CN113901320A - 场景服务推荐方法、装置、设备及存储介质 - Google Patents
场景服务推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113901320A CN113901320A CN202111214190.3A CN202111214190A CN113901320A CN 113901320 A CN113901320 A CN 113901320A CN 202111214190 A CN202111214190 A CN 202111214190A CN 113901320 A CN113901320 A CN 113901320A
- Authority
- CN
- China
- Prior art keywords
- target
- service
- information
- historical behavior
- behavior information
- 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.)
- Pending
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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Abstract
本申请实施例提供了一种场景服务推荐方法、装置、设备及存储介质。涉及人工智能技术领域,该方法包括:根据目标历史行为信息确定目标业务信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图;基于知识图谱获取与目标意图具有关联关系的至少一个场景服务,从至少一个场景服务中确定目标场景服务,并输出目标场景服务。可以有效提升目标场景服务的准确性。本申请可以涉及区块链技术,如可将目标场景服务写入区块链中。本申请还涉及数字医疗技术领域,如目标历史行为信息中包括数字医疗技术领域的信息。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种场景服务推荐方法、装置、设备及存储介质。
背景技术
随着互联网技术的快速发展,人们对客服人员的需求越来越大。由于人工客服的培训周期较长或者人力成本高等因素,智能客服机器人逐渐进入人们的生活。
然而,目前,在用户与智能客服机器人的对话过程中,智能客服机器人往往只能根据用户提出的问题查找对应的答复内容,无法针对相关联的用户行为给出有效的场景服务。
发明内容
本申请实施例提供了一种场景服务推荐方法、装置、设备及存储介质,可以有效提升目标场景服务的准确性,提升用户黏度。
第一方面,本申请实施例提供了一种场景服务推荐方法,该方法包括:
获取目标用户的目标历史行为信息,并根据目标历史行为信息确定目标业务信息;
获取目标用户的用户画像信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图;
基于知识图谱获取与目标意图具有关联关系的至少一个场景服务;该知识图谱包括每个候选意图与场景服务之间的关联关系;
从至少一个场景服务中确定目标场景服务,并输出目标场景服务。
第二方面,本申请实施例提供了一种场景服务推荐装置,该装置包括:
确定单元,用于获取目标用户的目标历史行为信息,并根据目标历史行为信息确定目标业务信息;
意图预测单元,用于获取目标用户的用户画像信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图;
获取单元,用于基于知识图谱获取与目标意图具有关联关系的至少一个场景服务;该知识图谱包括每个候选意图与场景服务之间的关联关系;
该确定单元还用于从至少一个场景服务中确定目标场景服务,并输出目标场景服务。
第三方面,本申请实施例提供了一种场景服务推荐设备,该场景服务推荐设备包括输入接口、输出接口,该场景服务推荐设备还包括:
处理器,适于实现一条或多条指令;以及,
计算机存储介质,该计算机存储介质存储有一条或多条指令,该一条或多条指令适于由处理器加载并执行上述第一方面所述的方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序指令,计算机程序指令被处理器执行时,用于执行第一方面所述的方法。
在本申请实施例中,场景服务推荐设备可以根据目标历史行为信息确定目标业务信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图,并基于知识图谱获取与目标意图具有关联关系的至少一个场景服务,进而确定目标场景服务。为了得到目标场景服务,可以先调用目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从多个候选意图中确定目标意图,然后再基于知识图谱获取目标意图关联的场景服务,并确定推送的目标场景服务。可以自适应用户需求,智能的向用户输出目标场景服务,提升用户体验。并且,在本申请中,是先调用目标意图分类模型确定目标意图,再根据目标意图确定关联的至少一个场景服务,可以避免分类任务的候选项目过多,避免长尾现象,更易维护。除此之外,由于针对不同的业务信息训练了不同的意图分类模型,通过目标业务信息对应的目标意图分类模型进行意图预测,可以得到更准确的目标意图,从而使得根据目标意图关联的至少一个场景服务确定的目标场景服务更准确。可以有效提升目标场景服务的准确性,增强用户黏度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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一种场景服务推荐系统的架构示意图;
图2是本申请实施例提供的一种场景服务推荐方法的流程示意图;
图3是本申请实施例提供的另一种场景服务推荐方法的流程示意图;
图4是本申请实施例提供的一种场景服务推荐装置的结构示意图;
图5是本申请实施例提供的一种场景服务推荐设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,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。基于本申请中的实施例,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,都属于本申请保护的范围。
