CN113706252B - 产品推荐方法、装置、电子设备及存储介质 - Google Patents
产品推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113706252B CN113706252B CN202111008512.9A CN202111008512A CN113706252B CN 113706252 B CN113706252 B CN 113706252B CN 202111008512 A CN202111008512 A CN 202111008512A CN 113706252 B CN113706252 B CN 113706252B
- Authority
- CN
- China
- Prior art keywords
- product
- user
- data
- clicked
- sample set
- 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 47
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims description 107
- 238000002372 labelling Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning 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
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Technology Law (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领域，揭露一种产品推荐方法，包括：基于第一行为数据确定第一用户在目标应用程序中点击的各个产品对应的被点击节点集，基于被点击节点集从第一历史数据中获取正样本集及负样本集，并训练产品推荐模型；当判断第一数据库中存在第二用户在第二时间段的第二行为数据时，基于第二用户的基本信息数据及第二行为数据确定第二用户的用户特征，基于产品数据确定各个产品的产品特征，将用户特征及产品特征输入训练好的产品推荐模型，得到第二用户对各个产品的兴趣度值，基于兴趣度值确定目标推荐产品。本发明还提供一种产品推荐装置、电子设备及存储介质。本发明提高了产品推荐准确度。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种产品推荐方法、装置、电子设备及存储介质。
背景技术
随着科技的发展，产品发展更加多样化，如何从众多的产品中为用户推荐感兴趣的产品是当前的关注要点。
当前，通常根据用户的点击行为为用户推荐产品，然而，这种方式将所有的点击行为一视同仁，而没有考虑不同点击行为对应的兴趣程度不同，从而导致产品推荐准确度不高。因此，亟需一种产品推荐方法，以提高产品推荐准确度。
发明内容
鉴于以上内容，有必要提供一种产品推荐方法，旨在提高产品推荐准确度。
本发明提供的产品推荐方法，包括：
从第一数据库获取目标应用程序在第一时间段内的第一历史数据，所述第一历史数据包括所述第一时间段内登录所述目标应用程序的第一用户的第一行为数据；
基于所述第一行为数据确定各个第一用户在所述目标应用程序中点击的各个产品对应的被点击节点集，基于所述被点击节点集从所述第一历史数据中获取正样本集及负样本集，利用所述正样本集及负样本集训练产品推荐模型，得到训练好的产品推荐模型；
响应客户端发出的针对第二用户的产品推荐请求，判断所述第一数据库中是否存在所述第二用户在第二时间段的第二行为数据，当判断是时，从所述第一数据库中获取所述第二用户的基本信息数据、第二行为数据及所述目标应用程序对应的各个产品在所述第二时间段的产品数据；
基于所述基本信息数据及第二行为数据确定所述第二用户的用户特征，基于所述产品数据确定各个产品的产品特征，将所述用户特征及各个产品的产品特征输入所述训练好的产品推荐模型，得到所述第二用户对各个产品的兴趣度值，基于所述兴趣度值确定所述第二用户对应的目标推荐产品。
可选的，所述基于所述被点击节点集从所述第一历史数据中获取正样本集及负样本集，包括：
将含有预设节点的被点击节点集对应的产品及第一用户作为第一产品及第三用户，将不含预设节点的被点击节点集对应的产品及第一用户作为第二产品及第四用户；
从所述第一历史数据中抽取所述第三用户的基本信息数据、所述第三用户对所述第一产品的第一行为数据及所述第一产品的产品数据，得到正样本集；
从所述第一历史数据中抽取所述第四用户的基本信息数据、所述第四用户对所述第二产品的第一行为数据及所述第二产品的产品数据，得到负样本集；
对所述正样本集及所述负样本集中的样本执行标注处理，得到携带标注信息的正样本集及负样本集。
可选的，所述利用所述正样本集及负样本集训练产品推荐模型，得到训练好的产品推荐模型，包括：
合并所述正样本集及负样本集，得到样本集合，将所述样本集合输入产品推荐模型，得到所述样本集合中每个样本对应的预测兴趣度；
基于所述标注信息确定所述样本集合中每个样本对应的真实兴趣度；
通过最小化预测兴趣度与真实兴趣度之间的损失值，确定所述产品推荐模型的结构参数，得到训练好的产品推荐模型。
