CN113762521A - 确定目标物品的方法和系统 - Google Patents
确定目标物品的方法和系统 Download PDFInfo
- Publication number
- CN113762521A CN113762521A CN202010698882.9A CN202010698882A CN113762521A CN 113762521 A CN113762521 A CN 113762521A CN 202010698882 A CN202010698882 A CN 202010698882A CN 113762521 A CN113762521 A CN 113762521A
- Authority
- CN
- China
- Prior art keywords
- depth model
- model
- data
- article
- information data
- 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 37
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000013499 data model Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000009499 grossing Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 62
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 14
- 230000007547 defect Effects 0.000 abstract description 13
- 238000012795 verification Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了确定目标物品的方法和系统,涉及计算机技术领域。该方法的一具体实施方式包括:将待确定物品的属性数据输入至所述信息数据模型中,输出所述物品的信息数据;若所述信息数据对应的数值满足预设阈值,则将所述待确定物品确定为目标物品;所述信息数据模型是由下述步骤得到:根据完成平滑处理后的原始训练数据,生成第一深度模型和第二深度模型;将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型。该实施方式解决了现有技术采用人工总结规则确定目标物品存在的成本高、不准确的技术缺陷,同时避免了现有技术采用模拟器确定目标物品存在的较难验证的技术缺陷,进而达到降低确认目标物品错误率的技术效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种确定目标物品的方法和系统。
背景技术
现有技术在确定物品是否为用户所期望的目标物品时,一般基于规则和策略的方法进行确定。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
在利用专家总结的规则确定用户所期望的目标物品时,存在不准确、且成本高的技术缺陷;
根据策略确定用户所期望的目标物品,也就是利用模拟器进行确定目标物品,其确定结果存在较难验证的技术缺陷。
发明内容
有鉴于此,本发明实施例提供一种确定目标物品的方法和系统,能够解决现有技术采用人工总结规则确定目标物品成本高、不准确的技术缺陷,同时避免现有技术采用模拟器确定目标物品存在的较难验证的技术缺陷,进而达到降低确认目标物品错误率的技术效果。
为实现上述目的,根据本发明实施例的一个方面,提供了一种确定目标物品的方法,包括:
将待确定物品的属性数据输入至所述信息数据模型中,输出所述物品的信息数据;
若所述信息数据对应的数值满足预设阈值,则将所述待确定物品确定为目标物品;
所述信息数据模型是由下述步骤得到:
根据完成平滑处理后的原始训练数据,生成第一深度模型和第二深度模型;
将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型。
可选地,根据完成平滑处理后的原始训练数据,生成第一深度模型和第二深度模型,包括:
获取原始训练数据;
对所述原始训练数据进行平滑处理,生成第一标记集合和第二标记集合;
采用所述第一标记集合训练生成第一深度模型;
采用所述第二标记集合训练生成第二深度模型。
可选地,获取原始训练数据,包括:
获取用户完成交易的订单数据;根据所述订单数据,确定所述订单数据对应物品的第一折扣率;根据所述第一折扣率构建等式约束条件;
获取用户未完成交易的浏览数据;根据所述浏览数据,确定所述浏览数据对应物品的第二折扣率;根据所述第二折扣率构建不等式约束条件;
将所述等式约束条件和不等式约束条件的组合称为原始训练数据。
可选地,对所述原始训练数据进行平滑处理,生成第一标记集合和第二标记集合,包括:
对所述原始训练数据加入第一噪声,生成第一训练数据;根据所述第一训练数据生成第一标记集合;
对所述原始训练数据加入第二噪声,生成第二训练数据;根据所述第二训练数据生成第二标记集合;
其中,所述第一噪声和第二噪声满足0至a中均匀分布,其中a为超参数。