随着互联网技术的快速发展,电子商务逐步进入人们的日常生活,人们对客服人员的需求越来越大。由于人工客服的培训周期较长或者人力成本高等因素,智能客服机器人逐渐成为一个研究重点。然而,目前,在用户与智能客服机器人的对话过程中,业务流程复杂,如何确定业务流程中所包含的场景服务是一个亟需解决的问题。
目前,在用户行为领域,存在多种用户行为分析理论模型,如行为事件分析模型、页面点击分析模型、用户行为路径分析模型、漏斗分析模型、用户画像分析模型等,可以通过用户分析了解用户的行为习惯,以便执行更精准有效的推广。
基于此,为了有效提升场景服务的准确性,本申请实施例提出了一种场景服务推荐方案。在该场景服务推荐方案中,可以通过对用户的历史行为信息进行分析,结合用户画像,在特定的业务场景下,利用人工智能(Artificial Intelligence,AI)技术匹配用户意图,并推送该用户意图对应的场景服务。具体的,场景服务推荐设备可以获取目标用户的目标历史行为信息,并根据目标历史行为信息确定目标业务信息,获取目标用户的用户画像信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,从目标业务信息对应的多个候选意图中确定目标意图;基于知识图谱获取与目标意图具有关联关系的至少一个场景服务,该知识图谱包括每个候选意图与场景服务之间的关联关系,并从至少一个场景服务中确定目标场景服务,并输出目标场景服务。可以有效提升目标场景服务的准确性,提升用户黏度。
其中,人工智能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。可选的,场景服务推荐方法可以基于机器学习算法构建意图分类模型,可以调用意图分类模型确定对历史行为信息以及用户画像信息进行意图预测,确定目标意图。
在一个实施例中,该场景服务推荐方法可用于场景服务推荐。该场景服务推荐方法可应用在如图1所示的场景服务推荐系统中,如图1所示,该场景服务推荐系统可至少包括:场景服务推荐设备11和终端设备12,其中,该场景服务推荐设备11是运行有意图分类模型的设备,该场景服务推荐设备11可以为智能客服机器人。可选的,该场景服务推荐设备11可以是如图1所示的服务器,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、内容分发网络(Content Delivery Network,CDN)、中间件服务、域名服务、安全服务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,等等。该场景服务推荐设备11也可以是终端设备,其中,终端设备可以包括但不限于:智能手机、平板电脑、膝上计算机、可穿戴设备、台式计算机,等等。其中,终端设备12可以是与用户关联的终端设备。
请参见图2,是本申请实施例提出的一种场景服务推荐方法的流程示意图。如图2所示,该场景服务推荐方法包括S201-S204:
S201:获取目标用户的目标历史行为信息,并根据目标历史行为信息确定目标业务信息。
其中,目标用户可以为场景服务推荐系统中的任意用户。场景服务推荐设备可以获取目标用户的目标历史行为信息,并基于用户行为分析理论模型对该目标历史行为信息进行分析,确定目标业务信息。
在一个实施例中,历史行为信息可以用于指示用户在业务领域的页面的行为特征。其中,业务领域为医疗领域,该业务领域的页面内可以包括医疗数据,如个人健康档案、处方、检查报告等数据。
其中,历史行为信息用于指示用户在页面内的行为特征。在一个实施例中,历史行为信息可以包括但不限于时间段内的页面的浏览次数、页面的浏览时长、页面的点击次数中的一项或多项。场景服务推荐设备可以通过埋点,获取目标用户在时间段内的各个页面的浏览次数、各个页面的浏览时长、各个页面的点击次数,并基于用户行为分析理论模型对各个页面的浏览次数、各个页面的浏览时长、各个页面的点击次数进行分析,确定目标业务信息。
其中,目标历史行为信息可以涉及多个页面内的行为特征。目标历史行为信息可以包括至少一个页面内的行为特征。例如,场景服务推荐系统中包括页面A、页面B、页面C和页面D。目标历史行为信息可以包括页面A、页面B和页面C内的行为特征。目标历史行为信息可以包括页面A内的浏览次数为1次,页面A内的浏览时长为100秒,页面A内的点击次数为2次;页面B内的浏览次数为1次,浏览时长为200秒,页面B内的点击次数为5次;页面C内的浏览次数为3次,浏览时长为100秒。等等。
S202:获取目标用户的用户画像信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图。
其中,用户画像信息可以是指与用户相关的,用于描述用户特征的信息。可选的,用户画像信息可以包括用户属性信息和/或用户标签信息。其中,用户属性信息可以是指用户固有的属性信息,用户属性信息可以包括但不限于:姓名、昵称、年龄、性别、居住地、国籍、职业、星座、血型和身份标识中的一项或多项。其中,用户标签信息是指对用户的某项特征进行抽象和分类概括,具体的,用户标签信息可以是基于用户行为数据分析得到的。用户行为数据是指用户在使用业务产品时产生的行为数据,比如,用户在使用金融业务时,对应有用户在金融业务内的行为数据,可以包括但不限用户的存款、用户的贷款产品,用户的贷款次数,用户的贷款金额、用户购买的理财产品,用户参与的金融活动等等。又比如,用户在使用社交业务时,对应有社交业务内的行为数据,可以包括但不限于用户的社交账号,用户的等级、用户在社交平台发布的动态等等。
在一个实施例中,场景服务推荐设备调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图,包括:对目标历史行为信息以及用户画像信息进行预处理得到特征向量,调用目标意图分类模型对特征向量进行处理,得到多个候选意图的置信度,并从多个候选意图的置信度中确定最高置信度,并将最高置信度对应的候选意图确定为目标意图。
可选的,场景服务推荐设备基于目标历史行为信息构造基础向量,以及基于用户画像信息构造用户属性向量,并将基础向量以及用户属性向量进行融合,得到中间向量,调用特征提取模型对中间向量进行处理,得到特征向量。
在一个实施例中,场景服务推荐设备可以采用编码方法对目标历史行为信息进行编码处理得到基础向量,以及对用户画像信息进行编码处理得到用户属性向量。其中,该编码方法可以是独热编码(One-Hot编码)等。
