CN114169906B - 电子券推送方法、装置 - Google Patents
电子券推送方法、装置 Download PDFInfo
- Publication number
- CN114169906B CN114169906B CN202010955456.9A CN202010955456A CN114169906B CN 114169906 B CN114169906 B CN 114169906B CN 202010955456 A CN202010955456 A CN 202010955456A CN 114169906 B CN114169906 B CN 114169906B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- electronic
- electronic ticket
- tail
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 87
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 27
- 238000004891 communication Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0239—Online discounts or incentives
-
- 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
- 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
- G06N3/045—Combinations of networks
Abstract
本申请的实施例提供了一种电子券推送方法、装置,涉及计算机及人工智能技术领域。该方法包括:获取与待推送用户相关联的特征数据;基于所述特征数据,通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券;在向所述待推送用户推送所述至少一类电子券之后,获取所述待推送用户根据推送的电子券而产生的消费数据;基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练,得到训练后的电子券推荐模型,所述训练后的电子券推荐模型用于进行下一次电子券推荐。本申请实施例的技术方案可以提高对用户进行电子券推送的准确性。
Description
技术领域
本申请涉及计算机及人工智能技术领域,具体而言,涉及一种电子券推送方法、装置。
背景技术
在电子券推送场景中,比如在为用户推送电子优惠券的应用场景中,通常会在多种类别(例如多种面额的电子优惠券)的电子券中选择一种类别的电子券推荐给用户,现有技术中,一般由经过训练的机器学习模型确定用户针对不同类别电子券的购买概率,再确定针对不同类别电子券的收益,根据不同类别电子券的收益的对比为用户推送电子券。但是,如何能够提高对用户进行电子券推送的准确性是亟待解决的技术问题。
发明内容
本申请的实施例提供了一种电子券推送方法、装置、计算机程序产品或计算机程序、计算机可读介质及电子设备,进而至少在一定程度上可以提高对用户进行电子券推送的准确性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种电子券推送方法,包括:获取与待推送用户相关联的特征数据;基于所述特征数据,通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券;在向所述待推送用户推送所述至少一类电子券之后,获取所述待推送用户根据推送的电子券而产生的消费数据;基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练,得到训练后的电子券推荐模型,所述训练后的电子券推荐模型用于进行下一次电子券推荐。
根据本申请实施例的一个方面,提供了一种电子券推送装置,包括:第一获取单元,被用于获取与待推送用户相关联的特征数据;推荐单元,被用于基于所述特征数据,通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券;第二获取单元,被用于在向所述待推送用户推送所述至少一类电子券之后,获取所述待推送用户根据推送的电子券而产生的消费数据;训练单元,被用于基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练,得到训练后的电子券推荐模型,所述训练后的电子券推荐模型用于进行下一次电子券推荐。
在本申请的一些实施例中,基于前述方案,所述电子券推荐模型包括归一化层和多个隐藏层,所述推荐单元配置为:通过所述归一化层对与待推送用户相关联的特征数据进行归一化处理,得到归一化处理后的数据;将所述归一化处理后的数据输入至所述多个隐藏层中的首层隐藏层,并通过所述多个隐藏层中的尾层隐藏层分别输出与各类电子券一一对应的尾层节点数据;通过映射函数分别对各尾层节点数据进行映射,以映射得到针对每一类电子券的推荐概率值;根据所述推荐概率值,为所述待推送用户推荐至少一类电子券。
在本申请的一些实施例中,基于前述方案,所述推荐单元配置为:通过Softmax函数分别对各尾层节点数据进行映射,以映射得到针对每一类电子券的推荐概率值。
在本申请的一些实施例中,基于前述方案,所述推荐单元配置为:
按照各类电子券所对应的推荐概率值,,在各个类别的电子券中依概率随机选择至少一类推荐给待推送用户。
在本申请的一些实施例中,基于前述方案,所述训练单元包括:确定单元,被用于根据所述消费数据,确定用于训练所述电子券推荐模型的尾层节点期望数据;输入输出单元,被用于将所述特征数据输入至所述电子券推荐模型,以输出得到与各类电子券一一对应的尾层节点输出数据;校正单元,被用于通过所述尾层节点输出数据与所述尾层节点期望数据的对比,通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校正。
在本申请的一些实施例中,基于前述方案,所述多个隐藏层包括第一子模型和第二子模型,所述第一子模型具有对所述特征数据的特征进行记忆的能力,所述第二子模型具有对所述特征数据的特征进行泛化的能力,所述输入输出单元配置为:将所述特征数据输入至第一子模型,以输出第一子模型数据:将所述特征数据输入至第二子模型,以输出第二子模型数据:针对每一类电子券,对所述第一子模型数据和第二子模型数据进行加权计算,得到所述电子券的尾层节点输出数据。
