CN113761375A - 基于神经网络的消息推荐方法、装置、设备及存储介质 - Google Patents

基于神经网络的消息推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113761375A
CN113761375A CN202111060519.5A CN202111060519A CN113761375A CN 113761375 A CN113761375 A CN 113761375A CN 202111060519 A CN202111060519 A CN 202111060519A CN 113761375 A CN113761375 A CN 113761375A
Authority
CN
China
Prior art keywords
data
target
information
user
neural network
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
Application number
CN202111060519.5A
Other languages
English (en)
Other versions
CN113761375B (zh
Inventor
刘洋
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.)
Chizhou Guihong Information Technology Co ltd
Original Assignee
Weikun Shanghai Technology Service Co 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 Weikun Shanghai Technology Service Co Ltd filed Critical Weikun Shanghai Technology Service Co Ltd
Priority to CN202111060519.5A priority Critical patent/CN113761375B/zh
Publication of CN113761375A publication Critical patent/CN113761375A/zh
Application granted granted Critical
Publication of CN113761375B publication Critical patent/CN113761375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及人工智能技术领域，揭露一种基于神经网络的消息推荐方法、装置、设备及存储介质，其中方法包括获取用户信息数据，并对用户信息数据进行特征提取，并基于预设序列，将职业信息、年龄信息与预设维度信息进行向量化处理，得到初始数据；将初始数据输入误差逆向神经网络模型中进行训练，得到预测模型；将待推荐用户信息数据进行向量化处理，得到目标数据；通过预测模型将目标数据进行预测计算，得到目标预测值；基于目标预测值，将待推荐消息推送给待推荐用户。本申请还涉及区块链技术，用户信息数据存储于区块链中。本申请结合多个维度计算待推荐用户的特征，输出其最佳的推荐方案，能够有利于提高推荐信息的点击效率。

Description

基于神经网络的消息推荐方法、装置、设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于神经网络的消息推荐方法、装置、设备及存储介质。
背景技术
随着互联网的高速发展，用户的数据重要性与日俱增，对用户线上和线下行为深度洞察，构建全面、精准、多维的用户画像体系，为企业提供丰富的用户画像数据以及实时的场景识别能力，帮助企业全方位了解用户，个性化推荐由此应运而生，多维标签分类，实时场景甄别，实现千人千面运营。这些都属于利用AI与机器学习进行内容创建、利用AI与机器学习进行内容推荐优化。
现有的向用户推送消息的方法是通过工作人员对所有用户设定统一的信息推送时间和通知渠道，并在设定的时间向用户进行推送。然而，有的用户在收到推送信息时由于处于工作状态等原因，不会打开推送的信息，甚至有些通知渠道并不是所有用户都拥有，从而导致推送消息的触达率较低，导致用户对推送消息的点击率较低。现亟需一种能够提高用户对推送消息点击率的方法。
发明内容
本申请实施例的目的在于提出一种基于神经网络的消息推荐方法、装置、设备及存储介质，以提高用户对推送消息的点击率。
为了解决上述技术问题，本申请实施例提供一种基于神经网络的消息推荐方法，包括：
获取用户信息数据，并对用户信息数据进行特征提取，得到每一个用户的职业信息和年龄信息；
基于预设序列，将职业信息、年龄信息与预设维度信息进行向量化处理，得到初始数据，其中，初始数据分为训练数据以及验证数据，预设维度信息包括时间段、日期以及通知渠道；
基于梯度下降法，通过所述初始数据对误差逆向神经网络进行训练，得到预测模型；
获取待推荐用户信息数据，并对待推荐用户信息数据进行向量化处理，得到目标数据，其中，目标数据包括各个时间段、日期以及通知渠道的多维向量；
通过预测模型将目标数据进行预测计算，得到目标预测值，其中，目标预测值包括多维向量对应的目标时间段、目标日期以及目标通知渠道；
基于目标预测值，将待推荐消息按照目标时间段、目标日期以及目标通知渠道推送给待推荐用户。
为了解决上述技术问题，本申请实施例提供一种基于神经网络的消息推荐装置，包括：
用户信息数据获取模块，用于获取用户信息数据，并对用户信息数据进行特征提取，得到每一个用户的职业信息和年龄信息；