在一个实施例中,场景服务推荐设备可以直接将编码得到的基础向量和用户属性向量进行拼接,得到中间向量。在另一个实施例中,场景服务推荐设备也可以基于注意力机制将基础向量和用户属性向量进行融合,得到中间向量。具体的,场景服务推荐设备可以获取基础向量对应的注意力权重以及用户属性向量对应的注意力权重,并基于基础向量对应的注意力权重以及用户属性向量对应的注意力权重对基础向量和用户属性向量进行融合得到中间向量。其中,其中,注意力机制是指可以通过注意力权重将注意力集中在实际重要的特征上。例如,当更关注目标历史行为信息时,可设置目标历史行为信息构造的基础向量的注意力权重大于用户画像信息构造的用户属性向量的注意力权重。又例如,当更关注用户画像信息时,可设置用户画像信息构造的用户属性向量的注意力权重大于目标历史行为信息构造的基础向量的注意力权重。
在一个实施例中,该特征提取模型可以为卷积神经网络。即可以利用卷积神经网络对中间向量进行特征提取得到特征向量。具体的,可以将中间向量划分为相同形状的二维矩阵,并输入到卷积神经网络中,卷积神经网络可以对多个二维矩阵进行滑动卷积,得到特征向量。其中,卷积神经网络可以多种卷积层,例如,卷积神经网络中包括1ⅹ3、1ⅹ4、1ⅹ5和1ⅹ6等四种卷积层。
其中,意图分类模型可以是基于机器学习算法训练得到的模型。其中,机器学习算法可以包括但不限于以下一种或多种:决策树(Decision Tree,DT)算法、Rocchio算法、极端梯度提升(Xtreme Gradient Boosting,XGBooste)算法、朴素贝叶斯(Naive Bayes,NB)算法、线性判别分析(Linear Discriminant Analysis,LDA)、支持向量机(Support VectorMachine,SVM)算法、随机森林(Random Forest,RF)算法、以及逻辑回归(LogisticRegression,LR)算法。例如,基于决策树算法训练得到的决策树模型、基于Rocchio算法训练得到的Rocchio模型,基于极端梯度提升算法训练得到的XGBooste模型,基于朴素贝叶斯算法训练得到的NB模型,基于线性判别分析训练得到的LDA模型,基于支持向量机算法训练得到的支持向量机模型,基于随机森林训练得到的随机森林模型以及基于逻辑回归算法训练得到的逻辑回归模型。等等。
其中,置信度可以包括预测概率。预测概率越高,就表征该特征向量属于该候选意图的置信度越高,预测概率越低,就表征该特征向量属于该候选意图的置信度越低。
在一个实施例中,场景服务推荐系统可以支持多种业务,例如金融领域的支付业务、投资理财和信用卡。又例如,医疗领域的就诊业务等等。针对每个业务来说,业务涉及的场景服务不同,为了有效提升场景服务推荐的准确性,可以针对不同业务训练不同的意图分类模型。当基于目标历史行为信息确定目标业务信息时,可以直接调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测。
在一个实施例中,在调用目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测之前,需要对初始模型进行训练,得到目标意图分类模型。意图分类模型的训练流程包括s11-s12。
s11:获取目标业务中的训练样本对;该训练样本对包括训练样本以及训练样本的标注信息。
其中,训练样本包括历史行为信息和用户画像信息,训练样本的标注信息包括基准意图。
s12:将目标业务中的训练样本对输入到初始模型中进行训练,得到目标意图分类模型。
具体的,针对目标业务中的任一训练样本,可以将训练样本输入初始模型得到训练样本的预测意图;根据训练样本的标注信息(基准意图)以及训练样本的预测意图确定初始模型对应的损失函数,利用该损失函数对初始模型进行训练,得到目标意图分类模型。
S203:基于知识图谱获取与目标意图具有关联关系的至少一个场景服务;其中,知识图谱包括每个候选意图与场景服务之间的关联关系。
其中,场景服务可以是指基于用户需求设置的业务流程节点。比如“留学购汇”业务流程可以包含材料预审、购汇申请单提交、线下网点预约等业务流程节点。由于业务平台的场景服务数量众多,不便于直接构建分类模型。并且,一些场景服务具有较强关联性,所以可以将具有相似特征的至少一个场景服务与一个候选意图关联,以使得可以先确定目标意图,再获取到该目标意图关联的场景服务。
在一个实施例中,可以通过场景服务管理界面将候选意图与场景服务关联。具体的,可以显示场景服务管理界面,该场景服务管理界面包含意图录入栏与场景服务录入栏;在意图录入栏录入意图,在场景服务录入栏录入场景服务,以使得意图录入栏录入的意图与场景服务录入栏录入的场景服务相关联。
在另一个实施例中,可以获取业务数据,该业务数据包括场景服务、场景服务的属性以及场景服务之间的关联关系,并基于场景服务、场景服务的属性以及场景服务之间的关联关系确定知识图谱,其中,知识图谱包括每个候选意图与场景服务之间的关联关系。具体的,可以根据场景服务的属性以及场景服务之间的关联关系对各个场景服务进行分类得的多个场景服务集合,并将每个场景服务集合与每个候选意图相关联。场景服务推荐设备可以基于知识图谱获取与目标意图具有关联关系的场景服务集合中的至少一个场景服务。
其中,知识图谱是一种通过语义把真实世界中存在的各种实体或概念关联起来的图谱组织形式,主要由节点、边和节点属性形成图结构。其中,每个实体或概念用一个全局唯一确定的编码来标识,每个属性-值对用来刻画实体或概念的内在属性,而边用来连接两个实体或概念,刻画它们之间的关联。在本申请实施例中,知识图谱可以为场景服务知识图谱。
S204:从至少一个场景服务中确定目标场景服务,并输出目标场景服务。
在一个实施例中,可以直接将至少一个场景服务确定为目标场景服务。另一个实施例中,还可以获取针对至少一个场景服务的选择指令,基于选择指令从至少一个场景服务中确定目标场景服务。再一个实施例中,可以分别获取至少一个场景服务与目标业务信息的相关度,并根据至少一个场景服务与目标业务信息的相关度确定目标场景服务,目标场景服务与目标业务信息的相关度大于预设阈值,或者,目标场景服务为至少一个场景服务中相关度最高的场景服务。可以从至少一个场景服务中筛选得到与目标业务信息匹配度更高的目标场景服务,提升目标场景服务的准确性。
在一个实施例中,可以直接通过场景服务推荐设备输出目标场景服务,当确定目标场景服务之后,还可以将目标场景服务发送至用户关联的终端设备,以使得用户关联的终端设备输出目标场景服务。
进一步的,每个场景服务还可以对应有组件,组件中包括场景服务的执行指令以及场景服务的描述信息。具体的,场景服务推荐设备在确定目标场景服务时,可以获取目标场景服务对应的目标组件,在输出目标场景服务的同时输出目标场景服务对应的目标组件。
