CN114240493A - 基于长短期记忆网络的项目信息推荐方法、装置及设备 - Google Patents

基于长短期记忆网络的项目信息推荐方法、装置及设备 Download PDF

Info

Publication number
CN114240493A
CN114240493A CN202111543345.8A CN202111543345A CN114240493A CN 114240493 A CN114240493 A CN 114240493A CN 202111543345 A CN202111543345 A CN 202111543345A CN 114240493 A CN114240493 A CN 114240493A
Authority
CN
China
Prior art keywords
data
target object
item
sequence
project
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
Application number
CN202111543345.8A
Other languages
English (en)
Inventor
陈雪娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202111543345.8A priority Critical patent/CN114240493A/zh
Publication of CN114240493A publication Critical patent/CN114240493A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于长短期记忆网络的项目信息推荐方法、装置及设备，可解决项目推荐维度单一，精准度低的技术问题。包括：获取目标对象的第一历史项目数据和对象属性数据；基于对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选与目标对象匹配的关联对象，并获取关联对象的第二历史项目数据；对第一历史项目数据和第二历史项目数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征；将第一序列特征和/或第二序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的项目数据预测结果；根据项目数据预测结果为目标对象生成项目推荐信息。

Description

基于长短期记忆网络的项目信息推荐方法、装置及设备
技术领域
本申请涉及计算机技术领域，尤其涉及到一种基于长短期记忆网络的项目信息推荐方法、装置及设备。
背景技术
人机交互(Human–Computer Interaction，HCI)是指人与计算机之间使用某种对话语言，以一定的交互方式确定人与计算机之间的信息交换过程。随着人机交互技术的发展，越来越多的基于人机交互技术的智能产品应运而生，例如在项目推荐过程中可以通过人机交互完成项目推荐。然而如何精准地把握对象心智，挖掘潜在客户，为对象推荐最为契合的项目产品，是长久以来十分值得研究的问题。
在以往的信息推荐过程中，对象行为数据大都被收集处理成单个样本特征，而往往忽略掉对象行为的前后序列信息；随着时间的推移，对象在较早期的行为信息往往会被新的信息覆盖，在模型中往往会被忽视掉，体现出“时间遗忘”的特点。进而导致无法分析出对象偏好随着时间的先后变化趋势，且分析维度单一，导致项目产品推荐不够精准，不符合对象的实际项目产品需求。
发明内容
有鉴于此，本申请提供了一种基于长短期记忆网络的项目信息推荐方法、装置及设备，可用于解决目前在进行项目信息推荐时，无法分析出对象偏好随着时间的先后变化趋势，且分析维度单一，导致项目产品推荐不够精准，不符合对象的实际项目产品需求的技术问题。
根据本申请的一个方面，提供了一种基于长短期记忆网络的项目信息推荐方法，该方法包括：
获取目标对象的第一历史项目数据和对象属性数据；
基于所述对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选与所述目标对象匹配的关联对象，并获取所述关联对象的第二历史项目数据；
对所述第一历史项目数据和所述第二历史项目数据分别进行特征转换处理，得到所述目标对象的第一序列特征和所述关联对象的第二序列特征；
将所述第一序列特征和/或所述第二序列特征输入已训练完成的长短期记忆模型，获取所述目标对象在未来预设时间段内的项目数据预测结果，其中，所述项目数据预测结果包括预测项目产品以及对应的预测分值；
根据所述项目数据预测结果为所述目标对象生成项目推荐信息。
根据本申请的另一个方面，提供了一种基于长短期记忆网络的项目信息推荐装置，该装置包括：
获取模块，用于获取目标对象的第一历史项目数据和对象属性数据；
筛选模块，用于基于所述对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选与所述目标对象匹配的关联对象，并获取所述关联对象的第二历史项目数据；
处理模块，用于对所述第一历史项目数据和所述第二历史项目数据分别进行特征转换处理，得到所述目标对象的第一序列特征和所述关联对象的第二序列特征；
输入模块，用于将所述第一序列特征和/或所述第二序列特征输入已训练完成的长短期记忆模型，获取所述目标对象在未来预设时间段内的项目数据预测结果，其中，所述项目数据预测结果包括预测项目产品以及对应的预测分值；
生成模块，用于根据所述项目数据预测结果为所述目标对象生成项目推荐信息。