初始数据获取模块，用于基于预设序列，将职业信息、年龄信息与预设维度信息进行向量化处理，得到初始数据，其中，初始数据分为训练数据以及验证数据，预设维度信息包括时间段、日期以及通知渠道；
初始数据处理模块，用于基于梯度下降法，通过所述初始数据对误差逆向神经网络进行训练，得到预测模型；
目标数据获取模块，用于获取待推荐用户信息数据，并对待推荐用户信息数据进行向量化处理，得到目标数据，其中，目标数据包括各个时间段、日期以及通知渠道的多维向量；
目标数据计算模块，用于通过预测模型将目标数据进行预测计算，得到目标预测值，其中，目标预测值包括多维向量对应的目标时间段、目标日期以及目标通知渠道；
待推荐消息推送模块，用于基于目标预测值，将待推荐消息按照目标时间段、目标日期以及目标通知渠道推送给待推荐用户。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种计算机设备，包括，一个或多个处理器；存储器，用于存储一个或多个程序，使得一个或多个处理器实现上述任意一项所述的基于神经网络的消息推荐方法。
为解决上述技术问题，本发明采用的一个技术方案是：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计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的基于神经网络的消息推荐方法。
本发明实施例提供了一种基于神经网络的消息推荐方法、装置、设备及存储介质。本发明实施例通过获取用户信息数据，并对用户信息数据进行特征提取，得到每一个用户的职业信息和年龄信息；基于预设序列，将职业信息、年龄信息与预设维度信息进行向量化处理，得到初始数据；基于梯度下降法，通过初始数据对误差逆向神经网络进行训练，得到预测模型；获取待推荐用户信息数据，并对待推荐用户信息数据进行向量化处理，得到目标数据；通过预测模型将目标数据进行预测计算，得到目标预测值；基于目标预测值，将待推荐消息按照目标时间段、目标日期以及目标通知渠道推送给待推荐用户。本申请实施例结合了用户的职业信息、年龄信息、时间段、日期以及通知渠道等多个维度的特征训练得到误差逆向神经网络，提高了误差逆向神经网络的预测准确率，同时也基于多个维度计算每个待推荐用户的特征，输出其最佳的推荐方案，能够有利于提高推荐信息的点击效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的基于神经网络的消息推荐方法的应用环境示意图；
图2根据本申请实施例提供的基于神经网络的消息推荐方法的一实现流程图；
图3是本申请实施例提供的基于神经网络的消息推荐方法中子流程的一实现流程图；
图4是本申请实施例提供的基于神经网络的消息推荐方法中子流程的又一实现流程图；
图5是本申请实施例提供的基于神经网络的消息推荐方法中子流程的又一实现流程图；
图6是本申请实施例提供的基于神经网络的消息推荐方法中子流程的又一实现流程图；
图7是本申请实施例提供的基于神经网络的消息推荐方法中子流程的又一实现流程图；
图8是本申请实施例提供的基于神经网络的消息推荐方法中子流程的又一实现流程图；
图9是本申请实施例提供的基于神经网络的消息推荐装置示意图；
图10是本申请实施例提供的计算机设备的示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
下面结合附图和实施方式对本发明进行详细说明。
请参阅图1，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用、即时通信工具等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
本申请实施例可以基于人工智能技术对用户信息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。
需要说明的是，本申请实施例所提供的基于神经网络的消息推荐方法一般由服务器执行，相应地，基于神经网络的消息推荐装置一般配置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
请参阅图2，图2示出了基于神经网络的消息推荐方法的一种具体实施方式。
需注意的是，若有实质上相同的结果，本发明的方法并不以图2所示的流程顺序为限，该方法包括如下步骤：
S1.获取用户信息数据，并对用户信息数据进行特征提取，得到每一个用户的职业信息和年龄信息。
在本申请实施例中，为了更清楚的理解技术方案，下面对本申请所涉及的终端进行详细介绍。
一是服务器，服务器能够获取用户信息数据，并基于用户信息数据训练误差逆向神经网络，得到预测模型；服务器还可以获取待推荐用户信息数据，并基于预测模型得到待推荐用户的最佳推荐方式，再按照该最佳推荐方式，将推荐消息推荐该待推荐用户。
二是用户端，用户端可以接收服务器所发送的推荐消息，也可以点击查看该推荐消息。
请参阅图3，图3示出了步骤S1的一种具体实施方式，详叙如下：
S11.从数据库中获取用户信息数据。
具体的，通过获取用户身份标识，例如用户姓名、身份证号码等，利用用户身份标识从数据库中识别出用户信息数据。
S12.对用户信息数据进行数据清洗，得到基础数据。
S13.采用正则匹配的方式，从基础数据中提取身份信息、工作信息以及年龄信息，并将身份信息、工作信息转换为对应的职业信息。
具体的，数据库中存储着用户的各种信息数据，包括用户姓名、年龄、工作单位、就读学校等等，并且由于后续需要对用户信息数据进行年龄信息的提取，所以为了保证数据的有效性和提高提取数据的效率，先对该用户信息数据进行数据清洗。然后提取基础数据中的身份信息、工作信息以及年龄信息，提取的方式可以通过正则匹配的提取方式。由于用户信息数据中用户的职业信息可以表现为工作单位或是身份信息的形式，所以要将身份信息和工作信息进行转化为职业信息。该职业信息包括：白领、蓝领、个体户、学生。
