CN113706204B - 基于深度学习的权益发放方法、装置、设备及存储介质 - Google Patents
基于深度学习的权益发放方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113706204B CN113706204B CN202111009540.2A CN202111009540A CN113706204B CN 113706204 B CN113706204 B CN 113706204B CN 202111009540 A CN202111009540 A CN 202111009540A CN 113706204 B CN113706204 B CN 113706204B
- Authority
- CN
- China
- Prior art keywords
- preset
- rights
- matrix
- utilization rate
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 126
- 230000008901 benefit Effects 0.000 claims abstract description 36
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于深度学习的权益发放方法,包括:从用户的权益获取记录中提取用户对每一种权益的获取次数;从用户的权益使用记录中提取用户对每一种权益的使用次数;根据获取次数及使用次数生成使用率矩阵;按照预设数量对使用率矩阵中的元素进行采样,得到多个子集矩阵;提取出每一个子集矩阵的特征元素;统计特征元素中每一个元素的出现频率,根据出现频率计算每一个特征元素的特征权重,并向用户推荐特征权重大于预设权重阈值的元素对应的权益。此外,本发明还涉及区块链技术,权益获取记录可存储于区块链的节点。本发明还提出一种基于深度学习的权益发放装置、电子设备以及存储介质。本发明可以提高产品推荐精确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于深度学习的权益发放方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人们需求的逐渐增加,市场上产品之间的差异性逐渐降低,因此,企业或公司等产品供应商为了增加用户的黏着度,会定期向用户发送一些产品之外的权益,例如,优惠券、现金券等。
现有的权益发放方法多为基于产品热度的权益发放,即通过统计当前多个产品的使用热度,根据该使用热度对所有用户进行统一的权益发放。该方法中,没有考虑到不同用户的需求存在较大差异,仅利用产品的热度来决定如何对权益进行发放,进而导致权益发放的精确度较低,将用户不需要的权益发放至用户手中,降低用户的体验感,减少用户的黏着度。因此,如何提高权益发放的精确度,成为了亟待解决的问题。
发明内容
本发明提供一种基于深度学习的权益发放方法、装置及计算机可读存储介质,其主要目的在于解决进行产品推荐时的精确度较低的问题。
为实现上述目的,本发明提供的一种基于深度学习的权益发放方法,包括:
获取用户的权益获取记录,从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数;
获取所述用户的权益使用记录,从所述权益使用记录中提取所述用户对每一种所述预设权益的使用次数;
根据所述获取次数以及所述使用次数计算每一种预设权益的使用率,并将所述使用率作为元素生成使用率矩阵;
按照预设数量对所述使用率矩阵中的元素进行多次随机采样,得到所述使用率矩阵的多个子集矩阵;
利用预先训练的深度神经网络分别提取出所述多个子集矩阵中每一个子集矩阵的特征元素;
统计所述特征元素中每一个元素的出现频率,根据所述出现频率计算所述特征元素中每一个元素的特征权重,并向所述用户推荐所述特征权重大于预设权重阈值的元素对应的预设权益。
可选地,所述从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数,包括:
获取多种预设权益中每一种预设权益对应的数据格式;
按照所述数据格式将预设字符编译为规则表达式;
利用所述规则表达式对所述权益获取记录中以所述数据格式进行表达的数据进行提取,并统计提取到的数据中每一种预设权益的数量,确定所述数量为每一种预设权益的获取次数。
可选地,所述从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数,包括:
将所述权益获取记录进行语句拆分,得到拆分语句;
利用预设的语义分析模型对所述拆分语句中每一个语句进行卷积及池化处理,得到每一个语句的语句特征;
将所述语句特征转换为特征向量,从所述特征向量中逐个选取其中一个向量为目标向量;
分别计算所述目标向量与预设多种权益中每一种预设权益对应的权益标签之间的距离值;
确定所述距离值最小的权益标签对应的权益为所述特征向量的预设权益;
统计所述特征向量中每一个向量对应的预设权益的数量,得到所述用户对每一种预设权益的获取次数。
可选地,所述根据所述获取次数以及所述使用次数计算每一种预设权益的使用率,并将所述使用率作为元素生成使用率矩阵,包括:
构建空白矩阵;
从所述多个预设权益中逐个选取其中一个权益为目标权益;
根据所述目标权益的获取次数和所述目标权益的使用次数计算所述目标权益的使用率;