在本申请的一些实施例中,基于前述方案,所述第一子模型包括双线性变换模型,所述输入输出单元配置为:将所述特征数据输入至双线性变换模型,对所述特征数据进行特征交叉,得到所述第一子模型数据。
在本申请的一些实施例中,基于前述方案,所述第二子模型为神经网络模型,所述输入输出单元配置为:将所述特征数据输入至神经网络模型,对所述特征数据进行特征变换,得到所述第二子模型数据。
在本申请的一些实施例中,基于前述方案,所述尾层节点期望数据包括尾层节点期望向量,所述尾层节点输出数据包括尾层节点输出向量,所述尾层节点期望向量中的向量元素与所述尾层节点输出向量中的向量元素一一对应,所述尾层节点期望向量中包括一个目标向量元素,所述校正单元配置为:在所述尾层节点输出向量中确定一个目标向量元素,所述尾层节点输出向量中的目标向量元素与所述尾层节点期望向量中的目标向量元素在位置上相对应;通过所述的尾层节点输出向量中的目标向量元素与所述尾层节点期望向量中的目标向量元素的对比,通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校正。
根据本申请实施例的一个方面,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。计算机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,使得该计算机设备执行上述第一方面或者第一方面的各种可选实现方式中提供的方法。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的电子券推送方法。
根据本申请实施例的一个方面,提供了一种电子设备,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时,使得所述一个或多个处理器实现如上述实施例中所述的电子券推送方法。
在本申请的一些实施例所提供的技术方案中,通过基于与待推送用户相关联的特征数据,通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券,同时,又基于所述特征数据和待推送用户根据推送的电子券而产生的消费数据,对所述电子券推荐模型进行训练,将训练后的电子券推荐模型用于进行下一次电子券推荐。由于电子券推荐模型在应用于为用户推荐电子券之后,又通过已产生的消费数据进行训练,使得电子券推荐模型中的参数得到持续的优化和更新,从而使得在下一次为用户推送电子券时,能够通过电子券推荐模型确定更合适的电子券。故本申请实施例在一定程度上可以提高对用户进行电子券推送的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。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。在附图中:
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图;
图2示出了根据本申请的一个实施例的应用电子券推送方法的界面示意图;
图3示出了根据本申请的一个实施例的电子券推送方法的流程图;
图4示出了根据本申请的一个实施例的电子券推荐模型在推荐电子券时的模型示意图;
图5示出了根据本申请的一个实施例的通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券的细节流程图;
图6示出了根据本申请的一个实施例的电子券推荐模型在训练时的模型示意图;
图7示出了根据本申请的一个实施例的基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练的细节流程图;
图8示出了根据本申请的一个实施例的将所述特征数据输入至所述电子券推荐模型,以输出得到与各类电子券一一对应的尾层节点输出数据的细节流程图;
图9示出了根据本申请的一个实施例的通过所述尾层节点输出数据与所述尾层节点期望数据的对比,通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校正的细节流程图;
图10示出了根据本申请的一个实施例的应用电子券推送方法的框架图;
图11示出了根据本申请的一个实施例的电子券推送装置的框图;
图12示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
需要注意的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的对象在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在图示或描述的那些以外的顺序实施。
可以理解的是,在本申请的具体实施方式中,涉及到用户的相关数据(如与用户相关联的特征数据等),当本申请的实施例运用到具体产品或技术中时,需要获得用户许可或者同意。换句话说,本申请所采集的所有用户数据都是在用户同意并授权的情况下进行采集的,且相关用户数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种,当然也可以是台式计算机等等)、网络104和服务器105。网络104用以在终端设备和服务器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,例如有线通信链路、无线通信链路等等。
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。比如服务器105可以是多个服务器组成的服务器集群等。
在本申请的一个实施例中,可以是服务器105获取与待推送用户相关联的特征数据,并基于所述特征数据,通过设置服务器105中预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券,然后再将所述至少一类电子券发送给终端设备(例如智能手机101),并由终端设备将该电子券推送给待推送用户。
例如图2,示出了根据本申请的一个实施例的应用电子券推送方法的界面示意图,在此界面中,推送给用户的电子券为5元人民币的电子优惠券,用户可以通过点击领取该优惠券,并通过该优惠券产生一些消费行为。需要说明的是,这里的电子券并不仅仅限于优惠券,也可以是用于购买游戏装备的游戏券等等。
