分解机算法构建网络权重完成模型训练得到的。
本申请实施例中，基于用户特征信息以及产品特征信息，利用点击行为预测模型预测用户是否会点击该产品。由于基于一个用户的特征信息以及多个产品的特征信息进行预测的结果，包括用户是否会对各个产品预期点击的内容，因此，得到的预测点击行为结果为一个包含0、1的向量，以确定用户是否会对各个保险产品预期点击。
需要说明的是，在点击行为预测模型预测的过程中，对于用户U和产品I的离散型特征，可以首先经过one-hot编码，得到对应的向量表示X，将X输入到重定向分解机算法中，最终若
表示用户U会点击商品I，反之则不会。
103、若预测点击行为结果为预期点击行为，则提取与产品特征信息匹配的目标产品信息中的目标关键词，并确定产品数据库中各产品关键词与目标关键词之间的的相似度。
本申请实施例中，若预测点击行为结果中某个产品为1，则说明预测用户会点击该产品，因此，在确定为预期点击行为时，提取目标产品中的关键词，并确定产品数据库中各个产品的关键词，与目标产品关键词的相似度，以查找关联的产品信息。其中，关键词包括但不限于商业保险、医疗保险、车辆保险等产品种类，或者包括但不限于具体的产品内容，例如，重疾、意外、人身、财产等。因此，可以基于产品数据库中进行查找。本申请实施例中，产品数据库中预先存储有不同产品信息以及与之对应的关键词，以便计算相似度。
需要说明的是，本申请实施例中，计算关键词相似度时，除计算文本含义相似度之外，还可以计算关键词个数之间的相似度，即目标产品带有的关键词个数与其他产品信息之间的关键词个数之间的相似度值，选取出相似度值大于预设相似度阈值的产品信息作为关联产品信息。
104、获取相似度大于预设相似阈值的产品关键词所对应的关联产品信息，并按照联动方式输出关联产品信息、目标产品信息。
本申请实施例中，由于预测点击行为结果为预期点击行为，所对应的产品信息为用户预期点击的目标产品，而关联产品信息为基于相似度来确定的，数量远大于用户预期点击的目标产品数量，因此，在进行输出时，为了避免用户因查看繁多的推荐产品而产生冗余的体验感，在进行输出之前，按照相似度进行排序，然后按照滚动渲染方式将排序后的产品以及关联产品信息的形式进行输出。
需要说明的是，滚动渲染方式可以为配置一个显示框，显示框中分为两个部分，一部分用于推送预测点击行为结果为预期点击行为所对应的目标产品信息，另一部分以滚动形式按照相似度排列顺序显示各个关联产品信息，以提推荐效率。
为了进一步说明以及限定，本申请实施例提供了另一种基于点击行为预测的信息推送方法，如图2所示，该方法包括：
201、获取产品点击行为训练样本集，并构建基础神经网络。
202、确定基础神经网络的神经网络多层感知机，并将神经网络多层感知机与全连接层网络构、失活网络、激活网络建立连接关系。
203、将经过构建连接关系后得到向量与预设分解机算法的嵌入向量层参数进行相乘操作，得到权值向量的重定向分解机算法。
204、基于重定向分解机算法进行所述权值向量内积操作，生成的限定重置后的预测模型。
205、根据产品点击行为训练样本集中的样本数据定义损失函数，其中，损失函数为基于重定向分解机算法进行限定，并结合交叉熵损失函数与激活函数得到。
206、基于产品点击行为训练样本集对预测模型进行模型训练，得到点击行为预测模型。
具体的，预先构建产品点击训练样本集，数据集中任一训练样本可表示为(U,I,Y),其中用户的离散型特征可表示为
其中，uj表示用户的第个j特征，如用户的年龄，性别等离散型特征，p表示每个用户的特征数量。数据集中任一产品的离散型特征可表示为
其中，ij表示产品的第q个特征，如形状，类别等离散型特征，q表示每个产品的特征数量。Y则表示用户U是否点击产品I，其中，Y∈{0,1},0表示该用户没有点击该产品，1则表示点击了该产品。
构建的神经网络中，输入向量表示：将训练样本(U，I，y)中的用户特征信息U和产品特征信息I进行one-hot编码，得到模型的输入向量X＝[x1,x2,...,xi,...,xn],其中xi表示向量X的第i个维度，且xi∈{0,1}，n则表示经过one-hot编码后输入向量的维度。则数据集G的训练样本经过one-hot编码可表示为(X,Y)。
需要说明的是，在将神经网络中的权值向量结合全连接层网络、失活网络、激活层网络进行限定重置中，是基于重定向分解机算法实现的，其中，传统的因子分解机算法(FM)可表示为：
其中，w0∈R为因子分解机算法(FM)的偏置参数，wi∈R为因子分解机算法(FM)的特征权重参数，vi,vj为因子分解机算法(FM)的嵌入向量层参数，对于向量X的任一维度xi都有对应的嵌入向量vi与之对应，且vi,vj∈Rk,k为嵌入向量的维度,<vi,vj>表示向量vi,vj内积操作，代表因子分解机算法(FM)的特征交叉操作。本申请实施例中，提供一种重定向分解机算法，具体公式如下：
