CN114417146A - 数据处理方法、装置、电子设备和存储介质 - Google Patents
数据处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114417146A CN114417146A CN202111676633.0A CN202111676633A CN114417146A CN 114417146 A CN114417146 A CN 114417146A CN 202111676633 A CN202111676633 A CN 202111676633A CN 114417146 A CN114417146 A CN 114417146A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- service channel
- training
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种数据处理方法、装置、电子设备和存储介质,所述的方法包括:获取用户在目标服务渠道的行为数据,并获取用户的属性数据和服务渠道偏好数据,形成输入数据;将输入数据输入到训练好的分析模型中进行分析,确定对象推荐数据;在目标服务渠道输出对象推荐数据。本申请实施例的方式可以综合分析用户的行为、属性和服务渠道偏好,得到更加符合用户需求的对象推荐数据,能够提升用户体验。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种数据处理方法、一种数据处理装置、一种电子设备和一种存储介质。
背景技术
随着互联网的发展,用户可以通过互联网完成越来越多的事情,例如,可以通过互联网进行商品的浏览和购买,还可以通过互联网进行视频的浏览。
在用户浏览的过程中,服务器会按照预先指定的推荐顺序向用户推荐相关对象(如视频、新闻、商品等)的相关信息。
但是采用上述方式,用户体验差。
发明内容
本申请实施例提供了一种数据处理方法,以提升用户体验。
相应的,本申请实施例还提供了一种数据处理装置、一种电子设备和一种存储介质,用以保证上述系统的实现及应用。
为了解决上述问题,本申请实施例公开了一种数据处理方法,所述的方法包括:获取用户在目标服务渠道的行为数据,并获取用户的属性数据和服务渠道偏好数据,形成输入数据;将输入数据输入到训练好的分析模型中进行分析,确定对象推荐数据;在目标服务渠道输出对象推荐数据。
可选的,所述获取用户在目标服务渠道的行为数据,包括:提供交互页面,并获取用户在交互页面的操作信息,所述操作信息包括查看操作信息、浏览操作信息、下单操作信息、支付操作信息、收藏操作信息中的至少一个;依据操作信息,确定行为数据。
可选的,所述获取用户的属性数据和服务渠道偏好数据,形成输入数据,包括:获取用户的标识信息;依据标识信息,从数据库中提取预先存储的数据关键词;依据数据关键词,确定用户的属性数据和服务渠道偏好数据。
可选的,所述方法还包括确定数据关键词的步骤:从相关服务渠道采集第一数据;对第一数据和第一数据的来源服务渠道信息进行格式转换,以确定第二数据;对第二数据进行关键词转换,得到数据关键词,并存储到数据库中。
可选的,所述依据数据关键词,确定用户的属性数据和服务渠道偏好数据,包括:依据与用户属性相关的第一关键词,确定属性数据;依据与用户的服务渠道交互相关的第二关键词,确定服务渠道偏好数据。
可选的,所述将输入数据输入到训练好的分析模型中进行分析,确定对象推荐数据,包括:将输入数据输入到训练好的分析模型;通过特征处理层对输入数据进行处理,确定用户特征向量,所述用户特征向量包括行为特征、属性特征和服务渠道偏好特征,所述行为特征包括用户浏览的浏览对象特征;通过特征分析层对用户特征向量进行分析,确定对象推荐数据。
可选的,所述方法还包括:确定对象推荐数据相关的展示服务渠道;获取用户进入展示服务渠道的进入操作,并在展示服务渠道输出对象推荐数据。
可选的,所述方法还包括:获取用户在目标服务渠道中的对象操作信息;依据对象操作信息对分析模型进行调整。
为了解决上述问题,本申请实施例公开了一种数据处理方法,所述的方法包括:获取训练数据,所述训练数据包括训练输入数据和训练标签数据,所述训练输入数据包括用户的行为数据、属性数据和服务渠道偏好数据,所述训练标签数据包括对象推荐结果;将训练输入数据输入到分析模型中进行分析,确定对象推荐数据;依据对象推荐结果和对象推荐数据之间的差异,对分析模型进行调整。