在本实施例中,待推送用户在终端设备根据推送的电子券做出消费行为之后,电子终端也会因此产生相应的消费数据,服务器105则可以从电子终端获取所述待推送用户根据推送的电子券而产生的消费数据,然后服务器105基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练,得到训练后的电子券推荐模型用于进行下一次电子券推荐。
需要说明的是,本申请实施例所提供的电子券推送方法一般由服务器105执行,相应地,电子券推送装置一般设置于服务器105中。但是,在本申请的其它实施例中,终端设备也可以与服务器具有相似的功能,从而执行本申请实施例所提供的电子券推送方案。
本申请实施例提供的方案涉及人工智能的电子券推送技术,具体实现细节通过如下实施例进行详细阐述:
图3示出了根据本申请的一个实施例的电子券推送方法的流程图,该电子券推送方法可以由具有计算处理功能的设备来执行,比如可以由图1中所示的服务器105来执行。参照图3所示,该电子券推送方法至少包括步骤310至步骤370,详细介绍如下:
在步骤310中,获取与待推送用户相关联的特征数据。
在本申请中,与用户相关联的特征数据可以包括用户的基础属性特征数据,也可以包括用户的行为特征数据,还可以包括其它特征数据。
例如,以视频会员充值优惠券为例,与用户相关联的基础属性特征数据可以用户年龄、性别、居住地、受教育程度,用户的设备类型,以及用户的兴趣画像等等。用户的行为特征数据可以包括用户的如浏览过的网页,视频观看记录,用户在历史上的会员充值记录等等。其它特征数据可以包括视频播放预告,视频评分值等等。
在步骤330中,基于所述特征数据,通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券。
为了使本领域技术人员更好的理解电子券推荐模型为所述待推送用户推荐电子券的原理,下面将结合图4对在应用过程中的电子券推荐模型进行说明。
参见图4,示出了根据本申请的一个实施例的电子券推荐模型在推荐电子券时的模型示意图。
如图4所示,电子券推荐模型包括输入层,所述输入层用于输入与待推送用户相关联的特征数据。电子券推荐模型还包括归一化层,所述归一化层用于对所述特征数据进行归一化处理。电子券推荐模型还包括多个隐藏层,其中,多个隐藏层中包括首层隐藏层和尾层隐藏层,尾层隐藏层输出与各类电子券一一对应的尾层节点数据。
在本申请中,用于推送的电子券可以包括多种类别,例如,以视频会员充值优惠券为例,可以包括1元优惠券,2元优惠券,……,16元优惠券。通过本申请设计的电子券推荐模型,可以根据与用户相关联的特征数据确定其中一种类别的优惠券,以用于推送给用户。
在本申请的一个实施例中,通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券可以通过如图5所示出的步骤执行。
参照图5,示出了根据本申请的一个实施例的通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券的细节流程图。具体包括步骤311至步骤314:
步骤311,通过所述归一化层对与待推送用户相关联的特征数据进行归一化处理,得到归一化处理后的数据。
具体的,例如,用户的特征数据包括“年龄:25岁”,“居住地类型:城镇”,“性别:男”,“……”,那么归一化处理之后的数据就可以为:“[25 11……]”。
步骤312,将所述归一化处理后的数据输入至所述多个隐藏层中的首层隐藏层,并通过所述多个隐藏层中的尾层隐藏层分别输出与各类电子券一一对应的尾层节点数据。
在本申请中,每一类电子券对应的尾层节点数据可以用于表示用户在对应优惠券上的期望收益。
步骤313,通过映射函数分别对各尾层节点数据进行映射,以映射得到针对每一类电子券的推荐概率值。
在步骤313的一个具体实现中,可以是通过Softmax函数分别对各尾层节点数据进行映射,以映射得到针对每一类电子券的推荐概率值。这样做的好处在于,可以同时考虑各类优惠券对于用户做出消费行为的影响。
步骤314,根据所述推荐概率值,为所述待推送用户推荐至少一类电子券。
在步骤314的一个具体实现中,根据所述推荐概率值,为所述待推送用户推荐至少一类电子券,可以是按照各类电子券所对应的推荐概率值,在各个类别的电子券中依概率随机选择至少一类推荐给待推送用户。其中,推荐概率值越大,所对应类别的电子券被选择的可能性也就越大。
这里以为用户推荐视频会员充值优惠券为例,当在电子券推荐模型的输入层输入用户特征数据之后,从尾层输出层输出如下尾层节点数据:[24,12,34,31,10,31,45,30,10,12,24,5,9,24,12,24]。然后利用softmax函数对这组数据进行映射可得到如下一组尾层节点数据:[0.05724683,0.02572266,0.11150161,0.09128979,0.02251179,0.09128979,0.23214735,0.08540224,0.02251179,0.02572266,0.05724683,0.0161304,0.02105993,0.05724683,0.02572266,0.05724683],其中,该组数据之和为1,可以认为每个数据都是一种概率,且每一个数据对应于1元至16元优惠券中的一种优惠券。
此时可以按照各类优惠券所对应的推荐概率值,在各个类别的优惠券中依概率随机选择至少一类推荐给待推送用户,例如,推荐概率值为“0.23214735”所对应的优惠券“7元”最有可能被选择推荐给用户。
在步骤314的另一个具体实现中,根据所述推荐概率值,为所述待推送用户推荐至少一类电子券,也可以是按照从大到小的顺序,将在各个推荐概率值中排序靠前的推荐概率值所对应类别的电子券推荐给待推送用户。
具体的,可以是将在各个推荐概率值中排序靠前的多个推荐概率值所对应类别的电子券推荐给待推送用户,也可以是将在各个推荐概率值中排序靠前的一个推荐概率值所对应类别的电子券推荐给待推送用户。
这里继续以为用户推荐视频会员充值优惠券为例,当在电子券推荐模型的输入层输入用户特征数据之后,从尾层输出层输出如下尾层节点数据:[24,12,34,31,10,31,45,30,10,12,24,5,9,24,12,24]。然后利用softmax函数对这组数据进行映射可得到如下一组尾层节点数据:[0.05724683,0.02572266,0.11150161,0.09128979,0.02251179,0.09128979,0.23214735,0.08540224,0.02251179,0.02572266,0.05724683,0.0161304,0.02105993,0.05724683,0.02572266,0.05724683],其中,该组数据之和为1,可以认为每个数据都是一种概率,且每一个数据对应于1元至16元优惠券中的一种优惠券,这时可以将最大值概率“0.23214735”所对应的优惠券“7元”确定为推送给用户的优惠券。