MX＝mlps(X)
其中，mlps表示神经网络多层感知机，MX表示将输入向量X输入到全连接层网络，经过相应的失活网络和激活层网络后得到的向量，且MX∈Rk，即多层感知机网络的最后一层的神经元个数为k个,vi，vj同上述步骤为重定向分解机算法的嵌入向量层参数，
为向量对应元素相乘操作。
由上述公式可知，本申请实施例利用全连接层网络，即使相似的输入向量X，经过多层感知机网络，得到对应的MX也不同，而在后续的特征交叉过程中，虽然相同的特征共享嵌入层向量vi，vj，但是经过MX加权后得到的viX,vjX也不同。因此可以有效的避免相似向量带来的差异。
另外，在模型训练过程中，对于数据集G中任一样本(X,Y)，模型损失可定义为：
其中，sigmoid表示sigmoid激活函数，CE表示为交叉熵损失函数。将数据集G中的数据输入到重定向分解机算法的公式中，利用梯度下降算法，不断的优化模型的参数，直到模型损失收敛为止，完成模型训练。
在具体的应用场景中，示例性的，构建数据集G，收集了用户的历史点击记录共10万条，其中选取用户离散型特征12个，其中离散型特征7个，经过one-hot编码后，最终的输入向量X的维度为72，多层感知机网络层数为4，每层的神经元个数分别为64，128，64，32。重定向分解机算法中嵌入层向量维度k为32。
为了确保推送的信息为有效信息，本申请实施例中，基于已完成的点击行为预测模型对用户特征信息以及产品特征信息进行预测处理，得到预测点击行为结果之后，本实施例方法还包括：若预测点击行为结果为预期非点击行为，则基于用户特征信息从产品匹配关系库中查找替换产品信息，并进行推送。
其中，产品匹配关系库中存储有不同用户特征信息与不同产品信息之间的对应关系。当预测点击行为结果为预期非点击行为，说明用户大概率不会点击目标产品，为了确保推送信息的有效性，此时需要根据用户特征信息从产品匹配关系库中查找替换产品信息进行推送。例如，用户为55岁女性，则可以查找有关于妇科重疾类产品作为替换产品信息进行推送。
本申请实施例中，进一步优选的，按照联动方式输出关联产品信息、目标产品信息包括：将目标产品信息渲染至第一显示框中，并按照相似度大小顺序对至少一个的关联产品信息进行排序，将排序后的关联产品信息渲染至第二显示框中，第一显示框与第二显示框组合为一个浮动显示窗口；按照滚动渲染方式在第二显示框中输出关联产品信息，并在第一显示框中输出目标产品信息。
为了使输出的内容清晰明了的展示给用户，可以将输出的内容分为两部分，分别展示与另个显示框中，并以浮动显示窗口的形式向用户展示。其中，第一显示框用于展示用户预期点击的目标产品，第二显示框用于展示与目标产品信息相关联的关联产品信息。为了避免用户因查看繁多的推荐产品而产生厌烦心理，从而降低体验感的问题，在第二显示框展示关联产品信息时，可以根据相似度大小进行排序，将排序后的关联产品信息进行展示。
需要说明的是，为了方便查看可以采用滚动渲染方式在第二显示框中输出关联产品信息。
为了确保用户可以接收到满足用户产品推送需求的信息，本申请实施例中，确定产品数据库中各产品关键词与目标关键词之间的的相似度之后，本实施例方法还包括：若相似度小于或等于预设相似阈值，则基于业务需求从产品匹配关系库中查找替换产品信息，并进行推送。
具体的，当相似度小于或等于预设相似阈值时，说明并未查找到与目标产品相似的关联产品，此时可以基于业务需求进行关联产品的替换。例如，将近期优惠力度较大的产品，或主推的产品作为关联产品向用户进行推送。
本申请提供了一种基于点击行为预测的信息推送方法，首先获取用户特征信息以及产品特征信息；基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果，所述点击行为预测模型为基于重定向分解机算法构建网络权重完成模型训练得到的；若所述预测点击行为结果为预期点击行为，则提取与所述产品特征信息匹配的目标产品信息中的目标关键词，并确定产品数据库中各产品关键词与所述目标关键词之间的的相似度；获取所述相似度大于预设相似阈值的产品关键词所对应的关联产品信息，并按照联动方式输出所述关联产品信息、所述目标产品信息。与现有技术相比，本申请实施例通过点击行为预测模型对用户点击产品的行为进行预测处理，并基于预测结果进行目标产品与相关产品的推送，满足了用户产品推送需求，确保推送的信息为有效信息，从而提高了信息推送的接收有效性。
进一步的，作为对上述图1所示方法的实现，本申请实施例提供了一种基于点击行为预测的信息推送装置，如图3所示，该装置包括：
获取模块31，预测模块32，确定模块33，输出模块34。