将所述多个预设权益中每一个权益的使用率作为元素填充至所述空白矩阵中,得到使用率矩阵。
可选地,所述根据所述目标权益的获取次数和所述目标权益的使用次数计算所述目标权益的使用率,包括:
利用如下使用率函数计算所述目标权益的使用率:
其中,x为所述目标权益的使用率,Usej为所述目标权益的使用次数,Releasej为所述目标权益的获取次数。
可选地,所述按照预设数量对所述使用率矩阵中的元素进行多次随机采样,得到所述使用率矩阵的多个子集矩阵,包括:
按照预设数量对所述使用率矩阵中的元素进行随机采样,并将采样得到的元汇集为所述使用率矩阵的子集矩阵;
判断所述子集矩阵的数量是否等于预设阈值;
若所述采样元素的数量不等于预设阈值,则返回按照预设数量对所述使用率矩阵中的元素进行随机采样的步骤;
若所述采样元素的数量等于预设数量,则将所有子集矩阵汇集为所述使用率矩阵的多个子集矩阵。
可选地,所述利用预先训练的深度神经网络分别提取出所述多个子集矩阵中每一个子集矩阵的特征元素,包括:
从所述多个子集矩阵中逐个选取其中一个矩阵为目标矩阵;
利用预先训练的深度神经网络将所述目标矩阵中的每一个元素进行特征描述,得到元素特征;
利用预设的激活函数计算每一个元素的元素特征的特征值;
选取所述特征值大于预设特征阈值的元素特征对应的元素为所述目标矩阵的特征元素。
为了解决上述问题,本发明还提供一种基于深度学习的权益发放装置,所述装置包括:
记录分析模块,用于获取用户的权益获取记录,从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数;
次数提取模块,用于获取所述用户的权益使用记录,从所述权益使用记录中提取所述用户对每一种所述预设权益的使用次数;
矩阵生成模块,用于根据所述获取次数以及所述使用次数计算每一种预设权益的使用率,并将所述使用率作为元素生成使用率矩阵;
矩阵采样模块,用于按照预设数量对所述使用率矩阵中的元素进行多次随机采样,得到所述使用率矩阵的多个子集矩阵;
权益发放模块,用于利用预先训练的深度神经网络分别提取出所述多个子集矩阵中每一个子集矩阵的特征元素,统计所述特征元素中每一个元素的出现频率,根据所述出现频率计算所述特征元素中每一个元素的特征权重,并向所述用户推荐所述特征权重大于预设权重阈值的元素对应的预设权益。
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指令,所述指令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所述的基于深度学习的权益发放方法。
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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于深度学习的权益发放方法。
本发明实施例够根据用户对不同预设权益的获取次数及使用次数生成使用率矩阵,以根据所述使用率矩阵从多种预设权益中筛选出用户偏好的权益,提高了对用户进行权益发放的精确度,且在利用使用率矩阵对权益进行筛选时,对使用率矩阵采样生成多个子集矩阵,避免了部分权益使用率过高对筛选结果产生影响的问题,进一步提高了对用户进行权益发放的精确度。因此本发明提出的基于深度学习的权益发放方法、装置、电子设备及计算机可读存储介质,可以解决进行产品推荐时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于深度学习的权益发放方法的流程示意图;
图2为本发明一实施例提供的生成使用率矩阵的流程示意图;
图3为本发明一实施例提供的多次随机采样生成子集矩阵的流程示意图;
图4为本发明一实施例提供的基于深度学习的权益发放装置的功能模块图;
图5为本发明一实施例提供的实现所述基于深度学习的权益发放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
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。
本申请实施例提供一种基于深度学习的权益发放方法。所述基于深度学习的权益发放方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于深度学习的权益发放方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。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(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。
参照图1所示,为本发明一实施例提供的基于深度学习的权益发放方法的流程示意图。在本实施例中,所述基于深度学习的权益发放方法包括:
S1、获取用户的权益获取记录,从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数。
本发明实施例中,所述权益获取记录是所述用户获取到的权益的种类、次数、时间等信息,所述权益包括但不限于优惠券、折扣券、抵用券等,其中,所述权益可由可提供权益相应服务的公司、企业等主动发放给用户。