可选的，所述第一行为数据包括点击行为数据，所述点击行为数据包括被点击控件的标识及其所属页面的标识，所述基于所述第一行为数据确定各个第一用户在所述目标应用程序中点击的各个产品对应的被点击节点集，包括：
选择一个第一用户，将所述第一行为数据中选择的第一用户的点击行为数据的集合作为点击行为数据集，根据所述页面的标识确定所述点击行为数据集中每条点击行为数据对应的被点击产品；
基于所述被点击控件的标识确定所述点击行为数据集中每条点击行为数据对应的被点击产品的被点击节点；
将各个被点击产品的被点击节点的集合作为所述选择的第一用户点击的各个产品对应的被点击节点集。
可选的，在所述基于所述兴趣度值确定所述第二用户对应的目标推荐产品之后，所述方法还包括：
确定所述第二用户对应的用户群，将所述目标推荐产品及其兴趣度值存储至所述用户群对应的兴趣产品集中。
可选的，所述确定所述第二用户对应的用户群，包括：
基于所述第二用户的基本信息数据构建所述第二用户的用户画像；
从第二数据库获取各个用户群对应的标准画像，将所述用户画像与各个标准画像进行匹配，将匹配度最高的标准画像对应的用户群作为所述第二用户对应的用户群。
可选的，在所述判断所述第一数据库中是否存在所述第二用户在第二时间段的第二行为数据之后，所述方法还包括：
若判断为否，则确定所述第二用户对应的用户群，将所述用户群对应的兴趣产品集中在所述第二时间段内有更新的产品及其兴趣度值放入目标兴趣产品集，将所述目标兴趣产品集中兴趣度值最高的预设数量的产品作为所述第二用户的目标推荐产品。
为了解决上述问题，本发明还提供一种产品推荐装置，所述装置包括：
获取模块，用于从第一数据库获取目标应用程序在第一时间段内的第一历史数据，所述第一历史数据包括所述第一时间段内登录所述目标应用程序的第一用户的第一行为数据；
训练模块，用于基于所述第一行为数据确定各个第一用户在所述目标应用程序中点击的各个产品对应的被点击节点集，基于所述被点击节点集从所述第一历史数据中获取正样本集及负样本集，利用所述正样本集及负样本集训练产品推荐模型，得到训练好的产品推荐模型；
判断模块，用于响应客户端发出的针对第二用户的产品推荐请求，判断所述第一数据库中是否存在所述第二用户在第二时间段的第二行为数据，当判断是时，从所述第一数据库中获取所述第二用户的基本信息数据、第二行为数据及所述目标应用程序对应的各个产品在所述第二时间段的产品数据；
推荐模块，用于基于所述基本信息数据及第二行为数据确定所述第二用户的用户特征，基于所述产品数据确定各个产品的产品特征，将所述用户特征及各个产品的产品特征输入所述训练好的产品推荐模型，得到所述第二用户对各个产品的兴趣度值，基于所述兴趣度值确定所述第二用户对应的目标推荐产品。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的产品推荐程序，所述产品推荐程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述产品推荐方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有产品推荐程序，所述产品推荐程序可被一个或者多个处理器执行，以实现上述产品推荐方法。
相较现有技术，本发明首先确定各个第一用户点击的各个产品对应的被点击节点集，基于被点击节点集从第一历史数据中获取正样本集及负样本集，并训练产品推荐模型；接着，基于第二用户的基本信息数据、第二行为数据确定第二用户的用户特征，基于产品数据确定各个产品的产品特征，将用户特征及各个产品的产品特征输入训练好的产品推荐模型，基于产品推荐模型输出的兴趣度值确定第二用户对应的目标推荐产品。本发明通过被点击节点集从第一历史数据中获取正样本集及负样本集，该操作考虑到了不同节点代表的兴趣度不同，即根据兴趣度确定正样本集及负样本集，从而训练得到的产品推荐模型的准确度更高。因此，本发明提高了产品推荐准确度。
附图说明
图1为本发明一实施例提供的产品推荐方法的流程示意图；
图2为本发明一实施例提供的产品推荐装置的模块示意图；
图3为本发明一实施例提供的实现产品推荐方法的电子设备的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提供一种产品推荐方法。参照图1所示，为本发明一实施例提供的产品推荐方法的流程示意图。该方法可以由一个电子设备执行，该电子设备可以由软件和/或硬件实现。
本实施例中，产品推荐方法包括：
S1、从第一数据库获取目标应用程序在第一时间段内的第一历史数据，所述第一历史数据包括所述第一时间段内登录所述目标应用程序的第一用户的第一行为数据。
本实施例中，以目标应用程序为购买保险产品的应用程序为例进行说明，第一数据库中存储了目标应用程序对应的所有历史数据，第一历史数据为第一时间段内的历史数据。
所述第一历史数据包括登录目标应用程序的用户的基本信息数据、第一行为数据及目标应用程序对应的各个产品的产品数据。
基本信息数据包括用户的年龄、性别、居住地、职业、注册时间、是否有子女、婚姻状态、家庭成员数量、注册渠道等。
第一行为数据是通过用户在第一时间段内在目标应用程序上的点击、浏览、在线咨询、保费试算、健康告知等操作行为产生的，第一时间段可以是最近3个月，第一行为数据包括用户对各个产品的总点击次数、用户的点击行为数据，所述点击行为数据包括被点击控件的标识及其所属页面的标识等。