可选地,将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型,包括:
将所述第一深度模型的输出确定为第一输出;将所述第二深度模型的输出确定为第二输出;
根据所述第一深度模型和第二深度模型,构建损失函数;
将所述第一输出与所述第二输出之间的差值最小、所述损失函数对应的数值最小确定为训练条件;
根据所述训练条件,将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型。
可选地,根据所述第一深度模型和第二深度模型,构建损失函数,包括:
根据所述第一深度模型和第二深度模型,构建所述损失函数的等式部分;
根据所述第一深度模型和第二深度模型,构建所述损失函数的不等式部分;
将所述损失函数的等式部分和不等式部分进行组合,生成损失函数。
可选地,所述损失函数为:
L=Le+Ln
其中,L表示损失函数;Le表示所述等式部分的损失函数的等式部分;Ln表示所述不等式部分的损失函数的不等式部分;
所述损失函数的等式部分为:
所述损失函数的不等式部分为:
根据本发明实施例的再一个方面,提供了一种确定目标物品的系统,包括:
数据处理装置,用于接收待确定物品的属性数据输入,并经过信息数据模型处理,输出所述物品的信息数据;
所述信息数据模型是由下述步骤得到:
根据完成平滑处理后的原始训练数据,生成第一深度模型和第二深度模型;
将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型;
物品确定装置,用于若所述信息数据对应的数值满足预设阈值,则将所述待确定物品确定为目标物品。
根据本发明实施例的另一个方面,提供了一种确定目标物品的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明提供的确定目标物品的方法。
根据本发明实施例的还一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明提供的确定目标物品的方法。
上述发明中的一个实施例具有如下优点或有益效果:
通过根据原始训练数据生成第一深度模型和第二深度模型,再利用所述第一深度模型和第二深度模型进行互相学习生成信息数据模型的技术手段,解决了现有技术采用人工总结规则方法成本高、不准确的技术缺陷,同时避免了现有技术采用模拟器确定目标物品存在的较难验证的技术缺陷,进而达到降低确认目标物品错误率的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的一种确定目标物品的方法的主要流程的示意图;
图2是根据本发明实施例的生成信息数据模型示意图;
图3是根据本发明实施例的一种确定目标物品的方法的具体实施例的流程示意图;
图4是根据本发明实施例的一种确定目标物品的系统的主要结构的示意图;
图5是本发明实施例可以应用于其中的示例性系统架构图;
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的一种确定目标物品的方法的主要流程的示意图,如图1所示,包括:
步骤S101、将待确定物品的属性数据输入至所述信息数据模型中,输出所述物品的信息数据;
其中,所述信息数据模型是由下述步骤得到:
根据完成平滑处理后的原始训练数据,生成第一深度模型和第二深度模型;
将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型。
步骤S102、若所述信息数据对应的数值满足预设阈值,则将所述待确定物品确定为目标物品。
所述原始训练数据是用户历史浏览过的物品对应的数据。具体地,当用户直接确认物品为目标物品时,即可确定所述用户对所述目标物品的属性信息较为满意。例如在预估所述用户能够接受物品的折扣率时,所述原始训练数据可以包含所述用户的基本属性、物品的基本属性和用户购买所述物品时的真实折扣率。在可选实施例中,可以依据待确定物品的折扣率是否符合用户的预期,确定所述待确定物品是否为目标物品。
在实际应用中,存在大量的情况下用户仅对物品进行浏览,而不是将物品确认为目标物品。这种情况下的数据也是具备参考意义的,例如,在预估所述用户能够接受物品的折扣率时,若用户没有将物品确定为目标物品,则说明所述物品的折扣率可能不满足用户的预期,进而也可以将这种情况下用户的基本属性、物品的基本属性和用户浏览所述物品时的折扣率进行组合确定为原始训练数据。
具体地,根据完成平滑处理后的原始训练数据,生成第一深度模型和第二深度模型之前,包括:
获取原始训练数据;
对所述原始训练数据进行平滑处理,生成第一标记集合和第二标记集合;
采用所述第一标记集合训练生成第一深度模型;
采用所述第二标记集合训练生成第二深度模型。
其中,获取原始训练数据,可以包括:
获取用户完成交易的订单数据;根据所述订单数据,确定所述订单数据对应物品的第一折扣率;根据所述第一折扣率构建等式约束条件;
获取用户未完成交易的浏览数据;根据所述浏览数据,确定所述浏览数据对应物品的第二折扣率;根据所述第二折扣率构建不等式约束条件;
将所述等式约束条件和不等式约束条件的组合称为原始训练数据。
通过根据原始训练数据生成第一深度模型和第二深度模型,再利用所述第一深度模型和第二深度模型进行互相学习生成信息数据模型的技术手段,解决了现有技术采用人工总结规则成本高、不准确的技术缺陷,同时避免了现有技术采用模拟器确定目标物品存在的较难验证的技术缺陷,进而达到降低确认目标物品错误率的技术效果。