继续参照图3,在步骤350中,在向所述待推送用户推送所述至少一类电子券之后,获取所述待推送用户根据推送的电子券而产生的消费数据。
具体的,这里继续以为用户推荐视频会员充值优惠券为例,例如在1元至16元优惠券中,为一个安卓用户推送了16元的优惠券,如果用户使用16元的优惠券购买了一个年费会员,一共消费144元,那么该消费数据就为“16(144)”;如果用户使用16元的优惠券购买了一个月费会员,一共消费10元,那么该消费数据就为“16(10)”;如果用户未购买会员,那么该消费数据就为“16(0)”。
在步骤370中,基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练,得到训练后的电子券推荐模型,所述训练后的电子券推荐模型用于进行下一次电子券推荐。
为了使本领域技术人员更好的理解电子券推荐模型在训练时的原理,下面将结合图6对在训练过程中的电子券推荐模型进行说明。
参见图6,示出了根据本申请的一个实施例的电子券推荐模型在训练时的模型示意图。
如图6所示,电子券推荐模型中多个隐藏层包括第一子模型和第二子模型,所述第一子模型具有对所述特征数据的特征进行记忆的能力,所述第二子模型具有对所述特征数据的特征进行泛化的能力。
在本申请的一个实施例中,所述第一子模型可以包括双线性变换模型。
在本申请的一个实施例中,所述第二子模型可以包括神经网络模型,具体的,所述神经网络模型可以包括4个隐层,每层都是全连接,且激活函数都是Relu激活函数。
在本申请的一个实施例中,基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练可以通过如图7所示出的步骤执行。
参照图7,示出了根据本申请的一个实施例的基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练的细节流程图。具体包括步骤371至步骤373:
在步骤371中,根据所述消费数据,确定用于训练所述电子券推荐模型的尾层节点期望数据。
在本申请中,所述尾层节点期望数据可以包括尾层节点期望向量,所述尾层节点期望向量中包括一个目标向量元素。例如,具体的,这里继续以为用户推荐视频会员充值优惠券为例,例如在1元至16元优惠券中,为一个安卓用户推送了16元的优惠券,如果用户使用16元的优惠券购买了一个年费会员,一共消费144元,那么该消费数据就为“16(144)”,那么尾层节点期望向量就为“[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 144]”,其中,该期望向量中的第16个向量元素“144”就为目标向量元素,该尾层节点期望向量的意义就在于:该用户在16元的优惠券上有成交,则16对应的位置上的值为144,其余都为0。
在步骤372中,将所述特征数据输入至所述电子券推荐模型,以输出得到与各类电子券一一对应的尾层节点输出数据。
在本实施例的一个具体实现中,将所述特征数据输入至所述电子券推荐模型,以输出得到与各类电子券一一对应的尾层节点输出数据可以通过如图8所示出的步骤执行。
参照图8,出了根据本申请的一个实施例的将所述特征数据输入至所述电子券推荐模型,以输出得到与各类电子券一一对应的尾层节点输出数据的细节流程图。具体包括步骤3721至步骤3723:
步骤3721,将所述特征数据输入至第一子模型,以输出第一子模型数据。
步骤3722,将所述特征数据输入至第二子模型,以输出第二子模型数据。
步骤3723,针对每一类电子券,对所述第一子模型数据和第二子模型数据进行加权计算,得到所述电子券的尾层节点输出数据。
具体的,将所述特征数据输入至第一子模型,以输出第一子模型数据,可以是将所述特征数据输入至双线性变换模型,对所述特征数据进行特征交叉,得到所述第一子模型数据。
具体的,将所述特征数据输入至第二子模型,以输出第二子模型数据,可以是将所述特征数据输入至神经网络模型,对所述特征数据进行特征变换,得到所述第二子模型数据。
在如图8所示的步骤中,这里继续以为用户推荐视频会员充值优惠券为例,例如优惠券的类别包括1元至16元一共16种类别,那么由第一子模型输出的第一模型数据可以包括16个数值,由第二子模型输出的第二模型数据也可以包括16个数值,针对每一种类别的优惠券,通过对这32个数值按照历史上训练得到的权重进行加权,可以得到一种类别优惠券所对应的尾层节点输出数据。可以理解的是,可以分别得到16种类别优惠券所对应的尾层节点输出数据。
在本申请中,所述尾层节点输出数据可以包括尾层节点输出向量。
需要注意的是,如上所述的尾层节点期望向量中的向量元素与所述尾层节点输出向量中的向量元素一一对应。这里继续以为用户推荐视频会员充值优惠券为例,例如将一个用户的特征数据输入至所述电子券推荐模型之后,可以输出得到与各类电子券一一对应的尾层节点输出数据,即输出尾层节点输出向量,例如“[12 23 43 54 64 21 43 54 65 7576 76 86 86 86 86]”。
继续参照图7,在步骤373中,通过所述尾层节点输出数据与所述尾层节点期望数据的对比,通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校正。
在本申请的一个实施例中,通过所述尾层节点输出数据与所述尾层节点期望数据的对比,通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校可以通过如图9所示出的步骤执行。
参照图9,示出了根据本申请的一个实施例的通过所述尾层节点输出数据与所述尾层节点期望数据的对比,通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校正的细节流程图。具体包括步骤3731至步骤3732:
步骤3731,在所述尾层节点输出向量中确定一个目标向量元素,所述尾层节点输出向量中的目标向量元素与所述尾层节点期望向量中的目标向量元素在位置上相对应。
步骤3732,通过所述的尾层节点输出向量中的目标向量元素与所述尾层节点期望向量中的目标向量元素的对比,通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校正。