第一产品数据包括产品保障金额、产品类型、保障年龄范围、第一时间段内被购买的次数及被点击的次数。
S2、基于所述第一行为数据确定各个第一用户在所述目标应用程序中点击的各个产品对应的被点击节点集，基于所述被点击节点集从所述第一历史数据中获取正样本集及负样本集，利用所述正样本集及负样本集训练产品推荐模型，得到训练好的产品推荐模型。
本实施例中，根据用户点击的页面和控件确定被点击产品的被点击节点集，被点击节点集中不同节点体现了用户对产品的不同兴趣程度，基于此，可根据被点击节点集从第一历史数据中获取正样本集及负样本集，进而根据正样本集、负样本集训练产品推荐模型，得到训练好的产品推荐模型。
所述基于所述第一行为数据确定各个第一用户在所述目标应用程序中点击的各个产品对应的被点击节点集，包括：
A11、选择一个第一用户，将所述第一行为数据中选择的第一用户的点击行为数据的集合作为点击行为数据集，根据所述页面的标识确定所述点击行为数据集中每条点击行为数据对应的被点击产品；
本实施例中，预先建立了产品与页面的标识之间的映射关系，例如，产品与页面的标识之间的第一映射关系可以如下所示：
产品1：页面标识1、页面标识2、页面标识3，……；
产品2：页面标识6、页面标识7、页面标识8及页面标识9，……；
产品3：页面标识20、页面标识21、页面标识22，……；
……
A12、基于所述被点击控件的标识确定所述点击行为数据集中每条点击行为数据对应的被点击产品的被点击节点；
本实施例中，预先建立了控件的标识与节点之间的第二映射关系。
例如，用户1点击了页面标识1的产品介绍控件，可跳转进入产品介绍页，根据第二映射关系可知，被点击节点为产品1的初步了解节点；用户1点击了页面标识3的保险案例控件或理赔须知控件，可跳转至对应的详细介绍页面，根据第二映射关系可知，被点击节点为产品1的详细了解节点；用户1点击了页面标识8的在线咨询控件或分享赚钱控件，根据第二映射关系可知，被点击节点为产品2的深入了解节点；用户1点击了页面标识9的立即投保或健康告知控件，根据第二映射关系可知，被点击节点为产品2的意向购买节点；用户1点击了页面标识22的支付控件，根据第二映射关系可知，被点击节点为产品3的购买完成节点。
A13、将各个被点击产品的被点击节点的集合作为所述选择的第一用户点击的各个产品对应的被点击节点集。
汇总每个被点击产品的被点击节点，得到用户1点击的每个产品对应的被点击节点集，通过上述方式，可得到每个第一用户点击的产品对应的被点击节点集。
所述基于所述被点击节点集从所述第一历史数据中获取正样本集及负样本集，包括：
B11、将含有预设节点的被点击节点集对应的产品及第一用户作为第一产品及第三用户，将不含预设节点的被点击节点集对应的产品及第一用户作为第二产品及第四用户；
本实施例中，所述预设节点可以包括购买完成节点和意向购买节点，当被点击节点为意向购买节点时，代表了用户对产品有较高的兴趣度。
现有技术中，通常对所有点击行为一视同仁，将所有被用户点击的产品作为用户感兴趣产品，而没有考虑到，点击行为对应的节点不同，用户对产品的兴趣度不同，有些点击行为对应的节点代表较低的兴趣度(例如，初步了解节点)，从而将所有被用户点击的产品作为正样本(感兴趣产品)是不合理的。
本实施例中，将意向购买节点和购买完成节点对应的数据放入正样本集，将其他节点对应的数据放入负样本集，实现了根据用户兴趣度确定正样本集及负样本集，从而训练得到的产品推荐模型的准确度更高。
B12、从所述第一历史数据中抽取所述第三用户的基本信息数据、所述第三用户对所述第一产品的第一行为数据及所述第一产品的产品数据，得到正样本集；
例如，若用户1点击的产品1对应的被点击节点集中含有购买完成节点或意向购买节点，则将第一历史数据中用户1的基本信息数据、用户1对产品1的第一行为数据及产品1的产品数据的集合，作为正样本集中的一个样本，即一个样本对应一个用户和一个产品。
B13、从所述第一历史数据中抽取所述第四用户的基本信息数据、所述第四用户对所述第二产品的第一行为数据及所述第二产品的产品数据，得到负样本集；
例如，若用户1点击的产品2对应的被点击节点集中不含购买完成节点或意向购买节点，则将第一历史数据中用户1的基本信息数据、用户1对产品2的第一行为数据及产品2的产品数据的集合，作为负样本集中的一个样本。
B14、对所述正样本集及所述负样本集中的样本执行标注处理，得到携带标注信息的正样本集及负样本集。
本实施例中，正样本集中的样本的标注信息为1，负样本集中样本的标注信息为0。
所述利用所述正样本集及负样本集训练产品推荐模型，得到训练好的产品推荐模型，包括：
C11、合并所述正样本集及负样本集，得到样本集合，将所述样本集合输入产品推荐模型，得到所述样本集合中每个样本对应的预测兴趣度；
本实施例中，所述产品推荐模型可以是深度神经网络模型，也可以是逻辑回归模型。
因一个样本对应一个用户及一个产品，产品推荐模型输出的是这个用户对这个产品的预测兴趣度。
C12、基于所述标注信息确定所述样本集合中每个样本对应的真实兴趣度；
样本的标注信息体现了用户对产品的真实兴趣度。
C13、通过最小化预测兴趣度与真实兴趣度之间的损失值，确定所述产品推荐模型的结构参数，得到训练好的产品推荐模型。
所述损失值的计算公式为：
其中，qi为样本集合中第i个样本的预测兴趣度，pi为样本集合中第i个样本的真实兴趣度，c为样本集合中样本的总数量，loss(qi,pi)为样本集合的预测兴趣度与真实兴趣度之间的损失值。