根据本申请的又一个方面，提供了一种非易失性可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于长短期记忆网络的项目信息推荐方法。
根据本申请的再一个方面，提供了一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于长短期记忆网络的项目信息推荐方法。
借由上述技术方案，本申请提供的一种基于长短期记忆网络的项目信息推荐方法、装置及设备，与目前项目信息推荐方式相比，本申请可首先获取目标对象的第一历史项目数据和对象属性数据；之后基于对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选出与目标对象匹配的关联对象，并获取关联对象的第二历史项目数据；进一步对第一历史项目数据和第二历史项目数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征；最后将第一序列特征和/或第二序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的项目数据预测结果，并根据项目数据预测结果为目标对象生成项目推荐信息。在本申请中，可应用于长短期记忆网络算法实现对目标对象在未来预设时间段的项目数据预测，充分利用序列属性信息，考虑目标对象偏好随着时间的先后变化趋势，进而更为精确地为目标对象推荐现阶段最为契合的项目产品，可提高项目推荐的精准度，使项目推荐结果更能符合目标对象的实际需求。此外，还可通过对关联对象的挖掘，结合多个维度数据实现对目标对象的个性化推荐，提高推荐命中率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本地申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种基于长短期记忆网络的项目信息推荐方法的流程示意图；
图2示出了本申请实施例提供的另一种基于长短期记忆网络的项目信息推荐方法的流程示意图；
图3示出了本申请实施例提供的一种基于长短期记忆网络的项目信息推荐装置的结构示意图；
图4示出了本申请实施例提供的另一种基于长短期记忆网络的项目信息推荐装置的结构示意图。
具体实施方式
本申请实施例可以基于人工智能技术实现对项目信息的智能化推荐。其中，人工智能(Artificial Intelligence，AI)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。
下文将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。
针对目前在进行项目信息推荐时，无法分析出对象偏好随着时间的先后变化趋势，且分析维度单一，导致项目产品推荐不够精准，不符合对象的实际项目产品需求的技术问题，本申请提供了一种基于长短期记忆网络的项目信息推荐方法，如图1所示，该方法包括：
101、获取目标对象的第一历史项目数据和对象属性数据。
其中，目标对象为待进行项目产品推荐的任意潜在客户，第一历史项目数据为目标对象在预设历史时间段内所产生的项目数据。
需要说明的是，对于本申请，可应用于任何项目场景下项目产品的信息推荐，项目的定义包括但不限于：音乐、视频、文章、保险项目或者物品销售项目等，在本申请中，可基于目标对象的第一历史项目数据以及对应关联对象的第二历史项目数据，充分分析对象行为的前后序列信息，获取所述目标对象在未来预设时间段内的项目数据预测结果，并基于项目数据预测结果为所述目标对象生成项目推荐信息。本申请中的技术方案可适用于任何项目信息推荐场景，在本申请中的下述实施例步骤中，以保险项目为例，对本申请中的技术方案进行说明，但不构成对本申请中技术方案应用场景的限定。
第一历史项目数据可包括第一项目行为数据和第一项目订单数据。对于保险项目，第一项目行为数据可对应目标对象在预设历史时间段内的保险咨询数据、保险浏览数据等，具体可包括所咨询/浏览的保险类型、保险机构代码、保额、保费、保险产品编号、咨询/浏览时长、咨询/浏览次数等；第一项目订单数据可对应目标对象在预设历史时间段内已成交/未成交的保险订单数据，具体可包括已成交/未成交的保险类型、保险机构代码、保额、保费、保险产品编号等。预设历史时间段可根据实际应用场景进行设定，如历史一年、历时一个月等；对象属性数据为能够反映目标对象对应人群属性特征的个人身份数据，如可包括性别、年龄、职业、城市、区域编号等。
对于本申请的执行主体可为项目信息推荐装置，可配置在客户端侧或服务端侧，能够基于目标对象的对象属性数据筛选出与目标对象匹配的关联对象，进而根据目标对象和/或关联对象在预设历史时间段内的历史项目数据，实现对目标对象在未来预设时间段内的项目数据预测结果，并根据项目数据预测结果为目标对象生成项目信息推荐。
102、基于对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选与目标对象匹配的关联对象，并获取关联对象的第二历史项目数据。
其中，预设知识图谱网络为包含有目标对象这一对象实体的知识图谱网络；预设关联模型可为图卷积神经网络模型。图卷积神经网络(Graph Convolutional Network，GCN)是处理图网络数据的计算方法，图卷积神经网络的输入通常是一个图结构，其最终输出一般取决于具体的任务。在本申请中，可应用于图卷积神经网络进行节点关联关系预测，即主从节点间依赖关系的强度计算，通过训练图卷积神经网络模型，可得到用于关联权重预估的预设关联模型，关联权重表示图网络中节点与节点间紧密关联程度；关联对象可为与目标对象存在血缘关系的亲属、在目标对象所在社交网站上查询的朋友、同事、匹配到的属性人群中的至少一种。与第一历史项目数据对应，第二历史项目数据为关联对象在预设历史时间段内所产生的项目数据，同样可包括第二项目行为数据和第二项目订单数据。对于保险项目，第二项目行为数据可对应关联对象在预设历史时间段内的保险咨询数据、保险浏览数据等，具体可包括所咨询/浏览的保险类型、保险机构代码、保额、保费、保险产品编号、咨询/浏览时长、咨询/浏览次数等；第二项目订单数据可对应关联对象在预设历史时间段内已成交/未成交的保险订单数据，具体可包括已成交/未成交的保险类型、保险机构代码、保额、保费、保险产品编号等。预设历史时间段可根据实际应用场景进行设定，如历史一年、历时一个月等。