可选的,所述方法还包括确定训练输入数据的步骤:确定训练输入数据中缺失数据值的数据项,并进行数值填充,以确定训练输入数据;确定训练输入数据中数据值超过预设阈值的目标数据值,并进行数值调整,以确定训练输入数据。
为了解决上述问题,本申请实施例公开了一种数据处理装置,所述的装置包括:输入数据获取模块,用于获取用户在目标服务渠道的行为数据,并获取用户的属性数据和服务渠道偏好数据,形成输入数据;推荐数据获取模块,用于将输入数据输入到训练好的分析模型中进行分析,确定对象推荐数据;推荐数据输出模块,用于在目标服务渠道输出对象推荐数据。
为了解决上述问题,本申请实施例公开了一种数据处理装置,所述的装置包括:训练数据获取模块,用于获取训练数据,所述训练数据包括训练输入数据和训练标签数据,所述训练输入数据包括用户的行为数据、属性数据和服务渠道偏好数据,所述训练标签数据包括对象推荐结果;推荐结果确定模块,用于将训练输入数据输入到分析模型中进行分析,确定对象推荐数据;分析模型调整模块,用于依据对象推荐结果和对象推荐数据之间的差异,对分析模型进行调整。
为了解决上述问题,本申请实施例公开了一种电子设备,包括:处理器;和存储器,其上存储有可执行代码,当所述可执行代码被处理器执行时,执行如上述实施例中任一项所述的方法。
为了解决上述问题,本申请实施例公开了一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被处理器执行时,执行如上述实施例中任一项所述的方法。
与现有技术相比,本申请实施例包括以下优点:
本申请实施例可以获取用户在目标服务渠道的行为数据,并获取用户的属性数据和服务渠道偏好数据,形成输入数据,之后可以将输入数据输入到训练好的分析模型中进行分析,确定相应的对象推荐数据,并在目标服务渠道输出对象推荐数据。本申请实施例可以依据用户的在目标服务渠道上的行为,确定用户的偏好对象,进而通过训练好的分析模型确定与偏好对象相似的相关对象以及与属性数据和服务渠道偏好数据对应的相关对象,从而确定对象推荐结果,并通过目标服务渠道展示给用户。相比于按照预先指定的推荐顺序向用户推荐相关对象的方式,本申请实施例的方式可以综合分析用户的行为、属性和服务渠道偏好,得到更加符合用户需求的对象推荐数据,能够提升用户体验。
附图说明
图1是本申请一个实施例的数据处理方法的流程示意图;
图2A是本申请另一个实施例的数据处理方法的流程示意图;
图2B是本申请再一个实施例的数据处理方法的流程示意图;
图2C是本申请一个实施例的用户特征向量的示意图;
图3是本申请再一个实施例的数据处理方法的流程示意图;
图4是本申请再一个实施例的数据处理方法的流程示意图;
图5是本申请一个实施例的数据处理装置的结构示意图;
图6是本申请另一个实施例的数据处理装置的结构示意图;
图7是本申请一个实施例提供的示例性装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
本申请实施例可以应用于对象推荐场景,可以根据用户的在目标服务渠道内的操作,确定用户的行为数据,之后,结合用户的属性数据、服务渠道偏好数据,形成输入数据,并将输入数据输入到训练好的分析模型中,以通过训练好的分析模型进行分析,确定对象推荐数据。本申请实施例可以根据行为数据中用户历史浏览的对象、用户的属性数据和用户偏好的服务渠道进行综合分析,从而确定更符合用户需求的对象,并将对象推荐数据展示给用户,能够提升用户体验。
具体来说,如图1所示,本申请实施例可以应用在服务端,服务端可以与多个服务渠道建立连接,服务渠道是指与服务商的服务相关的服务线路,服务商的服务可以通过多个线路(如网页、短信、应用程序、第三方应用)提供服务,具体可以依据服务商的服务内容确定,例如,服务商的服务内容为商品销售中,商品销售可以涉及以下服务渠道:网页、手机应用程序、电脑端应用程序、短信、第三方平台等。服务端可以与各种服务渠道的相关设备进行交互,以获取用户的操作信息,操作信息可以包括查看操作信息、浏览操作信息、下单操作信息、支付操作信息、收藏操作信息中的至少一个,以依据操作信息,确定用户的行为数据,进而可以依据行为数据确定用户浏览的浏览对象,以通过训练好的分析模型确定浏览对象相似的相关对象。
另外,为了使得训练好的分析模型更准确的向用户推荐相关对象(减少多次向推荐相似对象导致用户疲劳感),本申请实施例还可以获取用户的属性数据和服务渠道偏好数据。其中,属性数据可以理解为用户的个人信息,可以包含用户的姓名、年龄、住址、性别、学历、用户的历史交易记录(如订购了哪些商品或套餐)、交易金额等信息。需要说明的是,上述姓名、年龄、住址等个人信息仅是一个示例,在实际分析过程中可能并不会采用。而对于需要使用的用户个人信息,本申请实施例可以在获得用户的授权之后进行使用。服务渠道偏好数据可以理解为用户偏好的服务渠道,服务渠道偏好数据可以依据用户的历史交互数据(历史浏览记录)确定。例如,可以根据用户的历史交互数据,确定用户可能经常使用第三方平台进行交易,因此,可以确定用户偏好的服务渠道为第三方平台。