通过将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型的技术手段可以使得两个模型对于同一样本的输出尽可能一致,进一步达到降低确认物品错误率的技术效果。
在实际应用中对原始训练数据可以采用回归训练,进而达到提高确认物品正确率的技术效果。
可选地,对所述原始训练数据进行平滑处理,生成第一标记集合和第二标记集合,包括:
对所述原始训练数据加入第一噪声,生成第一训练数据;根据所述第一训练数据生成第一标记集合;
对所述原始训练数据加入第二噪声,生成第二训练数据;根据所述第二训练数据生成第二标记集合;
其中,所述第一噪声和第二噪声满足0至a中均匀分布,其中a为超参数。
若将原始训练数据直接用于信息数据模型可能存在过拟合的技术缺陷,进而在本申请可选实施例中可以通过将原始训练数据加入噪声数据的技术手段进而实现对原始训练数据实现平滑,进而提高信息数据模型性能的技术效果。
在本申请可选实施例中,可以将通过添加噪声的方式生成两个第一训练数据和第二训练数据,就可以得到两个具有差异性的标记集合。通过两个具有差异性的标记集合训练两个深度模型,可以使得两个深度模型相互学习,达到提高最终信息数据模型准确率的技术效果。
具体地,对所述原始训练数据进行平滑处理的表达式为:
其中,yi表示物品xi的真实折扣率,U表示[0,a]的均匀分布,这里a是个超参数。
所述超参数也是指一个参数(未知变量),可以对训练得到的参数有影响,通过对超参数的调整,可以达到优化信息数据模型的效果。具体地,可以通过交叉验证确定超参数。由于噪声的取值不同,进而可以生成第一平滑标记和第二平滑标记
可选地,将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型,包括:
将所述第一深度模型的输出确定为第一输出;将所述第二深度模型的输出确定为第二输出;
根据所述第一深度模型和第二深度模型,构建损失函数;
将所述第一输出与所述第二输出之间的差值最小、所述损失函数对应的数值最小确定为训练条件;
根据所述训练条件,将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型。
由于不同的模型可以从不同的角度确定目标物品,本申请通过两个深度模型相互学习的技术手段可以实现综合多种角度确定目标物品的技术效果,进一步实现更准确地确定目标物品的技术效果。
深度模型的输出(具体包括第一输出和第二输出)可以为一个表达式或一个数值,本申请可选实施例通过第一深度模型与第二深度模型进行相互学习,使得第一输出与第二输出之间的差值最小的技术手段,使得两个模型输出的结果更为接近,进而达到在确定目标物品时,通过完成相互学习的信息数据模型确定较为准确的目标物品。
作为一个示例,在使用信息数据模型确定物品的信息数据过程中,由于信息数据模型中包括第一深度模型和第二深度模型,第一深度模型会针对物品的属性数据输出一个信息数据,第二深度模型会针对物品的属性数据输出另一个信息数据。上述两个信息数据完全相同的可能性较小,可以将上述两个信息数据的平均值,作为信息数据模型输出的信息数据。这样,在输出信息数据的过程中,两个深度模型还可以互相学习,以提高输出信息数据的准确性。
可选地,根据所述第一深度模型和第二深度模型,构建损失函数,包括:
根据所述第一深度模型和第二深度模型,构建所述损失函数的等式部分;
根据所述第一深度模型和第二深度模型,构建所述损失函数的不等式部分;
将所述损失函数的等式部分和不等式部分进行组合,生成损失函数。
通过将损失函数的取值降为最小的技术手段,可以使得信息数据模型输出的错误率更低,进而达到提高信息数据模型输出准确率的技术效果。
由于在本申请可选实施例中,原始训练数据是由等式约束条件和不等式约束条件的组合生成的。在生成损失函数时分别确定等式约束条件对应的损失函数和不等式约束条件对应的约束条件的技术手段,可以增加损失函数精确性。
可选地,所述损失函数为:
L=Le+Ln
其中,L表示损失函数;Le表示所述等式部分的损失函数的等式部分;Ln表示所述不等式部分的损失函数的不等式部分;
所述损失函数的等式部分为:
所述损失函数的不等式部分为:
图2是根据本发明实施例的生成信息数据模型示意图。
如图2所示,原始训练数据通过所述第一深度模型得到第一输出通过所述第二深度模型得到第二输出利用设置所述第一输出和第二输出之间的差值最小,进而使得所述第一深度模型与所述第二深度模型进行相互学习,进而生成第一标记集合中的元素第二标记集合中的元素
本申请可选实施例中采用的深度相互学习的方法也可以替换成其他机器学习的模型,例如线性模型或者树模型(XGBoost)等,与本申请实质上相同。
下面以一具体实施例详细说明本申请的技术方案。
图3是根据本发明实施例的一种确定目标物品的方法的具体实施例的流程示意图;如图3所示,包括:
步骤S301、根据用户基本属性、用户与物品之间的交互属性、物品基本属性生成原始训练数据;
步骤S302、根据所述原始训练数据,生成第一深度模型(步骤S303)和第二深度模型(步骤S304);
步骤S304、对第一深度模型和第二深度模型进行深度相互学习;
步骤S305、生成信息数据模型