请参照如图6所示的模型示意图,在本申请中,可以在模型的输出层加一个Mask层。在为用户推荐视频会员充值优惠券的例子中,Mask层可以包括16个值,具体包括1个“1”值和15个“0”值,其中,“1”值对应于为用户推荐的优惠券类别。而Mask层的作用在于:在每次神经网络前向计算的时候,它不生效,待到后项训练的时候,梯度的传导仅通过Mask设置成1的那个神经元来执行。
具体的,例如,当尾层节点期望向量就为“[0 0 0 0 0 0 0 0 0 0 0 0 0 00144]”时,Mask层为“[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1]”,表示该用户在16元优惠券对应的位置上有过反馈。某轮神经网络计算的时候,前向计算后,它没有生效,当尾层隐藏层输出的尾层节点输出向量为“[12 23 43 54 64 21 4354 65 75 76 76 86 86 86 86]”时,这时进行后项训练,梯度传导仅通过Mask为1的那个神经元来执行,则相当于尾层隐藏层输出“[0 0 0 0 0 0 0 0 0 0 0 00 0 0 86]”,即将“86”作为尾层节点输出向量中确定一个目标向量元素,“86”与“144”在向量中的位置相对应,通过“86”与“144”的对比,以梯度反向传递对所述电子券推荐模型中的隐层参数进行校正。
需要说明的是,尾层节点期望向量中的目标向量元素在位置可以为非0,也可以为0,即当用户不基于推荐的优惠券进行消费时,尾层节点期望向量中的目标向量元素为0。
图10示出了根据本申请的一个实施例的应用电子券推送方法的框架图。
以下继续以为用户推荐视频会员充值优惠券为例,通过图10对本申请实施例的技术方案框架进行简单阐述:
参照图10,示出了根据本申请的一个实施例的应用电子券推送方法的框架图,在图10中,电子券推荐模型基于用户的基础属性数据和行为数据为用户确定所推荐的电子券,并通过客户端为用户推送电子券,之后,电子券推荐模型又根据从客户端获取用户的消费数据、基础属性数据,以及行为数据对电子券推荐模型进行训练,使得训练后的电子券推荐模型用于进行下一次电子券推荐。
可见,在本申请中,电子券推荐模型在应用于为用户推荐电子券之后,又通过已产生的消费数据进行训练,使得电子券推荐模型中的参数得到持续的优化和更新,从而使得在下一次为用户推送电子券时,能够通过电子券推荐模型确定更合适的电子券。故本申请实施例在一定程度上可以提高对用户进行电子券推送的准确性。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的电子券推送方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的电子券推送方法的实施例。
图11示出了根据本申请的一个实施例的电子券推送装置的框图。
参照图11所示,根据本申请的一个实施例的电子券推送装置1100,包括:第一获取单元1101、推荐单元1102、第二获取单元1103和训练单元1104。
其中,第一获取单元1101,被用于获取与待推送用户相关联的特征数据;推荐单元1102,被用于基于所述特征数据,通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券;第二获取单元1103,被用于在向所述待推送用户推送所述至少一类电子券之后,获取所述待推送用户根据推送的电子券而产生的消费数据;训练单元1104,被用于基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练,得到训练后的电子券推荐模型,所述训练后的电子券推荐模型用于进行下一次电子券推荐。
在本申请的一些实施例中,基于前述方案,所述电子券推荐模型包括归一化层和多个隐藏层,所述推荐单元1102配置为:通过所述归一化层对与待推送用户相关联的特征数据进行归一化处理,得到归一化处理后的数据;将所述归一化处理后的数据输入至所述多个隐藏层中的首层隐藏层,并通过所述多个隐藏层中的尾层隐藏层分别输出与各类电子券一一对应的尾层节点数据;通过映射函数分别对各尾层节点数据进行映射,以映射得到针对每一类电子券的推荐概率值;根据所述推荐概率值,为所述待推送用户推荐至少一类电子券。
在本申请的一些实施例中,基于前述方案,所述推荐单元1102配置为:通过Softmax函数分别对各尾层节点数据进行映射,以映射得到针对每一类电子券的推荐概率值。
在本申请的一些实施例中,基于前述方案,所述推荐单元1102配置为:按照各类电子券所对应的推荐概率值,,在各个类别的电子券中依概率随机选择至少一类推荐给待推送用户。
在本申请的一些实施例中,基于前述方案,所述训练单元1104包括:确定单元,被用于根据所述消费数据,确定用于训练所述电子券推荐模型的尾层节点期望数据;输入输出单元,被用于将所述特征数据输入至所述电子券推荐模型,以输出得到与各类电子券一一对应的尾层节点输出数据;校正单元,被用于通过所述尾层节点输出数据与所述尾层节点期望数据的对比,通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校正。
在本申请的一些实施例中,基于前述方案,所述多个隐藏层包括第一子模型和第二子模型,所述第一子模型具有对所述特征数据的特征进行记忆的能力,所述第二子模型具有对所述特征数据的特征进行泛化的能力,所述输入输出单元配置为:将所述特征数据输入至第一子模型,以输出第一子模型数据:将所述特征数据输入至第二子模型,以输出第二子模型数据:针对每一类电子券,对所述第一子模型数据和第二子模型数据进行加权计算,得到所述电子券的尾层节点输出数据。
在本申请的一些实施例中,基于前述方案,所述第一子模型包括双线性变换模型,所述输入输出单元配置为:将所述特征数据输入至双线性变换模型,对所述特征数据进行特征交叉,得到所述第一子模型数据。
在本申请的一些实施例中,基于前述方案,所述第二子模型为神经网络模型,所述输入输出单元配置为:将所述特征数据输入至神经网络模型,对所述特征数据进行特征变换,得到所述第二子模型数据。
在本申请的一些实施例中,基于前述方案,所述尾层节点期望数据包括尾层节点期望向量,所述尾层节点输出数据包括尾层节点输出向量,所述尾层节点期望向量中的向量元素与所述尾层节点输出向量中的向量元素一一对应,所述尾层节点期望向量中包括一个目标向量元素,所述校正单元配置为:在所述尾层节点输出向量中确定一个目标向量元素,所述尾层节点输出向量中的目标向量元素与所述尾层节点期望向量中的目标向量元素在位置上相对应;通过所述的尾层节点输出向量中的目标向量元素与所述尾层节点期望向量中的目标向量元素的对比,通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校正。
图12示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图12示出的电子设备的计算机系统1200仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图12所示,计算机系统1200包括中央处理单元(Central Processing Unit,CPU)1201,其可以根据存储在只读存储器(Read-Only Memory,ROM)1202中的程序或者从储存部分1208加载到随机访问存储器(Random Access Memory,RAM)1203中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1203中,还存储有系统操作所需的各种程序和数据。CPU 1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(Input/Output,I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1207;包括硬盘等的储存部分1208;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,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1210上,以便于从其上读出的计算机程序根据需要被安装入储存部分1208。
特别地,根据本申请的实施例,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,本申请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1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例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(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,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。而在本申请中,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、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。其中,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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请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。计算机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,使得该计算机设备执行上述第一方面或者第一方面的各种可选实现方式中提供的方法。
作为另一方面,本申请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电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (11)
1.一种电子券推送方法,其特征在于,所述方法包括:
获取与待推送用户相关联的特征数据;
基于所述特征数据,通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券,所述电子券推荐模型包括归一化层和多个隐藏层;
在向所述待推送用户推送所述至少一类电子券之后,获取所述待推送用户根据推送的电子券而产生的消费数据;
基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练,得到训练后的电子券推荐模型,所述训练后的电子券推荐模型用于进行下一次电子券推荐;
其中,所述基于所述特征数据,通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券,包括:
通过所述归一化层对与待推送用户相关联的特征数据进行归一化处理,得到归一化处理后的数据;
将所述归一化处理后的数据输入至所述多个隐藏层中的首层隐藏层,并通过所述多个隐藏层中的尾层隐藏层分别输出与各类电子券一一对应的尾层节点数据;
通过Softmax映射函数分别对各尾层节点数据进行映射,以映射得到针对每一类电子券的推荐概率值;
根据所述推荐概率值,为所述待推送用户推荐至少一类电子券。
2.根据权利要求1所述的方法,其特征在于,所述根据所述推荐概率值,为所述待推送用户推荐至少一类电子券,包括:
按照各类电子券所对应的推荐概率值,在各个类别的电子券中依概率随机选择至少一类推荐给待推送用户。
3.根据权利要求1至2任一项所述的方法,其特征在于,所述基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练,包括:
根据所述消费数据,确定用于训练所述电子券推荐模型的尾层节点期望数据;
将所述特征数据输入至所述电子券推荐模型,以输出得到与各类电子券一一对应的尾层节点输出数据;
通过所述尾层节点输出数据与所述尾层节点期望数据的对比,通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校正。
4.根据权利要求3所述的方法,其特征在于,所述多个隐藏层包括第一子模型和第二子模型,所述第一子模型具有对所述特征数据的特征进行记忆的能力,所述第二子模型具有对所述特征数据的特征进行泛化的能力,所述将所述特征数据输入至所述电子券推荐模型,以输出得到与各类电子券一一对应的尾层节点输出数据,包括:
将所述特征数据输入至第一子模型,以输出第一子模型数据;
将所述特征数据输入至第二子模型,以输出第二子模型数据;
针对每一类电子券,对所述第一子模型数据和第二子模型数据进行加权计算,得到所述电子券的尾层节点输出数据。
5.根据权利要求4所述的方法,其特征在于,所述第一子模型包括双线性变换模型,所述将所述特征数据输入至第一子模型,以输出第一子模型数据,包括:
将所述特征数据输入至双线性变换模型,对所述特征数据进行特征交叉,得到所述第一子模型数据。
6.根据权利要求4所述的方法,其特征在于,所述第二子模型为神经网络模型,所述将所述特征数据输入至第二子模型,以输出第二子模型数据,包括:
将所述特征数据输入至神经网络模型,对所述特征数据进行特征变换,得到所述第二子模型数据。
7.根据权利要求3所述的方法,其特征在于,所述尾层节点期望数据包括尾层节点期望向量,所述尾层节点输出数据包括尾层节点输出向量,所述尾层节点期望向量中的向量元素与所述尾层节点输出向量中的向量元素一一对应,所述尾层节点期望向量中包括一个目标向量元素,所述通过所述尾层节点输出数据与所述尾层节点期望数据的对比,通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校正,包括:
在所述尾层节点输出向量中确定一个目标向量元素,所述尾层节点输出向量中的目标向量元素与所述尾层节点期望向量中的目标向量元素在位置上相对应;
通过所述的尾层节点输出向量中的目标向量元素与所述尾层节点期望向量中的目标向量元素的对比,通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校正。
8.一种电子券推送装置,其特征在于,所述装置包括:
第一获取单元,被用于获取与待推送用户相关联的特征数据;
推荐单元,被用于基于所述特征数据,通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券,所述电子券推荐模型包括归一化层和多个隐藏层;
第二获取单元,被用于在向所述待推送用户推送所述至少一类电子券之后,获取所述待推送用户根据推送的电子券而产生的消费数据;
训练单元,被用于基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练,得到训练后的电子券推荐模型,所述训练后的电子券推荐模型用于进行下一次电子券推荐;
其中,所述推荐单元配置为:通过所述归一化层对与待推送用户相关联的特征数据进行归一化处理,得到归一化处理后的数据;将所述归一化处理后的数据输入至所述多个隐藏层中的首层隐藏层,并通过所述多个隐藏层中的尾层隐藏层分别输出与各类电子券一一对应的尾层节点数据;通过Softmax映射函数分别对各尾层节点数据进行映射,以映射得到针对每一类电子券的推荐概率值;根据所述推荐概率值,为所述待推送用户推荐至少一类电子券。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的电子券推送方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序,当所述一个或多个计算机程序被所述一个或多个处理器执行时,使得所述电子设备实现权利要求1至7中任一项所述的电子券推送方法。
11.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序存储在计算机可读存储介质中,电子设备的处理器从所述计算机可读存储介质读取并执行所述计算机程序,使得所述电子设备执行权利要求1至7中任一项所述的电子券推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010955456.9A CN114169906B (zh) | 2020-09-11 | 2020-09-11 | 电子券推送方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010955456.9A CN114169906B (zh) | 2020-09-11 | 2020-09-11 | 电子券推送方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114169906A CN114169906A (zh) | 2022-03-11 |
CN114169906B true CN114169906B (zh) | 2024-03-22 |
Family
ID=80476029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010955456.9A Active CN114169906B (zh) | 2020-09-11 | 2020-09-11 | 电子券推送方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169906B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934389B (zh) * | 2023-06-12 | 2024-02-23 | 嘉兴华数广电网络有限公司 | 基于云计算与跨平台技术的数字电视有价券卡管理系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091173A1 (zh) * | 2014-12-09 | 2016-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种用户维护系统及方法 |
CN107330741A (zh) * | 2017-07-07 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 分品类电子券使用预测方法、装置及电子设备 |
CN107424007A (zh) * | 2017-07-12 | 2017-12-01 | 北京京东尚科信息技术有限公司 | 一种构建电子券敏感度识别模型的方法和装置 |
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN108416624A (zh) * | 2018-02-27 | 2018-08-17 | 深圳乐信软件技术有限公司 | 一种优惠券推送方法、装置、存储介质及智能终端 |
CN110070399A (zh) * | 2019-04-24 | 2019-07-30 | 北京三快在线科技有限公司 | 一种优惠券推送方法及装置 |
CN110751524A (zh) * | 2019-10-22 | 2020-02-04 | 电子科技大学 | 一种基于强化学习的优惠券智能派送方法 |
CN111275470A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 服务发起概率预测方法及其模型的训练方法和装置 |
-
2020
- 2020-09-11 CN CN202010955456.9A patent/CN114169906B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091173A1 (zh) * | 2014-12-09 | 2016-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种用户维护系统及方法 |
CN107330741A (zh) * | 2017-07-07 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 分品类电子券使用预测方法、装置及电子设备 |
CN107424007A (zh) * | 2017-07-12 | 2017-12-01 | 北京京东尚科信息技术有限公司 | 一种构建电子券敏感度识别模型的方法和装置 |
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN108416624A (zh) * | 2018-02-27 | 2018-08-17 | 深圳乐信软件技术有限公司 | 一种优惠券推送方法、装置、存储介质及智能终端 |
CN111275470A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 服务发起概率预测方法及其模型的训练方法和装置 |
CN110070399A (zh) * | 2019-04-24 | 2019-07-30 | 北京三快在线科技有限公司 | 一种优惠券推送方法及装置 |
CN110751524A (zh) * | 2019-10-22 | 2020-02-04 | 电子科技大学 | 一种基于强化学习的优惠券智能派送方法 |
Non-Patent Citations (3)
Title |
---|
Policies of innovation investment of government of customer oriented——innovation voucher;Li-Feng, G.等;《 Sci-tech Innovation and Productivity》;第131卷(第4期);第3247-3247页 * |
网络消费者购买决策影响因素研究——以购买手机为例;江薇;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》(第7期);第J152-1102页 * |
辛菊琴 等.综合用户偏好模型和BP神经网络的个性化推荐.《计算机工程与应用》.2012,第49卷(第2期),第61-64、100页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114169906A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230368024A1 (en) | Neural architecture search | |
US20200250511A1 (en) | Artist comprehensive ability evaluation and cultivation assistant system based on artificial intelligence | |
CN110659723B (zh) | 基于人工智能的数据处理方法、装置、介质及电子设备 | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
US20210271970A1 (en) | Neural network optimizer search | |
CN110827138B (zh) | 一种推送信息确定方法及装置 | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN111259647A (zh) | 基于人工智能的问答文本匹配方法、装置、介质及电子设备 | |
CN116010684A (zh) | 物品推荐方法、装置及存储介质 | |
CN113761153A (zh) | 基于图片的问答处理方法、装置、可读介质及电子设备 | |
CN107767152B (zh) | 产品购买倾向分析方法及服务器 | |
CN110598120A (zh) | 基于行为数据的理财推荐方法及装置、设备 | |
CN111461757B (zh) | 信息处理方法及装置、计算机存储介质、电子设备 | |
CN111612588A (zh) | 商品呈现方法及装置、计算设备、计算机可读存储介质 | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
CN114169906B (zh) | 电子券推送方法、装置 | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
WO2024067779A1 (zh) | 一种数据处理方法及相关装置 | |
CN114330837A (zh) | 对象处理方法、装置、计算机设备和存储介质 | |
CN113705792A (zh) | 基于深度学习模型的个性化推荐方法、装置、设备及介质 | |
KR102059017B1 (ko) | 지식 공유 플랫폼의 제어 방법, 장치 및 시스템 | |
CN111325578A (zh) | 预测模型的样本确定方法及装置、介质和设备 | |
CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN111325614A (zh) | 电子对象的推荐方法、装置和电子设备 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 |
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 |