对于属性数据和服务渠道偏好数据来说,本申请实施例可以预先进行分析后确定,例如,本申请实施例可以预先从与服务端连接的多个服务渠道获取第一数据,并对第一数据和第一数据的来源服务渠道信息进行格式转换,形成格式统一的第二数据。确定第二数据之后可以进行关键词转换,进而形成相应的数据关键词,以依据数据关键词确定属性数据和服务渠道偏好数据。数据关键词是指能够代表第二数据的词,例如对于用户的住址来说,用户的住址可能由几十个字组成,相应的可以缩减为数据关键词进行替代。数据关键词可以包括用户属性相关的第一关键词和服务渠道交互相关的第二关键词,以分别确定用户的属性数据和服务渠道偏好数据。本申请实施例可以预先在数据库中存储用户的属性数据和服务渠道偏好数据,在进行分析模型的分析过程中可以从数据库中直接调用,可以提升数据的处理速度,以更快的向用户反馈分析的结果。
本申请实施例可以将用户的行为数据、属性数据和服务渠道偏好数据作为输入数据,输入到训练好的分析模型中,分析模型可以包括特征处理层和特征分析层,特征处理层可以对输入数据进行特征提取,得到行为特征、属性特征和服务渠道偏好特征,进而形成用户特征向量。其中,所述行为特征包括用户浏览的浏览对象特征。
特征分析层用于对用户特征向量进行分析,确定对象推荐数据,本申请实施例可以分析行为特征对应的行为推荐数据(与用户浏览的相似的对象推荐数据)、属性特征对应的属性推荐数据(符合用户个人属性的数据)。具体来说,对于行为特征来说,行为特征对应浏览对象的价格、类型等信息,本申请实施例可以分析与行为特征相似的目标行为特征,进而确定与浏览对象价格相似或类型相似相似的对象推荐数据。对于属性特征来说,属性特征对应年龄、学历、住址等信息,本申请实施例可以确定与属性特征相似的目标属性特征(年龄、学历、住址中至少一个相似),进而确定目标属性特征对应的属性推荐数据。
本申请实施例可以确定多个行为推荐数据和多个属性推荐数据,之后,在一个可选的实施例中,本申请实施例可以通过筛选或排序的方式确定对象推荐数据,具体的,本申请实施例可以通过分析模型学习的方式,来平衡两种方式(推荐相似的方式和推荐符合属性的方式),进而对相关的推荐数据进行排序(或筛选出排序最前的推荐数据),以确定对象推荐数据,以在目标服务渠道内展示给用户。
在一个可选的示例中,服务渠道偏好特征可以用于确定对象推荐数据的展示内容和展示方式,例如,在不同的服务渠道上,对象推荐数据展示的内容可能不一致(有的内容详细,有的更简略),因此,本申请实施例可以依据服务渠道偏好特征来定义对象推荐数据中包含的内容。在另一个可选的示例中,服务渠道偏好特征还可以用于向对象推荐数据中添加跳转链接,以通过跳转链接跳转到用户喜好的平台。本申请实施例也可以通过分析模型学习的方式来确定更适合用户的方式。
用户在目标服务渠道内可以对对象推荐数据进行操作,因此,本申请实施例还可以根据用户对推荐内容的操作,对分析模型进行优化调整,在用户点击(或停留查看)对象推荐数据时,可以确定此次分析为正样本;在用户未点击(或未停留查看)对象推荐数据时,可以确定分析模型的此次分析为负样本,以对分析模型进行优化调整。另外,本申请实施例除了可以在用户当前所在的目标服务渠道内展示对象推荐数据之外,本申请实施例还可以在用户进入了对象推荐数据相关的展示服务渠道时,在展示服务渠道内展示对象推荐数据,以便于用户进行查看。
其中,本申请实施例可以预先通过训练数据来训练分析模型,以使得训练好的分析模型可以平衡推荐相似内容的方式和推荐符合用户属性的内容的方式,训练数据可以依据用户的历史浏览记录确定(也可以采取其他方式确定,具体可以依据需求进行配置),具体的,训练数据可包括训练输入数据和训练标签数据,所述训练输入数据包括用户的行为数据、属性数据和服务渠道偏好数据,所述训练标签数据包括对象推荐结果,对象推荐结果可以理解为对用户点击查看或交易的对象推荐数据进行标记,以便于进行匹配。具体的,本申请实施例可以将训练输入数据输入到分析模型中进行分析,确定对象推荐数据;之后,依据对象推荐结果和对象推荐数据之间的差异,对分析模型进行调整,以完成对分析模型的训练。其中,对于训练输入数据中的缺失值可以通过均值填补的方式进行填补,对于训练输入数据中的极限值(超过预设阈值或预设比例的值),可以通过调高或调低的方式进行平衡,以减小极限值对于分析模型的分析结果的影响。
另外,本申请实施例除了可以设置包含有训练数据的训练集之外,还可以设置验证集和试验集,以通过验证集和试验集的数据对训练出的分析模型进行验证分析,以提升分析模型的分析准确性。
本申请实施例可以应用在对象推荐场景中,可以获取用户在目标服务渠道的行为数据,并获取用户的属性数据和服务渠道偏好数据,形成输入数据,之后可以将输入数据输入到训练好的分析模型中进行分析,确定相应的对象推荐数据,并在目标服务渠道输出对象推荐数据。本申请实施例可以依据用户的在目标服务渠道上的行为,确定用户的偏好对象,进而通过训练好的分析模型确定与偏好对象相似的相关对象以及与属性数据和服务渠道偏好数据对应的相关对象,从而确定对象推荐结果,并通过目标服务渠道展示给用户。本申请实施例是对推荐数据的分析过程进行的调整,因此,本申请实施例可以应用在各类对象的推荐场景中,例如,本申请实施例可以应用在商品推荐场景中,本申请实施例还可以应用在网络套餐、宽带套餐等对象的推荐场景中,本申请实施例还可以应用在视频、新闻等对象的推荐场景中,以推荐与用户更加匹配的对象,提升用户体验。
本申请实施例提供一种数据处理方法,可以应用在服务端,本申请实施例可以依据用户的行为、属性和服务渠道偏好等数据进行分析,向用户推荐更加匹配的对象,以提升用户体验,具体的,如图2A所示,所述方法包括:
步骤202、获取用户在目标服务渠道的行为数据,并获取用户的属性数据和服务渠道偏好数据,形成输入数据。
本申请实施例中,用户可以通过目标服务渠道浏览服务商提供的服务数据,用户可以在目标服务渠道内进行对象的查看、浏览、交易等操作,从而形成行为数据,具体的,作为一个可选的实施例,所述获取用户在目标服务渠道的行为数据,包括:提供交互页面,并获取用户在交互页面的操作信息,所述操作信息包括查看操作信息、浏览操作信息、下单操作信息、支付操作信息、收藏操作信息中的至少一个;依据操作信息,确定行为数据。在目标服务渠道可以向用户提供交互页面,用户可以在交互页面中对对象推荐数据进行查看(如点击查看)、浏览(如滑动)、下单、支付、收藏等操作,以便于服务端确定行为数据。
获取到用户的行为数据之后,可以获取用户相应的属性数据和服务渠道偏好数据,具体的,作为一个可选的实施例,所述获取用户的属性数据和服务渠道偏好数据,形成输入数据,包括:获取用户的标识信息;依据标识信息,从数据库中提取预先存储的数据关键词;依据数据关键词,确定用户的属性数据和服务渠道偏好数据。本申请实施例可以在数据库中设置用户的唯一标识(SessionID),进而通过唯一标识将用户的各类信息进行关联,以便于通过唯一标识的标识信息查找用户的相关数据。
本申请实施例可以根据用户的历史浏览情况进行分析,从而确定用户的数据关键词,并存储,具体的,作为一个可选的实施例,所述方法还包括确定数据关键词的步骤:从相关服务渠道采集第一数据;对第一数据和第一数据的来源服务渠道信息进行格式转换,以确定第二数据;对第二数据进行关键词转换,得到数据关键词,并存储到数据库中。如图2B所示,本申请实施例可以建立与各个服务渠道的连接,并从各个服务渠道获取相应的第一数据,不同服务渠道获得数据可能格式不同,因此,本申请实施例可以对第一数据和服务渠道信息进行记录,并进行格式转换,转换为统一格式进行存储,形成第二数据,之后,可以将第二数据转换为相应的数据关键词并存储到数据库中,以依据数据关键词确定用户的属性数据和服务渠道偏好数据。
数据关键词可以划分为第一关键词和第二关键词,具体的,作为一个可选的实施例,所述依据数据关键词,确定用户的属性数据和服务渠道偏好数据,包括:依据与用户属性相关的第一关键词,确定属性数据;依据与用户的服务渠道交互相关的第二关键词,确定服务渠道偏好数据。第一关键词与用户的属性相关,可以包括25(年龄)、a地(归属地)、本科(学历)等信息,以确定属性数据,以确定用户的类型。第二关键词与用户的交互服务渠道相关,可以包括1月3日(交互时间)、网页(服务渠道信息)等,从而分析用户经常使用的服务渠道,作为服务渠道偏好。
确定了用户的行为数据、属性数据和服务渠道偏好数据之后,可以在步骤204中,将输入数据输入到训练好的分析模型中进行分析,确定对象推荐数据。其中,分析模型可以包括特征处理层和特征分析层,具体的,作为一个可选的实施例,所述将输入数据输入到训练好的分析模型中进行分析,确定对象推荐数据,包括:将输入数据输入到训练好的分析模型;通过特征处理层对输入数据进行处理,确定用户特征向量,所述用户特征向量包括行为特征、属性特征和服务渠道偏好特征,所述行为特征包括用户浏览的浏览对象特征;通过特征分析层对用户特征向量进行分析,确定对象推荐数据。其中,在一个可选的实施例中,本申请实施例所采用的分析模型可以为基于宽度和深度算法(wide and deep)的分析模型。
本申请实施例可以通过特征处理层将行为数据、属性数据和服务渠道偏好数据转换为高维向量(用户特征向量),进而确定与行为特征、属性特征和服务渠道偏好特征中至少一个特征对应的对象推荐数据,具体的,如图2C所示,本申请实施例中,可以对用户的属性数据进行分析,确定用户的属性特征,属性特征可以包括个人信息(如年龄、学历等信息)、订购记录(订购的对象)、对象信息(如对象的价格等)对应的特征;服务渠道特征可以基于用户的历史浏览记录确定,可以确定用户经常使用或经常交易的服务渠道,服务渠道可包括平台、终端、第三方等。用户的行为特征可以依据用户的操作信息确定,行为特征可以包括用户产生行为的服务渠道信息、用户浏览的浏览对象、用户对浏览对象的行为信息(如查看、交易)等。预测特征是指分析模型依据服务渠道特征、行为特征和属性特征进行分析后得到的特征,可以包含价格、兴趣点和潜在需求等,从而确定对应的对象推荐数据。
确定对象推荐数据之后,可以在步骤206中,在目标服务渠道输出对象推荐数据。本申请实施例除了可以在目标服务渠道中展示对象推荐数据之外,还可以在其他服务渠道内展示对象推荐数据,具体的,作为一个可选的实施例,所述方法还包括:确定对象推荐数据相关的展示服务渠道;获取用户进入展示服务渠道的进入操作,并在展示服务渠道输出对象推荐数据。用户在一个服务渠道内了解了目标对象之后,可能会切换到其他的服务渠道进行查看,因此,本申请实施例可以在其他服务渠道内展示相关的对象推荐数据,以便于用户进行查看。
另外,本申请实施例还可以根据用户对对象推荐数据的操作,对分析模型进行优化,具体的,作为一个可选的实施例,所述方法还包括:获取用户在目标服务渠道中的对象操作信息;依据对象操作信息对分析模型进行调整。用户在目标服务渠道内可以对对象推荐数据进行操作,如点击、停留、下单交易等操作,在用户点击(或停留查看)对象推荐数据时,可以确定此次分析为正样本;在用户未点击(或未停留查看)对象推荐数据时,可以确定分析模型的此次分析为负样本,以对分析模型进行优化调整。
在上述实施例的基础上,本申请实施例还提供一种数据处理方法,可以应用在服务端,如图3所示,所述方法包括:
步骤302、在目标服务渠道提供交互页面,并获取用户在交互页面的操作信息,所述操作信息包括查看操作信息、浏览操作信息、下单操作信息、支付操作信息、收藏操作信息中的至少一个。
步骤304、依据操作信息,确定行为数据。
步骤306、获取用户的标识信息。
步骤308、依据标识信息,从数据库中提取预先存储的数据关键词。
步骤310、依据数据关键词,确定用户的属性数据和服务渠道偏好数据。
步骤312、将用户的行为数据、属性数据和服务渠道偏好数据作为输入数据输入到训练好的分析模型中。
步骤314、通过特征处理层对输入数据进行处理,确定用户特征向量,所述用户特征向量包括行为特征、属性特征和服务渠道偏好特征,所述行为特征包括用户浏览的浏览对象特征。
步骤316、通过特征分析层对用户特征向量进行分析,确定对象推荐数据。
步骤318、在目标服务渠道输出对象推荐数据。
步骤320、获取用户在目标服务渠道中的对象操作信息。
步骤322、依据对象操作信息对分析模型进行调整。
本申请实施例可以提供交互页面,用户可以在交互页面中进行操作,进而形成行为数据。本申请实施例还可以获取用户的标识信息,进而依据标识信息,从数据库中提取用户相关的数据关键词,从而确定用户的属性数据和服务渠道偏好数据。进而将用户的行为数据、属性数据和服务渠道偏好数据作为输入数据输入到训练好的分析模型中,通过训练好的分析模型对行为特征、属性特征和服务渠道偏好特征进行分析,进而确定对象推荐数据。之后可以在目标服务渠道输出对象推荐数据,用户可以在目标服务渠道内对对象推荐数据进行操作,本申请实施例还可以依据用户对对象推荐数据的操作,对分析模型进行调整,进一步提升分析模型的识别准确性。
在上述实施例的基础上,本申请实施例还提供一种数据处理方法,可以应用在服务端,以在服务端依据训练数据对分析模型进行训练,以依据训练好的分析模型对用户的行为数据、属性数据和服务渠道偏好进行分析,从而确定对象推荐数据,具体的,如图4所示,所述方法包括:
步骤402、获取训练数据,所述训练数据包括训练输入数据和训练标签数据,所述训练输入数据包括用户的行为数据、属性数据和服务渠道偏好数据,所述训练标签数据包括对象推荐结果。
在一个可选的实施例中,训练数据可以依据用户的历史浏览记录确定,而部分服务渠道采集到的历史浏览记录可能存在数据缺失或数据值过大(过小),因此,本申请实施例可以通过数值填充或数值调整的方式对数据进行调整,从而提升分析模型分析结果的准确性,具体的,作为一个可选的实施例,所述方法还包括确定训练输入数据的步骤:确定训练输入数据中缺失数据值的数据项,并进行数值填充,以确定训练输入数据;确定训练输入数据中数据值超过预设阈值的目标数据值,并进行数值调整,以确定训练输入数据。本申请实施例可以计算训练输入数据的缺失数据值的数据项的均值,进而将该均值作为缺失的数据值进行数值填充,以确定训练输入数据。另外,本申请实施例可以预先设置预设阈值,也可以预先设定预设阈值的确定方式(如将数据项的极限值的百分之九十五作为预设阈值),以确定超过预设阈值的数据值,进而可以将大的数据值调低(或将小的数据值调高),从而确定训练输入数据,以降低极限值对分析模型分析结果的影响,提升识别的准确性。
另外,对于训练数据来说,可以划分为正样本数据和负样本数据,对于用户进行查看、交易、收藏的样本来说,可以认定为正样本数据,对于用户未进行操作的样本来说,可以认定为负样本数据。
步骤404、将训练输入数据输入到分析模型中进行分析,确定对象推荐数据。
步骤406、依据对象推荐结果和对象推荐数据之间的差异,对分析模型进行调整。
本实施例的实施方式与上述实施例的实施方式类似,具体实施方式可以参考上述实施例的具体实施方式,此处不再赘述。
本申请实施例可以应用在分析模型的训练过程,本申请实施例可以依据用户在相关服务渠道的历史浏览记录,确定训练数据,如可以记录交互页面中展示的内容(如展示的对象推荐卡),还可以记录用户浏览的、查看的、下单交易的对象、用户的行为,此外,还可以结合用户的属性数据和服务渠道偏好,形成训练数据。训练数据可以包括训练输入数据和训练标签数据,本申请实施例可以将训练输入数据输入到分析模型中进行分析,确定对象推荐数据。之后,可以依据对象推荐结果和对象推荐数据之间的差异,对分析模型进行调整。以便依据训练好的分析模型进行分析,得到更加适合用户的对象推荐数据,提升用户体验。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
在上述实施例的基础上,本实施例还提供了一种数据处理装置,参照图5,具体可以包括如下模块:
输入数据获取模块502,用于获取用户在目标服务渠道的行为数据,并获取用户的属性数据和服务渠道偏好数据,形成输入数据。
推荐数据获取模块504,用于将输入数据输入到训练好的分析模型中进行分析,确定对象推荐数据。
推荐数据输出模块506,用于在目标服务渠道输出对象推荐数据。
综上,本申请实施例可以获取用户在目标服务渠道的行为数据,并获取用户的属性数据和服务渠道偏好数据,形成输入数据,之后可以将输入数据输入到训练好的分析模型中进行分析,确定相应的对象推荐数据,并在目标服务渠道输出对象推荐数据。本申请实施例可以依据用户的在目标服务渠道上的行为,确定用户的偏好对象,进而通过训练好的分析模型确定与偏好对象相似的相关对象以及与属性数据和服务渠道偏好数据对应的相关对象,从而确定对象推荐结果,并通过目标服务渠道展示给用户。相比于按照预先指定的推荐顺序向用户推荐相关对象的方式,本申请实施例的方式可以综合分析用户的行为、属性和服务渠道偏好,得到更加符合用户需求的对象推荐数据,能够提升用户体验。
在上述实施例的基础上,本实施例还提供了一种数据处理装置,具体可以包括如下模块:
交互页面提供处理模块,用于提供交互页面,并获取用户在交互页面的操作信息,所述操作信息包括查看操作信息、浏览操作信息、下单操作信息、支付操作信息、收藏操作信息中的至少一个。
行为数据获取处理模块,用于依据操作信息,确定行为数据。
标识信息获取处理模块,用于获取用户的标识信息。
关键词提取处理模块,用于依据标识信息,从数据库中提取预先存储的数据关键词。
相关数据获取处理模块,用于依据数据关键词,确定用户的属性数据和服务渠道偏好数据。
输入数据输入处理模块,用于将用户的行为数据、属性数据和服务渠道偏好数据作为输入数据输入到训练好的分析模型中。
特征向量获取处理模块,用于通过特征处理层对输入数据进行处理,确定用户特征向量,所述用户特征向量包括行为特征、属性特征和服务渠道偏好特征,所述行为特征包括用户浏览的浏览对象特征。
推荐数据确定处理模块,用于通过特征分析层对用户特征向量进行分析,确定对象推荐数据。
推荐数据输出处理模块,用于在目标服务渠道输出对象推荐数据。
对象操作获取处理模块,用于获取用户在目标服务渠道中的对象操作信息。
分析模块调整处理模块,用于依据对象操作信息对分析模型进行调整。
综上,本申请实施例可以提供交互页面,用户可以在交互页面中进行操作,进而形成行为数据。本申请实施例还可以获取用户的标识信息,进而依据标识信息,从数据库中提取用户相关的数据关键词,从而确定用户的属性数据和服务渠道偏好数据。进而将用户的行为数据、属性数据和服务渠道偏好数据作为输入数据输入到训练好的分析模型中,通过训练好的分析模型对行为特征、属性特征和服务渠道偏好特征进行分析,进而确定对象推荐数据。之后可以在目标服务渠道输出对象推荐数据,用户可以在目标服务渠道内对对象推荐数据进行操作,本申请实施例还可以依据用户对对象推荐数据的操作,对分析模型进行调整,进一步提升分析模型的识别准确性。
在上述实施例的基础上,本实施例还提供了一种数据处理装置,参照图6,具体可以包括如下模块:
训练数据获取模块602,用于获取训练数据,所述训练数据包括训练输入数据和训练标签数据,所述训练输入数据包括用户的行为数据、属性数据和服务渠道偏好数据,所述训练标签数据包括对象推荐结果。
推荐结果确定模块604,用于将训练输入数据输入到分析模型中进行分析,确定对象推荐数据。
分析模型调整模块606,用于依据对象推荐结果和对象推荐数据之间的差异,对分析模型进行调整。
综上,本申请实施例可以应用在分析模型的训练过程,本申请实施例可以依据用户在相关服务渠道的历史浏览记录,确定训练数据,如可以记录交互页面中展示的内容(如展示的对象推荐卡),还可以记录用户浏览的、查看的、下单交易的对象、用户的行为,此外,还可以结合用户的属性数据和服务渠道偏好,形成训练数据。训练数据可以包括训练输入数据和训练标签数据,本申请实施例可以将训练输入数据输入到分析模型中进行分析,确定对象推荐数据。之后,可以依据对象推荐结果和对象推荐数据之间的差异,对分析模型进行调整。以便依据训练好的分析模型进行分析,得到更加适合用户的对象推荐数据,提升用户体验。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在设备时,可以使得该设备执行本申请实施例中各方法步骤的指令(instructions)。
本申请实施例提供了一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个所述的方法。本申请实施例中,所述电子设备包括服务器、终端设备等设备。
本公开的实施例可被实现为使用任意适当的硬件,固件,软件,或及其任意组合进行想要的配置的装置,该装置可包括服务器(集群)、终端等电子设备。图7示意性地示出了可被用于实现本申请中所述的各个实施例的示例性装置700。
对于一个实施例,图7示出了示例性装置700,该装置具有一个或多个处理器702、被耦合到(一个或多个)处理器702中的至少一个的控制模块(芯片组)704、被耦合到控制模块704的存储器706、被耦合到控制模块704的非易失性存储器(NVM)/存储设备708、被耦合到控制模块704的一个或多个输入/输出设备710,以及被耦合到控制模块704的网络接口712。
处理器702可包括一个或多个单核或多核处理器,处理器702可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中,装置700能够作为本申请实施例中所述服务端、终端等设备。
在一些实施例中,装置700可包括具有指令714的一个或多个计算机可读介质(例如,存储器706或NVM/存储设备708)以及与该一个或多个计算机可读介质相合并被配置为执行指令714以实现模块从而执行本公开中所述的动作的一个或多个处理器702。
对于一个实施例,控制模块704可包括任意适当的接口控制器,以向(一个或多个)处理器702中的至少一个和/或与控制模块704通信的任意适当的设备或组件提供任意适当的接口。
控制模块704可包括存储器控制器模块,以向存储器706提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器706可被用于例如为装置700加载和存储数据和/或指令714。对于一个实施例,存储器706可包括任意适当的易失性存储器,例如,适当的DRAM。在一些实施例中,存储器706可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块704可包括一个或多个输入/输出控制器,以向NVM/存储设备708及(一个或多个)输入/输出设备710提供接口。