详细地,可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先构建的用于存储所述权益获取记录的存取区域获取所述权益获取记录,其中,所述存储区域包括但不限于数据库、区块链节点、网络缓存。
本发明实施例中,为了分析用户对不同权益的偏好程度,进而实现对用户的权益发放,可对所述权益获取记录进行分析,从该权益获取记录中提取出所述用户对多种预设权益中每一种预设权益的获取次数。
本发明其中一个实际应用场景中,由于权益是企业、公司等在向用户提供服务时,按照固定形式发放给用户的优惠券、抵用券等,因此,企业、公司等在生成并发放权益时,相同权益的标题、内容等信息的格式往往较为固定,因此,可通过构建规则表达式的方式,对所述权益获取记录中每一种预设权益的获取次数进行提取。
详细地,所述规则表达式可用于对数据中固定格式的数据进行提取。
本发明其中一个实施例中,所述从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数,包括:
获取多种预设权益中每一种预设权益对应的数据格式;
按照所述数据格式将预设字符编译为规则表达式;
利用所述规则表达式对所述权益获取记录中以所述数据格式进行表达的数据进行提取,并统计提取到的数据中每一种预设权益的数量,确定所述数量为每一种预设权益的获取次数。
详细地,所述数据格式是指每一种权益的标题、内容等信息的格式,例如,满减优惠券的数据格式为:x-y(表示满x元可抵用y元);或者,满减折扣券的数据格式为:x-y%(表示满x元可享受y折的折扣)。
具体地,多种权益中每一种预设权益对应的数据格式可由提供该权益的企业、公司等预先提供,利用预设的编译器将预设字符按照获取的数据格式编译为规则表达式,进而利用该规则表达式对所述权益获取记录中以所述数据格式进行表达的数据进行提取,并统计出每一种预设权益的获取次数。
例如,提取到的数据中包括10个以满减优惠券的数据格式进行表达的数据,15个以满减折扣券的数据格式进行表达的数据,因此,可确定所述权益获取记录中,满减优惠券的获取次数为10,满减折扣券的获取次数为15。
本发明另一实施例中,还可通过预先训练的具有语义分析功能的人工智能模型对所述权益获取记录进行分析,进而根据分析结果确定所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数。
详细地,所述人工智能模型包括但不限于NLP(Natural Language Processing,自然语言处理)、HMM(Hidden Markov Model,隐马尔科夫模型)。
本实施例中,所述从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数,包括:
将所述权益获取记录进行语句拆分,得到拆分语句;
利用预设的语义分析模型对所述拆分语句中每一个语句进行卷积及池化处理,得到每一个语句的语句特征;
将所述语句特征转换为特征向量,从所述特征向量中逐个选取其中一个向量为目标向量;
分别计算所述目标向量与预设多种权益中每一种预设权益对应的权益标签之间的距离值;
确定所述距离值最小的权益标签对应的权益为所述特征向量的预设权益;
统计所述特征向量中每一个向量对应的预设权益的数量,得到所述用户对每一种预设权益的获取次数。
详细地,由于所述权益获取记录中可能包含大量数据,若直接对该权益获取记录进行分析,会占用大量资源,导致分析效率低下,因此,按照预设的分句符号对所述权益获取记录进行语句拆分,得到多个拆分语句,其中,所述分句符号包括“,”、“;”等符号。
本发明实施例中,可利用预先训练的语义分析模型对每一个拆分语句进行卷积及池化处理,得到每一个拆分语句对应的语句特征,并利用word2vec模型、bert模型等具有向量转换功能的模型将语句特征转换为特征向量,进而计算每一个特征向量与预设多种权益对应的权益标签之间的距离值,根据所述距离值确定每一个特征向量对应的预设权益。
详细地,所述权益标签为预先构建的用于对不同种类的权益进行标记的向量。
具体地,所述分别计算所述目标向量与预设多种权益中每一种预设权益对应的权益标签之间的距离值,包括:
利用如下距离值算法分别计算所述目标向量与预设多种权益中每一种预设权益对应的权益标签之间的距离值:
其中,D为所述距离值,a为所述目标向量,bi为所述预设多种权益中第i种预设权益对应的权益标签。
本发明实施例中,可确定距离值最小的权益标签对应的权益为特征向量的预设权益,并通过统计特征向量中每一个向量对应的预设权益的数量,得到用户对每一种预设权益的获取次数。
S2、获取所述用户的权益使用记录,从所述权益使用记录中提取所述用户对每一种所述预设权益的使用次数。
本发明实施例中,所述权益使用记录包括所述用户对获取到的每一种权益的使用次数、使用时间等数据。
详细地,所述获取用户的权益使用记录,从所述权益使用记录中提取所述用户对每一种所述预设权益的使用次数的步骤,与S1中获取用户的权益获取记录,从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数的步骤一致,在此不做赘述。
S3、根据所述获取次数以及所述使用次数计算每一种预设权益的使用率,并将所述使用率作为元素生成使用率矩阵。
本发明其中一个实际应用场景中,由于用户并不一定会对获取到的每一个预设权益进行使用,而是根据自身需求或偏好等因素从获取的多种预设权益中选取部分权益进行使用,因此可根据所述获取次数以及所述使用次数计算所述用户对每一种预设权益的使用率,并生成使用率矩阵,有利于提高后续利用所述使用率矩阵对所述用户对不同预设权益的偏好程度,进而提高权益发放的精确度。