S3、响应客户端发出的针对第二用户的产品推荐请求，判断所述第一数据库中是否存在所述第二用户在第二时间段的第二行为数据，当判断是时，从所述第一数据库中获取所述第二用户的基本信息数据、第二行为数据及所述目标应用程序对应的各个产品在所述第二时间段的产品数据。
所述第二时间段可以是最近一个月，相较于第一时间段(例如，最近3个月)，第二时间段更接近当前时间，第二用户为产品推荐的对象，第一用户是第一时间段内登录目标应用程序的用户，因此，第二用户可以是某一个第一用户(若第二用户在第一时间段内登录过目标应用程序)，也可以不是第一用户(若第二用户在第一时间段内未登录目标应用程序)。
当需要对第二用户推荐产品时，判断第一数据库中是否有第二用户最近一个月的第二行为数据，若有，可利用第二用户的相关数据对其进行产品推荐，相关数据包括第二用户的基本信息数据、第二行为数据(第二行为数据是第二用户在第二时间段内的行为数据，第二行为数据与第一行为数据包括的指标项相同)，同时还需获取目标应用程序的各个产品在最近一个月内的产品数据，以便准确地为第二用户进行产品推荐。
S4、基于所述基本信息数据及第二行为数据确定所述第二用户的用户特征，基于所述产品数据确定各个产品的产品特征，将所述用户特征及各个产品的产品特征输入所述训练好的产品推荐模型，得到所述第二用户对各个产品的兴趣度值，基于所述兴趣度值确定所述第二用户对应的目标推荐产品。
本实施例中，将第二用户的基本信息数据及第二行为数据进行编码及拼接处理(可按照预先确定的拼接顺序拼接)，得到第二用户的用户特征，用户特征为一个数组。
编码处理时，可采用lable encode方式对离散型数据(例如，性别、居住地、职业)编码，连续型数据(例如，年龄、对产品的总点击次数)则保持原值。
产品特征是对产品数据中各个因子的数值进行编码及拼接处理得到的，产品特征也是一个数组，本实施例中，将每个产品的产品特征汇总，得到一个矩阵，假设每个产品的产品特征为1*5的数组、共有10个产品，则汇总后得到一个10*5的矩阵(该矩阵中，每一列数据对应产品数据中一个因子，每一行数据对应一个产品的产品特征)。
训练好的产品推荐模型的输入为一个数组(用户特征)和一个矩阵(汇总了所有产品的产品特征)，输出为第二用户对每个产品的兴趣度值，可按照兴趣度值从高到低的顺序排序，将预设数量(例如，3)的排序最高的产品作为第二用户的目标推荐产品。
在所述基于所述兴趣度值确定所述第二用户对应的目标推荐产品之后，所述方法还包括：
确定所述第二用户对应的用户群，将所述目标推荐产品及其兴趣度值存储至所述用户群对应的兴趣产品集中。
本实施例中，确定了第二用户对应的目标推荐产品后，还将目标推荐产品及其对应的兴趣度值存储在第二用户所属的用户群对应的兴趣产品集中，从而后续对于行为数据不全的同类型用户，可根据兴趣产品集对其推荐产品。
所述确定所述第二用户对应的用户群，包括：
D11、基于所述第二用户的基本信息数据构建所述第二用户的用户画像；
用户画像的构建过程为现有技术，在此不做赘述。
D12、从第二数据库获取各个用户群对应的标准画像，将所述用户画像与各个标准画像进行匹配，将匹配度最高的标准画像对应的用户群作为所述第二用户对应的用户群。
本实施例中，第二数据库中存储了每个用户群对应的标准画像，可将第二用户的用户画像与每个标准画像进行匹配，以根据匹配度确定第二用户对应的用户群。
所述匹配度的计算公式为：ui＝a1*v1i+a2*v2i+……+an*vni，其中，ui为第二用户的用户画像与第i个标准画像的匹配度，v1i为第一个指标项在用户画像与第i个标准画像中的标签的相似度，v2i为第二个指标项在用户画像与第i个标准画像中的标签的相似度，vni为第n个指标项在用户画像与第i个标准画像中的标签的相似度，a1、a2、an分别为预先确定的第一个、第二个、第n个指标项对应的权重。
例如，若第一个指标项为年龄，用户画像中年龄的标签为青年，第i个标准画像中年龄的标签为中年，则v1i＝0。
在所述判断所述第一数据库中是否存在所述第二用户在第二时间段的第二行为数据之后，所述方法还包括：
若判断为否，则确定所述第二用户对应的用户群，将所述用户群对应的兴趣产品集中在所述第二时间段内有更新的产品及其兴趣度值放入目标兴趣产品集，将所述目标兴趣产品集中兴趣度值最高的预设数量的产品作为所述第二用户的目标推荐产品。
例如，第一数据库中没有第二用户在最近一个月内的行为数据，说明第二用户的行为数据不足，无法根据行为数据为第二用户推荐产品，因同一类型的用户可能对相同的产品感兴趣，此时可基于第二用户所属的用户群对应的兴趣产品集对第二用户推荐产品。
为保证实时性和准确性，从所属用户群对应的兴趣产品集中抽取最近一个月内有更新的产品作为目标兴趣产品集，并从中抽取兴趣度值最高的预设数量的产品推荐给第二用户。
由上述实施例可知，本发明提出的产品推荐方法，首先，确定各个第一用户点击的各个产品对应的被点击节点集，基于被点击节点集从第一历史数据中获取正样本集及负样本集，并训练产品推荐模型；接着，基于第二用户的基本信息数据、第二行为数据确定第二用户的用户特征，基于产品数据确定各个产品的产品特征，将用户特征及各个产品的产品特征输入训练好的产品推荐模型，基于产品推荐模型输出的兴趣度值确定第二用户对应的目标推荐产品。本发明通过被点击节点集从第一历史数据中获取正样本集及负样本集，该操作考虑到了不同节点代表的兴趣度不同，即根据兴趣度确定正样本集及负样本集，从而训练得到的产品推荐模型的准确度更高。因此，本发明提高了产品推荐准确度。
如图2所示，为本发明一实施例提供的产品推荐装置的模块示意图。
本发明所述产品推荐装置100可以安装于电子设备中。根据实现的功能，所述产品推荐装置100可以包括获取模块110、训练模块120、判断模块130及推荐模块140。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
获取模块110，用于从第一数据库获取目标应用程序在第一时间段内的第一历史数据，所述第一历史数据包括所述第一时间段内登录所述目标应用程序的第一用户的第一行为数据。
训练模块120，用于基于所述第一行为数据确定各个第一用户在所述目标应用程序中点击的各个产品对应的被点击节点集，基于所述被点击节点集从所述第一历史数据中获取正样本集及负样本集，利用所述正样本集及负样本集训练产品推荐模型，得到训练好的产品推荐模型。
第一行为数据包括点击行为数据，所述点击行为数据包括被点击控件的标识及其所属页面的标识，所述基于所述第一行为数据确定各个第一用户在所述目标应用程序中点击的各个产品对应的被点击节点集，包括：
A21、选择一个第一用户，将所述第一行为数据中选择的第一用户的点击行为数据的集合作为点击行为数据集，根据所述页面的标识确定所述点击行为数据集中每条点击行为数据对应的被点击产品；
A22、基于所述被点击控件的标识确定所述点击行为数据集中每条点击行为数据对应的被点击产品的被点击节点；
A23、将各个被点击产品的被点击节点的集合作为所述选择的第一用户点击的各个产品对应的被点击节点集。
所述基于所述被点击节点集从所述第一历史数据中获取正样本集及负样本集，包括：
B21、将含有预设节点的被点击节点集对应的产品及第一用户作为第一产品及第三用户，将不含预设节点的被点击节点集对应的产品及第一用户作为第二产品及第四用户；
B22、从所述第一历史数据中抽取所述第三用户的基本信息数据、所述第三用户对所述第一产品的第一行为数据及所述第一产品的产品数据，得到正样本集；
B23、从所述第一历史数据中抽取所述第四用户的基本信息数据、所述第四用户对所述第二产品的第一行为数据及所述第二产品的产品数据，得到负样本集；
B24、对所述正样本集及所述负样本集中的样本执行标注处理，得到携带标注信息的正样本集及负样本集。
所述利用所述正样本集及负样本集训练产品推荐模型，得到训练好的产品推荐模型，包括：
C21、合并所述正样本集及负样本集，得到样本集合，将所述样本集合输入产品推荐模型，得到所述样本集合中每个样本对应的预测兴趣度；
C22、基于所述标注信息确定所述样本集合中每个样本对应的真实兴趣度；
C23、通过最小化预测兴趣度与真实兴趣度之间的损失值，确定所述产品推荐模型的结构参数，得到训练好的产品推荐模型。
判断模块130，用于响应客户端发出的针对第二用户的产品推荐请求，判断所述第一数据库中是否存在所述第二用户在第二时间段的第二行为数据，当判断是时，从所述第一数据库中获取所述第二用户的基本信息数据、第二行为数据及所述目标应用程序对应的各个产品在所述第二时间段的产品数据。
推荐模块140，用于基于所述基本信息数据及第二行为数据确定所述第二用户的用户特征，基于所述产品数据确定各个产品的产品特征，将所述用户特征及各个产品的产品特征输入所述训练好的产品推荐模型，得到所述第二用户对各个产品的兴趣度值，基于所述兴趣度值确定所述第二用户对应的目标推荐产品。
在所述基于所述兴趣度值确定所述第二用户对应的目标推荐产品之后，所述推荐模块140还用于：
确定所述第二用户对应的用户群，将所述目标推荐产品及其兴趣度值存储至所述用户群对应的兴趣产品集中。
所述确定所述第二用户对应的用户群，包括：
D21、基于所述第二用户的基本信息数据构建所述第二用户的用户画像；
D22、从第二数据库获取各个用户群对应的标准画像，将所述用户画像与各个标准画像进行匹配，将匹配度最高的标准画像对应的用户群作为所述第二用户对应的用户群。
在所述判断所述第一数据库中是否存在所述第二用户在第二时间段的第二行为数据之后，所述判断模块140还用于：
若判断为否，则确定所述第二用户对应的用户群，将所述用户群对应的兴趣产品集中在所述第二时间段内有更新的产品及其兴趣度值放入目标兴趣产品集，将所述目标兴趣产品集中兴趣度值最高的预设数量的产品作为所述第二用户的目标推荐产品。
如图3所示，为本发明一实施例提供的实现产品推荐方法的电子设备的结构示意图。
所述电子设备1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述电子设备1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
在本实施例中，电子设备1包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13，该存储器11中存储有产品推荐程序10，所述产品推荐程序10可被所述处理器12执行。图3仅示出了具有组件11-13以及产品推荐程序10的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子设备1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子设备1的内部存储单元，例如该电子设备1的硬盘；在另一些实施例中，该非易失性存储介质也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于电子设备1的操作系统和各类应用软件，例如存储本发明一实施例中的产品推荐程序10的代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行产品推荐程序10等。