在本申请实施例中,场景服务推荐设备可以根据目标历史行为信息确定目标业务信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图,并基于知识图谱获取与目标意图具有关联关系的至少一个场景服务,进而确定目标场景服务。为了得到目标场景服务,可以先调用目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从多个候选意图中确定目标意图,然后再基于知识图谱获取目标意图关联的场景服务,并确定推送的目标场景服务。可以自适应用户需求,智能的向用户输出目标场景服务,提升用户体验。并且,在本申请中,是先调用目标意图分类模型确定目标意图,再根据目标意图确定关联的至少一个场景服务,可以避免分类任务的候选项目过多,避免长尾现象,更易维护。除此之外,由于针对不同的业务信息训练了不同的意图分类模型,通过目标业务信息对应的目标意图分类模型进行意图预测,可以得到更准确的目标意图,从而使得根据目标意图关联的至少一个场景服务确定的目标场景服务更准确。可以有效提升目标场景服务的准确性,增强用户黏度。
参见上述图2所示方法实施例的相关描述可知,图2所示的场景服务推荐方法可以调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测。进一步的,为了使得目标历史行为信息更全面的表征目标用户在各个页面内的行为特征,该目标历史行为信息可以是基于长期的第一历史行为信息以及短期的第二历史行为信息确定的。基于此,本申请实施例提出了另一种场景服务推荐方法的流程示意图。如图3所示,该场景服务推荐方法的流程示意图包括S301-S306:
S301:获取目标用户在第一时间段内的第一历史行为信息,以及获取目标用户在第二时间段内的第二历史行为信息;第一时间段的时长大于第二时间段的时长。
具体的,场景服务推荐设备可以获取目标用户在第一时间段内的第一历史行为信息,以及获取目标用户在第二时间段内的第二历史行为信息,根据第一历史行为信息以及第二历史行为信息确定目标历史行为信息。其中,第一时间段的时长大于第二时间段的时长。例如,第一时间段可以为距离当前时间最近的一天,第二时间段可以为距离当前时间最近的一周。第一时间段的时长较长,可以在第一时间段内获取到目标用户的长期行为特征。即,第一历史行为信息可以包括但不限于第一时间段内的各个页面的浏览次数、各个页面的浏览时长、各个页面的点击次数。第二时间段的时间较短,可以在第二时间段内获取到目标用户的短期行为特征。即,第二历史行为信息可以包括但不限于第二时间段内的各个页面的浏览次数、各个页面的浏览时长、各个页面的点击次数。
S302:根据第一历史行为信息以及第二历史行为信息确定目标历史行为信息。
其中,根据第一历史行为信息和第二历史行为信息确定目标用户的目标历史行为信息可以包括多种形式。可选的,可以基于注意力机制确定目标历史行为信息。具体的,可以分别获取第一历史行为信息以及第二历史行为信息对应的注意力权重,并基于第一历史行为信息和第二历史行为信息对应的注意力权重对第一历史行为信息以及第二历史行为信息进行处理,得到目标历史行为信息。其中,注意力机制是指可以通过注意力权重将注意力集中在实际重要的特征上。例如,当更关注长期的行为特征时,可以设置第一历史行为信息的注意力权重大于第二历史行为信息的注意力权重。又例如,当更关注短期的行为特征时,可设置第二历史行为信息的注意力权重大于第一历史行为信息的注意力权重。
可选的,还可以直接对第一历史行为信息以及第二历史行为信息执行相加处理得到目标历史行为信息。例如,假设,第一历史行为信息包括页面A内的浏览次数为1次,页面A内的浏览时长为100秒,页面A内的点击次数为1次;页面B内的浏览次数为1次,浏览时长为200秒;页面C内的浏览次数为1次,浏览时长为80秒。第二历史行为信息可以包括页面A内的点击次数为1次;页面B内的点击次数为5次;页面C内的浏览次数为2次,浏览时长为20秒。那么可以直接将第一历史行为信息和第二历史行为信息进行相加处理,得到目标历史行为信息为:页面A内的浏览次数为1次,页面A内的浏览时长为100秒,页面A内的点击次数为2次;页面B内的浏览次数为1次,浏览时长为200秒,页面B内的点击次数为5次;页面C内的浏览次数为3次,浏览时长为100秒。
S303:根据目标历史行为信息确定目标业务信息。
S304:获取目标用户的用户画像信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图。
S305:基于知识图谱获取与目标意图具有关联关系的至少一个场景服务;该知识图谱包括每个候选意图与场景服务之间的关联关系。
S306:从至少一个场景服务中确定目标场景服务,并输出目标场景服务。
需要说明,S303-S306的具体实现过程可以参见图2相关实施例的具体描述,此处不做赘述。
在一个实施例中,可以将目标场景服务写入区块链(Block Chain),以便于后续可以直接输出目标场景服务。具体的,场景服务推荐设备可以对目标场景服务进行校验,若校验通过,则通过区块链网络中的共识节点对目标场景服务进行共识验证;若共识验证通过,则将目标场景服务封装成区块,将区块写入区块链。
其中,区块链是一种按照时间顺序将数据区块以顺序相连的方式组合成的一种链式数据结构,并以密码学方式保证数据不可篡改和不可伪造的分布式账本。多个独立的分布式节点保存相同的记录。区块链技术实现了去中心化,成为了可信的数字资产存储、转移和交易的基石。
在本申请实施例中,场景服务推荐设备可以基于长期的第一历史行为信息以及短期的第二历史行为信息确定目标历史行为信息,然后根据目标历史行为信息确定目标业务信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图,并基于知识图谱获取与目标意图具有关联关系的至少一个场景服务,进而确定目标场景服务。由于目标历史行为信息是基于第一历史行为信息以及第二历史行为信息确定的,综合考虑了用户的长期特征以及用户的短期特征,可以更全面的表征目标用户在各个页面内的行为特征,从而使得调用目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测得到的目标意图更准确,进而从目标意图关联的至少一个场景服务中确定的目标场景服务也更准确。
本申请实施例还公开了一种场景服务推荐装置,所述场景服务推荐装置可以是运行于上述所提及的场景服务推荐设备中的一个计算机程序(包括程序代码)。该场景服务推荐装置可以执行图2或图3所示的方法。请参见图4,该场景服务推荐装置可以运行如下单元:
确定单元401,用于获取目标用户的目标历史行为信息,并根据目标历史行为信息确定目标业务信息;
意图预测单元402,用于获取目标用户的用户画像信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图;