图4是根据本发明实施例的一种确定目标物品的系统的主要结构的示意图;如图4所示,提供了一种确定目标物品的系统,包括:
数据处理装置401,用于接收待确定物品的属性数据输入,并经过信息数据模型处理,输出所述物品的信息数据;
所述信息数据模型是由下述步骤得到:
根据完成平滑处理后的原始训练数据,生成第一深度模型和第二深度模型;
将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型;
物品确定装置402,用于若所述信息数据对应的数值满足预设阈值,则将所述待确定物品确定为目标物品。
可选地,根据完成平滑处理后的原始训练数据,生成第一深度模型和第二深度模型,包括:
获取原始训练数据;
对所述原始训练数据进行平滑处理,生成第一标记集合和第二标记集合;
采用所述第一标记集合训练生成第一深度模型;
采用所述第二标记集合训练生成第二深度模型。
可选地,获取原始训练数据,包括:
获取用户完成交易的订单数据;根据所述订单数据,确定所述订单数据对应物品的第一折扣率;根据所述第一折扣率构建等式约束条件;
获取用户未完成交易的浏览数据;根据所述浏览数据,确定所述浏览数据对应物品的第二折扣率;根据所述第二折扣率构建不等式约束条件;
将所述等式约束条件和不等式约束条件的组合称为原始训练数据。
可选地,对所述原始训练数据进行平滑处理,生成第一标记集合和第二标记集合,包括:
对所述原始训练数据加入第一噪声,生成第一训练数据;根据所述第一训练数据生成第一标记集合;
对所述原始训练数据加入第二噪声,生成第二训练数据;根据所述第二训练数据生成第二标记集合;
其中,所述第一噪声和第二噪声满足0至a中均匀分布,其中a为超参数。
可选地,将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型,包括:
将所述第一深度模型的输出确定为第一输出;将所述第二深度模型的输出确定为第二输出;
根据所述第一深度模型和第二深度模型,构建损失函数;
将所述第一输出与所述第二输出之间的差值最小、所述损失函数对应的数值最小确定为训练条件;
根据所述训练条件,将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型。
可选地,根据所述第一深度模型和第二深度模型,构建损失函数,包括:
根据所述第一深度模型和第二深度模型,构建所述损失函数的等式部分;
根据所述第一深度模型和第二深度模型,构建所述损失函数的不等式部分;
将所述损失函数的等式部分和不等式部分进行组合,生成损失函数。
可选地,所述损失函数为:
L=Le+Ln
其中,L表示损失函数;Le表示所述等式部分的损失函数的等式部分;Ln表示所述不等式部分的损失函数的不等式部分;
所述损失函数的等式部分为:
所述损失函数的不等式部分为:
图5示出了可以应用本发明实施例的确定目标物品方法或确定目标物品系统的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503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505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的确定目标物品方法一般由服务器505执行,相应地,确定目标物品系统一般设置于服务器505中。
应该理解,图5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。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
将待确定物品的属性数据输入至信息数据模型中,输出所述物品的信息数据;
若所述信息数据对应的数值满足预设阈值,则将所述待确定物品确定为目标物品;
所述信息数据模型是由下述步骤得到:
根据完成平滑处理后的原始训练数据,生成第一深度模型和第二深度模型;
将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型。
根据本发明实施例的技术方案,可以达到如下有益效果:
通过根据原始训练数据生成第一深度模型和第二深度模型,再利用所述第一深度模型和第二深度模型进行互相学习生成信息数据模型的技术手段,解决了现有技术采用人工总结规则成本高、不准确的技术缺陷,同时避免了现有技术采用模拟器确定目标物品存在的较难验证的技术缺陷,进而达到降低确认目标物品错误率的技术效果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种确定目标物品的方法,其特征在于,包括:
将待确定物品的属性数据输入至信息数据模型中,输出所述物品的信息数据;
若所述信息数据对应的数值满足预设阈值,则将所述待确定物品确定为目标物品;
所述信息数据模型是由下述步骤得到:
根据完成平滑处理后的原始训练数据,生成第一深度模型和第二深度模型;
将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型。
2.根据权利要求1所述的方法,其特征在于,根据完成平滑处理后的原始训练数据,生成第一深度模型和第二深度模型,包括:
获取原始训练数据;
对所述原始训练数据进行平滑处理,生成第一标记集合和第二标记集合;