网络接口13可包括无线网络接口或有线网络接口，该网络接口13用于在所述电子设备1与客户端(图3中未画出)之间建立通信连接。
可选的，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选的，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的产品推荐程序10是多个指令的组合，在所述处理器12中运行时，可以实现上述产品推荐方法。
具体地，所述处理器12对上述产品推荐程序10的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是非易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
所述计算机可读存储介质上存储有产品推荐程序10，所述产品推荐程序10可被一个或者多个处理器执行，以实现上述产品推荐方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种产品推荐方法，其特征在于，所述方法包括：
从第一数据库获取目标应用程序在第一时间段内的第一历史数据，所述第一历史数据包括所述第一时间段内登录所述目标应用程序的第一用户的第一行为数据，所述第一行为数据包括点击行为数据，所述点击行为数据包括被点击控件的标识及其所属页面的标识；
基于所述第一行为数据确定各个第一用户在所述目标应用程序中点击的各个产品对应的被点击节点集，根据预先建立的产品与页面的标识之间的第一映射关系和预先建立的控件的标识与节点之间的第二映射关系，从所述被点击节点集中确定出意向购买节点和购买完成节点，将意向购买节点和购买完成节点对应的数据作为正样本集，将所述被点击节点集中除意向购买节点和购买完成节点之外的其它节点对应的数据作为负样本集，利用所述正样本集及负样本集训练产品推荐模型，得到训练好的产品推荐模型；
响应客户端发出的针对第二用户的产品推荐请求，判断所述第一数据库中是否存在所述第二用户在第二时间段的第二行为数据，当判断是时，从所述第一数据库中获取所述第二用户的基本信息数据、第二行为数据及所述目标应用程序对应的各个产品在所述第二时间段的产品数据，所述第二行为数据包括所述第二用户在所述第二时间段内登录所述目标应用程序的点击行为数据；
基于所述基本信息数据及第二行为数据确定所述第二用户的用户特征，基于所述产品数据确定各个产品的产品特征，将所述用户特征及各个产品的产品特征输入所述训练好的产品推荐模型，得到所述第二用户对各个产品的兴趣度值，基于所述兴趣度值确定所述第二用户对应的目标推荐产品。
2.如权利要求1所述的产品推荐方法，其特征在于，所述将意向购买节点和购买完成节点对应的数据作为正样本集，将所述被点击节点集中除意向购买节点和购买完成节点之外的其它节点对应的数据作为负样本集，包括：
将含有预设节点的被点击节点集对应的产品及第一用户作为第一产品及第三用户，将不含预设节点的被点击节点集对应的产品及第一用户作为第二产品及第四用户，所述预设节点包括意向购买节点和购买完成节点；
从所述第一历史数据中抽取所述第三用户的基本信息数据、所述第三用户对所述第一产品的第一行为数据及所述第一产品的产品数据，得到正样本集；
从所述第一历史数据中抽取所述第四用户的基本信息数据、所述第四用户对所述第二产品的第一行为数据及所述第二产品的产品数据，得到负样本集；
对所述正样本集及所述负样本集中的样本执行标注处理，得到携带标注信息的正样本集及负样本集。
3.如权利要求2所述的产品推荐方法，其特征在于，所述利用所述正样本集及负样本集训练产品推荐模型，得到训练好的产品推荐模型，包括：
合并所述正样本集及负样本集，得到样本集合，将所述样本集合输入产品推荐模型，得到所述样本集合中每个样本对应的预测兴趣度；
基于所述标注信息确定所述样本集合中每个样本对应的真实兴趣度；
通过最小化预测兴趣度与真实兴趣度之间的损失值，确定所述产品推荐模型的结构参数，得到训练好的产品推荐模型。
4.如权利要求1所述的产品推荐方法，其特征在于，所述基于所述第一行为数据确定各个第一用户在所述目标应用程序中点击的各个产品对应的被点击节点集，包括：
选择一个第一用户，将所述第一行为数据中选择的第一用户的点击行为数据的集合作为点击行为数据集，根据所述页面的标识确定所述点击行为数据集中每条点击行为数据对应的被点击产品；
基于所述被点击控件的标识确定所述点击行为数据集中每条点击行为数据对应的被点击产品的被点击节点；
将各个被点击产品的被点击节点的集合作为所述选择的第一用户点击的各个产品对应的被点击节点集。
5.如权利要求1所述的产品推荐方法，其特征在于，在所述基于所述兴趣度值确定所述第二用户对应的目标推荐产品之后，所述方法还包括：
确定所述第二用户对应的用户群，将所述目标推荐产品及其兴趣度值存储至所述用户群对应的兴趣产品集中。