对于本实施例，在确定得到预设知识图谱网络，以及训练完成预设关联模型后，可进一步依据预设知识图谱网络和训练完成的预设关联模型实现对目标对象对应关联对象的筛选。具体的，可基于对象属性数据和预设知识图谱网络提取目标对象的图拓扑结构，其中，图拓扑结构中包含有一个主节点、至少一个子节点，以及主节点与子节点之间的节点关系，主节点为目标对象，子节点为与目标对象存在实体关系的待分析对象实体。为实现对各个待分析对象实体与目标对象间实体关系的量化权重计算，可进一步将图拓扑结构输入训练完成的预设关联模型，获取图拓扑结构中各个待分析对象实体与目标对象的预估关联权重，进而根据预估关联权重在大量待分析对象实体中筛选出预估关联权重较高，即对目标对象的影响力较大的关联对象。鉴于关联权重较高的关联对象(如交往密切的好友、亲属，以及被投保对象等)，容易使目标对象进行投保效仿或听从关联对象的投保建议，故对于本实施例，在确定出关联对象后，还可获取关联对象的第二历史项目数据，以基于第二历史项目数据在目标对象自身维度之外的又一维度实现对目标对象的项目产品推荐。
103、对第一历史项目数据和第二历史项目数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征。
其中，第一序列特征包括第一行为序列特征和第一标签序列特征，第二序列特征包括第二行为序列特征和第二标签序列特征。
对于本实施例，对于第一历史项目数据和第二历史项目数据，可分别按照时间先后顺序对项目行为数据进行排序，得到目标对象的第一项目行为序列，和关联对象的第二项目行为序列，进而可对第一项目行为序列和第二项目行为序列分别进行数据分布归一化和数据序列长度归一化处理，以得到第一行为序列特征和第二行为序列特征；此外，还可对第一项目订单数据和第二项目订单数据分别进行标签化处理，以得到第一标签序列特征和第二标签序列特征。
其中，数据分布归一化处理是指对项目行为序列数据采取数据z-score标准化，来处理数据缺失、数据分布不均等问题；对于数据序列长度归一化处理，由于数据收集时不可能保证所有用户的项目行为数据具有完全相同的数据维度，因此对于不同长度的项目行为序列，可将其统一规范化为统一序列长度：如果项目行为序列的序列长度大于中位数长度，则进行截断，剩余部分构成新的项目行为序列；如果项目行为序列的序列长度等于中位数，则不作处理；如果项目行为序列的序列长度小于中位数长度，则将该项目行为序列中不满足中位数序列长度的部分用“0”代替。标签化处理是指根据项目订单数据确定已成交或未成交的项目产品，并根据项目产品的成交状态更新预设标签序列中的元素值，得到标签序列特征。其中，在预设标签序列中各个元素对应一个预设项目产品，在标签化处理时，可将对象购买过的项目产品对应的元素值更新为“1”，反之更新为“0”，进一步得到目标对象的第一标签序列特征，和关联对象的第二标签序列特征。
104、将第一序列特征和/或第二序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的项目数据预测结果，其中，项目数据预测结果包括预测项目产品以及对应的预测分值。
其中，长短期记忆模型具体可为依据长短期记忆网络(Long Short Term Memory，LSTM)算法构建的模型。LSTM是一种RNN网络的特殊类型，是使用反向传播时间训练并克服消失梯度问题的递归神经网络，区别于以往的深度神经网络方法只能对每条样本进行训练，LSTM能够对序列数据进行建模，“记住”用户不同时间下的用户行为，每一层的输出数据都会作为下一层的输入数据进行训练，在充分地利用好对象的先后序列属性信息的同时，能够更好地“记住”长期的对象行为信息。
LSTM主要包括三个门，因此会有3个状态函数一起更新，分别是输入们、遗忘门和输出门，对于任一时刻t，定义隐藏层
Figure BDA0003415000630000071
可以由xt-1和
Figure BDA0003415000630000072
得到：
Figure BDA0003415000630000073
Figure BDA0003415000630000081
Figure BDA0003415000630000082
其中，U和W分别为不同的神经网络参数，用于实时更新样本变化和状态变化，b为偏置项。因此，可以定义总的目标损失函数为：
Figure BDA0003415000630000083
上式中，
Figure BDA0003415000630000084
为输出门的最终输出，c为偏置项，yt为t时刻对应的标记信息，计算所有时刻下总的交叉熵损失，即为最终的损失。最小化上式的Loss，即可得到最终对每个项目产品的预测分值，其中，预测分值为0到1之间的概率值，预测分值越接近于1，表示该项目产品与目标用户的匹配度越高。
105、根据项目数据预测结果为目标对象生成项目推荐信息。