本实施例中，从数据库中获取用户信息数据，并对用户信息数据进行数据清洗，得到基础数据，采用正则匹配的方式，提取基础数据中的身份信息、工作信息以及年龄信息，并将身份信息、工作信息转换为对应的职业信息，实现将用户信息数据进行转换，有利于提高后续预测用户最佳的推送途径，从而有利于提高用户对推送消息的点击率。
S2.基于预设序列，将职业信息、年龄信息与预设维度信息进行向量化处理，得到初始数据，其中，初始数据分为训练数据以及验证数据，预设维度信息包括时间段、日期以及通知渠道。
在一具体实施例中，由于每个用户的职业信息和年龄都是固定的，所以将职业信息按顺序排列为白领、蓝领、个体户、学生，年龄信息可以分为18-30作为一个级别，30-40作为一个级别，40+作为一个级别；每个用户的信息对应为哪个职业，哪个年龄段，则取值为1，其他则取值为0，若一个用户职业信息为白领，年龄为20岁，则标记为[1，0，0，0，1，0，0]。而预设维度可以为时间段、日期以及通知渠道。
请参阅图4，图4示出了步骤S2的一种具体实施方式，详叙如下：
S21.将职业信息以及通知渠道按照预设顺序排列，得到第一排列结果。
具体的，由于需要将职业信息与通知渠道进行对应向量转换，则需要将职业信息与通知渠道进行排列，从而得到对应的向量。通知渠道可以为短信通知、微信通知、QQ通知、其他APP通知等。
需要说明的是，预设顺序根据实际情况进行设定，此处不做限定。在一具体实施例中，预设顺序为白领、蓝领、个体户、学生、短信通知、微信通知、QQ通知、其他APP通知。
S22.将年龄信息、时间段以及日期按照预设级别进行顺序排列，得到第二排列结果，并将第一排列结果和第二排列结果进行组合，得到预设排列结果。
S23.将每个用户数据与预设排列结果中的因素进行对比，得到对比结果，并根据对比结果对用户数据进行向量化标记，得到初始数据。
具体的，年龄信息可以分为18-30作为一个级别，30-40作为一个级别，40+作为一个级别，时间段也可以设置为早、中、晚三个级别进行划分，日期可以根据周一到周日进行划分。在用户信息数据落于哪个位置，该位置则记为1，否则为0，则每个用户信息数据得到一组多维向量。将得到的初始数据分为训练数据和验证数据，训练数据占初始数据的80％，验证数据占初始数据的20％。
需要说明的是，预设级别可以根据实际情况进行设定，此处不做限定。
本实施例中，通过将职业信息以及通知渠道按照预设顺序排列，得到第一排列结果，并将年龄信息、时间段以及日期按照预设级别进行顺序排列，得到第二排列结果，并将第一排列结果和第二排列结果进行组合，得到预设排列结果，再将每个用户数据与预设排列结果中的因素进行对比，若用户数据与预设序列的因素相同，则记为1，否则记为0，得到初始数据，实现将用户信息数据按照预设顺序转换为向量形式的初始数据，便于将初始数据进行模型训练，从而有利于预测用户的行为规律。
S3.基于梯度下降法，通过初始数据对误差逆向神经网络进行训练，得到预测模型。
具体的，将初始数据输入到误差逆向神经网络模型中，通过训练数据对误差逆向神经网络模型进行模型训练，验证数据对训练结果进行验证，同时通过将误差逆向传播进行调整模型的权值和偏置系数，且根据梯度下降法调整训练数据，进行模型的迭代计算，当误差值达到预设值时，停止对该模型的迭代计算，从而得到训练好的误差逆向神经网络模型，且将其作为预测模型。
其中，逆向神经网络模型是指BP(back propagation)神经网络，该BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。
请参阅图5，图5示出了步骤S3的一种具体实施方式，详叙如下：
S31.将训练数据输入到误差逆向神经网络中进行计算，得到输出值，并基于预设的期望输出与输出值，确定误差值。
S32.基于误差值调整误差逆向神经网络模型中的权重和偏置参数，得到调整后的误差逆向神经网络模型。
S33.基于梯度下降法，将训练数据以及预设的期望输出计算调整后的误差逆向神经网络模型的误差值，并结合误差值调整误差逆向神经网络模型中的权重和偏置参数，直至误差值小于预设值时，得到预测模型。
具体的，在对误差逆向神经网络模型进行训练的过程中，包括网络的初始化、隐含层的输出、输出层的输出、误差的计算、权值的更新以及偏置系数的更新。
具体的，在网络初始化中，假设训练数据为xi，输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m。输入层到隐含层的权重ωij，隐含层到输出层的权重为ωjk，输入层到隐含层的偏置为αj，隐含层到输出层的偏置为bk。学习速率为η，激励函数为Sigmoid函数σ(x)＝1/(1+e-x)。则隐含层的输出为
Figure BDA0003256321730000091
隐含层可以为多层，多层能使特征分类效果更明显，结果更精准，同样的，层数越多变量参数也增多。而输出层的输出为
Figure BDA0003256321730000092
误差E的计算是基于输出层和预设的期望输出进行计算得来的，其公式为
Figure BDA0003256321730000093
其中Yk为预设的期望输出。记Yk-Ok＝ek则
Figure BDA0003256321730000101
求得预测值与真实值之前的误差，用于后面的权重、偏置变量的更新，自动调节变量值，达到学习目的，能使下一次的预测更加准确。
权值的更新公式为：ωjk＝ωjk+ηHjek；
Figure BDA0003256321730000102
偏置系数的更新公式为：bk＝bk+ηek；
Figure BDA0003256321730000103