获取单元403,用于基于知识图谱获取与目标意图具有关联关系的至少一个场景服务;该知识图谱包括每个候选意图与场景服务之间的关联关系;
该确定单元401还用于从至少一个场景服务中确定目标场景服务,并输出目标场景服务。
在一个可行的实施方式中,意图预测单元402用于调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图,包括:
对目标历史行为信息以及用户画像信息进行预处理得到特征向量;
调用目标意图分类模型对特征向量进行处理,得到多个候选意图的置信度;
从多个候选意图的置信度中确定最高置信度,并将最高置信度对应的候选意图确定为目标意图。
在一个可行的实施方式中,意图预测单元402用于对目标历史行为信息以及用户画像信息进行预处理得到特征向量,包括:
基于目标历史行为信息构造基础向量,以及基于用户画像信息构造用户属性向量;
将基础向量以及用户属性向量进行融合,得到中间向量;
调用特征提取模型对中间向量进行处理,得到特征向量。
在一个可行的实施方式中,获取单元403用于基于知识图谱获取与目标意图具有关联关系的至少一个场景服务之前,获取单元403还用于:
获取业务数据,该业务数据包括场景服务、场景服务的属性以及场景服务之间的关联关系;
基于场景服务、场景服务的属性以及场景服务之间的关联关系确定知识图谱。
在一个可行的实施方式中,确定单元401用于从至少一个场景服务中确定目标场景服务,包括:
分别获取至少一个场景服务与目标业务信息的相关度;
根据至少一个场景服务与目标业务信息的相关度确定目标场景服务。
在一个可行的实施方式中,确定单元401用于获取目标用户的目标历史行为信息,包括:
获取目标用户在第一时间段内的第一历史行为信息,以及获取目标用户在第二时间段内的第二历史行为信息;第一时间段的时长大于第二时间段的时长;
根据第一历史行为信息以及第二历史行为信息确定目标历史行为信息。
在一个可行的实施方式中,确定单元401用于根据第一历史行为信息以及第二历史行为信息确定目标历史行为信息,包括:
分别获取第一历史行为信息对应的注意力权重以及第二历史行为信息对应的注意力权重;
基于第一历史行为信息对应的注意力权重以及第二历史行为信息对应的注意力权重,对第一历史行为信息以及第二历史行为信息进行处理,得到目标历史行为信息。
根据本申请的另一个实施例,图4所示的场景服务推荐装置中的各个单元可以分别或者全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以是由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其他实施例中,基于场景服务推荐装置也可以包括其他单元,在实际应用中,这些功能也可以由其他单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过包括中央处理单元(Central ProcessingUnit,CPU),随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件。例如计算机的通用计算设备上运行能够执行如图2或图3中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图4所示的场景服务推荐装置,以及来实现本申请实施例的场景服务推荐方法。所述的计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述场景服务推荐设备中,并在其中运行。
在本申请实施例中,场景服务推荐装置可以根据目标历史行为信息确定目标业务信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图,并基于知识图谱获取与目标意图具有关联关系的至少一个场景服务,进而确定目标场景服务。为了得到目标场景服务,可以先调用目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从多个候选意图中确定目标意图,然后再基于知识图谱获取目标意图关联的场景服务,并确定推送的目标场景服务。可以自适应用户需求,智能的向用户输出目标场景服务,提升用户体验。并且,在本申请中,是先调用目标意图分类模型确定目标意图,再根据目标意图确定关联的至少一个场景服务,可以避免分类任务的候选项目过多,避免长尾现象,更易维护。除此之外,由于针对不同的业务信息训练了不同的意图分类模型,通过目标业务信息对应的目标意图分类模型进行意图预测,可以得到更准确的目标意图,从而使得根据目标意图关联的至少一个场景服务确定的目标场景服务更准确。可以有效提升目标场景服务的准确性,增强用户黏度。
基于上述场景服务推荐方法实施例的描述,本申请实施例还公开了一种场景服务推荐设备。请参见图5,该场景服务推荐设备至少包括处理器501、输入接口502、输出接口503以及计算机存储介质504可通过总线或其他方式连接。
所述计算机存储介质504是场景服务推荐设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机存储介质504既可以包括场景服务推荐设备的内置存储介质,当然也可以包括场景服务推荐设备支持的扩展存储介质。计算机存储介质504提供存储空间,该存储空间存储了场景服务推荐设备的操作系统。并且,在该存储空间中还存放了适于被处理器501加载并执行的一条或多条指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机存储介质可以是高速RAM存储器;可选的,还可以是至少一个远离前述处理器的计算机存储介质、所述处理器可以称为中央处理单元(Central Processing Unit,CPU),是场景服务推荐设备的核心以及控制中心,适于被实现一条或多条指令,具体加载并执行一条或多条指令从而实现相应的方法流程或功能。
在一个实施例中,可由处理器501加载并执行计算机存储介质504中存放的一条或多条指令,以实现执行如图2或图3中所示的相应方法所涉及的各步骤,具体实现中,计算机存储介质504中的一条或多条指令由处理器501加载并执行以下步骤:
获取目标用户的目标历史行为信息,并根据目标历史行为信息确定目标业务信息;
获取目标用户的用户画像信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图;
基于知识图谱获取与目标意图具有关联关系的至少一个场景服务;该知识图谱包括每个候选意图与场景服务之间的关联关系;