采用所述第一标记集合训练生成第一深度模型;
采用所述第二标记集合训练生成第二深度模型。
3.根据权利要求2所述的方法,其特征在于,获取原始训练数据,包括:
获取用户完成交易的订单数据;根据所述订单数据,确定所述订单数据对应物品的第一折扣率;根据所述第一折扣率构建等式约束条件;
获取用户未完成交易的浏览数据;根据所述浏览数据,确定所述浏览数据对应物品的第二折扣率;根据所述第二折扣率构建不等式约束条件;
将所述等式约束条件和不等式约束条件的组合称为原始训练数据。
4.根据权利要求2所述的方法,其特征在于,对所述原始训练数据进行平滑处理,生成第一标记集合和第二标记集合,包括:
对所述原始训练数据加入第一噪声,生成第一训练数据;根据所述第一训练数据生成第一标记集合;
对所述原始训练数据加入第二噪声,生成第二训练数据;根据所述第二训练数据生成第二标记集合;
其中,所述第一噪声和第二噪声满足0至a中均匀分布,其中a为超参数。
5.根据权利要求2所述的方法,其特征在于,将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型,包括:
将所述第一深度模型的输出确定为第一输出;将所述第二深度模型的输出确定为第二输出;
根据所述第一深度模型和第二深度模型,构建损失函数;
将所述第一输出与所述第二输出之间的差值最小、所述损失函数对应的数值最小确定为训练条件;
根据所述训练条件,将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型。
6.根据权利要求5所述的方法,其特征在于,根据所述第一深度模型和第二深度模型,构建损失函数,包括:
根据所述第一深度模型和第二深度模型,构建所述损失函数的等式部分;
根据所述第一深度模型和第二深度模型,构建所述损失函数的不等式部分;
将所述损失函数的等式部分和不等式部分进行组合,生成损失函数。
8.一种确定目标物品的系统,其特征在于,包括:
数据处理装置,用于接收待确定物品的属性数据输入,并经过信息数据模型处理,输出所述物品的信息数据;
所述信息数据模型是由下述步骤得到:
根据完成平滑处理后的原始训练数据,生成第一深度模型和第二深度模型;
将所述第一深度模型和第二深度模型进行相互学习,生成信息数据模型;
物品确定装置,用于若所述信息数据对应的数值满足预设阈值,则将所述待确定物品确定为目标物品。
9.一种确定目标物品的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010698882.9A CN113762521B (zh) | 2020-07-20 | 2020-07-20 | 确定目标物品的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010698882.9A CN113762521B (zh) | 2020-07-20 | 2020-07-20 | 确定目标物品的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762521A true CN113762521A (zh) | 2021-12-07 |
CN113762521B CN113762521B (zh) | 2024-05-21 |
Family
ID=78785559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010698882.9A Active CN113762521B (zh) | 2020-07-20 | 2020-07-20 | 确定目标物品的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762521B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013001887A1 (ja) * | 2011-06-30 | 2013-01-03 | 楽天株式会社 | 電子商取引装置 |
US8402543B1 (en) * | 2011-03-25 | 2013-03-19 | Narus, Inc. | Machine learning based botnet detection with dynamic adaptation |
CN109635656A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于神经网络的车辆属性识别方法、装置、设备及介质 |
CN109934242A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 图片识别方法和装置 |
CN110598842A (zh) * | 2019-07-17 | 2019-12-20 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN110689032A (zh) * | 2018-07-04 | 2020-01-14 | 北京京东尚科信息技术有限公司 | 数据处理方法及系统、计算机系统和计算机可读存储介质 |
CN111222663A (zh) * | 2018-11-23 | 2020-06-02 | 北京京东尚科信息技术有限公司 | 数据处理方法及其系统、计算机系统及计算机可读介质 |