本实施例中，通过将训练数据输入到误差逆向神经网络中进行计算，得到输出值，并基于预设的期望输出与输出值，确定误差值，再基于误差值调整误差逆向神经网络模型中的权重和偏置参数，得到调整后的误差逆向神经网络模型，基于梯度下降法，将训练数据以及预设的期望输出计算调整后的误差逆向神经网络模型的误差值，并结合误差值调整误差逆向神经网络模型中的权重和偏置参数，直至误差值小于预设值时，得到预测模型，实现根据用户信息数据训练得到预测模型，有利于后续输出待推荐用户最佳的推荐方案，从而有利于提高推荐信息的点击效率。
请参阅图6，图6示出了步骤S31的一种具体实施方式，详叙如下：
S311.获取误差逆向神经网络模型中预设初始权重以及预设初始偏置系数。
具体的，先预设一个初始权重和初始偏置系数，通过将训练数据和验证数据依次输入到误差逆向神经网络模型中进行特征计算，获取到误差值；再基于误差值逐渐调整预设初始权重以及预设初始偏置系数的大小，重新输入数据进行特征计算，直至训练结束。其中，预设初始权重以及预设初始偏置系数根据实际情况进行设定，此处不做限定。
S312.根据Sigmoid函数，将训练数据依次输入到误差逆向神经网络模型中的输入层、隐含层以及输出层进行计算，得到隐含层的输出结果以及输出层的输出结果。
具体的，Sigmoid函数也叫Logistic函数，用于隐层神经元输出，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间。
S313.获取预设的期望输出，基于预设的期望输出与输出层的输出结果计算处理，得到误差值。
具体的，通过计算每次模型计算后的误差值，用以调整下次计算的权值和偏置系数，使得模型的训练结果的预测值逐渐靠近真实值。
本实施例中，通过获取预设初始权重以及预设初始偏置系数，再将训练数据和验证数据输入到逆向神经网络模型进行计算，得到输出结果和期望输出，然后基于输出结果和期望输出达到误差值，实现每次迭代计算后，得到误差值，有利于将该误差值调整模型权重和偏差系数，有利于提高模型训练精度，从而有利于提高模型预测的准确性。
S4.获取待推荐用户信息数据，并对待推荐用户信息数据进行向量化处理，得到目标数据，其中，目标数据包括各个时间段、日期以及通知渠道的多维向量。
具体的，上述步骤已经训练得到了预测模型，在需要对某一用户或某一用户群体进行消息推荐时，需要预测该用户或用户群体在哪个时间段、哪个日期以及哪种通知渠道下最容易去点击推荐消息。所以需要先获取该推荐用户信息，并提取该用户信息的职业信息和年龄信息，并结合时间段、日期和通知渠道将用户信息数据转化为多维向量。
在一具体实施例中，用户的职业信息为白领，年龄为20岁，则将职业信息和年龄标记向量为[1，0，0，0，1，0，0]，并且由于需要判断该用户哪个时间段、哪个日期以及哪种通知渠道下最容易去点击推荐消息，所以需要将每种情况的都进行向量标记，从而得到多组一维向量，也即得到目标向量。
请参阅图7，图7示出了步骤S4的一种具体实施方式，详叙如下：
S41.获取待推荐用户信息数据。
具体的，待推荐用户信息数据是指需要对其进行消息推送对象的用户信息数据，其包括用户的身份信息、工作信息、年龄信息等。
S42.将待推荐用户信息数据按照预设顺序排列以及按照预设级别进行排序，得到待推荐用户排列结果。
具体的，将待推荐用户信息数据按照预设顺序排列以及按照预设级别进行排序，其排序方式与上述步骤S21-S22相同，为避免重复，此处不再赘述。
S43.将待推荐用户信息数据与待推荐用户排列结果进行向量匹配，得到目标数据。
具体的，将待推荐用户信息数据与待推荐用户排列结果进行向量匹配，若是待推荐用户信息数据与待推荐用户排列结果的因素相同，则记为1，否则记为0，得到一组多维向量，作为用户信息向量。再将各个时间段、日期以及通知渠道所形成的向量与上述用户信息向量进行组合得到目标数据。由于每个用户信息数据是不变的，将各种情况下，也即各个时间段、日期以及通知渠道，与用户信息数据组合，得到目标数据，用于判断待推荐用户适合在哪个时间段、日期以及通知渠道进行消息推送。
本实施例中，通过获取待推荐用户信息数据，并将将待推荐用户信息数据按照预设顺序排列以及预设级别进行排序，得到待推荐用户排列结果，最后将待推荐用户信息数据与待推荐用户排列结果进行向量匹配，得到目标数据，便于后续对待推荐用户进行预测，得到待推荐用户适合在哪种时间段、日期以及通知渠道进行推送。
S5.通过预测模型将目标数据进行预测计算，得到目标预测值，其中，目标预测值包括多维向量对应的目标时间段、目标日期以及目标通知渠道。
具体的，将各个时间段、日期以及通知渠道的目标数据依次输入到预测模型中进行预测计算，得到各个结果，由于预测值越大，说明在该种情况下，用户点击推荐消息的概率越大，所以选择各个结果中数值最大的作为最终结果，也目标预测结果，该目标预测结果包括目标时间段、目标日期和目标通知渠道。
请参阅图8，图8示出了步骤S5的一种具体实施方式，详叙如下：
S51.将各个时间段、日期以及通知渠道的目标数据依次输入到预测模型中进行预测计算，得到预测值集合，其中，预测值集合包括各个时间段、日期以及通知渠道的目标数据对应的预测值。
具体的，由于每个待推荐用户信息数据是固定的，本申请实施例是将各个时间段、日期以及通知渠道与待推荐用户信息数据组成的目标数据依次输入到待推荐用户信息数据，从而得到在各个时间段、日期以及通知渠道下的预测值。
S52.在预测值集合中，分别选取时间段、日期以及通知渠道对应的最大预测值，并将最大预测值进行组合，得到目标预测值。
具体的，预测值越大，说明在该种情况下将待推荐信息推荐给待推荐用户，待推荐用户进行点击的可能性就越大，所以分别选取时间段、日期以及通知渠道对应的最大预测值，并将最大预测值进行组合，得到目标预测值。
本实施例中，通过将各个时间段、日期以及通知渠道的目标数据依次输入到预测模型中进行预测计算，得到预测值集合，并分别选取时间段、日期以及通知渠道对应的最大预测值，并将最大预测值进行组合，得到目标预测值，实现基于多个维度计算每个待推荐用户的特征，得到待推荐用户最佳的推荐方案，从而有利于提高推荐信息的点击效率。