从至少一个场景服务中确定目标场景服务,并输出目标场景服务。
在一个可行的实施方式中,处理器501用于调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图,包括:
对目标历史行为信息以及用户画像信息进行预处理得到特征向量;
调用目标意图分类模型对特征向量进行处理,得到多个候选意图的置信度;
从多个候选意图的置信度中确定最高置信度,并将最高置信度对应的候选意图确定为目标意图。
在一个可行的实施方式中,处理器501用于对目标历史行为信息以及用户画像信息进行预处理得到特征向量,包括:
基于目标历史行为信息构造基础向量,以及基于用户画像信息构造用户属性向量;
将基础向量以及用户属性向量进行融合,得到中间向量;
调用特征提取模型对中间向量进行处理,得到特征向量。
在一个可行的实施方式中,处理器501用于基于知识图谱获取与目标意图具有关联关系的至少一个场景服务之前,处理器501还用于:
获取业务数据,该业务数据包括场景服务、场景服务的属性以及场景服务之间的关联关系;
基于场景服务、场景服务的属性以及场景服务之间的关联关系确定知识图谱。
在一个可行的实施方式中,处理器501用于从至少一个场景服务中确定目标场景服务,包括:
分别获取至少一个场景服务与目标业务信息的相关度;
根据至少一个场景服务与目标业务信息的相关度确定目标场景服务。
在一个可行的实施方式中,处理器501用于获取目标用户的目标历史行为信息,包括:
获取目标用户在第一时间段内的第一历史行为信息,以及获取目标用户在第二时间段内的第二历史行为信息;第一时间段的时长大于第二时间段的时长;
根据第一历史行为信息以及第二历史行为信息确定目标历史行为信息。
在一个可行的实施方式中,处理器501用于根据第一历史行为信息以及第二历史行为信息确定目标历史行为信息,包括:
分别获取第一历史行为信息对应的注意力权重以及第二历史行为信息对应的注意力权重;
基于第一历史行为信息对应的注意力权重以及第二历史行为信息对应的注意力权重,对第一历史行为信息以及第二历史行为信息进行处理,得到目标历史行为信息。
在本申请实施例中,场景服务推荐设备可以根据目标历史行为信息确定目标业务信息,并调用目标业务信息对应的目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从目标业务信息对应的多个候选意图中确定目标意图,并基于知识图谱获取与目标意图具有关联关系的至少一个场景服务,进而确定目标场景服务。为了得到目标场景服务,可以先调用目标意图分类模型对目标历史行为信息以及用户画像信息进行意图预测,以从多个候选意图中确定目标意图,然后再基于知识图谱获取目标意图关联的场景服务,并确定推送的目标场景服务。可以自适应用户需求,智能的向用户输出目标场景服务,提升用户体验。并且,在本申请中,是先调用目标意图分类模型确定目标意图,再根据目标意图确定关联的至少一个场景服务,可以避免分类任务的候选项目过多,避免长尾现象,更易维护。除此之外,由于针对不同的业务信息训练了不同的意图分类模型,通过目标业务信息对应的目标意图分类模型进行意图预测,可以得到更准确的目标意图,从而使得根据目标意图关联的至少一个场景服务确定的目标场景服务更准确。可以有效提升目标场景服务的准确性,增强用户黏度。
需要说明的是,本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。场景服务推荐设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该场景服务推荐设备执行上述场景服务推荐方法实施例图2或图3中所执行的步骤。
以上所揭露的仅为本申请一种较佳实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于申请所涵盖的范围。
Claims (10)
1.一种场景服务推荐方法,其特征在于,所述方法包括:
获取目标用户的目标历史行为信息,并根据所述目标历史行为信息确定目标业务信息;
获取所述目标用户的用户画像信息,并调用所述目标业务信息对应的目标意图分类模型对所述目标历史行为信息以及所述用户画像信息进行意图预测,以从所述目标业务信息对应的多个候选意图中确定目标意图;
基于知识图谱获取与所述目标意图具有关联关系的至少一个场景服务;所述知识图谱包括每个候选意图与场景服务之间的关联关系;
从所述至少一个场景服务中确定目标场景服务,并输出所述目标场景服务。
2.如权利要求1所述的方法,其特征在于,所述调用所述目标业务信息对应的目标意图分类模型对所述目标历史行为信息以及所述用户画像信息进行意图预测,以从所述目标业务信息对应的多个候选意图中确定目标意图,包括:
对所述目标历史行为信息以及所述用户画像信息进行预处理得到特征向量;
调用所述目标意图分类模型对所述特征向量进行处理,得到所述多个候选意图的置信度;
从所述多个候选意图的置信度中确定最高置信度,并将最高置信度对应的候选意图确定为所述目标意图。
3.如权利要求2所述的方法,其特征在于,所述对所述目标历史行为信息以及所述用户画像信息进行预处理得到特征向量,包括:
基于所述目标历史行为信息构造基础向量,以及基于所述用户画像信息构造用户属性向量;
将所述基础向量以及所述用户属性向量进行融合,得到中间向量;
调用特征提取模型对所述中间向量进行处理,得到所述特征向量。
4.如权利要求1所述的方法,其特征在于,所述基于知识图谱获取与所述目标意图具有关联关系的至少一个场景服务之前,所述方法还包括:
获取业务数据,所述业务数据包括场景服务、所述场景服务的属性以及所述场景服务之间的关联关系;
基于所述场景服务、所述场景服务的属性以及所述场景服务之间的关联关系确定所述知识图谱。
5.如权利要求1所述的方法,其特征在于,所述从所述至少一个场景服务中确定目标场景服务,包括:
分别获取所述至少一个场景服务与所述目标业务信息的相关度;
根据所述至少一个场景服务与所述目标业务信息的相关度确定所述目标场景服务。
6.如权利要求1-5任一项所述的方法,其特征在于,所述获取目标用户的目标历史行为信息,包括:
获取所述目标用户在第一时间段内的第一历史行为信息,以及获取所述目标用户在第二时间段内的第二历史行为信息;所述第一时间段的时长大于所述第二时间段的时长;
根据所述第一历史行为信息以及所述第二历史行为信息确定所述目标历史行为信息。
7.如权利要求6所述的方法,其特征在于,所述根据所述第一历史行为信息以及所述第二历史行为信息确定所述目标历史行为信息,包括:
分别获取所述第一历史行为信息对应的注意力权重以及所述第二历史行为信息对应的注意力权重;
