CN114065074A - 受众群体获取方法、用户对象匹配模型的训练方法及装置 - Google Patents
受众群体获取方法、用户对象匹配模型的训练方法及装置 Download PDFInfo
- Publication number
- CN114065074A CN114065074A CN202111352095.XA CN202111352095A CN114065074A CN 114065074 A CN114065074 A CN 114065074A CN 202111352095 A CN202111352095 A CN 202111352095A CN 114065074 A CN114065074 A CN 114065074A
- Authority
- CN
- China
- Prior art keywords
- user
- sample
- attribute information
- information
- browsed
- 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
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种受众群体获取方法、用户对象匹配模型的训练方法及装置。其实现方案为:获取待发布对象的所属品类及待发布对象的对象属性信息;获取在第一预设时间段内浏览所属品类下对象的用户群体和用户群体中每个用户与对象的交互行为数据;根据交互行为数据,确定每个用户的用户属性信息;将待发布对象的对象属性信息和每个用户的用户属性信息输入至预先训练的用户对象匹配模型,获得每个用户分别与待发布对象的匹配概率;根据每个用户分别与待发布对象的匹配概率,在用户群体中筛选出待发布对象的受众群体。该方案可以有效地提高受众群体预测的准确率,具有重要的应用价值。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及数据处理技术领域,尤其涉及一种受众群体获取方法、用户对象匹配模型的训练方法及装置。
背景技术
目前,对于未上市的商品,由于缺少用户行为数据,通常依赖于人工经验进行受众群体筛选。该人工筛选的方式存在主观性强、准确率低及转化效果差的问题。
发明内容
本申请提供了一种受众群体获取方法、用户对象匹配模型的训练方法及装置。
根据本申请的第一方面,提供了一种受众群体获取方法,包括:
获取待发布对象的所属品类及所述待发布对象的对象属性信息;
获取在第一预设时间段内浏览所述所属品类下对象的用户群体和所述用户群体中每个用户与所述对象的交互行为数据;
根据所述交互行为数据,确定每个所述用户的用户属性信息;
将所述待发布对象的对象属性信息和每个所述用户的用户属性信息输入至预先训练的用户对象匹配模型,获得每个所述用户分别与所述待发布对象的匹配概率;
根据每个所述用户分别与所述待发布对象的匹配概率,在所述用户群体中筛选出所述待发布对象的受众群体。
在本申请的一些实施例中,所述获取所述待发布对象的对象属性信息,包括:
提取所述所属品类下所有对象的属性信息,并对所述所有对象的属性信息进行预处理,得到分段属性集;
获取所述待发布对象的属性信息,并将所述待发布对象的属性信息与所述分段属性集中的属性进行匹配,确定所述待发布对象的对象属性信息。
在本申请的一些实施例中,所述根据所述交互行为数据,确定每个所述用户的用户属性信息,包括:
基于所述分段属性集中各属性及多个不同时间段,对每个所述用户与所述对象的交互行为数据进行分析,提取每个所述用户的属性偏好信息;
获取每个所述用户的基本信息,并将每个所述用户的属性偏好信息和基本信息确定为每个所述用户的用户属性信息。
其中,所述用户对象匹配模型是通过以下方式预先训练而得到的:
获取在第二预设时间段内浏览所述所属品类下对象样本的多个用户样本和每个所述用户样本与所述对象样本的交互行为数据;
获取每个所述用户样本的基本信息,并根据每个所述用户样本与所述对象样本的交互行为数据,确定每个所述用户样本的属性偏好信息;
根据每个所述用户样本的基本信息和属性偏好信息,确定每个所述用户样本的用户属性信息;
获取每个所述用户样本浏览的对象样本的对象属性信息,并确定每个所述用户样本的标签值;
将每个所述用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个所述用户样本与其浏览的对象样本的匹配概率预测值;
根据每个所述用户样本与其浏览的对象样本的匹配概率预测值和每个所述用户样本的标签值,训练所述机器学习模型,获取模型参数,并根据所述模型参数生成所述用户对象匹配模型。
在本申请的一些实施例中,所述将每个所述用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,包括:
确定每个所述用户样本浏览的对象样本的发布时间,并根据所述发布时间确定每个所述用户样本的权重信息;
将每个所述用户样本的用户属性信息、权重信息和其浏览的对象样本的对象属性信息输入至机器学习模型。
在本申请的一些实施例中,所述根据每个所述用户样本与所述对象样本的交互行为数据,确定每个所述用户样本的属性偏好信息,包括:
基于所述所属品类的分段属性集中各属性及多个不同时间段,对每个所述用户样本与所述对象样本的交互行为数据进行分析,提取每个所述用户样本的属性偏好信息。
此外,在本申请的一些实施例中,所述确定每个所述用户样本的标签值,包括:
基于每个所述用户样本与其浏览的对象样本的交互行为数据,获取每个所述用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息;
根据每个所述用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息,确定每个所述用户样本的标签值。
根据本申请的第二方面,提供了一种用户对象匹配模型的训练方法,所述用户对象匹配模型用于预测待发布对象的受众群体,所述训练方法包括:
获取在第二预设时间段内浏览预设品类下对象样本的多个用户样本和每个所述用户样本与所述对象样本的交互行为数据;
获取每个所述用户样本的基本信息,并根据每个所述用户样本与所述对象样本的交互行为数据,确定每个所述用户样本的属性偏好信息;
根据每个所述用户样本的基本信息和属性偏好信息,确定每个所述用户样本的用户属性信息;
获取每个所述用户样本浏览的对象样本的对象属性信息,并确定每个所述用户样本的标签值;
将每个所述用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个所述用户样本与其浏览的对象样本的匹配概率预测值;
根据每个所述用户样本与其浏览的对象样本的匹配概率预测值和每个所述用户样本的标签值,训练所述机器学习模型,获取模型参数,并根据所述模型参数生成所述用户对象匹配模型。
在本申请的一些实施例中,所述将每个所述用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,包括:
确定每个用户样本浏览的对象样本的发布时间,并根据所述发布时间确定每个所述用户样本的权重信息;
将每个所述用户样本的用户属性信息、权重信息和其浏览的对象样本的对象属性信息输入至机器学习模型。
作为一种实施方式,所述根据每个所述用户样本与所述对象样本的交互行为数据,确定每个所述用户样本的属性偏好信息,包括:
基于所述预设品类的分段属性集中各属性及多个不同时间段,对每个所述用户样本与所述对象样本的交互行为数据进行分析,提取每个所述用户样本的属性偏好信息。
在本申请的一些实施例中,所述获取每个所述用户样本浏览的对象样本的对象属性信息,包括:
提取所述预设品类下所有对象样本的属性信息,并对所述所有对象样本的属性信息进行预处理,得到分段属性集;
获取每个用户样本浏览的对象样本的属性信息,并将每个用户样本浏览的对象样本的属性信息与所述分段属性集中的属性进行匹配,确定每个用户样本浏览的对象样本的对象属性信息。
此外,在本申请的一些实施例中,所述确定每个所述用户样本的标签值,包括:
基于每个所述用户样本与其浏览的所述对象样本的交互行为数据,获取每个所述用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息;