获取模块31，用于获取用户特征信息以及产品特征信息；
预测模块32，用于基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果，所述点击行为预测模型为基于重定向分解机算法构建网络权重完成模型训练得到的；
确定模块33，用于若所述预测点击行为结果为预期点击行为，则提取与所述产品特征信息匹配的目标产品信息中的目标关键词，并确定产品数据库中各产品关键词与所述目标关键词之间的的相似度；
输出模块34，用于获取所述相似度大于预设相似阈值的产品关键词所对应的关联产品信息，并按照联动方式输出所述关联产品信息、所述目标产品信息。
在具体的应用场景中，所述预测模块32之前，所述装置还包括：
构建模块，用于获取产品点击行为训练样本集，并构建基础神经网络；
限定模块，用于基于重定向分解机算法对所述基础神经网络中全连接层网络、失活网络、激活网络所对应的权值向量进行限定重置，得到完成限定重置的预测模型；
训练模块，用于基于所述产品点击行为训练样本集对所述预测模型进行模型训练，得到点击行为预测模型。
在具体的应用场景中，所述限定模块包括：
确定单元，用于确定所述基础神经网络的神经网络多层感知机，并将所述神经网络多层感知机与全连接层网络构、失活网络、激活网络建立连接关系；
相乘单元，用于将经过构建连接关系后得到向量与预设分解机算法的嵌入向量层参数进行相乘操作，得到权值向量的重定向分解机算法；
生成单元，用于基于所述重定向分解机算法进行所述权值向量内积操作，生成的限定重置后的预测模型。
在具体的应用场景中，所述训练模块之前，所述装置还包括：
定义模块，用于根据所述产品点击行为训练样本集中的样本数据定义损失函数，其中，所述损失函数为基于所述重定向分解机算法进行限定，并结合交叉熵损失函数与激活函数得到。
在具体的应用场景中，所述预测模块32之后，所述装置还包括：
替换模块，用于若所述预测点击行为结果为预期非点击行为，则基于所述用户特征信息从产品匹配关系库中查找替换产品信息，并进行推送，所述产品匹配关系库中存储有不同用户特征信息与不同产品信息之间的对应关系。
在具体的应用场景中，所述输出模块34包括：
渲染单元，用于将所述目标产品信息渲染至第一显示框中，并按照相似度大小顺序对至少一个的关联产品信息进行排序，将排序后的所述关联产品信息渲染至第二显示框中，所述第一显示框与所述第二显示框组合为一个浮动显示窗口；
输出单元，用于按照滚动渲染方式在所述第二显示框中输出所述关联产品信息，并在所述第一显示框中输出所述目标产品信息。
在具体的应用场景中，所述确定模块33之后，所述装置还包括：
推送模块，用于若所述相似度小于或等于预设相似阈值，则基于业务需求从产品匹配关系库中查找替换产品信息，并进行推送。
本申请提供了一种基于点击行为预测的信息推送装置，首先获取用户特征信息以及产品特征信息；基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果，所述点击行为预测模型为基于重定向分解机算法构建网络权重完成模型训练得到的；若所述预测点击行为结果为预期点击行为，则提取与所述产品特征信息匹配的目标产品信息中的目标关键词，并确定产品数据库中各产品关键词与所述目标关键词之间的的相似度；获取所述相似度大于预设相似阈值的产品关键词所对应的关联产品信息，并按照联动方式输出所述关联产品信息、所述目标产品信息。与现有技术相比，本申请实施例通过点击行为预测模型对用户点击产品的行为进行预测处理，并基于预测结果进行目标产品与相关产品的推送，满足了用户产品推送需求，确保推送的信息为有效信息，从而提高了信息推送的接收有效性。
根据本申请一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于点击行为预测的信息推送方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)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)执行本申请各个实施场景所述的方法。
图4示出了根据本申请一个实施例提供的一种计算机设备的结构示意图，本申请具体实施例并不对计算机设备的具体实现做限定。
如图4所示，该计算机设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402，用于执行程序410，具体可以执行上述基于点击行为预测的信息推送方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作：
获取用户特征信息以及产品特征信息；