通过本实施例中基于长短期记忆网络的项目信息推荐方法，可首先获取目标对象的第一历史项目数据和对象属性数据；之后基于对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选出与目标对象匹配的关联对象，并获取关联对象的第二历史项目数据；进一步对第一历史项目数据和第二历史项目数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征；之后，将第一序列特征和/或第二序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的项目数据预测结果，其中，项目数据预测结果包括预测项目产品以及对应的预测分值；最后根据项目数据预测结果为目标对象生成项目推荐信息。在本申请中，可应用于长短期记忆网络算法实现对目标对象在未来预设时间段的项目数据预测，充分利用序列属性信息，考虑目标对象偏好随着时间的先后变化趋势，进而更为精确地为目标对象推荐现阶段最为契合的项目产品，可提高项目推荐的精准度，使项目推荐结果更能符合目标对象的实际需求。此外，还可通过对关联对象的挖掘，结合多个维度数据实现对目标对象的个性化推荐，提高推荐命中率。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的具体实施过程，提供了另一种基于长短期记忆网络的项目信息推荐方法，如图2所示，该方法包括：
201、获取目标对象的第一历史项目数据和对象属性数据。
202、基于对象属性数据，在预设知识图谱网络中提取目标对象的图拓扑结构。
其中，图拓扑结构是运用拓展星型网络结构将多类型、多层次的数据串联在一起的表现形式，在图拓扑结构中每个节点代表一个实体及相关特征、属性、指标，每条边代表节点间关联关系。在本申请中，图拓扑网络中可包含一个主节点、至少一个子节点，以及主节点与子节点之间的节点关系，主节点为目标对象，子节点为与目标对象存在实体关系的待分析对象实体。
在具体的应用场景中，在执行本实施例步骤之前，需要预先获取包含目标对象的预设知识图谱网络，以便基于预设知识图谱网络确定目标对象的图拓扑网络。可首先判断是否存在包含目标对象这一对象实体的现有知识图谱网络，若存在，则可直接将现有的知识图谱网络作为本申请中的预设知识图谱网络；若不存在，则可利用预设的知识图谱构建工具进行预设知识图谱网络的构建。在进行预设知识图谱网络的构建时，具体可在各数据库中收集社交数据、家庭成员数据、同属性人群数据、项目人群数据等指定数据，其中，该指定数据中应至少有目标对象的对象属性数据。进而可利用预设的知识图谱在指定数据中抽取对象实体以及对象实体之间实体关系，依据对象实体以及实体关系形成的三元组，生成包含不同潜在对象实体的预设知识图谱网络，该预设知识图谱网络可用于对任一目标对象对应关联对象的抽取。相应的，实施例步骤具体可以包括：采用预设的知识图谱构建工具从预先收集的指定数据中识别出对象实体以及对象实体之间的实体关系，其中，指定数据中记载了目标对象的对象属性数据，对象实体包括目标对象；根据对象实体以及实体关系形成三元组，并依据三元组生成预设知识图谱网络。其中，预设的知识图谱构建工具可包括CiteSpace、Ucinet、Gephi、Bibexcel等，在本实施例中，对此不进行具体的限定。
鉴于预设知识图谱网络在包含与目标对象存在关联的待分析对象实体之外，还大量包含有与目标对象不相关的实体对象，故为了保证后续关联对象筛选的准确性，并提高筛选效率。对于本实施例，可在确定出预设知识图谱网络后，进一步在预设知识图谱网络中提取以目标对象为主节点的图拓扑结构，以便基于图拓扑网络在待分析对象中快速提取出与目标对象关联性较高的关联对象。其中，图拓扑结构中的子节点对应为与目标对象存在实体关系的待分析对象，图拓扑结构的边为目标对象与待分析对象的实体关系。
203、将图拓扑结构输入训练完成的图卷积神经网络模型中，获取目标对象与任一待分析对象实体的预估关联权重，在待分析对象实体中提取与目标对象的预估关联权重大于预设权重阈值的关联对象，并获取关联对象的第二历史项目数据。
在具体的应用场景中，在执行本实施例步骤之前，需要预先对图卷积神经网络模型进行预训练。一般情况下，若有充足的数据和标签，可以通过有监督学习的方式对图卷积神经网络进行预训练。但是在现实生活中，常常有大量的数据而仅仅有少量的标签，而标注数据需要耗费大量的精力，若直接丢掉这些未标注的数据也很可惜，因此可采用半监督训练方式对卷积神经网络模型进行训练。具体可为这些未标注数据“填充标签”，这些标签和学习任务的最终结果有差异，通过利用未标注数据、与预设关联权重预估任务不同的“填充标签”数据、与预设关联权重预估任务相同的标签数据，迭代半监督训练图卷积算法模型，以此获取到关联权重预估能力较强的图卷积神经网络模型。进行对图卷积神经网络模型的预训练时，若判断对应的损失函数小于预设阈值，则确定图卷积神经网络模型训练完成。
进一步的，可将目标对象对应的图拓扑结构输入训练完成的图卷积神经网络模型中，利用图卷积神经网络模型输出目标对象与各个待分析对象实体的预估关联权重，在待分析对象实体中提取与目标对象的预估关联权重大于预设权重阈值的关联对象，并获取关联对象的第二历史项目数据，以利用第一历史项目数据和第二历史项目数据从多个维度实现对目标对象的项目产品推荐。
204、对第一历史项目数据和第二历史项目数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征。
其中，第一历史项目数据可包括第一项目行为数据和第一项目订单数据，第二历史项目数据可包括第二项目行为数据和第二项目订单数据；第一序列特征可包括第一行为序列特征和第一标签序列特征，第二序列特征可包括第二行为序列特征和第二标签序列特征。