S6.基于目标预测值，将待推荐消息按照目标时间段、目标日期以及目标通知渠道推送给待推荐用户。
具体的，上述步骤得到了目标预测值，根据目标预测值可以获取到用于模型计算的目标数据，该目标数据对应则用户的职业信息、年龄、时间段、日期、以及通知渠道，所以按照该目标数据所记录的时间段、日期以及通知渠道将推荐消息推送给待推荐用户。
本实施例中，通过获取用户信息数据，并对用户信息数据进行特征提取，得到每一个用户的职业信息和年龄信息；基于预设序列，将职业信息、年龄信息与预设维度信息进行向量化处理，得到初始数据；基于梯度下降法，将初始数据输入误差逆向神经网络模型中进行训练，得到预测模型；获取待推荐用户信息数据，并对待推荐用户信息进行向量化处理，得到目标数据；通过预测模型将目标数据进行预测计算，得到目标预测值；基于目标预测值，将待推荐消息按照目标时间段、目标日期以及目标通知渠道推送给待推荐用户，实现结合了用户的职业信息、年龄信息、时间段、日期以及通知渠道等多个维度的特征训练得到误差逆向神经网络，提高了误差逆向神经网络的预测准确率，同时也基于多个维度计算每个待推荐用户的特征，输出其最佳的推荐方案，能够有利于提高推荐信息的点击效率。
需要强调的是，为进一步保证上述用户信息数据的私密和安全性，上述用户信息数据还可以存储于一区块链的节点中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
请参考图9，作为对上述图2所示方法的实现，本申请提供了一种基于神经网络的消息推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图9所示，本实施例的基于神经网络的消息推荐装置包括：用户信息数据获取模块71、初始数据获取模块72、初始数据处理模块73、目标数据获取模块74、目标数据计算模块75及待推荐消息推送模块76，其中：
用户信息数据获取模块71，用于获取用户信息数据，并对用户信息数据进行特征提取，得到每一个用户的职业信息和年龄信息；
初始数据获取模块72，用于基于预设序列，将职业信息、年龄信息与预设维度信息进行向量化处理，得到初始数据，其中，初始数据分为训练数据以及验证数据，预设维度信息包括时间段、日期以及通知渠道；
初始数据处理模块73，用于基于梯度下降法，通过初始数据对误差逆向神经网络进行训练，得到预测模型；
目标数据获取模块74，用于获取待推荐用户信息数据，并对待推荐用户信息数据进行向量化处理，得到目标数据，其中，目标数据包括各个时间段、日期以及通知渠道的多维向量；
目标数据计算模块75，用于通过预测模型将目标数据进行预测计算，得到目标预测值，其中，目标预测值包括多维向量对应的目标时间段、目标日期以及目标通知渠道；
待推荐消息推送模块76，用于基于目标预测值，将待推荐消息按照目标时间段、目标日期以及目标通知渠道推送给待推荐用户。
进一步的，用户信息数据获取模块71包括：
用户信息数据提取单元，用于从数据库中获取用户信息数据；
用户信息数据清洗单元，用于对用户信息数据进行数据清洗，得到基础数据；
职业信息转换单元，用于采用正则匹配的方式，从基础数据中提取身份信息、工作信息以及年龄信息，并将身份信息、工作信息转换为对应的职业信息。
进一步的，初始数据获取模块72包括：
第一排列结果生成单元，用于将职业信息以及通知渠道按照预设顺序排列，得到第一排列结果；
第二排列结果生成单元，用于将年龄信息、时间段以及日期按照预设级别进行排列，得到第二排列结果，并将第一排列结果和第二排列结果进行组合，得到预设排列结果；
用户数据对比单元，用于将每个用户数据与预设排列结果中的因素进行对比，得到对比结果，并根据对比结果对用户数据进行向量化标记，得到初始数据。
进一步的，初始数据处理模块73包括：
训练数据输入单元，用于将训练数据输入到误差逆向神经网络中进行计算，得到输出值，并基于预设的期望输出与输出值，确定误差值；
误差值调整单元，用于基于梯度下降法，将训练数据以及预设的期望输出计算调整后的误差逆向神经网络模型的误差值，并结合误差值调整误差逆向神经网络模型中的权重和偏置参数，直至误差值小于预设值时，得到预测模型；
预测模型生成单元，用于基于梯度下降法，将训练数据重新输入到调整后的误差逆向神经网络模型进行计算，直至误差值达到预设值时，得到预测模型。
进一步的，训练数据输入单元包括：
初始系数获取子单元，用于获取误差逆向神经网络模型中预设初始权重以及预设初始偏置系数；
训练数据计算子单元，用于根据Sigmoid函数，将训练数据依次输入到误差逆向神经网络模型中的输入层、隐含层以及输出层进行计算，得到隐含层的输出结果以及输出层的输出结果；
期望输出获取子单元，用于获取预设的期望输出，基于预设的期望输出与输出层的输出结果计算处理，得到误差值。
进一步的，目标数据获取模块74包括：
待推荐用户信息数据获取单元，用于获取待推荐用户信息数据；
待推荐用户排列结果获取单元，用于将待推荐用户信息数据按照预设顺序排列以及按照预设级别进行排序，得到待推荐用户排列结果；
向量匹配单元，用于将待推荐用户信息数据与待推荐用户排列结果进行向量匹配，得到目标数据。
进一步的，目标数据计算模块75包括：
预测值集合获取单元，用于将各个时间段、日期以及通知渠道的目标数据依次输入到预测模型中进行预测计算，得到预测值集合，其中，预测值集合包括各个时间段、日期以及通知渠道的目标数据对应的预测值；
目标预测值确定单元，用于在预测值集合中，分别选取时间段、日期以及通知渠道对应的最大预测值，并将最大预测值进行组合，得到目标预测值。
需要强调的是，为进一步保证上述用户信息数据的私密和安全性，上述用户信息数据还可以存储于一区块链的节点中。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图10，图10为本实施例计算机设备基本结构框图。