6.如权利要求5所述的产品推荐方法，其特征在于，所述确定所述第二用户对应的用户群，包括：
基于所述第二用户的基本信息数据构建所述第二用户的用户画像；
从第二数据库获取各个用户群对应的标准画像，将所述用户画像与各个标准画像进行匹配，将匹配度最高的标准画像对应的用户群作为所述第二用户对应的用户群。
7.如权利要求1所述的产品推荐方法，其特征在于，在所述判断所述第一数据库中是否存在所述第二用户在第二时间段的第二行为数据之后，所述方法还包括：
若判断为否，则确定所述第二用户对应的用户群，将所述用户群对应的兴趣产品集中在所述第二时间段内有更新的产品及其兴趣度值放入目标兴趣产品集，将所述目标兴趣产品集中兴趣度值最高的预设数量的产品作为所述第二用户的目标推荐产品。
8.一种产品推荐装置，其特征在于，所述装置包括：
获取模块，用于从第一数据库获取目标应用程序在第一时间段内的第一历史数据，所述第一历史数据包括所述第一时间段内登录所述目标应用程序的第一用户的第一行为数据，所述第一行为数据包括点击行为数据，所述点击行为数据包括被点击控件的标识及其所属页面的标识；
训练模块，用于基于所述第一行为数据确定各个第一用户在所述目标应用程序中点击的各个产品对应的被点击节点集，根据预先建立的产品与页面的标识之间的第一映射关系和预先建立的控件的标识与节点之间的第二映射关系，从所述被点击节点集中确定出意向购买节点和购买完成节点，将意向购买节点和购买完成节点对应的数据作为正样本集，将所述被点击节点集中除意向购买节点和购买完成节点之外的其它节点对应的数据作为负样本集，利用所述正样本集及负样本集训练产品推荐模型，得到训练好的产品推荐模型；
判断模块，用于响应客户端发出的针对第二用户的产品推荐请求，判断所述第一数据库中是否存在所述第二用户在第二时间段的第二行为数据，当判断是时，从所述第一数据库中获取所述第二用户的基本信息数据、第二行为数据及所述目标应用程序对应的各个产品在所述第二时间段的产品数据，所述第二行为数据包括所述第二用户在所述第二时间段内登录所述目标应用程序的点击行为数据；
推荐模块，用于基于所述基本信息数据及第二行为数据确定所述第二用户的用户特征，基于所述产品数据确定各个产品的产品特征，将所述用户特征及各个产品的产品特征输入所述训练好的产品推荐模型，得到所述第二用户对各个产品的兴趣度值，基于所述兴趣度值确定所述第二用户对应的目标推荐产品。
9.一种电子设备，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产品推荐程序，所述产品推荐程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的产品推荐方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有产品推荐程序，所述产品推荐程序可被一个或者多个处理器执行，以实现如权利要求1至7任一项所述的产品推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111008512.9A CN113706252B (zh) | 2021-08-30 | 2021-08-30 | 产品推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111008512.9A CN113706252B (zh) | 2021-08-30 | 2021-08-30 | 产品推荐方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706252A CN113706252A (zh) | 2021-11-26 |
| CN113706252B true CN113706252B (zh) | 2024-05-03 |
Family
ID=78657315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111008512.9A Active CN113706252B (zh) | 2021-08-30 | 2021-08-30 | 产品推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706252B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996588B (zh) * | 2022-08-01 | 2022-10-21 | 平安科技（深圳）有限公司 | 基于双塔模型的产品推荐方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705183A (zh) * | 2017-09-30 | 2018-02-16 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
| CN109165974A (zh) * | 2018-08-06 | 2019-01-08 | 深圳乐信软件技术有限公司 | 一种商品推荐模型训练方法、装置、设备及存储介质 |
| CN112529663A (zh) * | 2020-12-15 | 2021-03-19 | 中国平安人寿保险股份有限公司 | 商品推荐方法、装置、终端设备及存储介质 |