对于本实施例，在进行特征转换处理时，可分别按照时间先后顺序分别对第一项目行为数据和第二项目行为数据进行排序，得到目标对象的第一项目行为序列，和关联对象的第二项目行为序列，进而对第一项目行为序列和第二项目行为序列进行数据z-score标准化处理，以消除数据缺失、数据分布不均等问题；之后将标准化处理后的第一项目行为序列和第二项目行为序列统一规范化为统一序列长度，进一步得到目标对象的第一行为序列特征，和关联对象的第二行为序列特征。此外，还可对第一项目订单数据和第二项目订单数据分别进行标签化处理。具体可根据第一项目订单数据确定目标对象已成交或未成交的项目产品，并根据项目产品的成交状态更新预设标签序列中的元素值，得到第一标签序列特征；同样的，可根据第二项目订单数据确定关联对象已成交或未成交的项目产品，并根据项目产品的成交状态更新预设标签序列中的元素值，得到第二标签序列特征。
相应的，实施例步骤204具体可以包括：按照时间先后顺序在第一历史项目数据中提取目标对象的第一项目行为数据和第一项目订单数据，以及在第二历史项目数据中提取关联对象的第二项目行为数据和第二项目订单数据；对第一项目行为数据和第二项目行为数据分别进行数据标准化处理，得到预设长度的第一行为序列特征和第二行为序列特征，数据标准化处理包括数据分布归一化处理和序列长度归一化处理；对第一项目订单数据和第二项目订单数据分别进行标签化处理，得到第一标签序列特征和第二标签序列特征。
205、将第一序列特征和/或第二序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的项目数据预测结果。
其中，项目数据预测结果包括预测项目产品以及对应的预测分值。
对于本实施例，实施例步骤205具体可以包括：将第一序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的第一项目数据预测结果；和/或，将第二序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的第二项目数据预测结果；和/或，将第一序列特征和第二序列特征进行特征融合后的第三序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的第三项目数据预测结果。其中，在将第二序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的第二项目数据预测结果时，可分为两种情况：一、将第二序列特征输入已训练完成的长短期记忆模型，得到项目数据预测结果，直接将该项目数据预测结果确定为第二项目数据预测结果；二、将第二序列特征输入已训练完成的长短期记忆模型，得到项目数据预测结果，将该项目数据预测结果和对应的对象关联权重进行加权计算，得到第二项目数据预测结果。
其中，长短期记忆网络是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，相对于普通的循环神经网络，其加入了一个判断信息有用与否的“处理器”，只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘，从而解决了长序依赖问题。本申请采用的长短期记忆模型包括用于编码的第一长短期记忆网络和用于解码的第二长短期记忆网络，以实现多种项目产品的时序性预测。相应的，对于本实施例，实施例步骤具体可以包括：将第一序列特征和/或第二序列特征输入第一长短期记忆网络中运算，得到第一长短期记忆网络中的隐藏状态向量序列；将隐藏状态向量序列输入第二长短期记忆网络中运算，获取目标对象在未来预设时间段内的项目数据预测结果，其中，项目数据预测结果包括预测项目产品以及对应的预测分值。
206、根据项目数据预测结果为目标对象生成项目推荐信息。
对于本实施例，与实施例步骤205对应，在根据项目数据预测结果为目标对象生成项目信息推荐时，具体可以包括：根据第一项目数据预测结果、第二项目数据预测结果、第三项目数据预测结果中的至少一种，为目标对象生成项目信息推荐。在具体的应用场景中，在根据项目数据预测结果生成项目信息推荐时，可依据项目数据预测结果提取出对应预测分值大于预设阈值的项目推荐产品，或按照预测分值由大到小的顺序，筛选出预设数量个项目推荐产品，进而生成包含项目推荐产品以及对应推荐分值的推荐列表，将推荐列表发送至目标对象，以供用户基于推荐列表进行项目产品的快速选取。
借由上述基于长短期记忆网络的项目信息推荐方法，可首先获取目标对象的第一历史项目数据和对象属性数据；之后基于对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选出与目标对象匹配的关联对象，并获取关联对象的第二历史项目数据；进一步对第一历史项目数据和第二历史项目数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征；之后，将第一序列特征和/或第二序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的项目数据预测结果，其中，项目数据预测结果包括预测项目产品以及对应的预测分值；最后根据项目数据预测结果为目标对象生成项目信息推荐。在本申请中，可应用于长短期记忆网络算法实现对目标对象在未来预设时间段的项目数据预测，充分利用序列属性信息，考虑目标对象偏好随着时间的先后变化趋势，进而更为精确地为目标对象推荐现阶段最为契合的项目产品，可提高项目推荐的精准度，使项目推荐结果更能符合目标对象的实际需求。此外，还可通过对关联对象的挖掘，结合多个维度数据实现对目标对象的个性化推荐，提高推荐命中率。
进一步的，作为图1和图2所示方法的具体实现，本申请实施例提供了一种基于长短期记忆网络的项目信息推荐装置，如图3所示，该装置包括：获取模块31、筛选模块32、处理模块33、输入模块34、第一生成模块35；
获取模块31，可用于获取目标对象的第一历史项目数据和对象属性数据；
筛选模块32，可用于基于对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选与目标对象匹配的关联对象，并获取关联对象的第二历史项目数据；
处理模块33，可用于对第一历史项目数据和第二历史项目数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征；
输入模块34，可用于将第一序列特征和/或第二序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的项目数据预测结果，其中，项目数据预测结果包括预测项目产品以及对应的预测分值；
第一生成模块35，可用于根据项目数据预测结果为目标对象生成项目推荐信息。
在具体的应用场景中，为预先实现对预设知识图谱网络的创建，如图4所示，该装置还包括：识别模块36、第二生成模块37；
识别模块36，可用于采用预设的知识图谱构建工具从预先收集的指定数据中识别出对象实体以及对象实体之间的实体关系，其中，指定数据中记载了目标对象的对象属性数据，对象实体包括目标对象；
第二生成模块37，可用于根据对象实体以及实体关系形成三元组，并依据三元组生成预设知识图谱网络。
在具体的应用场景中，预设关联模型具体可为图卷积神经网络模型，相应的，在基于对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选与目标对象匹配的关联对象时，筛选模块32，具体可用于基于对象属性数据，在预设知识图谱网络中提取目标对象的图拓扑结构，图拓扑结构中包含一个主节点、至少一个子节点，以及主节点与子节点之间的节点关系，主节点为目标对象，子节点为与目标对象存在实体关系的待分析对象实体；将图拓扑结构输入训练完成的图卷积神经网络模型中，获取目标对象与任一待分析对象实体的预估关联权重；在待分析对象实体中提取与目标对象的预估关联权重大于预设权重阈值的关联对象。
在具体的应用场景中，第一序列特征包括第一行为序列特征和第一标签序列特征，第二序列特征包括第二行为序列特征和第二标签序列特征；相应的，在对第一历史项目数据和第二历史项目数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征时，处理模块33，具体可用于按照时间先后顺序在第一历史项目数据中提取目标对象的第一项目行为数据和第一项目订单数据，以及在第二历史项目数据中提取关联对象的第二项目行为数据和第二项目订单数据；对第一项目行为数据和第二项目行为数据分别进行数据标准化处理，得到预设长度的第一行为序列特征和第二行为序列特征，数据标准化处理包括数据分布归一化处理和序列长度归一化处理；对第一项目订单数据和第二项目订单数据分别进行标签化处理，得到第一标签序列特征和第二标签序列特征。
在具体的应用场景中，在将第一序列特征和/或第二序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的项目数据预测结果时，输入模块34，具体可用于将第一序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的第一项目数据预测结果；和/或，将第二序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的第二项目数据预测结果；和/或，将第一序列特征和第二序列特征进行特征融合后的第三序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的第三项目数据预测结果。
在具体的应用场景中，已训练完成的长短期记忆模型可包括用于编码的第一长短期记忆网络和用于解码的第二长短期记忆网络；相应的，输入模块34，具体可用于将第一序列特征和/或第二序列特征输入第一长短期记忆网络中运算，得到第一长短期记忆网络中的隐藏状态向量序列；将隐藏状态向量序列输入第二长短期记忆网络中运算，获取目标对象在未来预设时间段内的项目数据预测结果，其中，项目数据预测结果包括预测项目产品以及对应的预测分值。
在具体的应用场景中，在根据项目数据预测结果为目标对象生成项目推荐信息时，第一生成模块35，具体可用于根据第一项目数据预测结果、第二项目数据预测结果、第三项目数据预测结果中的至少一种，为目标对象生成项目推荐信息。
需要说明的是，本实施例提供的一种基于长短期记忆网络的项目信息推荐装置所涉及各功能单元的其他相应描述，可以参考图1至图2的对应描述，在此不再赘述。
基于上述如图1至图2所示方法，相应的，本实施例还提供了一种非易失性存储介质，其上存储有计算机可读指令，该可读指令被处理器执行时实现上述如图1至图2所示的基于长短期记忆网络的项目信息推荐方法。
基于这样的理解，本申请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，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景的方法。
基于上述如图1至图2所示的方法和图3、图4所示的虚拟装置实施例，为了实现上述目的，本实施例还提供了一种计算机设备，该计算机设备包括存储介质和处理器；非易失性存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图2所示的基于长短期记忆网络的项目信息推荐方法。
可选的，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
非易失性存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现非易失性存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。
通过应用本申请的技术方案，与目前现有技术相比，本申请可首先获取目标对象的第一历史项目数据和对象属性数据；之后基于对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选出与目标对象匹配的关联对象，并获取关联对象的第二历史项目数据；进一步对第一历史项目数据和第二历史项目数据分别进行特征转换处理，得到目标对象的第一序列特征和关联对象的第二序列特征；之后，将第一序列特征和/或第二序列特征输入已训练完成的长短期记忆模型，获取目标对象在未来预设时间段内的项目数据预测结果，其中，项目数据预测结果包括预测项目产品以及对应的预测分值；最后根据项目数据预测结果为目标对象生成项目信息推荐。在本申请中，可应用于长短期记忆网络算法实现对目标对象在未来预设时间段的项目数据预测，充分利用序列属性信息，考虑目标对象偏好随着时间的先后变化趋势，进而更为精确地为目标对象推荐现阶段最为契合的项目产品，可提高项目推荐的精准度，使项目推荐结果更能符合目标对象的实际需求。此外，还可通过对关联对象的挖掘，结合多个维度数据实现对目标对象的个性化推荐，提高推荐命中率。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种基于长短期记忆网络的项目信息推荐方法，其特征在于，包括：
获取目标对象的第一历史项目数据和对象属性数据；
基于所述对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选与所述目标对象匹配的关联对象，并获取所述关联对象的第二历史项目数据；
对所述第一历史项目数据和所述第二历史项目数据分别进行特征转换处理，得到所述目标对象的第一序列特征和所述关联对象的第二序列特征；
将所述第一序列特征和/或所述第二序列特征输入已训练完成的长短期记忆模型，获取所述目标对象在未来预设时间段内的项目数据预测结果，其中，所述项目数据预测结果包括预测项目产品以及对应的预测分值；
根据所述项目数据预测结果为所述目标对象生成项目推荐信息。
2.根据权利要求1所述的方法，其特征在于，在基于所述对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选与所述目标对象匹配的关联对象之前，还包括：
采用预设的知识图谱构建工具从预先收集的指定数据中识别出对象实体以及所述对象实体之间的实体关系，其中，所述指定数据中记载了所述目标对象的对象属性数据，所述对象实体包括所述目标对象；
根据所述对象实体以及所述实体关系形成三元组，并依据所述三元组生成预设知识图谱网络。
3.根据权利要求1所述的方法，其特征在于，所述预设关联模型为图卷积神经网络模型；
所述基于所述对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选与所述目标对象匹配的关联对象，包括：
基于所述对象属性数据，在预设知识图谱网络中提取所述目标对象的图拓扑结构，所述图拓扑结构中包含一个主节点、至少一个子节点，以及所述主节点与所述子节点之间的节点关系，所述主节点为所述目标对象，所述子节点为与所述目标对象存在实体关系的待分析对象实体；
将所述图拓扑结构输入训练完成的图卷积神经网络模型中，获取所述目标对象与任一所述待分析对象实体的预估关联权重；
在所述待分析对象实体中提取与所述目标对象的所述预估关联权重大于预设权重阈值的关联对象。
4.根据权利要求1所述的方法，其特征在于，所述第一序列特征包括第一行为序列特征和第一标签序列特征，所述第二序列特征包括第二行为序列特征和第二标签序列特征；
所述对所述第一历史项目数据和所述第二历史项目数据分别进行特征转换处理，得到所述目标对象的第一序列特征和所述关联对象的第二序列特征，包括：
按照时间先后顺序在所述第一历史项目数据中提取所述目标对象的第一项目行为数据和第一项目订单数据，以及在所述第二历史项目数据中提取所述关联对象的第二项目行为数据和第二项目订单数据；
对所述第一项目行为数据和所述第二项目行为数据分别进行数据标准化处理，得到预设长度的第一行为序列特征和第二行为序列特征，所述数据标准化处理包括数据分布归一化处理和序列长度归一化处理；
对所述第一项目订单数据和所述第二项目订单数据分别进行标签化处理，得到第一标签序列特征和第二标签序列特征。
5.根据权利要求1所述的方法，其特征在于，所述将所述第一序列特征和/或所述第二序列特征输入已训练完成的长短期记忆模型，获取所述目标对象在未来预设时间段内的项目数据预测结果，包括：
将所述第一序列特征输入已训练完成的长短期记忆模型，获取所述目标对象在未来预设时间段内的第一项目数据预测结果；和/或，
将所述第二序列特征输入已训练完成的长短期记忆模型，获取所述目标对象在未来预设时间段内的第二项目数据预测结果；和/或，
将所述第一序列特征和所述第二序列特征进行特征融合后的第三序列特征输入已训练完成的长短期记忆模型，获取所述目标对象在未来预设时间段内的第三项目数据预测结果。
6.根据权利要求1或5所述的方法，其特征在于，所述已训练完成的长短期记忆模型包括用于编码的第一长短期记忆网络和用于解码的第二长短期记忆网络；
所述将所述第一序列特征和/或所述第二序列特征输入已训练完成的长短期记忆模型，获取所述目标对象在未来预设时间段内的项目数据预测结果，包括：
将所述第一序列特征和/或所述第二序列特征输入所述第一长短期记忆网络中运算，得到所述第一长短期记忆网络中的隐藏状态向量序列；
将所述隐藏状态向量序列输入所述第二长短期记忆网络中运算，获取所述目标对象在未来预设时间段内的项目数据预测结果，其中，所述项目数据预测结果包括预测项目产品以及对应的预测分值。
7.根据权利要求5所述的方法，其特征在于，所述根据所述项目数据预测结果为所述目标对象生成项目推荐信息，包括：
根据所述第一项目数据预测结果、所述第二项目数据预测结果、所述第三项目数据预测结果中的至少一种，为所述目标对象生成项目推荐信息。
8.一种基于长短期记忆网络的项目信息推荐装置，其特征在于，包括：
获取模块，用于获取目标对象的第一历史项目数据和对象属性数据；
筛选模块，用于基于所述对象属性数据，利用预设知识图谱网络和训练完成的预设关联模型筛选与所述目标对象匹配的关联对象，并获取所述关联对象的第二历史项目数据；
处理模块，用于对所述第一历史项目数据和所述第二历史项目数据分别进行特征转换处理，得到所述目标对象的第一序列特征和所述关联对象的第二序列特征；
输入模块，用于将所述第一序列特征和/或所述第二序列特征输入已训练完成的长短期记忆模型，获取所述目标对象在未来预设时间段内的项目数据预测结果，其中，所述项目数据预测结果包括预测项目产品以及对应的预测分值；
生成模块，用于根据所述项目数据预测结果为所述目标对象生成项目推荐信息。
9.一种非易失性可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述的基于长短期记忆网络的项目信息推荐方法。
10.一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的基于长短期记忆网络的项目信息推荐方法。
CN202111543345.8A 2021-12-16 2021-12-16 基于长短期记忆网络的项目信息推荐方法、装置及设备 Pending CN114240493A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111543345.8A CN114240493A (zh) 2021-12-16 2021-12-16 基于长短期记忆网络的项目信息推荐方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111543345.8A CN114240493A (zh) 2021-12-16 2021-12-16 基于长短期记忆网络的项目信息推荐方法、装置及设备

Publications (1)

Publication Number Publication Date
CN114240493A true CN114240493A (zh) 2022-03-25

Family

ID=80757283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111543345.8A Pending CN114240493A (zh) 2021-12-16 2021-12-16 基于长短期记忆网络的项目信息推荐方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114240493A (zh)

Similar Documents

Publication Publication Date Title
CN112632385B (zh) 课程推荐方法、装置、计算机设备及介质
CN110796190B (zh) 具有深度学习特征的指数建模
CN110503531B (zh) 时序感知的动态社交场景推荐方法
CN108427708B (zh) 数据处理方法、装置、存储介质和电子装置
CN111461637A (zh) 简历筛选方法、装置、计算机设备和存储介质
CN112418292A (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN110737730B (zh) 基于无监督学习的用户分类方法、装置、设备及存储介质
CN114647741A (zh) 工艺自动决策和推理方法、装置、计算机设备及存储介质
CN112329816A (zh) 数据分类方法、装置、电子设备和可读存储介质
CN112819024B (zh) 模型处理方法、用户数据处理方法及装置、计算机设备
CN114168819B (zh) 一种基于图神经网络的岗位匹配方法及装置
CN114238764A (zh) 基于循环神经网络的课程推荐方法、装置及设备
CN115879508A (zh) 一种数据处理方法及相关装置
CN112232576B (zh) 判决预测方法、装置、电子设备及可读存储介质
CN113722507A (zh) 基于知识图谱的住院费用预测方法、装置及计算机设备
US20230419195A1 (en) System and Method for Hierarchical Factor-based Forecasting
CN117217812A (zh) 一种用户行为预测方法、装置、计算机设备及存储介质
CN116501979A (zh) 信息推荐方法、装置、计算机设备及计算机可读存储介质
CN116029760A (zh) 消息推送方法、装置、计算机设备和存储介质
Poornima et al. Prediction of water consumption using machine learning algorithm
CN115099344A (zh) 模型训练方法和装置、用户画像生成方法和装置、设备
CN114936327A (zh) 元素识别模型的获取方法、装置、计算机设备和存储介质
CN114240493A (zh) 基于长短期记忆网络的项目信息推荐方法、装置及设备
CN113643283A (zh) 一种人体衰老状况的检测方法、装置、设备及存储介质
CN112988699B (zh) 模型训练方法、数据标签的生成方法及装置

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