计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是，图中仅示出了具有三种组件存储器81、处理器82、网络接口83的计算机设备8，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
存储器81至少包括一种类型的可读存储介质，可读存储介质包括闪存、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。在一些实施例中，存储器81可以是计算机设备8的内部存储单元，例如该计算机设备8的硬盘或内存。在另一些实施例中，存储器81也可以是计算机设备8的外部存储设备，例如该计算机设备8上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器81还可以既包括计算机设备8的内部存储单元也包括其外部存储设备。本实施例中，存储器81通常用于存储安装于计算机设备8的操作系统和各类应用软件，例如基于神经网络的消息推荐方法的程序代码等。此外，存储器81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82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82通常用于控制计算机设备8的总体操作。本实施例中，处理器82用于运行存储器81中存储的程序代码或者处理数据，例如运行上述基于神经网络的消息推荐方法的程序代码，以实现基于神经网络的消息推荐方法的各种实施例。
网络接口83可包括无线网络接口或有线网络接口，该网络接口83通常用于在计算机设备8与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序可被至少一个处理器执行，以使至少一个处理器执行如上述的一种基于神经网络的消息推荐方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例的方法。
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。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于神经网络的消息推荐方法，其特征在于，包括：
获取用户信息数据，并对所述用户信息数据进行特征提取，得到每一个用户的职业信息和年龄信息；
基于预设序列，将所述职业信息、所述年龄信息与预设维度信息进行向量化处理，得到初始数据，其中，所述初始数据分为训练数据以及验证数据，所述预设维度信息包括时间段、日期以及通知渠道；
基于梯度下降法，通过所述初始数据对误差逆向神经网络进行训练，得到预测模型；
获取待推荐用户信息数据，并对所述待推荐用户信息数据进行向量化处理，得到目标数据，其中，所述目标数据包括各个时间段、日期以及通知渠道的多维向量；
通过所述预测模型将所述目标数据进行预测计算，得到目标预测值，其中，所述目标预测值包括所述多维向量对应的目标时间段、目标日期以及目标通知渠道；
基于所述目标预测值，将待推荐消息按照所述目标时间段、目标日期以及目标通知渠道推送给待推荐用户。
2.根据权利要求1所述的基于神经网络的消息推荐方法，其特征在于，所述获取用户信息数据，并对所述用户信息数据进行特征提取，得到每一个用户的职业信息和年龄信息，包括：
从数据库中获取所述用户信息数据；
对所述用户信息数据进行数据清洗，得到基础数据；
采用正则匹配的方式，从所述基础数据中提取身份信息、工作信息以及年龄信息，并将所述身份信息、工作信息转换为对应的职业信息。
3.根据权利要求1所述的基于神经网络的消息推荐方法，其特征在于，所述基于预设序列，将所述职业信息、所述年龄信息与预设维度信息进行向量化处理，得到初始数据，包括：
将所述职业信息以及所述通知渠道按照预设顺序排列，得到第一排列结果；
将所述年龄信息、所述时间段以及所述日期按照预设级别进行排列，得到第二排列结果，并将所述第一排列结果和第二排列结果进行组合，得到预设排列结果；
将每个所述用户数据与所述预设排列结果中的因素进行对比，得到对比结果，并根据所述对比结果对所述用户数据进行向量化标记，得到所述初始数据。
4.根据权利要求1所述的基于神经网络的消息推荐方法，其特征在于，所述基于梯度下降法，通过所述初始数据对误差逆向神经网络进行训练，得到预测模型，包括：
将所述训练数据输入到所述误差逆向神经网络中进行计算，得到输出值，并基于预设的期望输出与所述输出值，确定误差值；
基于所述误差值调整所述误差逆向神经网络模型中的权重和偏置参数，得到调整后的误差逆向神经网络模型；
基于梯度下降法，将所述训练数据以及所述预设的期望输出计算调整后的所述误差逆向神经网络模型的误差值，并结合所述误差值调整所述误差逆向神经网络模型中的权重和偏置参数，直至所述误差值小于预设值时，得到所述预测模型。
5.根据权利要求4所述的基于神经网络的消息推荐方法，其特征在于，所述将所述训练数据输入到所述误差逆向神经网络中进行计算，得到输出值，并基于预设的期望输出与所述输出值，确定误差值，包括：
获取所述误差逆向神经网络模型中预设初始权重以及预设初始偏置系数；
根据Sigmoid函数，将所述训练数据依次输入到所述误差逆向神经网络模型中的输入层、隐含层以及输出层进行计算，得到隐含层的输出结果以及输出层的输出结果；
获取所述预设的期望输出，基于所述预设的期望输出与所述输出层的输出结果计算处理，得到所述误差值。
6.根据权利要求3所述的基于神经网络的消息推荐方法，其特征在于，所述获取待推荐用户信息数据，并对所述待推荐用户信息数据进行向量化处理，得到目标数据，包括：
获取所述待推荐用户信息数据；