| CN112837106A (zh) * | 2019-11-22 | 2021-05-25 | 上海哔哩哔哩科技有限公司 | 商品推荐方法、装置、计算机设备 |
| CN113051486A (zh) * | 2021-04-16 | 2021-06-29 | 深圳市珍爱捷云信息技术有限公司 | 基于交友场景的推荐模型的训练方法、装置、电子设备和计算机可读存储介质 |
-
2021
- 2021-08-30 CN CN202111008512.9A patent/CN113706252B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705183A (zh) * | 2017-09-30 | 2018-02-16 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
| CN109165974A (zh) * | 2018-08-06 | 2019-01-08 | 深圳乐信软件技术有限公司 | 一种商品推荐模型训练方法、装置、设备及存储介质 |
| CN112837106A (zh) * | 2019-11-22 | 2021-05-25 | 上海哔哩哔哩科技有限公司 | 商品推荐方法、装置、计算机设备 |
| CN112529663A (zh) * | 2020-12-15 | 2021-03-19 | 中国平安人寿保险股份有限公司 | 商品推荐方法、装置、终端设备及存储介质 |
| CN113051486A (zh) * | 2021-04-16 | 2021-06-29 | 深圳市珍爱捷云信息技术有限公司 | 基于交友场景的推荐模型的训练方法、装置、电子设备和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706252A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019169756A1 (zh) | 产品推荐方法、装置及存储介质 | |
| WO2022141861A1 (zh) | 情感分类方法、装置、电子设备及存储介质 | |
| CN114462412B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
| CN112288337B (zh) | 行为推荐方法、装置、设备及介质 | |
| CN112597135A (zh) | 用户分类方法、装置、电子设备及可读存储介质 | |
| CN112800178A (zh) | 答案生成方法、装置、电子设备及可读存储介质 | |
| CN112507230A (zh) | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 | |
| CN113706253A (zh) | 实时产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113706252B (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN114756669A (zh) | 问题意图的智能分析方法、装置、电子设备及存储介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN113178071B (zh) | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 | |
| CN113656690A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113610580B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN112395401A (zh) | 自适应负样本对采样方法、装置、电子设备及存储介质 | |
| CN114818685B (zh) | 关键词提取方法、装置、电子设备及存储介质 | |
| CN113688239B (zh) | 少样本下的文本分类方法、装置、电子设备及存储介质 | |
| CN116362684A (zh) | 一种基于图书馆集群的图书管理方法、装置、设备及存储介质 | |
| CN114281991A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN113821641B (zh) | 基于权重分配的药品分类的方法、装置、设备及存储介质 | |
| CN114706985A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN113705692A (zh) | 基于人工智能的情感分类方法、装置、电子设备及介质 | |
| CN114139530A (zh) | 同义词提取方法、装置、电子设备及存储介质 | |
| CN113312482A (zh) | 问题分类方法、装置、电子设备及可读存储介质 | |
| CN113435970A (zh) | 基于生物信息的产品推荐方法、装置、电子设备及介质 |
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 |