基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果，所述点击行为预测模型为基于重定向分解机算法构建网络权重完成模型训练得到的；
若所述预测点击行为结果为预期点击行为，则提取与所述产品特征信息匹配的目标产品信息中的目标关键词，并确定产品数据库中各产品关键词与所述目标关键词之间的的相似度；
获取所述相似度大于预设相似阈值的产品关键词所对应的关联产品信息，并按照联动方式输出所述关联产品信息、所述目标产品信息。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述基于多模态混合模型的业务数据处理的实体设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。
Claims (10)
1.一种基于点击行为预测的信息推送方法，其特征在于，包括：
获取用户特征信息以及产品特征信息；
基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果，所述点击行为预测模型为基于重定向分解机算法构建网络权重完成模型训练得到的；
若所述预测点击行为结果为预期点击行为，则提取与所述产品特征信息匹配的目标产品信息中的目标关键词，并确定产品数据库中各产品关键词与所述目标关键词之间的的相似度；
获取所述相似度大于预设相似阈值的产品关键词所对应的关联产品信息，并按照联动方式输出所述关联产品信息、所述目标产品信息。
2.根据权利要求1所述的方法，其特征在于，所述基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果之前，所述方法还包括：
获取产品点击行为训练样本集，并构建基础神经网络；
基于重定向分解机算法对所述基础神经网络中全连接层网络、失活网络、激活网络所对应的权值向量进行限定重置，得到完成限定重置的预测模型；
基于所述产品点击行为训练样本集对所述预测模型进行模型训练，得到点击行为预测模型。
3.根据权利要求2所述的方法，其特征在于，所述基于重定向分解机算法对所述基础神经网络中全连接层网络、失活网络、激活网络所对应的权值向量进行限定重置，得到完成限定重置的预测模型包括：
确定所述基础神经网络的神经网络多层感知机，并将所述神经网络多层感知机与全连接层网络构、失活网络、激活网络建立连接关系；
将经过构建连接关系后得到向量与预设分解机算法的嵌入向量层参数进行相乘操作，得到权值向量的重定向分解机算法；
基于所述重定向分解机算法进行所述权值向量内积操作，生成的限定重置后的预测模型。
4.根据权利要求3所述的方法，其特征在于，所述基于所述产品点击行为训练样本集对所述预测模型进行模型训练，得到点击行为预测模型之前，所述方法还包括：
根据所述产品点击行为训练样本集中的样本数据定义损失函数，其中，所述损失函数为基于所述重定向分解机算法进行限定，并结合交叉熵损失函数与激活函数得到。
5.根据权利要求1所述的方法，其特征在于，所述基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果之后，所述方法还包括：
若所述预测点击行为结果为预期非点击行为，则基于所述用户特征信息从产品匹配关系库中查找替换产品信息，并进行推送，所述产品匹配关系库中存储有不同用户特征信息与不同产品信息之间的对应关系。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述按照联动方式输出所述关联产品信息、所述目标产品信息包括：
将所述目标产品信息渲染至第一显示框中，并按照相似度大小顺序对至少一个的关联产品信息进行排序，将排序后的所述关联产品信息渲染至第二显示框中，所述第一显示框与所述第二显示框组合为一个浮动显示窗口；
按照滚动渲染方式在所述第二显示框中输出所述关联产品信息，并在所述第一显示框中输出所述目标产品信息。
7.根据权利要求6所述的方法，其特征在于，所述确定产品数据库中各产品关键词与所述目标关键词之间的的相似度之后，所述方法还包括：
若所述相似度小于或等于预设相似阈值，则基于业务需求从产品匹配关系库中查找替换产品信息，并进行推送。
8.一种基于点击行为预测的信息推送装置，其特征在于，包括：
获取模块，用于获取用户特征信息以及产品特征信息；
预测模块，用于基于已完成的点击行为预测模型对所述用户特征信息以及所述产品特征信息进行预测处理，得到预测点击行为结果，所述点击行为预测模型为基于重定向分解机算法构建网络权重完成模型训练得到的；
确定模块，用于若所述预测点击行为结果为预期点击行为，则提取与所述产品特征信息匹配的目标产品信息中的目标关键词，并确定产品数据库中各产品关键词与所述目标关键词之间的的相似度；
输出模块，用于获取所述相似度大于预设相似阈值的产品关键词所对应的关联产品信息，并按照联动方式输出所述关联产品信息、所述目标产品信息。
9.一种存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的基于点击行为预测的信息推送方法对应的操作。
10.一种计算机设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的基于点击行为预测的信息推送方法对应的操作。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111015434.5A CN113705698B (zh) | 2021-08-31 | 2021-08-31 | 基于点击行为预测的信息推送方法及装置 |
| PCT/CN2022/071436 WO2023029350A1 (zh) | 2021-08-31 | 2022-01-11 | 基于点击行为预测的信息推送方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111015434.5A CN113705698B (zh) | 2021-08-31 | 2021-08-31 | 基于点击行为预测的信息推送方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113705698A true CN113705698A (zh) | 2021-11-26 |
| CN113705698B CN113705698B (zh) | 2024-05-14 |
Family
ID=78658247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111015434.5A Active CN113705698B (zh) | 2021-08-31 | 2021-08-31 | 基于点击行为预测的信息推送方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113705698B (zh) |
| WO (1) | WO2023029350A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023029350A1 (zh) * | 2021-08-31 | 2023-03-09 | 平安科技（深圳）有限公司 | 基于点击行为预测的信息推送方法及装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117555428B (zh) * | 2024-01-12 | 2024-04-19 | 太一云境技术有限公司 | 一种人工智能交互方法、系统、计算机设备及其存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108572992A (zh) * | 2017-03-14 | 2018-09-25 | 苏宁云商集团股份有限公司 | 一种商品排序的方法及装置 |
| CN109167816A (zh) * | 2018-08-03 | 2019-01-08 | 广州虎牙信息科技有限公司 | 信息推送方法、装置、设备和存储介质 |
| US20200045122A1 (en) * | 2018-08-06 | 2020-02-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for pushing information |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2306339A1 (en) * | 2009-09-23 | 2011-04-06 | Adobe Systems Incorporated | Algorith and implementation for fast computation of content recommendation |
| CN109299327A (zh) * | 2018-11-16 | 2019-02-01 | 广州市百果园信息技术有限公司 | 视频推荐方法、装置、设备及存储介质 |
| CN113705698B (zh) * | 2021-08-31 | 2024-05-14 | 平安科技（深圳）有限公司 | 基于点击行为预测的信息推送方法及装置 |
-
2021
- 2021-08-31 CN CN202111015434.5A patent/CN113705698B/zh active Active
-
2022
- 2022-01-11 WO PCT/CN2022/071436 patent/WO2023029350A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108572992A (zh) * | 2017-03-14 | 2018-09-25 | 苏宁云商集团股份有限公司 | 一种商品排序的方法及装置 |
| CN109167816A (zh) * | 2018-08-03 | 2019-01-08 | 广州虎牙信息科技有限公司 | 信息推送方法、装置、设备和存储介质 |
| US20200045122A1 (en) * | 2018-08-06 | 2020-02-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for pushing information |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023029350A1 (zh) * | 2021-08-31 | 2023-03-09 | 平安科技（深圳）有限公司 | 基于点击行为预测的信息推送方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023029350A1 (zh) | 2023-03-09 |
| CN113705698B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
| CN113508378B (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
| EP3717984B1 (en) | Method and apparatus for providing personalized self-help experience | |
| CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
| CN111274330B (zh) | 一种目标对象确定方法、装置、计算机设备及存储介质 | |
| CN111680217A (zh) | 内容推荐方法、装置、设备及存储介质 | |
| CN114238573A (zh) | 基于文本对抗样例的信息推送方法及装置 | |
| CN113611405A (zh) | 一种体检项目推荐方法、装置、设备及介质 | |
| CN105069036A (zh) | 一种信息推荐方法及装置 | |
| CN113705698B (zh) | 基于点击行为预测的信息推送方法及装置 | |
| CN113722583A (zh) | 推荐方法、推荐模型训练方法及相关产品 | |
| CN111209351B (zh) | 对象关系预测、对象推荐方法及装置、电子设备、介质 | |
| CN117557331A (zh) | 一种产品推荐方法、装置、计算机设备及存储介质 | |
| CN111696656B (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
| CN113051480A (zh) | 资源推送方法、装置、电子设备及存储介质 | |
| CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
| CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
| CN112036987A (zh) | 确定推荐商品的方法和装置 | |
| CN116303922B (zh) | 咨询消息应答方法、装置、计算机设备、存储介质和产品 | |
| CN117057855A (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 | |
| CN114581177B (zh) | 产品推荐方法、装置、设备及存储介质 | |
| CN114298118B (zh) | 一种基于深度学习的数据处理方法、相关设备及存储介质 | |
| CN112084408B (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
| CN113724017A (zh) | 基于神经网络的定价方法、装置、电子设备和存储介质 |
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 |