将所述待推荐用户信息数据按照所述预设顺序排列以及按照所述预设级别进行排序，得到待推荐用户排列结果；
将所述待推荐用户信息数据与所述待推荐用户排列结果进行向量匹配，得到所述目标数据。
7.根据权利要求1至6任一项所述的基于神经网络的消息推荐方法，其特征在于，所述通过所述预测模型将所述目标数据进行预测计算，得到目标预测值，包括：
将各个时间段、日期以及通知渠道的所述目标数据依次输入到所述预测模型中进行预测计算，得到预测值集合，其中，所述预测值集合包括各个所述时间段、日期以及通知渠道的目标数据对应的预测值；
在所述预测值集合中，分别选取所述时间段、所述日期以及所述通知渠道对应的最大预测值，并将所述最大预测值进行组合，得到所述目标预测值。
8.一种基于神经网络的消息推荐装置，其特征在于，包括：
用户信息数据获取模块，用于获取用户信息数据，并对所述用户信息数据进行特征提取，得到每一个用户的职业信息和年龄信息；
初始数据获取模块，用于基于预设序列，将所述职业信息、所述年龄信息与预设维度信息进行向量化处理，得到初始数据，其中，所述初始数据分为训练数据以及验证数据，所述预设维度信息包括时间段、日期以及通知渠道；
初始数据处理模块，用于基于梯度下降法，通过所述初始数据对误差逆向神经网络进行训练，得到预测模型；
目标数据获取模块，用于获取待推荐用户信息数据，并对所述待推荐用户信息数据进行向量化处理，得到目标数据，其中，所述目标数据包括各个时间段、日期以及通知渠道的多维向量；
目标数据计算模块，用于通过所述预测模型将所述目标数据进行预测计算，得到目标预测值，其中，所述目标预测值包括所述多维向量对应的目标时间段、目标日期以及目标通知渠道；
待推荐消息推送模块，用于基于所述目标预测值，将待推荐消息按照所述目标时间段、目标日期以及目标通知渠道推送给待推荐用户。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于神经网络的消息推荐方法。
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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于神经网络的消息推荐方法。
CN202111060519.5A 2021-09-10 2021-09-10 基于神经网络的消息推荐方法、装置、设备及存储介质 Active CN113761375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111060519.5A CN113761375B (zh) 2021-09-10 2021-09-10 基于神经网络的消息推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111060519.5A CN113761375B (zh) 2021-09-10 2021-09-10 基于神经网络的消息推荐方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113761375A true CN113761375A (zh) 2021-12-07
CN113761375B CN113761375B (zh) 2024-09-27

Family

ID=78794672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111060519.5A Active CN113761375B (zh) 2021-09-10 2021-09-10 基于神经网络的消息推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113761375B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862472A (zh) * 2022-05-19 2022-08-05 上海钧正网络科技有限公司 一种文案生成与投放方法、装置、电子设备以及介质
CN116205694A (zh) * 2023-05-04 2023-06-02 品茗科技股份有限公司 造价定额自动推荐配合比的方法、装置、设备及介质
WO2024104241A1 (zh) * 2022-11-14 2024-05-23 上海淇玥信息技术有限公司 一种基于模型隐式多目标融合的消息推送方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190012894A (ko) * 2017-07-29 2019-02-11 한남대학교 산학협력단 구매패턴데이터를 이용한 개인화된 구매시점예측방법 및 타겟프로모션시스템
CN110458637A (zh) * 2019-06-19 2019-11-15 中国平安财产保险股份有限公司 基于神经网络的产品推送方法、及其相关设备
CN111967924A (zh) * 2019-05-20 2020-11-20 北京京东尚科信息技术有限公司 商品推荐方法、商品推荐装置、计算机设备和介质
CN112084383A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质
WO2021169218A1 (zh) * 2020-02-26 2021-09-02 平安科技（深圳）有限公司 数据推送方法、系统、电子装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190012894A (ko) * 2017-07-29 2019-02-11 한남대학교 산학협력단 구매패턴데이터를 이용한 개인화된 구매시점예측방법 및 타겟프로모션시스템