根据每个所述用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息,确定每个所述用户样本的标签值。
根据本申请的第三方面,提供了一种受众群体获取装置,包括:
第一获取模块,用于获取待发布对象的所属品类及所述待发布对象的对象属性信息;
第二获取模块,用于获取在第一预设时间段内浏览所述所属品类下对象的用户群体和所述用户群体中每个用户与所述对象的交互行为数据;
确定模块,用于根据所述交互行为数据,确定每个所述用户的用户属性信息;
第三获取模块,用于将所述待发布对象的对象属性信息和每个所述用户的用户属性信息输入至预先训练的用户对象匹配模型,获得每个所述用户分别与所述待发布对象的匹配概率;
筛选模块,用于根据每个所述用户分别与所述待发布对象的匹配概率,在所述用户群体中筛选出所述待发布对象的受众群体。
在本申请的一些实施例中,所述第一获取模块具体用于:
提取所述所属品类下所有对象的属性信息,并对所述所有对象的属性信息进行预处理,得到分段属性集;
获取所述待发布对象的属性信息,并将所述待发布对象的属性信息与所述分段属性集中的属性进行匹配,确定所述待发布对象的对象属性信息。
作为一种实施方式,所述确定模块具体用于:
基于所述分段属性集中各属性及多个不同时间段,对每个所述用户与所述对象的交互行为数据进行分析,提取每个所述用户的属性偏好信息;
获取每个所述用户的基本信息,并将每个所述用户的属性偏好信息和基本信息确定为每个所述用户的用户属性信息。
在本申请的一些实施中,所述装置还包括:
训练模块,用于预先训练所述用户对象匹配模型;其中,所述训练模块包括:
第一获取单元,用于获取在第二预设时间段内浏览所述所属品类下对象样本的多个用户样本和每个所述用户样本与所述对象样本的交互行为数据;
第二获取单元,用于获取每个所述用户样本的基本信息,并根据每个所述用户样本与所述对象样本的交互行为数据,确定每个所述用户样本的属性偏好信息;
第一确定单元,用于根据每个所述用户样本的基本信息和属性偏好信息,确定每个所述用户样本的用户属性信息;
第三获取单元,用于获取每个所述用户样本浏览的对象样本的对象属性信息;
第二确定单元,用于确定每个所述用户样本的标签值;
预测单元,用于将每个所述用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个所述用户样本与其浏览的对象样本的匹配概率预测值;
训练单元,用于根据每个所述用户样本与其浏览的对象样本的匹配概率预测值和每个所述用户样本的标签值,训练所述机器学习模型,获取模型参数,并根据所述模型参数生成所述用户对象匹配模型。
在本申请的一些实施例中,所述预测单元具体用于:
确定每个所述用户样本浏览的对象样本的发布时间,并根据所述发布时间确定每个所述用户样本的权重信息;
将每个所述用户样本的用户属性信息、权重信息和其浏览的对象样本的对象属性信息输入至机器学习模型。
作为一种实施方式,所述第二获取单元具体用于:
基于所述所属品类的分段属性集中各属性及多个不同时间段,对每个所述用户样本与所述对象样本的交互行为数据进行分析,提取每个所述用户样本的属性偏好信息。
在本申请的一些实施例中,所述第二确定单元具体用于:
基于每个所述用户样本与其浏览的对象样本的交互行为数据,获取每个所述用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息;
根据每个所述用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息,确定每个所述用户样本的标签值。
根据本申请的第四方面,提供了一种用户对象匹配模型的训练装置,所述用于对象匹配模型用于预测待发布对象的受众群体,所述装置包括:
第一获取模块,用于获取在第二预设时间段内浏览预设品类下对象样本的多个用户样本和每个所述用户样本与所述对象样本的交互行为数据;
第二获取模块,用于获取每个所述用户样本的基本信息,并根据每个所述用户样本与所述对象样本的交互行为数据,确定每个所述用户样本的属性偏好信息;
第一确定模块,用于根据每个所述用户样本的基本信息和属性偏好信息,确定每个所述用户样本的用户属性信息;
第三获取模块,用于获取每个所述用户样本浏览的对象样本的对象属性信息;
第二确定模块,用于确定每个所述用户样本的标签值;
预测模块,用于将每个所述用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个所述用户样本与其浏览的对象样本的匹配概率预测值;
训练模块,用于根据每个所述用户样本与其浏览的对象样本的匹配概率预测值和每个所述用户样本的标签值,训练所述机器学习模型,获取模型参数,并根据所述模型参数生成所述用户对象匹配模型。
在本申请的一些实施例中,所述预测模块具体用于:
确定每个所述用户样本浏览的对象样本的发布时间,并根据所述发布时间确定每个所述用户样本的权重信息;
将每个所述用户样本的用户属性信息、权重信息和其浏览的对象样本的对象属性信息输入至机器学习模型。
作为一种实施方式,所述第二获取模块具体用于:
基于所述预设品类的分段属性集中各属性及多个不同时间段,对每个所述用户样本与所述对象样本的交互行为数据进行分析,提取每个所述用户样本的属性偏好信息。
在本申请的一些实施例中,所述第三获取模块具体用于:
提取所述预设品类下所有对象样本的属性信息,并对所述所有对象样本的属性信息进行预处理,得到分段属性集;
获取每个所述用户样本浏览的对象样本的属性信息,并将每个所述用户样本浏览的对象样本的属性信息与所述分段属性集中的属性进行匹配,确定每个所述用户样本浏览的对象样本的对象属性信息。
此外,在本申请的一些实施例中,所述第二确定模块具体用于:
基于每个所述用户样本与其浏览的对象样本的交互行为数据,获取每个所述用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息;
根据每个所述用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息,确定每个所述用户样本的标签值。
根据本申请的第五方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面所述的方法,或者,实现上述第二方面所述的方法。
根据本申请的第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行上述第一方面所述的方法,或者,执行上述第二方面所述的方法。
根据本申请的技术方案,通过获取在预设时间段内浏览待发布对象所属品类下的对象的用户群体,和用户群体中每个用户与该所属品类下对象的交互行为数据,来根据交互行为数据确定每个用户的用户属性,并根据待发布对象的对象属性信息和每个用户的用户属性信息,利用预先训练的用户对象匹配模型,来获得每个用户分别与待发布对象的匹配概率,从而可以从用户群体中筛选出待发布对象的受众群体。这样,基于用户对已发布对象的交互行为数据,来预测用户对待发布对象的匹配情况,相当于根据客观数据来进行分析预测,从而可以解决当前针对待发布对象的受众群体预测依赖于主观经验,且准确率低等问题,不仅可以有效地提高受众群体预测的准确率,也可以改善预测群体的转化效果,具有重要的应用价值。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例提供的一种受众群体获取方法的流程图;
图2为本申请实施例中的一种用户对象匹配模型训练的流程图;
图3为本申请实施例中的另一种用户对象匹配模型训练的流程图;
图4为本申请实施例提供的一种用户对象匹配模型训练的流程图;
图5为本申请实施例提供的另一种用户对象匹配模型训练的流程图;
图6为本申请实施例提供的一种受众群体获取装置的结构框图;
图7为本申请实施例提供的一种用户对象匹配模型的训练装置的结构框图;
图8示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
需要说明的是,在本申请的一些实施例中涉及的用户数据均经过授权、获取、处理、传输等符合法律法规要求。