CN111260449A (zh) * | 2020-02-17 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法、商品推荐的方法、装置及存储介质 |
-
2020
- 2020-07-20 CN CN202010698882.9A patent/CN113762521B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8402543B1 (en) * | 2011-03-25 | 2013-03-19 | Narus, Inc. | Machine learning based botnet detection with dynamic adaptation |
WO2013001887A1 (ja) * | 2011-06-30 | 2013-01-03 | 楽天株式会社 | 電子商取引装置 |
CN109934242A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 图片识别方法和装置 |
CN110689032A (zh) * | 2018-07-04 | 2020-01-14 | 北京京东尚科信息技术有限公司 | 数据处理方法及系统、计算机系统和计算机可读存储介质 |
CN109635656A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于神经网络的车辆属性识别方法、装置、设备及介质 |
CN111222663A (zh) * | 2018-11-23 | 2020-06-02 | 北京京东尚科信息技术有限公司 | 数据处理方法及其系统、计算机系统及计算机可读介质 |
CN110598842A (zh) * | 2019-07-17 | 2019-12-20 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN111260449A (zh) * | 2020-02-17 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法、商品推荐的方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
黄震华;张佳雯;田春岐;孙圣力;向阳;: "基于排序学习的推荐算法研究综述", 软件学报, no. 03, 30 December 2015 (2015-12-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN113762521B (zh) | 2024-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
CN110929136A (zh) | 一种个性化推荐方法和装置 | |
CN108595448B (zh) | 信息推送方法和装置 | |
CN111061956A (zh) | 用于生成信息的方法和装置 | |
CN110866040B (zh) | 用户画像生成方法、装置和系统 | |
CN108810047B (zh) | 用于确定信息推送准确率的方法、装置及服务器 | |
CN112035753B (zh) | 推荐页面生成方法、装置、电子设备和计算机可读介质 | |
CN110309142B (zh) | 规则管理的方法和装置 | |
KR20210105315A (ko) | 데이터 주석 방법, 장치, 기기, 저장매체 및 컴퓨터 프로그램 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN112825178B (zh) | 一种预测用户性别画像的方法和装置 | |
CN112947919A (zh) | 构建业务模型和处理业务请求的方法和装置 | |
CN112102043B (zh) | 物品推荐页面生成方法、装置、电子设备和可读介质 | |
CN107291923B (zh) | 信息处理方法和装置 | |
CN112433713A (zh) | 一种应用程序设计图处理方法和装置 | |
CN113495991A (zh) | 一种推荐方法和装置 | |
CN111782850A (zh) | 一种基于手绘图的物品搜索方法和装置 | |
CN107357847B (zh) | 数据处理方法及其装置 | |
CN112200643B (zh) | 物品信息推送方法、装置、电子设备和计算机可读介质 | |
CN107483595B (zh) | 信息推送方法和装置 | |
CN113688133B (zh) | 基于合规计算的数据处理方法、系统、装置、介质及设备 | |
CN113762521B (zh) | 确定目标物品的方法和系统 | |
CN114926234A (zh) | 物品信息推送方法、装置、电子设备和计算机可读介质 | |
CN113066479B (zh) | 一种评测模型的方法和装置 |
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 |