本发明实施例中,参图2所示,所述根据所述获取次数以及所述使用次数计算每一种预设权益的使用率,并将所述使用率作为元素生成使用率矩阵,包括:
S21、构建空白矩阵;
S22、从所述多个预设权益中逐个选取其中一个权益为目标权益;
S23、根据所述目标权益的获取次数和所述目标权益的使用次数计算所述目标权益的使用率;
S24、将所述多个预设权益中每一个权益的使用率作为元素填充至所述空白矩阵中,得到使用率矩阵。
详细地,所述空白矩阵即元素全部为0的矩阵,可通过R语言库中的B=zeros(m,n)函数创建m行n列的空白矩阵。
具体地,所述根据所述目标权益的获取次数和所述目标权益的使用次数计算所述目标权益的使用率,包括:
利用如下使用率函数计算所述目标权益的使用率:
其中,x为所述目标权益的使用率,Usej为所述目标权益的使用次数,Releasej为所述目标权益的获取次数。
本发明实施例中,可将所述多个预设权益中每一个权益的使用率作为元素填充至所述空白矩阵中,进而得到所述使用率矩阵。
S4、按照预设数量对所述使用率矩阵中的元素进行多次随机采样,得到所述使用率矩阵的多个子集矩阵。
本发明其中一个实际应用场景中,由于所述使用率矩阵中包含了所述多个预设权益中每一个权益对应的使用率,若直接根据该使用率矩阵分析所述用户对所述多种预设权益中每一种预设权益的偏好,矩阵中某些使用率较高的预设权益会对分析结果产生较大影响,导致分析的结果不够全面,进而造成依据该分析结果对用户进行权益发放的精确度较低。
因此,本发明实施例可按照预设数量对所述使用率矩阵中的元素进行多次随机采样,获取所述使用率矩阵的多个子集矩阵,避免部分预设权益由于计算得到的使用率过高而导致的对矩阵中其他预设权益的影响。
本发明实施例中,参图3所示,所述按照预设数量对所述使用率矩阵中的元素进行多次随机采样,得到所述使用率矩阵的多个子集矩阵,包括:
S31、按照预设数量对所述使用率矩阵中的元素进行随机采样,并将采样得到的元汇集为所述使用率矩阵的子集矩阵;
S32、判断所述子集矩阵的数量是否等于预设阈值;
若所述采样元素的数量不等于预设阈值,则返回S31;
若所述采样元素的数量等于预设数量,则执行S34、将所有子集矩阵汇集为所述使用率矩阵的多个子集矩阵。
例如,所述使用率矩阵中包括100个元素,当预设数量为20时,则随机从所述使用率矩阵中采集20个元素,并将采集到的20个元素汇集为该使用率矩阵的一个子集矩阵;判断所述子集矩阵的数量(1)是否等于预设阈值(2),可知,所述子集矩阵的数量(1)不等于预设阈值(2),则重新对所述使用率矩阵中的20个元素进行采样,并将采样结果汇集为该使用率矩阵的另一个子集矩阵,此时,所述子集矩阵的数量(2)不等于预设阈值(2),将得到的两个子集矩阵进行汇集,得到该使用率矩阵的多个子集矩阵。
S5、利用预先训练的深度神经网络分别提取出所述多个子集矩阵中每一个子集矩阵的特征元素。
本发明实施例中,所述预先训练的深度神经网络包括但不限于基于XGboost的深度神经网络、基于随机森林的深度神经网络等。
详细地,可利用所述深度神经网络分别对所述多个子集矩阵中每一个矩阵进行特征提取,得到每一个子集矩阵对应的特征元素。
本发明实施例中,所述利用预先训练的深度神经网络分别提取出所述多个子集矩阵中每一个子集矩阵的特征元素,包括:
从所述多个子集矩阵中逐个选取其中一个矩阵为目标矩阵;
利用预先训练的深度神经网络将所述目标矩阵中的每一个元素进行特征描述,得到元素特征;
利用预设的激活函数计算每一个元素的元素特征的特征值;
选取所述特征值大于预设特征阈值的元素特征对应的元素为所述目标矩阵的特征元素。
详细地,所述深度神经网络可通过函数映射的方式将所述目标矩阵中每一个元素映射至预先构建的特征空间,利用每一个元素在改特征空间内的坐标值对所述深度神经网络中预设的多个神经元进行赋值,并通过全连接的方式将每个神经元的数值进行重复筛选,进而得到每一个元素的元素特征。
具体地,所述激活函数包括但不限于relu激活函数、Sigmoid激活函数、softmax激活函数。
通过所述激活函数可计算得出每一个元素的元素特征的特征值,进而筛选出所述特征值大于预设特征阈值的元素特征对应的元素,并将筛选获取的元素作为所述目标矩阵的特征元素。
本发明实施例中,可分别提取多个子集矩阵中每一个子集矩阵的特征元素,避免了直接从所述使用率矩阵中进行特征元素提取,有利于减少部分特征元素对应的预设权益的使用率过高对特征元素提取的结果产生的影响,提高了获取到的特征元素的全面性,进而有利于提高根据提取到的特征元素分析用户对不同预设权益的偏好程度的精确度。
S6、统计所述特征元素中每一个元素的出现频率,根据所述出现频率计算所述特征元素中每一个元素的特征权重,并向所述用户推荐所述特征权重大于预设权重阈值的元素对应的预设权益。
本发明实施例中,由于所述特征元素是通过对不同的子集矩阵进行特征提取得到的,因此,当某一特征元素出现的频率越多,则可认为该特征元素在所有子集矩阵的特征元素中的特征权重越大,即可认为用户对该特征元素对应的预设权益的偏好程度越大。
因此,可统计所述特征元素中每一个元素的出现频率,并根据所述出现频率计算所述特征元素中每一个元素的特征权重。
本发明实施例中,所述根据所述出现频率计算所述特征元素中每一个元素的特征权重,包括:
利用如下权重算法计算所述特征元素中每一个元素的特征权重:
其中,Wk为所述特征元素中第k个元素的特征权重,fk为所述特征元素中第k个元素的出现频率,N为所述特征元素的数量。
本发明实施例中,可选取所述特征权重大于预设权重阈值的特征元素对应的预设权益,并将选取的预设权益推送给所述用户。
本发明实施例够根据用户对不同预设权益的获取次数及使用次数生成使用率矩阵,以根据所述使用率矩阵从多种预设权益中筛选出用户偏好的权益,提高了对用户进行权益发放的精确度,且在利用使用率矩阵对权益进行筛选时,对使用率矩阵采样生成多个子集矩阵,避免了部分权益使用率过高对筛选结果产生影响的问题,进一步提高了对用户进行权益发放的精确度。因此本发明提出的基于深度学习的权益发放方法,可以解决进行产品推荐时的精确度较低的问题。
如图4所示,是本发明一实施例提供的基于深度学习的权益发放装置的功能模块图。
本发明所述基于深度学习的权益发放装置100可以安装于电子设备中。根据实现的功能,所述基于深度学习的权益发放装置100可以包括记录分析模块101、次数提取模块102、矩阵生成模块103、矩阵采样模块104及权益发放模块105。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:
所述记录分析模块101,用于获取用户的权益获取记录,从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数;
所述次数提取模块102,用于获取所述用户的权益使用记录,从所述权益使用记录中提取所述用户对每一种所述预设权益的使用次数;
所述矩阵生成模块103,用于根据所述获取次数以及所述使用次数计算每一种预设权益的使用率,并将所述使用率作为元素生成使用率矩阵;
所述矩阵采样模块104,用于按照预设数量对所述使用率矩阵中的元素进行多次随机采样,得到所述使用率矩阵的多个子集矩阵;
所述权益发放模块105,用于利用预先训练的深度神经网络分别提取出所述多个子集矩阵中每一个子集矩阵的特征元素,统计所述特征元素中每一个元素的出现频率,根据所述出现频率计算所述特征元素中每一个元素的特征权重,并向所述用户推荐所述特征权重大于预设权重阈值的元素对应的预设权益。
详细地,本发明实施例中所述基于深度学习的权益发放装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于深度学习的权益发放方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于深度学习的权益发放方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于深度学习的权益发放程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于深度学习的权益发放程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于深度学习的权益发放程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,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中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备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。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
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存储的基于深度学习的权益发放程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取用户的权益获取记录,从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数;
获取所述用户的权益使用记录,从所述权益使用记录中提取所述用户对每一种所述预设权益的使用次数;
根据所述获取次数以及所述使用次数计算每一种预设权益的使用率,并将所述使用率作为元素生成使用率矩阵;
按照预设数量对所述使用率矩阵中的元素进行多次随机采样,得到所述使用率矩阵的多个子集矩阵;
利用预先训练的深度神经网络分别提取出所述多个子集矩阵中每一个子集矩阵的特征元素;
统计所述特征元素中每一个元素的出现频率,根据所述出现频率计算所述特征元素中每一个元素的特征权重,并向所述用户推荐所述特征权重大于预设权重阈值的元素对应的预设权益。
具体地,所述处理器10对上述指令的具体实现方法可参考附图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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取用户的权益获取记录,从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数;
获取所述用户的权益使用记录,从所述权益使用记录中提取所述用户对每一种所述预设权益的使用次数;
根据所述获取次数以及所述使用次数计算每一种预设权益的使用率,并将所述使用率作为元素生成使用率矩阵;
按照预设数量对所述使用率矩阵中的元素进行多次随机采样,得到所述使用率矩阵的多个子集矩阵;
利用预先训练的深度神经网络分别提取出所述多个子集矩阵中每一个子集矩阵的特征元素;
统计所述特征元素中每一个元素的出现频率,根据所述出现频率计算所述特征元素中每一个元素的特征权重,并向所述用户推荐所述特征权重大于预设权重阈值的元素对应的预设权益。
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。
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。
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。第一、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 (8)
1.一种基于深度学习的权益发放方法,其特征在于,所述方法包括:
获取用户的权益获取记录,从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数;
获取所述用户的权益使用记录,从所述权益使用记录中提取所述用户对每一种所述预设权益的使用次数;
根据所述获取次数以及所述使用次数计算每一种预设权益的使用率,并将所述使用率作为元素生成使用率矩阵;
按照预设数量对所述使用率矩阵中的元素进行随机采样,并将采样得到的元素汇集为所述使用率矩阵的子集矩阵,判断所述子集矩阵的数量是否等于预设阈值;若所述子集矩阵的数量不等于预设阈值,则返回按照预设数量对所述使用率矩阵中的元素进行随机采样的步骤;若所述子集矩阵的数量等于预设阈值,则将所有子集矩阵汇集为所述使用率矩阵的多个子集矩阵;
从所述多个子集矩阵中逐个选取其中一个矩阵为目标矩阵,利用预先训练的深度神经网络将所述目标矩阵中的每一个元素进行特征描述,得到元素特征,利用预设的激活函数计算每一个元素的元素特征的特征值,选取所述特征值大于预设特征阈值的元素特征对应的元素为所述目标矩阵的特征元素,所述深度神经网络通过函数映射的方式将所述目标矩阵中每一个元素映射至预先构建的特征空间,利用每一个元素在该特征空间内的坐标值对所述深度神经网络中预设的多个神经元进行赋值,并通过全连接的方式将每个神经元的数值进行重复筛选,进而得到每一个元素的元素特征;
统计所述特征元素中每一个元素的出现频率,根据所述出现频率计算所述特征元素中每一个元素的特征权重,并向所述用户推荐所述特征权重大于预设权重阈值的元素对应的预设权益。
2.如权利要求1所述的基于深度学习的权益发放方法,其特征在于,所述从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数,包括:
获取多种预设权益中每一种预设权益对应的数据格式;
按照所述数据格式将预设字符编译为规则表达式;
利用所述规则表达式对所述权益获取记录中以所述数据格式进行表达的数据进行提取,并统计提取到的数据中每一种预设权益的数量,确定所述数量为每一种预设权益的获取次数。
3.如权利要求1所述的基于深度学习的权益发放方法,其特征在于,所述从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数,包括:
将所述权益获取记录进行语句拆分,得到拆分语句;
利用预设的语义分析模型对所述拆分语句中每一个语句进行卷积及池化处理,得到每一个语句的语句特征;
将所述语句特征转换为特征向量,从所述特征向量中逐个选取其中一个向量为目标向量;
分别计算所述目标向量与预设多种权益中每一种预设权益对应的权益标签之间的距离值;
确定所述距离值最小的权益标签对应的权益为所述特征向量的预设权益;
统计所述特征向量中每一个向量对应的预设权益的数量,得到所述用户对每一种预设权益的获取次数。
4.如权利要求1所述的基于深度学习的权益发放方法,其特征在于,所述根据所述获取次数以及所述使用次数计算每一种预设权益的使用率,并将所述使用率作为元素生成使用率矩阵,包括:
构建空白矩阵;
从多个所述预设权益中逐个选取其中一个权益为目标权益;
根据所述目标权益的获取次数和所述目标权益的使用次数计算所述目标权益的使用率;
将多个所述预设权益中每一个权益的使用率作为元素填充至所述空白矩阵中,得到使用率矩阵。
5.如权利要求4所述的基于深度学习的权益发放方法,其特征在于,所述根据所述目标权益的获取次数和所述目标权益的使用次数计算所述目标权益的使用率,包括:
利用如下使用率函数计算所述目标权益的使用率:
其中,为所述目标权益的使用率,/>为所述目标权益的使用次数,/>为所述目标权益的获取次数。
6.一种基于深度学习的权益发放装置,其特征在于,所述装置包括:
记录分析模块,用于获取用户的权益获取记录,从所述权益获取记录中提取所述用户对多种预设权益中每一种预设权益的获取次数;
次数提取模块,用于获取所述用户的权益使用记录,从所述权益使用记录中提取所述用户对每一种所述预设权益的使用次数;
矩阵生成模块,用于根据所述获取次数以及所述使用次数计算每一种预设权益的使用率,并将所述使用率作为元素生成使用率矩阵;
矩阵采样模块,用于按照预设数量对所述使用率矩阵中的元素进行随机采样,并将采样得到的元素汇集为所述使用率矩阵的子集矩阵,判断所述子集矩阵的数量是否等于预设阈值;若所述子集矩阵的数量不等于预设阈值,则返回按照预设数量对所述使用率矩阵中的元素进行随机采样的步骤;若所述子集矩阵的数量等于预设阈值,则将所有子集矩阵汇集为所述使用率矩阵的多个子集矩阵;
权益发放模块,用于从所述多个子集矩阵中逐个选取其中一个矩阵为目标矩阵,利用预先训练的深度神经网络将所述目标矩阵中的每一个元素进行特征描述,得到元素特征,利用预设的激活函数计算每一个元素的元素特征的特征值,选取所述特征值大于预设特征阈值的元素特征对应的元素为所述目标矩阵的特征元素,所述深度神经网络通过函数映射的方式将所述目标矩阵中每一个元素映射至预先构建的特征空间,利用每一个元素在该特征空间内的坐标值对所述深度神经网络中预设的多个神经元进行赋值,并通过全连接的方式将每个神经元的数值进行重复筛选,进而得到每一个元素的元素特征,统计所述特征元素中每一个元素的出现频率,根据所述出现频率计算所述特征元素中每一个元素的特征权重,并向所述用户推荐所述特征权重大于预设权重阈值的元素对应的预设权益。
7.一种电子设备,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,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令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5中任意一项所述的基于深度学习的权益发放方法。
8.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的基于深度学习的权益发放方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009540.2A CN113706204B (zh) | 2021-08-31 | 2021-08-31 | 基于深度学习的权益发放方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009540.2A CN113706204B (zh) | 2021-08-31 | 2021-08-31 | 基于深度学习的权益发放方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706204A CN113706204A (zh) | 2021-11-26 |
CN113706204B true CN113706204B (zh) | 2024-04-05 |
Family
ID=78657625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111009540.2A Active CN113706204B (zh) | 2021-08-31 | 2021-08-31 | 基于深度学习的权益发放方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706204B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038600A (zh) * | 2017-02-23 | 2017-08-11 | 阿里巴巴集团控股有限公司 | 发放权益的方法和装置 |
CN109389420A (zh) * | 2018-09-04 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 权益的发放方法及装置 |
CN111814962A (zh) * | 2020-07-09 | 2020-10-23 | 平安科技(深圳)有限公司 | 识别模型的参数获取方法、装置、电子设备及存储介质 |
CN112231586A (zh) * | 2020-12-15 | 2021-01-15 | 平安科技(深圳)有限公司 | 基于迁移学习的课程推荐方法、装置、设备及介质 |
CN112380439A (zh) * | 2020-11-19 | 2021-02-19 | 平安科技(深圳)有限公司 | 目标物推荐方法、装置、电子设备及计算机可读存储介质 |
WO2021051515A1 (zh) * | 2019-09-16 | 2021-03-25 | 平安科技(深圳)有限公司 | 基于向量迁移的推荐方法、装置、计算机设备及非易失性可读存储介质 |
CN113032583A (zh) * | 2021-04-30 | 2021-06-25 | 中国工商银行股份有限公司 | 用户权益匹配方法及装置 |
CN113095890A (zh) * | 2021-04-29 | 2021-07-09 | 平安普惠企业管理有限公司 | 电子优惠券发放方法、装置、计算机设备和存储介质 |
CN113222668A (zh) * | 2021-05-24 | 2021-08-06 | 中国平安财产保险股份有限公司 | 增值服务推送方法、装置、设备及存储介质 |
CN113268665A (zh) * | 2021-05-24 | 2021-08-17 | 平安科技(深圳)有限公司 | 基于随机森林的信息推荐方法、装置、设备及存储介质 |
CN113298572A (zh) * | 2021-06-16 | 2021-08-24 | 口碑(上海)信息技术有限公司 | 页面展示方法、装置及计算机设备 |
-
2021
- 2021-08-31 CN CN202111009540.2A patent/CN113706204B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038600A (zh) * | 2017-02-23 | 2017-08-11 | 阿里巴巴集团控股有限公司 | 发放权益的方法和装置 |
CN109389420A (zh) * | 2018-09-04 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 权益的发放方法及装置 |
WO2021051515A1 (zh) * | 2019-09-16 | 2021-03-25 | 平安科技(深圳)有限公司 | 基于向量迁移的推荐方法、装置、计算机设备及非易失性可读存储介质 |
CN111814962A (zh) * | 2020-07-09 | 2020-10-23 | 平安科技(深圳)有限公司 | 识别模型的参数获取方法、装置、电子设备及存储介质 |
CN112380439A (zh) * | 2020-11-19 | 2021-02-19 | 平安科技(深圳)有限公司 | 目标物推荐方法、装置、电子设备及计算机可读存储介质 |
CN112231586A (zh) * | 2020-12-15 | 2021-01-15 | 平安科技(深圳)有限公司 | 基于迁移学习的课程推荐方法、装置、设备及介质 |
CN113095890A (zh) * | 2021-04-29 | 2021-07-09 | 平安普惠企业管理有限公司 | 电子优惠券发放方法、装置、计算机设备和存储介质 |
CN113032583A (zh) * | 2021-04-30 | 2021-06-25 | 中国工商银行股份有限公司 | 用户权益匹配方法及装置 |
CN113222668A (zh) * | 2021-05-24 | 2021-08-06 | 中国平安财产保险股份有限公司 | 增值服务推送方法、装置、设备及存储介质 |
CN113268665A (zh) * | 2021-05-24 | 2021-08-17 | 平安科技(深圳)有限公司 | 基于随机森林的信息推荐方法、装置、设备及存储介质 |
CN113298572A (zh) * | 2021-06-16 | 2021-08-24 | 口碑(上海)信息技术有限公司 | 页面展示方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113706204A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN113139129B (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
CN113706204B (zh) | 基于深度学习的权益发放方法、装置、设备及存储介质 | |
CN113704407B (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN113806492B (zh) | 基于语义识别的记录生成方法、装置、设备及存储介质 | |
CN114780688A (zh) | 基于规则匹配的文本质检方法、装置、设备及存储介质 | |
CN114518993A (zh) | 基于业务特征的系统性能监控方法、装置、设备及介质 | |
CN113723114A (zh) | 基于多意图识别的语义分析方法、装置、设备及存储介质 | |
CN114187096A (zh) | 基于用户画像的风险评估方法、装置、设备及存储介质 | |
CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN113344674A (zh) | 基于用户购买力的产品推荐方法、装置、设备及存储介质 | |
CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113793037B (zh) | 基于数据分析的业务分配方法、装置、设备及存储介质 | |
CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN113592606B (zh) | 基于多重决策的产品推荐方法、装置、设备及存储介质 | |
CN114185617B (zh) | 业务调用接口配置方法、装置、设备及存储介质 | |
CN113704587B (zh) | 基于阶段划分的用户黏着度分析方法、装置、设备及介质 | |
CN112214556B (zh) | 标签生成方法、装置、电子设备及计算机可读存储介质 | |
CN113704411B (zh) | 基于词向量的相似客群挖掘方法、装置、设备及存储介质 | |
CN117195898A (zh) | 实体关系抽取方法、装置、电子设备及存储介质 | |
CN113793218A (zh) | 用户账户变更行为分析方法、装置、设备及存储介质 | |
CN116595175A (zh) | 文本分类方法、装置、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 |