目前,由于未上市的商品没有对应的用户行为数据,通常依赖于人工经验进行受众群体的筛选。但是该人工筛选的方式存在主观性强、准确率低及转化率差的效果等问题。然而,本申请的发明人发现,通常待上市的商品与同一类型下的已上市的商品在部分功能属性上会存在相似之处,同时不同用户会对不同的功能属性感兴趣,所以可以通过对已上市的商品属性及用户的关注情况的统计,来预测待上市商品的感兴趣客群。
基于上述发现,本申请提出了一种受众群体获取方法、用户对象匹配模型的训练方法及装置。
图1是本申请实施例提供的一种受众群体获取方法的流程图。需要说明的是,本申请实施例中的受众群体获取方法可应用于本申请实施例中的受众群体获取装置,该受众群体获取装置可配置于电子设备中。如图1所示,该方法可以包括以下步骤:
步骤101,获取待发布对象的所属品类及待发布对象的对象属性信息。
在本申请实施例中,对象可以是商品、视频或者新闻等,待发布的对象也就可以是待发布的商品、待发布的视频或者待发布的新闻等。待发布对象的所属品类是指基于实际场景中的对象品类的分类划分,待发布对象对应的分类,比如,若待发布对象为一种新款冰箱,则其所属品类可以为冰箱品类。此外,待发布对象的对象属性信息是指基于待发布对象的相关属性,与其匹配的对象属性信息。
作为一种实现方式,获取待发布对象的对象属性信息可以包括以下步骤:提取所属品类下所有对象的属性信息,并对所有对象的属性信息进行预处理,得到分段属性集;获取待发布对象的属性信息,并将待发布对象的属性信息与分段属性集中的属性进行匹配,确定待发布对象的对象属性信息。
举例而言,假如待发布的对象的所属品类为冰箱,则可以提取所有冰箱的属性信息,并基于提取的属性信息进行分段处理或者离散处理,比如:冰箱的开门方式属性,可以划分为单开门、双开门、三开门等对象属性,价格属性可以划分为高价位、中价位、低价位等对象属性,以得到分段属性集;将待发布的冰箱的属性信息与分段属性集中的属性进行匹配,来确定待发布冰箱的对象属性信息。比如单开门属性和中价位属性可以匹配成功,则待发布对象的对象属性信息为单开门和中价位。
步骤102,获取在第一预设时间段内浏览所属品类下对象的用户群体和用户群体中每个用户与所属品类下对象的交互行为数据。
可以理解,若用户浏览某品类下的对象,说明该用户可能对该品类下的对象感兴趣,所以可以认为在一段时间内浏览过待发布对象的所属品类下的对象的用户群体可能对待发布对象感兴趣。
作为一种示例,本申请的一些实施例中的用户群体中的用户可以是指终端设备中安装的客户端账号对应的实体,其中该客户端可以实现对象的浏览及其他操作行为。
在本申请实施例中,获取在第一预设时间段内浏览所属品类下对象的用户群体的实现方式可以为:调用用户行为统计系统的数据查询接口,将请求参数中的时间参数配置为第一预设时间段,将所属品类参数配置为待发布对象的所属品类,并发送查询请求;接收返回的用户数据即为第一预设时间段内浏览所属品类下对象的用户群体。
在本申请实施例中,用户群体中每个用户与所属品类下对象的交互行为数据可以包括:用户对待发布对象的所属品类下对象的关注、搜索、浏览、加购等交互行为的数据。该数据也可以通过行为统计系统来获取。
步骤103,根据交互行为数据,确定每个用户的用户属性信息。
在本申请的一些实施例中,用户属性信息中包括用户的基本信息和用户的属性偏好信息。其中用户的基本信息可以包括用户的年龄、性别、所属行业等用户画像信息。用户的属性偏好信息是基于用户对不同对象属性的对象的交互行为数据统计得到的,用于表征用户对不同对象属性的对象的喜好程度。
作为一种示例,根据交互行为数据,确定每个用户的用户属性信息的实现方式可以包括:基于分段属性集中各属性及多个不同时间段,对每个用户与所属品类下对象的交互行为数据进行分析,提取每个用户的属性偏好信息;获取每个用户的基本信息,并将每个用户的属性偏好信息和基本信息确定为每个用户的用户属性信息。其中,提取每个用户的属性偏好信息的实现方式可以包括:获取待发布对象的所属品类下所有对象的属性信息,并对所有对象的属性信息进行预处理,得到分段属性集;按照分段属性集中的属性及不同时间段(比如:近三个月内、近一个月内、近一周内等),对每个用户与所属品类下对象的交互行为数据进行统计分析,比如统计用户在不同时间段内浏览各属性的对象的次数和占比、关注各属性的对象的占比等,并将分析结果作为每个用户的属性偏好信息。
步骤104,将待发布对象的对象属性信息和每个用户的用户属性信息输入至预先训练的用户对象匹配模型,获得每个用户分别与待发布对象的匹配概率。
在本申请实施例中,每个用户与待发布对象的匹配概率可以理解为,每个用户可以成为待发布对象的受众群体的概率。
需要说明的是,用户对象匹配模型是根据用户对待发布对象所属品类下对象的行为数据训练得到的,相当于,用户对象匹配模型已经得到了用户属性信息与匹配的对象属性信息的映射关系。
作为一种示例,可以将待发布对象的对象属性信息和每个用户的用户属性信息进行拼接处理,并将拼接后的数据输入至预先训练的用户对象匹配模型,从而获得每个用户分别与待发布对象的匹配概率。
在本申请实施例中,用户对象匹配模型可以是xgboost等可以实现分类的模型,可以根据实际使用场景选择匹配的模型,本申请对此不作限定。将待发布对象的对象属性信息和每个用户的用户属性信息输入至用户对象匹配模型后,模型可以基于输入数据进行特征提取,并进行分类计算,从而得到用户与待发布对象的匹配概率。
步骤105,根据每个用户分别与待发布对象的匹配概率,在用户群体中筛选出待发布对象的受众群体。
可以理解,用户与待发布对象的匹配概率越大,则说明用户对待发布对象感兴趣的可能性越大,即用户成为待发布对象的受众群体的可能性越大。
作为一种示例,可以根据每个用户分别与待发布对象的匹配概率,在用户群体中筛选出匹配概率大于预设阈值的目标用户;并将筛选到的目标用户作为待发布对象的受众群体。
需要说明的是,浏览待发布对象所属品类下对象的用户群体可能会随着时间而改变,同时用户的偏好信息可能会随着时间而变化,也就是说,上述方法得到的待发布对象的受众群体可能仅在一段时间内有效,所以,在应用时可以根据实际情况设定更新周期,定期更新受众群体,从而可以保证准确地预测受众群体,提高转化率。比如每天基于用户浏览数据更新浏览该所属品类下对象的用户群体,并获取用户群体中每个用户的用户属性信息,根据以上信息根据用户对象匹配模型来预测每个用户与待发布对象的匹配概率,从而可以得到更新后的受众群体。
根据本申请的受众群体获取方法,通过获取在预设时间段内浏览待发布对象所属品类下的对象的用户群体,和用户群体中每个用户与该所属品类下对象的交互行为数据,来根据交互行为数据确定每个用户的用户属性,并根据待发布对象的对象属性信息和每个用户的用户属性信息,利用预先训练的用户对象匹配模型,来获得每个用户分别与待发布对象的匹配概率,从而可以从用户群体中筛选出待发布对象的受众群体。这样,基于用户对已发布对象的交互行为数据,来预测用户对待发布对象的匹配情况,相当于根据客观数据来进行分析预测,从而可以解决当前针对待发布对象的受众群体预测依赖于主观经验,且准确率低等问题,不仅可以有效地提高受众群体预测的准确率,也可以改善预测群体的转化效果,具有重要的应用价值。
针对上述实施例中的用户对象匹配模型,接下来将对其训练过程进行详细介绍。
图2是本申请实施例中用户对象匹配模型训练的流程图。如图2所示,其训练过程可以包括以下步骤:
步骤201,获取在第二预设时间段内浏览所属品类下对象样本的多个用户样本和每个用户样本与对象样本的交互行为数据。
在本申请实施例中,第二预设时间段内可以是近一周内、近一个月内,或者可以是其他的时间段,具体设定的时间范围可以根据时间情况确定,本申请对此不作限定。所属品类下对象样本是指待发布对象的所属品类下的所有对象,其中,获取在第二预设时间段内浏览所属品类下对象样本的多个用户样本的实现方式可以包括:获取第二预设时间段内浏览所属品类下对象样本的数据;在该数据中,获取浏览对象样本的用户样本,即浏览对象样本中对象的用户。
作为一种示例,假如待发布对象为待发布的商品,对象样本为每个用户样本与对象样本的交互行为数据可以为,每个用户样本对对象样本的关注、搜索、浏览、加购等交互行为的数据。该数据可以通过行为数据统计系统来获取。其实现方式可以包括:根据每个用户样本的标识、对象样本的所属品类、以及预设的交互行为标识,通过调用行为数据统计系统的请求接口,来获取每个用户样本与对象样本的交互行为数据。
需要说明的是,在本申请实施例中,统计每个用户样本与对象样本的交互行为数据的时间范围可以为第二预设时间段内,也可以根据实际场景使用其他预设的时间段。
步骤202,获取每个用户样本的基本信息,并根据每个用户样本与对象样本的交互行为数据,确定每个用户样本的属性偏好信息。
在本申请实施例中,每个用户样本的基本信息可以包括用户的年龄、性别、所属行业等用户画像信息。该信息可以根据每个用户样本的标识信息,通过用户数据库的查询接口来获取。每个用户样本的属性偏好信息是基于每个用户样本对不同对象属性的对象样本的交互行为数据统计得到的,用于表征每个用户样本对不同对象属性的对象样本的喜好程度。
作为一种示例,根据交互行为数据,确定每个用户样本的用户属性信息的实现方式可以包括:基于所属品类的分段属性集中各属性及多个不同时间段,对每个用户样本与对象样本的交互行为数据进行分析,提取每个用户样本的属性偏好信息。其中,提取每个用户的属性偏好信息的实现方式可以包括:获取待发布对象的所属品类下所有对象样本的属性信息,并对所有对象样本的属性信息进行预处理,得到分段属性集;按照分段属性集中的属性及不同时间段(比如:近三个月内、近一个月内、近一周内等),对每个用户样本与所属品类下对象样本的交互行为数据进行统计分析,比如统计每个用户样本在不同时间段内浏览各属性的对象样本的次数和占比、关注各属性的对象样本的占比等,并将分析结果作为每个用户样本的属性偏好信息。
步骤203,根据每个用户样本的基本信息和属性偏好信息,确定每个用户样本的用户属性信息。
步骤204,获取每个用户样本浏览的对象样本的对象属性信息,并确定每个用户样本的标签值。
作为一种示例,获取对象样本的对象属性信息的实现方式可以包括:获取每个用户样本浏览的对象样本的属性信息;将该对象样本的属性信息与所属品类下对象的分段属性集中的属性进行匹配,将匹配成功的属性作为该对象样本的对象属性信息。
在本申请实施例中,每个用户样本对应着其浏览的对象样本,若用户样本与其浏览的对象样本匹配,则该用户样本为正样本,若用户样本与其浏览的对象样本不匹配,则说明该用户样本为负样本。其中,用户样本与其浏览的对象样本是否匹配,可以通过一段时间内用户样本对该对象样本的行为结果信息来确定,也可以根据实际场景使用其他的方式来确定。
作为一种示例,可以通过以下方式确定每个用户样本的标签值:基于每个用户样本与其浏览的对象样本的交互行为数据,获取每个用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息;根据每个用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息,确定每个用户样本的标签值。其中行为结果信息可以指该用户样本是否对该对象样本进行某操作行为,用于指示该用户样本与该对象样本的匹配度,可以通过该行为结果信息确定该用户样本是否为该对象样本的受众群体。
举例而言,若某用户样本浏览某对象样本一段时间后,对该对象样本进行了某操作行为,可以理解为该用户样本是该对象样本的受众群体,即该用户样本为正样本;若该用户样本浏览该对象样本一段时间后,未对该对象样本进行某操作行为,可以理解为该用户样本并非该对象样本的受众群体,即该用户样本为负样本。
步骤205,将每个用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个用户样本与浏览的对象样本的匹配概率预测值。
作为一种示例,可以将每个用户样本的用户属性信息和其浏览的对象样本的对象属性信息进行拼接处理,并将拼接后的数据输入至机器学习模型,获得每个用户样本与其浏览的对象样本的匹配概率预测值。
在本申请实施例中,机器学习模型可以是xgboost等可以实现分类的模型,也可以根据实际使用场景选择匹配的模型,本申请对此不作限定。将每个用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型后,模型可以基于输入数据进行特征提取,并进行分类计算,从而获得每个用户样本与其浏览的对象样本的匹配概率预测值。
步骤206,根据每个用户样本与其浏览的对象样本的匹配概率预测值和每个用户样本的标签值,训练机器学习模型,获取模型参数,并根据模型参数生成用户对象匹配模型。
在本申请实施例中,根据每个用户样本与其浏览的对象样本的匹配概率预测值和每个用户样本的标签值,计算损失值,并根据损失值来调整机器学习模型的参数,以训练机器学习模型,如此反复进行,直至得到的预测结果满足预期后,该模型训练训练完成。
根据本申请实施例的受众群体获取方法,通过获取预设时间段内浏览待发布对象所属品类下的对象样本的多个用户样本,及用户样本与对象样本的交互行为数据,来获取每个用户样本的用户属性信息及其浏览的对象样本的对象属性信息,并根据这些数据来训练机器学习模型得到用户对象匹配模型。相当于,使机器学习模型可以学习到用户样本的用户属性信息与对象样本的对象属性信息的关联性,从而使得到的用户对象匹配模型可以有效地对用户与待发布对象的匹配情况进行预测,进而为准确地获取受众群体提供了保障。
为了进一步提高预测结果的准确性,本申请提供了另一个实施例。
图3是本申请实施例中另一种用户对象匹配模型训练的流程图。如图3所示,在上述实施例的基础上,该训练过程包括以下步骤:
步骤301,获取在第二预设时间段内浏览所属品类下对象样本的多个用户样本和每个用户样本与对象样本的交互行为数据。
步骤302,获取每个用户样本的基本信息,并根据每个用户样本与对象样本的交互行为数据,确定每个用户样本的属性偏好信息。
步骤303,根据每个用户样本的基本信息和属性偏好信息,确定每个用户样本的用户属性信息。
步骤304,获取每个用户样本浏览的对象样本的对象属性信息,并确定每个用户样本的标签值。
步骤305,确定每个用户样本浏览的对象样本的发布时间,并根据发布时间确定每个用户样本的权重信息。
其中,对象样本的发布时间是指对象样本发布时的时间。
可以理解,若每个用户样本浏览的对象样本的发布时间距模型训练的时间越短,说明该对象样本与待发布对象在发布时间上越相近。又由于发布时间越相近的对象,相同对象属性信息与用户属性信息的关联度相似的可能性更大,说明该用户样本与其浏览的对象样本的属性信息及匹配情况更具有参考价值,从而对模型训练效果越好。在本申请实施例中,可以根据每个用户样本浏览的对象样本的发布时间,为每个用户样本设定权重信息,且对象样本发布时间距模型训练的时间越短则权重越高,对象样本的发布时间距模型训练的时间越长则权重越低。在模型训练时,模型可以根据用户样本的权重值来调整对样本的依赖程度,进而可以加强该模型对待发布对象的预测能力。
作为一种示例,每个用户样本的权重信息计算方式可以为:设定基准值N,比如30天;确定每个用户样本浏览的对象样本的发布时间t与当前模型训练的时间T;将设定的基准值与对象的发布时间距当前模型训练的时间的差值的比值作为权重值D,即D=N/(T-t)。
作为另一种示例,也可以根据每个用户样本浏览的对象样本的发布时间划分不同的权重梯度,比如:发布时间距当前模型训练的时间在0-10天范围内,权重值为0.9;发布时间距当前模型训练的时间在11-20天范围内,权重值为0.6;发布时间距当前模型训练的时间在21-30天范围内,权重值为0.4;发布时间距当前模型训练的时间在31-60天范围内,权重值为0.2;发布时间距当前模型训练的时间超过61天,权重值为0。
步骤306,将每个用户样本的用户属性信息、权重信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个用户样本与其浏览的对象样本的匹配概率预测值。
步骤307,根据每个用户样本与其浏览的对象样本的匹配概率预测值和每个用户样本的标签值,训练机器学习模型,获取模型参数,并根据模型参数生成用户对象匹配模型。
可以理解,通过引入用户样本的权重信息,使模型训练时可以根据权重信息来调整对各样本的依赖程度,从而使训练后的用户对象匹配模型更适用于用户与待发布对象的匹配概率预测,提高预测的准确性。
为了进一步验证得到的用户对象匹配模型预测的准确性,申请人对该模型进行了多次实验,从实验结果来看,模型测试集auc(area under the curve,ROC曲线下的面积)指标达到0.86,具有很高的预测精度。
根据本申请实施例的受众群体获取方法,在用户对象匹配模型训练时,引入了用户样本的权重信息,且每个用户样本浏览的对象样本的发布时间与当前模型训练的时间差值越小,则用户样本的权重越高,从而可以通过用户样本的权重信息来表示每个用户样本与其浏览的对象样本对于待发布对象的参考价值。此外,由于发布时间越相近的对象,对象属性信息与用户的属性信息的关联度相似的可能性更大,所以引入用户样本的权重信息后,模型训练时会权重信息来调整对样本的依赖程度,从而使训练后的用户对象匹配模型更适合对于待发布对象的预测,也就使用户与待发布对象匹配概率准确率更高,进而可以进一步提高获取的受众群体的精准性。
为了实现上述实施例,本申请提供了一种用户对象匹配模型的训练方法。
图4为在本申请实施例提供的一种用户对象匹配模型的训练方法的流程图。其中,用户对象匹配模型用于预测待发布对象的受众群体。如图4所示,该训练过程包括:
步骤401,获取在第二预设时间段内浏览预设品类下对象样本的多个用户样本和每个用户样本与对象样本的交互行为数据。
在本申请实施例中,第二预设时间段内可以是近一周内、近一个月内,或者可以是其他的时间段,具体设定的时间范围可以根据时间情况确定,本申请对此不作限定。预设品类下对象样本是指待发布对象的所属品类下的所有对象,其中,获取在第二预设时间段内浏览预设品类下对象样本的多个用户样本的实现方式可以包括:获取第二预设时间段内浏览预设品类下对象样本的数据;在该数据中,获取浏览对象样本的用户样本,即浏览对象样本中对象的用户。
在本申请实施例中,每个用户样本与对象样本的交互行为数据是指,每个用户样本对对象样本的关注、搜索、浏览、加购等交互行为的数据。该数据可以通过行为数据统计系统来获取。其实现方式可以包括:根据每个用户样本的标识、对象样本的预设品类、以及预设的交互行为标识,通过调用行为数据统计系统的请求接口,来获取每个用户样本与对象样本的交互行为数据。
需要说明的是,在本申请实施例中,统计每个用户样本与对象样本的交互行为数据的时间范围可以为第二预设时间段内,也可以根据实际场景使用其他预设的时间段。
步骤402,获取每个用户样本的基本信息,并根据每个用户样本与对象样本的交互行为数据,确定每个用户样本的属性偏好信息。
在本申请实施例中,每个用户样本的基本信息可以包括用户的年龄、性别、所属行业等用户画像信息。该信息可以根据每个用户样本的标识信息,通过用户数据库的查询接口来获取。每个用户样本的属性偏好信息是基于每个用户样本对不同对象属性的对象样本的交互行为数据统计得到的,用于表征每个用户样本对不同对象属性的对象样本的喜好程度。
作为一种示例,根据交互行为数据,确定每个用户样本的用户属性信息的实现方式可以包括:基于所属品类的分段属性集中各属性及多个不同时间段,对每个用户样本与对象样本的交互行为数据进行分析,提取每个用户样本的属性偏好信息。其中,提取每个用户的属性偏好信息的实现方式可以包括:获取预设品类下所有对象样本的属性信息,并对所有对象样本的属性信息进行预处理,得到分段属性集;按照分段属性集中的属性及不同时间段(比如:近三个月内、近一个月内、近一周内等),对每个用户样本与预设品类下对象样本的交互行为数据进行统计分析,比如统计每个用户样本在不同时间段内浏览各属性的对象样本的次数和占比、关注各属性的对象样本的占比等,并将分析结果作为每个用户样本的属性偏好信息。
步骤403,根据每个用户样本的基本信息和属性偏好信息,确定每个用户样本的用户属性信息。
步骤404,获取每个用户样本浏览的对象样本的对象属性信息,并确定每个用户样本的标签值。
作为一种示例,获取对象样本的对象属性信息的实现方式可以包括:提取预设品类下所有对象样本的属性信息,并对所有对象样本的属性信息进行预处理,得到分段属性集;获取每个用户样本浏览的对象样本的属性信息,并将每个用户样本浏览的对象样本的属性信息与分段属性集中的属性进行匹配,确定每个用户样本浏览的对象样本的对象属性信息。
在本申请实施例中,每个用户样本对应着其浏览的对象样本,若用户样本与其浏览的对象样本匹配,则该用户样本为正样本,若用户样本与其浏览的对象样本不匹配,则说明该用户样本为负样本。其中,用户样本与其浏览的对象样本是否匹配,可以通过一段时间内用户样本对该对象样本的行为结果信息来确定,也可以根据实际场景使用其他的方式来确定。
作为一种示例,可以通过以下方式确定每个用户样本的标签值:基于每个用户样本与其浏览的对象样本的交互行为数据,获取每个用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息;根据每个用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息,确定每个用户样本的标签值。其中行为结果信息可以指该用户样本是否对该对象样本进行某操作行为,用于指示该用户样本与该对象样本的匹配度,可以通过该行为结果信息确定该用户样本是否为该对象样本的受众群体。
举例而言,若某用户样本浏览某对象样本一段时间后,对该对象样本进行了某操作行为,可以理解为该用户样本是该对象样本的受众群体,即该用户样本为正样本;若该用户样本浏览该对象样本一段时间后,未对该对象样本进行某操作行为,可以理解为该用户样本并非该对象样本的受众群体,即该用户样本为负样本。
步骤405,将每个用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个用户样本与其浏览的对象样本的匹配概率预测值。
作为一种示例,可以将每个用户样本的用户属性信息和其浏览的对象样本的对象属性信息进行拼接处理,并将拼接后的数据输入至机器学习模型,获得每个用户样本与其浏览的对象样本的匹配概率预测值。
在本申请实施例中,机器学习模型可以是xgboost等可以实现分类的模型,也可以根据实际使用场景选择匹配的模型,本申请对此不作限定。将每个用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型后,模型可以基于输入数据进行特征提取,并进行分类计算,从而获得每个用户样本与其浏览的对象样本的匹配概率预测值。
步骤406,根据每个用户样本与其浏览的对象样本的匹配概率预测值和每个用户样本的标签值,训练机器学习模型,获取模型参数,并根据模型参数生成用户对象匹配模型。
在本申请实施例中,根据每个用户样本与其浏览的对象样本的匹配概率预测值和每个用户样本的标签值,计算损失值,并根据损失值来调整机器学习模型的参数,以训练机器学习模型,如此反复进行,直至得到的预测结果满足预期后,该模型训练训练完成。
根据本申请实施例的用户对象匹配模型的训练方法,通过获取预设时间段内浏览预设品类下的对象样本的多个用户样本,及用户样本与对象样本的交互行为数据,来获取每个用户样本的用户属性信息及其浏览的对象样本的对象属性信息,并根据这些数据来训练机器学习模型得到用户对象匹配模型。相当于,使机器学习模型可以学习到用户样本的用户属性信息与对象样本的对象属性信息的关联性,从而使得到的用户对象匹配模型可以有效地对用户与待发布对象的匹配情况进行预测,进而为准确地获取受众群体提供了保障。
为了进一步提高模型训练的效果,本申请提出了又一个实施例。
图5为本申请实施例提出的另一种用户对象匹配模型的训练方法流程图。如图5所示,在上述实施例的基础上,该方法包括以下步骤:
步骤501,获取在第二预设时间段内浏览预设品类下对象样本的多个用户样本和每个用户样本与对象样本的交互行为数据。
步骤502,获取每个用户样本的基本信息,并根据每个用户样本与对象样本的交互行为数据,确定每个用户样本的属性偏好信息。
步骤503,根据每个用户样本的基本信息和属性偏好信息,确定每个用户样本的用户属性信息。
步骤504,获取每个用户样本浏览的对象样本的对象属性信息,并确定每个用户样本的标签值。
步骤505,确定每个用户样本浏览的对象样本的发布时间,并根据发布时间确定每个用户样本的权重信息。
其中,对象样本的发布时间是指对象样本发布时的时间。
可以理解,若每个用户样本浏览的对象样本的发布时间距模型训练的时间越短,说明该对象样本与待发布对象在发布时间上越相近。又由于发布时间越相近的对象,相同对象属性信息与用户属性信息的关联度相似的可能性更大,说明该用户样本与其浏览的对象样本的属性信息及匹配情况更具有参考价值,从而对模型训练效果越好。在本申请实施例中,可以根据每个用户样本浏览的对象样本的发布时间,为每个用户样本设定权重信息,且对象样本发布时间距模型训练的时间越短则权重越高,对象样本的发布时间距模型训练的时间越长则权重越低。在模型训练时,模型可以根据用户样本的权重值来调整对样本的依赖程度,进而可以加强该模型对待发布对象的预测能力。
作为一种示例,每个用户样本的权重信息计算方式可以为:设定基准值N,比如30天;确定每个用户样本浏览的对象样本的发布时间t与当前模型训练的时间T;将设定的基准值与对象的发布时间距当前模型训练的时间的差值的比值作为权重值D,即D=N/(T-t)。
作为另一种示例,也可以根据每个用户样本浏览的对象样本的发布时间划分不同的权重梯度,比如:发布时间距当前模型训练的时间在0-10天范围内,权重值为0.9;发布时间距当前模型训练的时间在11-20天范围内,权重值为0.6;发布时间距当前模型训练的时间在21-30天范围内,权重值为0.4;发布时间距当前模型训练的时间在31-60天范围内,权重值为0.2;发布时间距当前模型训练的时间超过61天,权重值为0。
步骤506,将每个用户样本的用户属性信息、权重信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个用户样本与其浏览的对象样本的匹配概率预测值。
步骤507,根据每个用户样本与其浏览的对象样本的匹配概率预测值和每个用户样本的标签值,训练机器学习模型,获取模型参数,并根据模型参数生成用户对象匹配模型。
可以理解,通过引入用户样本的权重信息,使模型训练时可以根据权重信息来调整对各样本的依赖程度,从而使训练后的用户对象匹配模型更适用于用户与待发布对象的匹配概率预测,提高预测的准确性。
为了进一步验证得到的用户对象匹配模型预测的准确性,申请人对该模型进行了多次实验,从实验结果来看,模型测试集auc(area under the curve,ROC曲线下的面积)指标达到0.86,具有很高的预测精度。
根据本申请实施例的用户对象匹配模型的训练方法,引入了用户样本的权重信息,且每个用户样本浏览的对象样本的发布时间与当前模型训练的时间差值越小,则用户样本的权重越高,从而可以通过用户样本的权重信息来表示每个用户样本与其浏览的对象样本对于待发布对象的参考价值。此外,由于发布时间越相近的对象,对象属性信息与用户的属性信息的关联度相似的可能性更大,所以引入用户样本的权重信息后,模型训练时会权重信息来调整对样本的依赖程度,从而使训练后的用户对象匹配模型更适合对于待发布对象的预测,也就使用户与待发布对象匹配概率准确率更高,进而可以进一步提高获取的受众群体的精准性。
为了实现上述实施例,本申请提供了一种受众群体获取装置。
图6是本申请实施例提供的一种受众群体获取装置的结构框图。如图5所示,该装置包括:
第一获取模块610,用于获取待发布对象的所属品类及待发布对象的对象属性信息;
第二获取模块620,用于获取在第一预设时间段内浏览所属品类下对象的用户群体和用户群体中每个用户与对象的交互行为数据;
确定模块630,用于根据交互行为数据,确定每个用户的用户属性信息;
第三获取模块640,用于将待发布对象的对象属性信息和每个用户的用户属性信息输入至预先训练的用户对象匹配模型,获得每个用户分别与待发布对象的匹配概率;
筛选模块650,用于根据每个用户分别与待发布对象的匹配概率,在用户群体中筛选出待发布对象的受众群体。
在本申请的一些实施例中,第一获取模块610具体用于:
提取所属品类下所有对象的属性信息,并对所有对象的属性信息进行预处理,得到分段属性集;
获取待发布对象的属性信息,并将待发布对象的属性信息与分段属性集中的属性进行匹配,确定待发布对象的对象属性信息。
作为一种实施方式,确定模块630具体用于:
基于分段属性集中各属性及多个不同时间段,对每个用户与对象的交互行为数据进行分析,提取每个用户的属性偏好信息;
获取每个用户的基本信息,并将每个用户的属性偏好信息和基本信息确定为每个用户的用户属性信息。
在本申请的一些实施中,装置还包括:
训练模块660,用于预先训练用户对象匹配模型;其中,训练模块660包括:
第一获取单元661,用于获取在第二预设时间段内浏览所属品类下对象样本的多个用户样本和每个用户样本与对象样本的交互行为数据;
第二获取单元662,用于获取每个用户样本的基本信息,并根据每个用户样本与对象样本的交互行为数据,确定每个用户样本的属性偏好信息;
第一确定单元663,用于根据每个用户样本的基本信息和属性偏好信息,确定每个用户样本的用户属性信息;
第三获取单元664,用于获取每个用户样本浏览的对象样本的对象属性信息;
第二确定单元665,用于确定每个用户样本的标签值;
预测单元666,用于将每个用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个用户样本与其浏览的对象样本的匹配概率预测值;
训练单元667,用于根据每个用户样本与其浏览的对象样本的匹配概率预测值和每个用户样本的标签值,训练机器学习模型,获取模型参数,并根据模型参数生成用户对象匹配模型。
在本申请的一些实施例中,预测单元666具体用于:
确定每个用户样本浏览的对象样本的发布时间,并根据发布时间确定每个用户样本的权重信息;
将每个用户样本的用户属性信息、权重信息和其浏览的对象样本的对象属性信息输入至机器学习模型。
作为一种实施方式,第二获取单元665具体用于:
基于所属品类的分段属性集中各属性及多个不同时间段,对每个用户样本与对象样本的交互行为数据进行分析,提取每个用户样本的属性偏好信息。
在本申请的一些实施例中,第二确定单元665具体用于:
基于每个用户样本与其浏览的对象样本的交互行为数据,获取每个用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息;
根据每个用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息,确定每个用户样本的标签值。
根据本申请的受众群体获取装置,通过获取在预设时间段内浏览待发布对象所属品类下的对象的用户群体,和用户群体中每个用户与该所属品类下对象的交互行为数据,来根据交互行为数据确定每个用户的用户属性,并根据待发布对象的对象属性信息和每个用户的用户属性信息,利用预先训练的用户对象匹配模型,来获得每个用户分别与待发布对象的匹配概率,从而可以从用户群体中筛选出待发布对象的受众群体。这样,基于用户对已发布对象的交互行为数据,来预测用户对待发布对象的匹配情况,相当于根据客观数据来进行分析预测,从而可以解决当前针对待发布对象的受众群体预测依赖于主观经验,且准确率低等问题,不仅可以有效地提高受众群体预测的准确率,也可以改善预测群体的转化效果,具有重要的应用价值。
为了实现上述实施例,本申请提供了一种用户对象匹配模型的训练装置。
图7为本申请实施例提供的一种用户对象匹配模型的训练装置的结构框图。其中,用户对象匹配模型用于预测待发布对象的受众群体,如图7所示,该装置包括:
第一获取模块710,用于获取在第二预设时间段内浏览预设品类下对象样本的多个用户样本和每个用户样本与对象样本的交互行为数据;
第二获取模块720,用于获取每个用户样本的基本信息,并根据每个用户样本与对象样本的交互行为数据,确定每个用户样本的属性偏好信息;
第一确定模块730,用于根据每个用户样本的基本信息和属性偏好信息,确定每个用户样本的用户属性信息;
第三获取模块740,用于获取每个用户样本浏览的对象样本的对象属性信息;
第二确定模块750,用于确定每个用户样本的标签值;
预测模块760,用于将每个用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个用户样本与其浏览的对象样本的匹配概率预测值;
训练模块770,用于根据每个用户样本与其浏览的对象样本的匹配概率预测值和每个用户样本的标签值,训练机器学习模型,获取模型参数,并根据模型参数生成用户对象匹配模型。
在本申请的一些实施例中,预测模块760具体用于:
确定每个用户样本浏览的对象样本的发布时间,并根据发布时间确定每个用户样本的权重信息;
将每个用户样本的用户属性信息、权重信息和其浏览的对象样本的对象属性信息输入至机器学习模型。
作为一种实施方式,第二获取模块720具体用于:
基于预设品类的分段属性集中各属性及多个不同时间段,对每个用户样本与对象样本的交互行为数据进行分析,提取每个用户样本的属性偏好信息。
在本申请的一些实施例中,第三获取模块740具体用于:
提取预设品类下所有对象样本的属性信息,并对所有对象样本的属性信息进行预处理,得到分段属性集;
获取每个用户样本浏览的对象样本的属性信息,并将每个用户样本浏览的对象样本的属性信息与分段属性集中的属性进行匹配,确定每个用户样本浏览的对象样本的对象属性信息。
此外,在本申请的一些实施例中,第二确定模块750具体用于:
基于每个用户样本与其浏览的对象样本的交互行为数据,获取每个用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息;
根据每个用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息,确定每个用户样本的标签值。
根据本申请实施例的用户对象匹配模型的训练装置,通过获取预设时间段内浏览预设品类下的对象样本的多个用户样本,及用户样本与对象样本的交互行为数据,来获取每个用户样本的用户属性信息及其浏览的对象样本的对象属性信息,并根据这些数据来训练机器学习模型得到用户对象匹配模型。相当于,使机器学习模型可以学习到用户样本的用户属性信息与对象样本的对象属性信息的关联性,从而使得到的用户对象匹配模型可以有效地对用户与待发布对象的匹配情况进行预测,进而为准确地获取受众群体提供了保障。
基于本申请的实施例,本申请还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行根据本申请实施例提供的任一项的受众群体获取方法,和/或,执行根据本申请实施例提供的任一项用户对象匹配模型的训练方法。
图8示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如受众群体获取方法,和/或,用户匹配模型的训练方法。例如,在一些实施例中,受众群体获取方法,和/或,用户匹配模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM803并由计算单元801执行时,可以执行上文描述的受众群体获取方法,和/或,用户匹配模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行受众群体获取方法,和/或,用户匹配模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (17)
1.一种受众群体获取方法,其特征在于,包括:
获取待发布对象的所属品类及所述待发布对象的对象属性信息;
获取在第一预设时间段内浏览所述所属品类下对象的用户群体和所述用户群体中每个用户与所述对象的交互行为数据;
根据所述交互行为数据,确定每个所述用户的用户属性信息;
将所述待发布对象的对象属性信息和每个所述用户的用户属性信息输入至预先训练的用户对象匹配模型,获得每个所述用户分别与所述待发布对象的匹配概率;
根据每个所述用户分别与所述待发布对象的匹配概率,在所述用户群体中筛选出所述待发布对象的受众群体。
2.根据权利要求1所述的方法,其特征在于,获取所述待发布对象的对象属性信息,包括:
提取所述所属品类下所有对象的属性信息,并对所述所有对象的属性信息进行预处理,得到分段属性集;
获取所述待发布对象的属性信息,并将所述待发布对象的属性信息与所述分段属性集中的属性进行匹配,确定所述待发布对象的对象属性信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述交互行为数据,确定每个所述用户的用户属性信息,包括:
基于所述分段属性集中各属性及多个不同时间段,对每个所述用户与所述对象的交互行为数据进行分析,提取每个所述用户的属性偏好信息;
获取每个所述用户的基本信息,并将每个所述用户的属性偏好信息和基本信息确定为每个所述用户的用户属性信息。
4.根据权利要求1所述的方法,其特征在于,所述用户对象匹配模型是通过以下方式预先训练而得到的:
获取在第二预设时间段内浏览所述所属品类下对象样本的多个用户样本和每个所述用户样本与所述对象样本的交互行为数据;
获取每个所述用户样本的基本信息,并根据每个所述用户样本与所述对象样本的交互行为数据,确定每个所述用户样本的属性偏好信息;
根据每个所述用户样本的基本信息和属性偏好信息,确定每个所述用户样本的用户属性信息;
获取每个所述用户样本浏览的对象样本的对象属性信息,并确定每个所述用户样本的标签值;
将每个所述用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个所述用户样本与其浏览的对象样本的匹配概率预测值;
根据每个所述用户样本与其浏览的对象样本的匹配概率预测值和每个所述用户样本的标签值,训练所述机器学习模型,获取模型参数,并根据所述模型参数生成所述用户对象匹配模型。
5.根据权利要求4所述的方法,其特征在于,所述将每个所述用户样本的用户属性信息和每个所述用户样本浏览的对象样本的对象属性信息输入至机器学习模型,包括:
确定每个所述用户样本浏览的对象样本的发布时间,并根据所述发布时间确定每个所述用户样本的权重信息;
将每个所述用户样本的用户属性信息、权重信息和其浏览的对象样本的对象属性信息输入至机器学习模型。
6.根据权利要求4或5所述的方法,其特征在于,所述根据每个所述用户样本与所述对象样本的交互行为数据,确定每个所述用户样本的属性偏好信息,包括:
基于所述所属品类的分段属性集中各属性及多个不同时间段,对每个所述用户样本与所述对象样本的交互行为数据进行分析,提取每个所述用户样本的属性偏好信息。
7.根据权利要求4或5所述的方法,其特征在于,所述确定每个所述用户样本的标签值,包括:
基于每个所述用户样本与其浏览的对象样本的交互行为数据,获取每个所述用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息;
根据每个所述用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息,确定每个所述用户样本的标签值。
8.一种用户对象匹配模型的训练方法,其特征在于,所述用户对象匹配模型用于预测待发布对象的受众群体,所述训练方法包括:
获取在第二预设时间段内浏览预设品类下对象样本的多个用户样本和每个所述用户样本与所述对象样本的交互行为数据;
获取每个所述用户样本的基本信息,并根据每个所述用户样本与所述对象样本的交互行为数据,确定每个所述用户样本的属性偏好信息;
根据每个所述用户样本的基本信息和属性偏好信息,确定每个所述用户样本的用户属性信息;
获取所述每个用户样本浏览的对象样本的对象属性信息,并确定每个所述用户样本的标签值;
将每个所述用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个所述用户样本与其浏览的对象样本的匹配概率预测值;
根据每个所述用户样本与其浏览的对象样本的匹配概率预测值和每个所述用户样本的标签值,训练所述机器学习模型,获取模型参数,并根据所述模型参数生成所述用户对象匹配模型。
9.根据权利要求8所述的方法,其特征在于,所述将每个所述用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,包括:
确定每个所述用户样本浏览的对象样本的发布时间,并根据所述发布时间确定每个所述用户样本的权重信息;
将每个所述用户样本的用户属性信息、权重信息和其浏览的对象样本的对象属性信息输入至机器学习模型。
10.根据权利要求8或9所述的方法,其特征在于,所述根据每个所述用户样本与所述对象样本的交互行为数据,确定每个所述用户样本的属性偏好信息,包括:
基于所述预设品类的分段属性集中各属性及多个不同时间段,对每个所述用户样本与所述对象样本的交互行为数据进行分析,提取每个所述用户样本的属性偏好信息。
11.根据权利要求8或9所述的方法,其特征在于,所述获取每个所述用户样本浏览的对象样本的对象属性信息,包括:
提取所述预设品类下所有对象样本的属性信息,并对所述所有对象样本的属性信息进行预处理,得到分段属性集;
获取每个所述用户样本浏览的对象样本的属性信息,并将每个所述用户样本浏览的对象样本的属性信息与所述分段属性集中的属性进行匹配,确定每个所述用户样本浏览的对象样本的对象属性信息。
12.根据权利要求8或9所述的方法,其特征在于,所述确定每个所述用户样本的标签值,包括:
基于每个所述用户样本与其浏览的对象样本的交互行为数据,获取每个所述用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息;
根据每个所述用户样本对其浏览的对象样本在第三预设时间段内的行为结果信息,确定每个所述用户样本的标签值。
13.一种用于实现根据权利要求1至7中任一项所述方法的受众群体获取装置,其特征在于,包括:
第一获取模块,用于获取待发布对象的所属品类及所述待发布对象的对象属性信息;
第二获取模块,用于获取在第一预设时间段内浏览所述所属品类下对象的用户群体和所述用户群体中每个用户与所述对象的交互行为数据;
确定模块,用于根据所述交互行为数据,确定每个所述用户的用户属性信息;
第三获取模块,用于将所述待发布对象的对象属性信息和每个所述用户的用户属性信息输入至预先训练的用户对象匹配模型,获得每个所述用户分别与所述待发布对象的匹配概率;
筛选模块,用于根据每个所述用户分别与所述待发布对象的匹配概率,在所述用户群体中筛选出所述待发布对象的受众群体。
14.根据权利要求13所述的装置,其特征在于,还包括:
训练模块,用于预先训练所述用户对象匹配模型;其中,所述训练模块包括:
第一获取单元,用于获取在第二预设时间段内浏览所述所属品类下对象样本的多个用户样本和每个所述用户样本与所述对象样本的交互行为数据;
第二获取单元,用于获取每个所述用户样本的基本信息,并根据每个所述用户样本与所述对象样本的交互行为数据,确定每个所述用户样本的属性偏好信息;
第一确定单元,用于根据每个所述用户样本的基本信息和属性偏好信息,确定每个所述用户样本的用户属性信息;
第三获取单元,用于获取每个所述用户样本浏览的对象样本的对象属性信息;
第二确定单元,用于确定每个所述用户样本的标签值;
预测单元,用于将每个所述用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个所述用户样本与其浏览的对象样本的匹配概率预测值;
训练单元,用于根据每个所述用户样本与其浏览的对象样本的匹配概率预测值和每个所述用户样本的标签值,训练所述机器学习模型,获取模型参数,并根据所述模型参数生成所述用户对象匹配模型。
15.一种用于实现根据权利要求8至12中任一项所述方法的用户对象匹配模型的训练装置,其特征在于,所述用户对象匹配模型用于预测待发布对象的受众群体,所述装置包括:
第一获取模块,用于获取在第二预设时间段内浏览预设品类下对象样本的多个用户样本和每个所述用户样本与所述对象样本的交互行为数据;
第二获取模块,用于获取每个所述用户样本的基本信息,并根据每个所述用户样本与所述对象样本的交互行为数据,确定每个所述用户样本的属性偏好信息;
第一确定模块,用于根据每个所述用户样本的基本信息和属性偏好信息,确定每个所述用户样本的用户属性信息;
第三获取模块,用于获取每个所述用户样本浏览的对象样本的对象属性信息;
第二确定模块,用于确定每个所述用户样本的标签值;
预测模块,用于将每个所述用户样本的用户属性信息和其浏览的对象样本的对象属性信息输入至机器学习模型,获得每个所述用户样本与其浏览的对象样本的匹配概率预测值;
训练模块,用于根据每个所述用户样本与其浏览的对象样本的匹配概率预测值和每个所述用户样本的标签值,训练所述机器学习模型,获取模型参数,并根据所述模型参数生成所述用户对象匹配模型。
16.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法,或者,执行权利要求8至12中任一项所述的方法。
17.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1至7中任一项所述的方法,或者,执行权利要求8至12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111352095.XA CN114065074A (zh) | 2021-11-16 | 2021-11-16 | 受众群体获取方法、用户对象匹配模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111352095.XA CN114065074A (zh) | 2021-11-16 | 2021-11-16 | 受众群体获取方法、用户对象匹配模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114065074A true CN114065074A (zh) | 2022-02-18 |
Family
ID=80272570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111352095.XA Pending CN114065074A (zh) | 2021-11-16 | 2021-11-16 | 受众群体获取方法、用户对象匹配模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065074A (zh) |
-
2021
- 2021-11-16 CN CN202111352095.XA patent/CN114065074A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
US20220284067A1 (en) | Method for pushing information, electronic device | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN114610914A (zh) | 一种信息处理方法、装置及电子设备 | |
CN112287208B (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
CN113239273B (zh) | 用于生成文本的方法、装置、设备以及存储介质 | |
CN115907926A (zh) | 商品的推荐方法、装置、电子设备及存储介质 | |
CN115619245A (zh) | 一种基于数据降维方法的画像构建和分类方法及系统 | |
CN115249043A (zh) | 数据分析方法、装置、电子设备及存储介质 | |
CN114610953A (zh) | 一种数据分类方法、装置、设备及存储介质 | |
CN115080824A (zh) | 目标词的挖掘方法、装置、电子设备及存储介质 | |
CN114996930A (zh) | 一种建模方法、装置、电子设备及存储介质 | |
CN114065074A (zh) | 受众群体获取方法、用户对象匹配模型的训练方法及装置 | |
CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
CN113850072A (zh) | 文本情感分析方法、情感分析模型训练方法、装置、设备及介质 | |
CN112990311A (zh) | 一种准入客户的识别方法和装置 | |
CN114547448B (zh) | 数据处理、模型训练方法、装置、设备、存储介质及程序 | |
CN113011922A (zh) | 相似人群的确定方法、装置、电子设备和存储介质 | |
CN117651167A (zh) | 资源推荐方法、装置、设备以及存储介质 | |
CN115827743A (zh) | 一种审核方法、装置、设备及存储介质 | |
CN114969546A (zh) | 对象分类方法、网络模型的训练方法及装置 | |
CN114565402A (zh) | 信息推荐方法、装置以及电子设备 | |
CN114547417A (zh) | 一种媒体资源排序方法及电子设备 | |
CN114443988A (zh) | 一种信息展示方法、装置、电子设备和存储介质 |
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 |