CN111967924A (zh) * 2019-05-20 2020-11-20 北京京东尚科信息技术有限公司 商品推荐方法、商品推荐装置、计算机设备和介质
CN110458637A (zh) * 2019-06-19 2019-11-15 中国平安财产保险股份有限公司 基于神经网络的产品推送方法、及其相关设备
WO2021169218A1 (zh) * 2020-02-26 2021-09-02 平安科技（深圳）有限公司 数据推送方法、系统、电子装置及存储介质
CN112084383A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙雨生;朱金宏;李亚奇;: "国内基于大数据的信息推荐研究进展:核心内容", 现代情报, no. 08, 1 August 2020 (2020-08-01) *
顾强;: "终端产品推荐预测模型", 计算机时代, no. 07, 15 July 2020 (2020-07-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862472A (zh) * 2022-05-19 2022-08-05 上海钧正网络科技有限公司 一种文案生成与投放方法、装置、电子设备以及介质
WO2024104241A1 (zh) * 2022-11-14 2024-05-23 上海淇玥信息技术有限公司 一种基于模型隐式多目标融合的消息推送方法及装置
CN116205694A (zh) * 2023-05-04 2023-06-02 品茗科技股份有限公司 造价定额自动推荐配合比的方法、装置、设备及介质
CN116205694B (zh) * 2023-05-04 2023-10-24 品茗科技股份有限公司 造价定额自动推荐配合比的方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113761375B (zh) 2024-09-27

Similar Documents

Publication Publication Date Title
CN113761375B (zh) 基于神经网络的消息推荐方法、装置、设备及存储介质
CN109766418B (zh) 用于输出信息的方法和装置
CN112632278A (zh) 一种基于多标签分类的标注方法、装置、设备及存储介质
CN112860919B (zh) 基于生成模型的数据标注方法、装置、设备及存储介质
CN110163252B (zh) 数据分类方法及装置、电子设备、存储介质
CN112529888B (zh) 基于深度学习的人脸图像评估方法、装置、设备及介质
CN112925911B (zh) 基于多模态数据的投诉分类方法及其相关设备
CN112699213A (zh) 语音意图识别方法、装置、计算机设备及存储介质
CN115941322A (zh) 基于人工智能的攻击检测方法、装置、设备及存储介质
CN115130711A (zh) 一种数据处理方法、装置、计算机及可读存储介质
CN115099326A (zh) 基于人工智能的行为预测方法、装置、设备及存储介质
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN113807728A (zh) 基于神经网络的绩效考核方法、装置、设备及存储介质
CN114359582A (zh) 一种基于神经网络的小样本特征提取方法及相关设备
CN116796730A (zh) 基于人工智能的文本纠错方法、装置、设备及存储介质
CN114398466A (zh) 基于语义识别的投诉分析方法、装置、计算机设备及介质
CN116777646A (zh) 基于人工智能的风险识别方法、装置、设备及存储介质
CN116796140A (zh) 基于人工智能的异常分析方法、装置、设备及存储介质
CN116166858A (zh) 基于人工智能的信息推荐方法、装置、设备及存储介质
CN116701593A (zh) 基于GraphQL的中文问答模型训练方法及其相关设备
CN115860835A (zh) 基于人工智能的广告推荐方法、装置、设备及存储介质
CN115730603A (zh) 基于人工智能的信息提取方法、装置、设备及存储介质
CN114780809A (zh) 基于强化学习的知识推送方法、装置、设备及存储介质
CN109885647B (zh) 用户履历验证方法、装置、电子设备及存储介质
CN113792342B (zh) 一种脱敏数据还原的方法、装置、计算机设备及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20240902

Address after: 247100 Building 25, Chizhou Hui Mall, Zhanqian Road, Zhanqian District, Qingxi Street, Guichi District, Chizhou City, Anhui Province, China

Applicant after: Chizhou Guihong Information Technology Co.,Ltd.

Country or region after: China

Address before: 200135 floor 15, No. 1333, Lujiazui Ring Road, pilot Free Trade Zone, Pudong New Area, Shanghai

Applicant before: Weikun (Shanghai) Technology Service Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant