CN114170035A - 一种数据处理方法、装置、电子设备以及存储介质 - Google Patents
一种数据处理方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN114170035A CN114170035A CN202111446765.4A CN202111446765A CN114170035A CN 114170035 A CN114170035 A CN 114170035A CN 202111446765 A CN202111446765 A CN 202111446765A CN 114170035 A CN114170035 A CN 114170035A
- Authority
- CN
- China
- Prior art keywords
- correlation
- feature
- coefficient
- features
- characteristic
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 33
- 230000011273 social behavior Effects 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000003993 interaction Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 58
- 230000002452 interceptive effect Effects 0.000 description 21
- 230000009286 beneficial effect Effects 0.000 description 13
- 230000006399 behavior Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000013139 quantization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种数据处理方法、装置、电子设备以及存储介质,涉及大数据技术领域。本公开实施例至少解决相关技术中,不能准确量化对象之间的社交关系的问题。该方法包括:获取预置对象账户集中多个对象账户具有的多种关联特征的社交行为数据,其中,关联特征用于表示两个对象账户之间的关联信息;根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数;根据预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数,生成任意两个对象账户之间的关联强度值。
Description
技术领域
本公开涉及大数据技术领域,尤其涉及一种数据处理方法、装置、电子设备以及存储介质。
背景技术
随着科技的发展和技术的进步,以互联网为基础的线上平台逐渐成为主要的社交场景。在上述线上平台,量化对象之间的社交关系,并根据量化的社交关系为对象推荐热点新闻、视频作品和好友动态等动态消息,以便于提高动态消息被查看的概率。
在相关技术中,在某一特定场景下,采集对象的基本信息,以及该对象与其他对象之间的互动行为(如,点击查看发布作品),对历史互动行为进行统计(点击率),量化该对象的社交关系。但是,该统计结果并不能准确反映对象之间的全部社交关系,只对该特定场景有效。
发明内容
本公开提供一种数据处理方法、装置、电子设备以及存储介质,以至少解决相关技术中,不能准确量化对象之间的社交关系的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种数据处理方法,包括:获取预置对象账户集中多个对象账户具有的多种关联特征的社交行为数据,其中,关联特征用于表示两个对象账户之间的关联信息,社交行为数据用于表示关联特征对应的多个对象账户之间的关系数据;根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数;根据预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数,生成任意两个对象账户之间的关联强度值。
可选的,多种关联特征包括:关系建立特征、关系交互特征和关系加强特征。
可选的,上述数据处理方法还包括:根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数之前,提取社交行为数据中关系交互特征对应的交互特征数据;根据每个关系交互特征的特征发生时间,确定每个关系交互特征的衰减系数,所述衰减系数与当前时间和所述特征发生时间之间的时间差负相关;根据每个关系交互特征的衰减系数,更新交互特征数据。
可选的,上述“根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数”,包括:根据多种关联特征中每种关联特征的对象对数量,统计多种关联特征中每种关联特征的特征覆盖率,特征覆盖率为:针对预置对象账户中多个对象账户,每种关联特征的对象对数量,在多种关联特征的所有的对象对数量中所占的比重,对象对为具有关联特征的两个对象账户;将特征覆盖率对应的特征系数进行归一化处理,生成多种关联特征中每种关联特征的初始系数,特征系数为特征覆盖率的倒数;根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定多种关联特征中每种关联特征的补偿系数;根据多种关联特征中每种关联特征的初始系数和补偿系数,确定多种关联特征中每种关联特征的关联系数。
可选的,上述“根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定多种关联特征中每种关联特征的补偿系数”,包括:根据多种关联特征中每种关联特征的信息熵,以及信息熵对应每种关联特征中的其他关联特征的条件熵,确定多种关联特征中的每种关联特征对应的第一互信息,第一互信息是指多种关联特征中的每种关联特征与任一其他关联特征之间的关联信息;根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定多种关联特征中的每种关联特征的第二互信息,第二互信息是指多种关联特征中的每种关联特征对应的第一互信息之和;根据多种关联特征中的每种关联特征的第二互信息的大小,确定至少一个第二关联特征中的每种关联特征的补偿系数。
可选的,上述“根据多种关联特征中的每种关联特征的第二互信息的大小,确定至少一个第二关联特征中的每种关联特征的补偿系数”,包括:根据补偿数据集合中的数值和第二互信息,确定多种关联特征中的每种关联特征的补偿系数,补偿数据集合中的数值的排列顺序,与第二互信息的排列顺序相同。
可选的,上述“根据预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数,生成任意两个对象账户之间的关联强度值”,包括:预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数进行乘积,得到至少一个乘积结果;将至少一个乘积结果相加,生成任意两个对象账户之间的关联强度值。
可选的,上述数据处理方法还包括:根据预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数,生成任意两个对象账户之间的关联强度值之后,获取资源上传消息,资源上传消息用于标识在预置对象账户集中的目标对象账户上传多媒体资源;将资源上传消息,发送至目标账号对应的推荐对象账户,推荐对象账户为:根据目标对象账户与预置对象账户集中的其他对象账户之间的关联强度值大于预置强度值的对象账户。
根据本公开实施例的第二方面,提供一种数据处理装置,包括获取单元、第一确定单元以及生成单元;获取单元,用于获取预置对象账户集中多个对象账户具有的多种关联特征的社交行为数据,其中,关联特征用于表示两个对象账户之间的关联信息,社交行为数据用于表示关联特征对应的多个对象账户之间的关系数据;第一确定单元,用于根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数;生成单元,用于根据预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数,生成任意两个对象账户之间的关联强度值。
可选的,多种关联特征包括:关系建立特征、关系交互特征和关系加强特征。
可选的,上述数据处理装置,还包括提取单元,第二确定单元以及更新单元;提取单元,用于根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数之前,提取社交行为数据中关系交互特征对应的交互特征数据;第二确定单元,用于根据每个关系交互特征的特征发生时间,确定每个关系交互特征的衰减系数,所述衰减系数与当前时间和所述特征发生时间之间的时间差负相关;更新单元,用于根据每个关系交互特征的衰减系数,更新交互特征数据。
可选的,上述第一确定单元,用于:根据多种关联特征中每种关联特征的对象对数量,统计多种关联特征中每种关联特征的特征覆盖率,特征覆盖率为:针对预置对象账户中多个对象账户,每种关联特征的对象对数量,在多种关联特征的所有的对象对数量中所占的比重,对象对为具有关联特征的两个对象账户;将特征覆盖率对应的特征系数进行归一化处理,生成多种关联特征中每种关联特征的初始系数,特征系数为特征覆盖率的倒数;根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定多种关联特征中每种关联特征的补偿系数;根据多种关联特征中每种关联特征的初始系数和补偿系数,确定多种关联特征中每种关联特征的关联系数。
可选的,上述第一确定单元,具体用于:根据多种关联特征中每种关联特征的信息熵,以及信息熵对应每种关联特征中的其他关联特征的条件熵,确定多种关联特征中的每种关联特征对应的第一互信息,第一互信息是指多种关联特征中的每种关联特征与任一其他关联特征之间的关联信息;根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定多种关联特征中的每种关联特征的第二互信息,第二互信息是指多种关联特征中的每种关联特征对应的第一互信息之和;根据多种关联特征中的每种关联特征的第二互信息的大小,确定至少一个第二关联特征中的每种关联特征的补偿系数。
可选的,上述第一确定单元,具体用于:根据补偿数据集合中的数值和第二互信息,确定多种关联特征中的每种关联特征的补偿系数,补偿数据集合中的数值的排列顺序,与第二互信息的排列顺序相同。
可选的,上述生成单元,具体用于:将预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数进行乘积,得到至少一个乘积结果;将至少一个乘积结果相加,生成任意两个对象账户之间的关联强度值。
可选的,上述数据处理装置,还包括发送单元;获取单元,还用于根据预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数,生成任意两个对象账户之间的关联强度值之后,获取资源上传消息,资源上传消息用于标识在预置对象账户集中的目标对象账户上传多媒体资源;发送单元,用于将资源上传消息,发送至目标账号对应的推荐对象账户,推荐对象账户为:根据目标对象账户与预置对象账户集中的其他对象账户之间的关联强度值大于预置强度值的对象账户。
根据本公开实施例的第三方面,提供一种电子设备,包括:处理器、存储器及存储在存储器上并可在处理器上运行的程序或指令;其中,程序或指令被处理器执行时实现如第一方面及其任一种可能的设计方式所提供的数据处理方法。
根据本公开实施例的第四方面,提供一种可读存储介质,可读存储介质上存储程序或指令,程序或指令被处理器执行时实现如第一方面及其任一种可能的设计方式所提供的数据处理方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,该计算机程序产品被存储在非易失的存储介质中,计算机程序产品被至少一个处理器执行时实现如第一方面及其任一种可能的设计方式所提供的数据处理方法。
本公开提供的技术方案至少带来以下有益效果:首先获取预置对象账户集中的多个对象账户具有的多种关联特征的社交行为数据,然后根据多个关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数,最后根据预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数,生成任意两个对象账户之间的关联强度值。以此,从对象账户之间关联特征的关联系数的角度出发,刻画对象之间的客观关系,并量化对象之间的客观关系,能够提高量化对象之间的社交关系的准确性,以便于将量化的关联强度值直接应用到各社交相关的场景中,且不会受限于某种特定场景。
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,并不能限制本公开。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种数据处理方法的流程示意图之一;
图2是根据一示例性实施例示出的一种数据处理方法的流程示意图之二;
图3是根据一示例性实施例示出的一种数据处理方法的流程示意图之三;
图4是根据一示例性实施例示出的一种数据处理方法的流程示意图之四;
图5是根据一示例性实施例示出的一种数据处理方法的流程示意图之五;
图6是根据一示例性实施例示出的一种数据处理装置的结构示意图;
图7是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开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数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
另外,在本公开实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本公开实施例的描述中,“多个”是指两个或多于两个。
目前越来越多的应用程序都在发展社交场景,致力于通过建设社交场景,增加对象的黏性,在建设社交场景的过程中,往往需要通过量化对象之间的社交关系,提升对社交关系应用的效率。现有技术通常在某一特定场景下,采集对象的基本信息,或者对象之间的互动行为特征信信息,或者对象反馈信息,对对象之间的关系进行量化,该量化结果只能应用在该特定场景下,不适用于其他场景,不能针对所有的场景通用,且不利于拓展新的关系应用,也不利于提升应用效率。
针对上述通过单一对象行为不能准确量化该对象的社交关系的问题,本公开实施例提供一种通用的关系量化体系,依据客观描述刻画对象之间的关系,以使得量化结果能够针对所有的场景通用。
下面结合附图,对本公开实施例提供的数据处理方法进行描述,下面以执行主体为数据处理装置为例对该方法进行示例性说明。如图1所示的本公开实施例提供的数据处理方法的流程示意图之一,本公开实施例提供的数据处理方法包括下述步骤101至步骤103。
步骤101、数据处理装置获取预置对象账户集中多个对象账户具有的多种关联特征的社交行为数据。
在本公开实施例中,关联特征用于表示两个对象账户之间的关联信息,社交行为数据用于表示关联特征对应的多个对象账户之间的关系数据。
在本公开实施例中,预置对象账户集中包括多个对象账户,任意两个对象账户之间都具有多种关联特征。多种关联特征的社交行为数据,包括:任意两个对象账户之间具有的多种关联特征的社交行为数据。
具体的,根据对象之间关系流转的过程,围绕着对象之间的关系从建立到维护再到加强的整个生命周期,收集反映关系强度的信号,获取多种关联特征的社交行为数据。需要说明的是,以关系强度为依据,采用无监督模式,获取的关联特征无需局限于特定场景,对所有场景通用。
在本公开实施例中,多种关联特征包括:关系建立特征、关系交互特征和关系加强特征。关系建立特征用于描述关系建立过程中的对象账户之间的关联关系,关系建立特征具体包括:关系类型特征和对象紧密程度特征(如共同好友);关系交互特征用于描述关系维持过程中对象账户之间的关联关系,关系交互特征具体包括:多媒体资源消费特征和私信发送特征;关系加强特征用于描述关系强化过程中对象账户之间的关联关系,关系加强特征具体包括:是否设置特别关注特征、多媒体资源赞赏特征和多媒体资源打赏特征。
需要说明的是,多种关联特征可以为15维特征,关系建立特征用于描述仅与对象账户本身有关,与对象行为无关的特征,关系交互特征用于描述对象账户之间的互动行为,关系加强特征用于描述对象账户有没有进行额外的时间、金钱或情感等方面的付出。
在本公开实施例中,关系类型特征用于表述不同的关系类型,任意两个对象账户之间具有的关联特征包括其中一种关系类型对应的关系类型特征。
本公开提供的技术方案至少带来以下有益效果:关系类型特征是标识对象之间亲密度的重要因素,在关联特征中加入关系类型特征能够使得关系建立特征能够体现对象账户在关系建立过程中的对象关系。
在本公开实施例中,关系类型包括线下好友类型、线上好友类型和粉丝大V类型。
本公开提供的技术方案至少带来以下有益效果:采用线下好友类型、线上好友类型和粉丝大V类型,三种关系类型表示对象账户之间的关系的牢固程度,以便于根据关系类型准确地量化对象之间的关联强度。
在本公开实施例中,关系类型特征中的对象紧密程度特征,可以通过对象账户之间的共同好友数量进行计算得到,该对象紧密程度特征能够反映出该对象圈子的交集大小。
具体的,数据处理装置获取对象紧密程度特征,包括:统计预置对象集中每个对象账户的好友数量;根据预置算法,计算每个对象账户与其他对象账户之间的紧密程度,该预置算法为:以第三好友数量为除数,以第一好友数量与第二好友数量的乘积的开方结果为被除数,进行除法运算,每个对象账户对应第一好友数量,和其他对象账户的第二好友数量,每个对象账户与其他对象账户之间的共同好友的第三好友数量。
本公开提供的技术方案至少带来以下有益效果:从对象之间的关系建立、维护及加强的整个流转过程入手,收集所有能够反应关系紧密程度的信号,以便于全面客观地量化对象关系。
步骤102、数据处理装置根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数。
在本公开实施例中,对于预置对象账户集中,多个对象账户具有的多种关联特征中的每种关联特征,都需要确定关系系数,也就是关联特征与关联系数是一对一的关系。
在本公开实施例中,假设预置对象账户集中的多个对象账户具有的多种关联特征的数量为10,那么每种关联特征与其他关联特征之间具有9个第一互信息,那么对于该预置对象账户集而言,一共包括90个第一互信息。
在本公开实施例中,数据处理装置将每种关联特征与其他关联特征之间的第一互信息进行加和,得到每种关联特征的关联系数。
在一种设计中,为了能够减少第二类特征的特征发生时间的影响,如图2所示的本公开实施例提供的数据处理方法的流程示意图之二,本公开实施例提供的步骤102之前,上述数据处理方法还包括下述步骤201至步骤203。
步骤201、数据处理装置提取社交行为数据中关系交互特征对应的交互特征数据。
在本公开实施例中,关系交互特征用于描述关系维持过程中对象账户之间的关联关系,具体用于描述对象账户之间的互动行为,包括以下至少一项:多媒体资源消费特征和私信发送特征。
步骤202、根据每个关系交互特征的特征发生时间,确定每个关系交互特征的衰减系数。
在本公开实施例中,衰减系数与当前时间和特征发生时间之间的时间差负相关。
步骤203、数据处理装置根据每个关系交互特征的衰减系数,更新交互特征数据。
在本公开实施例中,如果特征发生时间与当前时间的时间差越大,那么衰减系数的至越小,将该衰减系数与第二类特征中的原有的特征数据相乘的乘积越小,即更新后的第二类特征的特征数据越小,以此降低特征发生时间较早的关联特征对关联系数的影响。
本公开提供的技术方案至少带来以下有益效果:由于关系交互特征是具有时效性的,随着毕业、离职等线下实际情况逐渐衰亡,因此,通过衰减系数体现关系交互特征的发生时间对关联系数的影响。
在一种设计中,数据处理装置还可以对每种关联特征的社交行为数据进行归一化,以降低由于对象的单次偶发的特征信息造成的社交行为数据不能准确反映关联特征的情况。可以理解的是,由于不同对象的行为特征的差异很大,导致某一特征非常稀疏,比如对象甲某从不使用搜索功能,某一天在某应用程序上看到了乙某发布短视频的消息,就搜索了一下甲某,这样对导致甲某和乙某之间的搜索分数异常高,从而影响整体的量化,会造成击穿现象,因此,采用上述归一化的方法,防止击穿现象的发生。
步骤103、数据处理装置根据预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,与社交行为数据对应的关联特征的关联系数,生成任意两个对象账户之间的关联强度值。
在本公开实施例中,将预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数进行乘积,得到至少一个乘积结果;将至少一个乘积结果相加,生成任意两个对象账户之间的关联强度值。
本公开提供的技术方案至少带来以下有益效果:任意两个对象账户之间的关联强度值,与上述任意两个对象账户具有的每种关联特征相关,即关联强度值对应的关联特征范围较广,以使得关联强度值能够准确量化对象账户之间的客观关系。
示例性的,在第一应用程序上,对象账户A与对象账户B、对象账户C、对象账户D,同时建立了线上关系,如果对象账户A与对象账户B经常互动,那么对象账户A与对象账户B之间的关系变得非常紧密,其关联强度值也会随着增加。如果对象账户A与对象账户D基本上没有互动,那么对象账户A与对象账户D之间的线上关系紧密度会逐渐消失,其关联强度值也会随着减少。
在本公开实施例中,在完成关系量化后,即生成关联强度值之后,可以将关联强度值应用到任一社交场景,比如,关注列表,可以根据关联强度值,对关注的人进行从大到小的排序,提升对象查找关注的人的体验;比如,给对象账户发送“某品牌官方上传了新的作品”推送,为减少对对象的打扰,可以根据关联强度值,选择关联强度值较大的对象账户进行推送;再比如,视频推荐,可以优先关联强度值较高的对象的视频。
本公开提供的技术方案至少带来以下有益效果:首先获取预置对象账户集中的多个对象账户具有的多种关联特征的社交行为数据,然后根据多个关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数,最后根据预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数,生成任意两个对象账户之间的关联强度值。以此,从对象账户之间关联特征的关联系数的角度出发,刻画对象之间的客观关系,并量化对象之间的客观关系,能够提高量化对象之间的社交关系的准确性,以便于将量化的关联强度值直接应用到各社交相关的场景中,且不会受限于某种特定场景。
在一种设计中,如图3所示的本公开实施例提供的数据处理方法的流程示意图之三,本公开实施例提供的步骤102,具体可以包括下述步骤301至步骤304。
步骤301、数据处理装置根据多种关联特征中每种关联特征的对象对数量,统计多种关联特征中每种关联特征的特征覆盖率。
在本公开实施例中,特征覆盖率为:针对预置对象账户中多个对象账户,每种关联特征的对象对数量,在多种关联特征的所有的对象对数量中所占的比重,对象对为具有关联特征的两个对象账户。对象对是指某一关联特征涉及到的两个对象账户。
示例性的,预置对象账户集中包括1000个对象账户,其中,每个对象账户的线下好友类型的好友数量为10,那么在预置对象账户集中包括1万个对象对。假设该预置对象账户集中所有的关联特征对应的对象对数量为10万个,那么线下好友类型对应的关联特征的赋值该为1万与10万的比值(0.1)。
步骤302、数据处理装置将特征覆盖率对应的特征系数进行归一化处理,生成多种关联特征中每种关联特征的初始系数。
在本公开实施例中,特征系数为特征覆盖率的倒数。
在本公开实施例中,将特征系数进行归一化处理,具体是指将特征系数映射在同一数值区域,以便于后续对特征系数的计算。经过归一化处理后,特征系数对应的初始系统都分布在同一数值区域,如,[0,1],[0,10],[0,100]等等。
步骤303、数据处理装置根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定多种关联特征中每种关联特征的补偿系数。
在本公开实施例中,第一互信息是指每种关联特征与其他关联特征之间的发生概率的依存关系,每种关联特征与其他关联特征中的任一关联特征之间可以计算一个第一互信息,换而言之,每种关联特征对应的第一互信息的数量比预置对象账户集中具有的多种关联特征的特征种类数量小1。
在一种设计中,如图4所示的本公开实施例提供的数据处理方法的流程示意图之四,本公开实施例提供的步骤303,具体还可以包括下述步骤401至步骤403。
步骤401、数据处理装置根据多种关联特征中每种关联特征的信息熵,以及信息熵对应每种关联特征中的其他关联特征的条件熵,确定多种关联特征中的每种关联特征对应的第一互信息。
在本公开实施例中,第一互信息是指多种关联特征中的每种关联特征与任一其他关联特征之间的关联信息。
在本公开实施例中,信息熵对应每种关联特征中的其他关联特征的条件熵,用于标识当其他关联特征的取值为ft′时,信息熵对应的关联特征取值的不确定性,其计算法方式如下:其中,H(ft|ft′)为条件熵,P(ft′)为其他关联特征的取值为ft′的概率,P(ft|ft′)为在其他关联特征的取值为ft′的条件下,关联特征取值为ft的概率。
在本公开实施例中,根据上述信息熵和条件熵,根据下述公式计算两个关联特征之间的第一互信息I(ft;ft′)=H(ft)-H(ft|ft′)=I(ft′;ft)。
在本公开实施例中,根据上述计算方法,分别计算每种关联特征分别与其他关联特征之间的第一互信息。
步骤402、数据处理装置根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定多种关联特征中的每种关联特征的第二互信息。
在本公开实施例中,第二互信息是指多种关联特征中的每种关联特征对应的第一互信息之和。将每种关联特征对应的所有第一互信息相加,生成每种关联特征对应的一个第二互信息。第二互信息与第一互信息类型相同,都用于表示关联特征之间的关联关系。
步骤403、数据处理装置根据多种关联特征中的每种关联特征的第二互信息的大小,确定至少一个第二关联特征中的每种关联特征的补偿系数。
在本公开实施例中,补偿系数用于表示关联特征的重要程度。上述步骤403确定补偿系数的过程,具体包括:数据处理装置根据补偿数据集合中的数值和第二互信息,确定多种关联特征中的每种关联特征的补偿系数,补偿数据集合中的数值的排列顺序,与第二互信息的排列顺序相同。
示例性的,数据处理装置将第二互信息按照从小到大的顺序进行排序;数据处理装置依次将补偿数据集合中的数值与第二互信息的加和结果,确定为排序结果中第二互信息对应的每种关联特征的补偿系数,补偿数据集合中的数值是按照从小到大的顺序排列的。
在本公开实施例中,为每个第二互信息配置一个补偿系数,第二互信息越大,补偿系数也越大,反之则亦然。补偿数据集合中的设置,可以构成:以第三预置数值为首项,以第四预置数值为公差,以至多种关联特征中的关联特征数量为项数的等差数列。示例性的,以0.1为首项,以0.1为公差,假设关联特征中的关联特征数量为15,那么补偿数据集合中包括15个数值,具体为{0.1,0.2,0.3,…,1.5}。
本公开提供的技术方案至少带来以下有益效果:根据第二互信息顺序,选取不同的数值与第二互信息相加,以确定第二互信息对应的关联特征的补偿系数,以增加较大的第二互信息对应的权重,以使得根据该补偿系数计算得到的关联系数,能够更准确地量化对象之间的关联特征。
本公开提供的技术方案至少带来以下有益效果:以信息熵和条件熵确定第一互信息,并以第一互信息为基础计算为初始系数加权的补偿系数,以使得通过补偿系数能够反映各个关联特征的重要程度,进一步准确地量化对象之间的关联特征。
步骤304、数据处理装置根据多种关联特征中每种关联特征的初始系数和补偿系数,确定多种关联特征中每种关联特征的关联系数。
在本公开实施例中,初始系数与补偿系数是一一对应的,将两者相加得出的结果,可以确定为对应的关联特征的关联系数。
本公开提供的技术方案至少带来以下有益效果:由于关联特征对应的对象行为差异较大,可能存在特征非常稀疏的情况,如果采用同一的衡量标准,可能会影响整体的量化结果,因此,对特征系数进行归一化处理,以避免造成击穿现象。在此基础上,结合根据第一互信息确定的补偿系数,确定的关联系数,是对关联特征的客观量化结果,以使得该关联系数不会受限于某种特定场景,在多种社交相关的场景中均适用。
在一种设计中,如图5所示的本公开实施例提供的数据处理方法的流程示意图之五,本公开实施例提供的S103之后,上述数据处理方法还可以包括步骤501和步骤502。
步骤501、数据处理装置获取资源上传消息。
在本公开实施例中,资源上传消息用于标识在预置对象账户集中的目标对象账户上传多媒体资源。示例性的,多媒体资源可以为动态消息、短视频作品或者商品链接。
步骤502、数据处理装置将资源上传消息,发送至目标账号对应的推荐对象账户。
在本公开实施例中,推荐对象账户为:根据目标对象账户与预置对象账户集中的其他对象账户之间的关联强度值大于预置强度值的对象账户。以便于推荐对象账户可以基础资源上传消息,查看查看好友动态、打赏好友作品或者购买好友推荐商品。
本公开提供的技术方案至少带来以下有益效果:根据关联强度值推荐资源上传消息,能够提高资源上传消息被查看的概率,即增加对象之间的互动,并以此增加对象黏性。
上述主要从方法的角度对本公开实施例的方案进行了介绍。可以理解的是,数据处理装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和软件模块中的至少一个。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
本公开实施例可以根据上述方法示例对数据处理装置进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本公开实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图6是根据一示例性实施例示出的一种数据处理装置的结构示意图。参照图6所示,本公开实施例提供的数据处理装置,包括获取单元61、第一确定单元62以及生成单元63;
获取单元61,用于获取预置对象账户集中多个对象账户具有的多种关联特征的社交行为数据,其中,关联特征用于表示两个对象账户之间的关联信息,社交行为数据用于表示关联特征对应的多个对象账户之间的关系数据;例如,如图1所示,获取单元61可以用于执行步骤101。
第一确定单元62,用于根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数;例如,如图1所示,第一确定单元62可以用于执行步骤102。
生成单元63,用于根据预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数,生成任意两个对象账户之间的关联强度值。例如,如图1所示,生成单元63可以用于执行步骤103。
可选的,多种关联特征包括:关系建立特征、关系交互特征和关系加强特征。
可选的,如图6所示,本公开实施实例提供的数据处理装置,还包括提取单元64,第二确定单元65以及更新单元66;
提取单元64,用于根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数之前,提取社交行为数据中关系交互特征对应的交互特征数据;例如,如图2所示,提取单元64可以用于执行步骤201。
第二确定单元65,用于根据每个关系交互特征的特征发生时间,确定每个关系交互特征的衰减系数,所述衰减系数与当前时间和所述特征发生时间之间的时间差负相关;例如,如图2所示,第二确定单元65可以用于执行步骤202。
更新单元66,用于根据每个关系交互特征的衰减系数,更新交互特征数据。例如,如图2所示,更新单元66可以用于执行步骤203。
可选的,如图6所示,本公开实施实例提供的第一确定单元62,用于根据多种关联特征中每种关联特征的对象对数量,统计多种关联特征中每种关联特征的特征覆盖率,特征覆盖率为:针对预置对象账户中多个对象账户,每种关联特征的对象对数量,在多种关联特征的所有的对象对数量中所占的比重,对象对为具有关联特征的两个对象账户;将特征覆盖率对应的特征系数进行归一化处理,生成多种关联特征中每种关联特征的初始系数,特征系数为特征覆盖率的倒数;根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定多种关联特征中每种关联特征的补偿系数;根据多种关联特征中每种关联特征的初始系数和补偿系数,确定多种关联特征中每种关联特征的关联系数。例如,如图3所示,第一确定单元62可以用于执行步骤301至步骤304。
可选的,如图6所示,本公开实施实例提供的第一确定单元62,具体用于根据多种关联特征中每种关联特征的信息熵,以及信息熵对应每种关联特征中的其他关联特征的条件熵,确定多种关联特征中的每种关联特征对应的第一互信息,第一互信息是指多种关联特征中的每种关联特征与任一其他关联特征之间的关联信息;根据多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定多种关联特征中的每种关联特征的第二互信息,第二互信息是指多种关联特征中的每种关联特征对应的第一互信息之和;根据多种关联特征中的每种关联特征的第二互信息的大小,确定至少一个第二关联特征中的每种关联特征的补偿系数。例如,如图4所示,第一确定单元62可以用于执行步骤401至步骤403。
可选的,如图6所示,本公开实施实例提供的第一确定单元62,具体用于:根据补偿数据集合中的数值和第二互信息,确定多种关联特征中的每种关联特征的补偿系数,补偿数据集合中的数值的排列顺序,与第二互信息的排列顺序相同。
可选的,如图6所示,生成单元63,具有用于:将预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数进行乘积,得到至少一个乘积结果;将至少一个乘积结果相加,生成任意两个对象账户之间的关联强度值。
可选的,如图6所示,本公开实施实例提供的数据处理装置中,该装置还包括:发送单元67;
获取单元61,还用于根据预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与社交行为数据对应的关联特征的关联系数,生成任意两个对象账户之间的关联强度值之后,获取资源上传消息,资源上传消息用于标识在预置对象账户集中的目标对象账户上传多媒体资源;例如,如图5所示,获取单元61可以用于执行步骤501。
发送单元67,用于将资源上传消息,发送至目标账号对应的推荐对象账户,推荐对象账户为:根据目标对象账户与预置对象账户集中的其他对象账户之间的关联强度值大于预置强度值的对象账户。例如,如图5所示,发送单元67可以用于执行步骤502。
关于上述实施例中的装置,其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图7是本公开提供的一种电子设备的结构示意图。如图7,该电子设备可以包括处理器71、存储器72及存储在存储器72上并可在处理器71上运行的程序或指令;其中,程序或指令被处理器71执行时实现上述实施例中的数据处理方法。
另外,电子设备还可以包括通信总线73以及至少一个通信接口74。
处理器71可以是一个中央处理器(central processing units,CPU),微处理单元,专用集成电路(Application Specific Integrated Circuit,ASIC),或一个或多个用于控制本公开方案程序执行的集成电路。
通信总线73为信号通路,用于在上述组件之间传送信息。
通信接口74,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
存储器72可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器72可以是独立存在,通过通信总线74与处理器71相连接。存储器72也可以和处理器71集成在一起。
其中,存储器72用于存储执行本公开方案的指令,并由处理器71来控制执行。处理器71用于执行存储器72中存储的程序或指令,从而实现本公开方法中的功能。
作为一个示例,结合图6,数据处理装置中的获取单元61、第一确定单元62以及生成单元63实现的功能与图7中的处理器71的功能相同。
在具体实现中,作为一种实施例,处理器71可以包括一个或多个CPU,例如图7中的CPU0和CPU1。
在具体实现中,作为一种实施例,电子设备可以包括多个处理器71。这些处理器71中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器71可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,电子设备还可以包括输出设备75和输入设备76。输出设备75和处理器71通信,可以以多种方式来显示信息。例如,输出设备75可以是液晶显示器(liquid crystal display,LCD),发光二级管(light emitting diode,LED)显示设备,阴极射线管(cathode ray tube,CRT)显示设备,或投影仪(projector)等。输入设备76和处理器71通信,可以以多种方式接受对象的输入。例如,输入设备76可以是鼠标、键盘、触摸屏设备或传感设备等。
本领域技术人员可以理解,图7中示出的结构并不构成对电子设备的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。图7中的电子设备可以是服务器,也可以是客户端或其他设备。
另外,本公开还提供一种可读存储介质,可读存储介质上存储程序或指令,程序或指令被处理器执行时,使得电子设备能够执行如上述实施例所提供的数据处理方法。
另外,本公开还提供一种计算机程序产品,包括该计算机程序产品被存储在非易失的存储介质中,计算机程序产品被至少一个处理器执行时,使得电子设备执行如上述实施例所提供的数据处理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取预置对象账号集中多个对象账户具有的多种关联特征的社交行为数据,其中,所述关联特征用于表示两个对象账户之间的关联信息,所述社交行为数据用于表示所述关联特征对应的多个对象账户之间的关系数据;
根据所述多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数;
根据所述预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与所述社交行为数据对应的关联特征的关联系数,生成所述任意两个对象账户之间的关联强度值。
2.根据权利要求1所述的数据处理方法,其特征在于,所述多种关联特征包括:关系建立特征、关系交互特征和关系加强特征。
3.根据权利要求2所述的数据处理方法,其特征在于,所述根据所述多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数之前,所述方法还包括:
提取所述社交行为数据中所述关系交互特征对应的交互特征数据;
根据每个所述关系交互特征的特征发生时间,确定每个所述关系交互特征的衰减系数,所述衰减系数与当前时间和所述特征发生时间之间的时间差负相关;
根据每个所述关系交互特征的衰减系数,更新所述交互特征数据。
4.根据权利要求1至3任一项所述的数据处理方法,其特征在于,所述根据所述多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数,包括:
根据所述多种关联特征中每种关联特征的对象对数量,统计所述多种关联特征中每种关联特征的特征覆盖率,所述特征覆盖率为:针对所述预置对象账户中多个对象账户,所述每种关联特征的对象对数量,在所述多种关联特征的所有的对象对数量中所占的比重,所述对象对为具有关联特征的两个对象账户;
将所述特征覆盖率对应的特征系数进行归一化处理,生成所述多种关联特征中每种关联特征的初始系数,所述特征系数为所述特征覆盖率的倒数;
根据所述多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定所述多种关联特征中每种关联特征的补偿系数;
根据所述多种关联特征中每种关联特征的初始系数和所述补偿系数,确定所述多种关联特征中每种关联特征的关联系数。
5.根据权利要求4所述的数据处理方法,其特征在于,所述根据所述多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定所述多种关联特征中每种关联特征的补偿系数,包括:
根据所述多种关联特征中每种关联特征的信息熵,以及所述信息熵对应每种关联特征中的其他关联特征的条件熵,确定所述多种关联特征中的每种关联特征对应的第一互信息,所述第一互信息是指所述多种关联特征中的每种关联特征与任一其他关联特征之间的关联信息;
根据所述多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定所述多种关联特征中的每种关联特征的第二互信息,所述第二互信息是指所述多种关联特征中的每种关联特征对应的第一互信息之和;
根据所述多种关联特征中的每种关联特征的第二互信息的大小,确定所述至少一个第二关联特征中的每种关联特征的补偿系数。
6.根据权利要求5所述的数据处理方法,其特征在于,所述根据所述多种关联特征中的每种关联特征的第二互信息的大小,确定所述至少一个第二关联特征中的每种关联特征的补偿系数,包括:
根据所述补偿数据集合中的数值和所述第二互信息,确定所述多种关联特征中的每种关联特征的补偿系数,所述补偿数据集合中的数值的排列顺序,与所述第二互信息的排列顺序相同。
7.一种数据处理装置,其特征在于,包括获取单元、第一确定单元以及生成单元;
所述获取单元,用于获取预置对象账户集中多个对象账户具有的多种关联特征的社交行为数据,其中,所述关联特征用于表示两个对象账户之间的关联信息,所述社交行为数据用于表示所述关联特征对应的多个对象账户之间的关系数据;
所述第一确定单元,用于根据所述多种关联特征中每种关联特征与其他关联特征之间的第一互信息,确定每种关联特征的关联系数;
所述生成单元,用于根据所述预置对象账户集中任意两个对象账户具有的每种关联特征的社交行为数据,以及与所述社交行为数据对应的关联特征的关联系数,生成所述任意两个对象账户之间的关联强度值。
8.一种电子设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令;其中,所述程序或指令被所述处理器执行时实现如权利要求1-6中任一项所述的数据处理方法。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-6中任一项所述的数据处理方法。
10.一种计算机程序产品,包括指令,其特征在于,所述计算机程序产品被存储在非易失的存储介质中,所述计算机程序产品被至少一个处理器执行时实现如权利要求1-6中任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111446765.4A CN114170035A (zh) | 2021-11-30 | 2021-11-30 | 一种数据处理方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111446765.4A CN114170035A (zh) | 2021-11-30 | 2021-11-30 | 一种数据处理方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170035A true CN114170035A (zh) | 2022-03-11 |
Family
ID=80481909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111446765.4A Pending CN114170035A (zh) | 2021-11-30 | 2021-11-30 | 一种数据处理方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170035A (zh) |
-
2021
- 2021-11-30 CN CN202111446765.4A patent/CN114170035A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180046724A1 (en) | Information recommendation method and apparatus, and server | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
CN110390408B (zh) | 交易对象预测方法和装置 | |
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
CN111460384B (zh) | 策略的评估方法、装置和设备 | |
CN112231592A (zh) | 基于图的网络社团发现方法、装置、设备以及存储介质 | |
CN110866040A (zh) | 用户画像生成方法、装置和系统 | |
CN107644042B (zh) | 软件程序点击率预估排序方法及服务器 | |
CN112287208B (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN117132317A (zh) | 数据处理方法、装置、设备、介质及产品 | |
CN111858267A (zh) | 预警方法、装置、电子设备及存储介质 | |
CN114170035A (zh) | 一种数据处理方法、装置、电子设备以及存储介质 | |
CN113656689B (zh) | 模型生成方法和网络信息的推送方法 | |
CN113052509B (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN113326436B (zh) | 确定推荐资源的方法、装置、电子设备和存储介质 | |
CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
CN113010782A (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
CN111881353A (zh) | 一种展示资源的推送方法、装置、电子设备和存储介质 | |
CN110020211B (zh) | 用户属性影响力的评估方法和装置 | |
CN113760484A (zh) | 数据处理的方法和装置 | |
CN112819555A (zh) | 一种物品推荐方法和装置 | |
CN114844889B (zh) | 视频处理模型的更新方法、装置、电子设备及存储介质 | |
CN113365095B (zh) | 直播资源推荐方法、装置、电子设备以及存储介质 | |
CN113343090B (zh) | 用于推送信息的方法、装置、设备、介质和产品 | |
US20220164405A1 (en) | Intelligent machine learning content selection platform |
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 |