基于所述第一历史行为信息对应的注意力权重以及所述第二历史行为信息对应的注意力权重,对所述第一历史行为信息以及所述第二历史行为信息进行处理,得到所述目标历史行为信息。
8.一种场景服务推荐装置,其特征在于,所述方法包括:
确定单元,用于获取目标用户的目标历史行为信息,并根据所述目标历史行为信息确定目标业务信息;
意图预测单元,用于获取所述目标用户的用户画像信息,并调用所述目标业务信息对应的目标意图分类模型对所述目标历史行为信息以及所述用户画像信息进行意图预测,以从所述目标业务信息对应的多个候选意图中确定目标意图;
获取单元,用于基于知识图谱获取与所述目标意图具有关联关系的至少一个场景服务;所述知识图谱包括每个候选意图与场景服务之间的关联关系;
所述确定单元还用于从所述至少一个场景服务中确定目标场景服务,并输出所述目标场景服务。
9.一种场景服务推荐设备,其特征在于,包括处理器和存储器,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序,所述处理器被配置用于调用所述程序,执行如权利要求1-7任一项所述的场景服务推荐方法。
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存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的场景服务推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111214190.3A CN113901320A (zh) | 2021-10-19 | 2021-10-19 | 场景服务推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111214190.3A CN113901320A (zh) | 2021-10-19 | 2021-10-19 | 场景服务推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113901320A true CN113901320A (zh) | 2022-01-07 |
Family
ID=79192748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111214190.3A Pending CN113901320A (zh) | 2021-10-19 | 2021-10-19 | 场景服务推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901320A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114401242A (zh) * | 2022-02-16 | 2022-04-26 | 中国银联股份有限公司 | 用户推荐方法、装置、设备及计算机可读存储介质 |
CN114676341A (zh) * | 2022-04-14 | 2022-06-28 | 杭州网易云音乐科技有限公司 | 推荐对象的确定方法、介质、装置和计算设备 |
CN114817747A (zh) * | 2022-05-25 | 2022-07-29 | 铜仁市恒盛网络科技有限公司 | 基于互联网大数据的用户行为分析方法及云计算业务系统 |
CN114896502A (zh) * | 2022-05-23 | 2022-08-12 | 天津市邦泽科技有限公司 | 应用ai和大数据分析的用户需求决策方法及互联网系统 |
CN114943486A (zh) * | 2022-07-21 | 2022-08-26 | 浙江大学 | 基于磁控溅射设备使用效率最优的管理系统及其管理方法 |
CN115167161A (zh) * | 2022-06-27 | 2022-10-11 | 青岛海尔科技有限公司 | 灯具关联关系的确定方法和装置、存储介质及电子装置 |
CN115659008A (zh) * | 2022-09-27 | 2023-01-31 | 南京鼎山信息科技有限公司 | 大数据信息反馈的信息推送系统、方法、电子设备及介质 |
CN115936719A (zh) * | 2023-03-01 | 2023-04-07 | 北京淘友天下技术有限公司 | 识别方法、装置、电子设备及计算机可读存储介质 |
CN116383368A (zh) * | 2023-04-25 | 2023-07-04 | 武汉维序科技有限公司 | 一种基于大数据的智能信息推送方法及系统 |
CN116932919A (zh) * | 2023-09-15 | 2023-10-24 | 中关村科学城城市大脑股份有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN117407571A (zh) * | 2023-12-14 | 2024-01-16 | 天津畅玩网络科技有限公司 | 一种基于相关性分析的信息技术咨询服务方法及系统 |
WO2024032707A1 (zh) * | 2022-08-12 | 2024-02-15 | 华为技术有限公司 | 服务推荐方法及电子设备 |
-
2021
- 2021-10-19 CN CN202111214190.3A patent/CN113901320A/zh active Pending
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114401242A (zh) * | 2022-02-16 | 2022-04-26 | 中国银联股份有限公司 | 用户推荐方法、装置、设备及计算机可读存储介质 |
CN114676341A (zh) * | 2022-04-14 | 2022-06-28 | 杭州网易云音乐科技有限公司 | 推荐对象的确定方法、介质、装置和计算设备 |
CN114676341B (zh) * | 2022-04-14 | 2023-01-31 | 杭州网易云音乐科技有限公司 | 推荐对象的确定方法、介质、装置和计算设备 |
CN114896502A (zh) * | 2022-05-23 | 2022-08-12 | 天津市邦泽科技有限公司 | 应用ai和大数据分析的用户需求决策方法及互联网系统 |
CN114817747A (zh) * | 2022-05-25 | 2022-07-29 | 铜仁市恒盛网络科技有限公司 | 基于互联网大数据的用户行为分析方法及云计算业务系统 |
CN114817747B (zh) * | 2022-05-25 | 2022-11-15 | 逑美科技(上海)有限公司 | 基于互联网大数据的用户行为分析方法及云计算业务系统 |
CN115167161A (zh) * | 2022-06-27 | 2022-10-11 | 青岛海尔科技有限公司 | 灯具关联关系的确定方法和装置、存储介质及电子装置 |
CN114943486A (zh) * | 2022-07-21 | 2022-08-26 | 浙江大学 | 基于磁控溅射设备使用效率最优的管理系统及其管理方法 |
WO2024032707A1 (zh) * | 2022-08-12 | 2024-02-15 | 华为技术有限公司 | 服务推荐方法及电子设备 |
CN115659008A (zh) * | 2022-09-27 | 2023-01-31 | 南京鼎山信息科技有限公司 | 大数据信息反馈的信息推送系统、方法、电子设备及介质 |
CN115659008B (zh) * | 2022-09-27 | 2023-11-17 | 南京鼎山信息科技有限公司 | 大数据信息反馈的信息推送系统、方法、电子设备及介质 |
CN115936719A (zh) * | 2023-03-01 | 2023-04-07 | 北京淘友天下技术有限公司 | 识别方法、装置、电子设备及计算机可读存储介质 |
CN116383368A (zh) * | 2023-04-25 | 2023-07-04 | 武汉维序科技有限公司 | 一种基于大数据的智能信息推送方法及系统 |
CN116383368B (zh) * | 2023-04-25 | 2023-10-03 | 武汉维序科技有限公司 | 一种基于大数据的智能信息推送方法及系统 |
CN116932919A (zh) * | 2023-09-15 | 2023-10-24 | 中关村科学城城市大脑股份有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN116932919B (zh) * | 2023-09-15 | 2023-11-24 | 中关村科学城城市大脑股份有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN117407571A (zh) * | 2023-12-14 | 2024-01-16 | 天津畅玩网络科技有限公司 | 一种基于相关性分析的信息技术咨询服务方法及系统 |
CN117407571B (zh) * | 2023-12-14 | 2024-02-09 | 天津畅玩网络科技有限公司 | 一种基于相关性分析的信息技术咨询服务方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113901320A (zh) | 场景服务推荐方法、装置、设备及存储介质 | |
US11526579B1 (en) | System and methods for performing automatic data aggregation | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN112785397A (zh) | 一种产品推荐方法、装置及存储介质 | |
CN112231569B (zh) | 新闻推荐方法、装置、计算机设备及存储介质 | |
WO2019133506A1 (en) | Intelligent routing services and systems | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN113222022A (zh) | 一种网页分类识别方法及装置 | |
CN113918738B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN113378090B (zh) | 一种互联网网站相似度分析方法、装置以及可读存储介质 | |
CN112580352B (zh) | 关键词提取方法、装置和设备及计算机存储介质 | |
CN116823410A (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
Latha et al. | Product recommendation using enhanced convolutional neural network for e-commerce platform | |
CN112149413A (zh) | 基于神经网络识别互联网网站所属业态的方法、装置以及计算机可读存储介质 | |
Abu-Salih et al. | DAO-LGBM: dual annealing optimization with light gradient boosting machine for advocates prediction in online customer engagement | |
CN113807920A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN113869068A (zh) | 场景服务推荐方法、装置、设备及存储介质 | |
CN113886539A (zh) | 话术推荐方法、装置、客服设备及存储介质 | |
CN117011737A (zh) | 一种视频分类方法、装置、电子设备和存储介质 | |
Lohith et al. | Aspect Oriented Sentiment Analysis on Customer Reviews on Restaurant Using the LDA and BERT Method | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN114548242A (zh) | 用户标签识别方法、装置、电子设备和计算机可读存储介质 | |
Chen et al. | Emotion recognition in videos via fusing multimodal features | |
Szmydt | Contextual personality-aware recommender system versus big data recommender system |
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 |