例如,NVM/存储设备708可被用于存储数据和/或指令714。NVM/存储设备708可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备708可包括作为装置700被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备708可通过网络经由(一个或多个)输入/输出设备710进行访问。
(一个或多个)输入/输出设备710可为装置700提供接口以与任意其他适当的设备通信,输入/输出设备710可以包括通信组件、音频组件、传感器组件等。网络接口712可为装置700提供接口以通过一个或多个网络通信,装置700可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信,例如接入基于通信标准的无线网络,如WiFi、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(一个或多个)处理器702中的至少一个可与控制模块704的一个或多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(一个或多个)处理器702中的至少一个可与控制模块704的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例,(一个或多个)处理器702中的至少一个可与控制模块704的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器702中的至少一个可与控制模块704的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,装置700可以但不限于是:服务器、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,装置700可具有更多或更少的组件和/或不同的架构。例如,在一些实施例中,装置700包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
其中,检测装置中可采用主控芯片作为处理器或控制模块,传感器数据、位置信息等存储到存储器或NVM/存储设备中,传感器组可作为输入/输出设备,通信接口可包括网络接口。
本申请实施例还提供了一种电子设备,包括:处理器;和存储器,其上存储有可执行代码,当所述可执行代码被执行时,使得所述处理器执行如本申请实施例中一个或多个所述的方法。
本申请实施例还提供了一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被执行时,使得处理器执行如本申请实施例中一个或多个所述的方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种数据处理方法、一种数据处理装置、一种电子设备和一种存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种数据处理方法,其特征在于,所述的方法包括:
获取用户在目标服务渠道的行为数据,并获取用户的属性数据和服务渠道偏好数据,形成输入数据;
将输入数据输入到训练好的分析模型中进行分析,确定对象推荐数据;
在目标服务渠道输出对象推荐数据。
2.根据权利要求1所述的方法,其特征在于,所述获取用户在目标服务渠道的行为数据,包括:
提供交互页面,并获取用户在交互页面的操作信息,所述操作信息包括查看操作信息、浏览操作信息、下单操作信息、支付操作信息、收藏操作信息中的至少一个;
依据操作信息,确定行为数据。
3.根据权利要求1所述的方法,其特征在于,所述获取用户的属性数据和服务渠道偏好数据,形成输入数据,包括:
获取用户的标识信息;
依据标识信息,从数据库中提取预先存储的数据关键词;
依据数据关键词,确定用户的属性数据和服务渠道偏好数据。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括确定数据关键词的步骤:
从相关服务渠道采集第一数据;
对第一数据和第一数据的来源服务渠道信息进行格式转换,以确定第二数据;
对第二数据进行关键词转换,得到数据关键词,并存储到数据库中。
5.根据权利要求3所述的方法,其特征在于,所述依据数据关键词,确定用户的属性数据和服务渠道偏好数据,包括:
依据与用户属性相关的第一关键词,确定属性数据;
依据与用户的服务渠道交互相关的第二关键词,确定服务渠道偏好数据。
6.根据权利要求1所述的方法,其特征在于,所述将输入数据输入到训练好的分析模型中进行分析,确定对象推荐数据,包括:
将输入数据输入到训练好的分析模型;
通过特征处理层对输入数据进行处理,确定用户特征向量,所述用户特征向量包括行为特征、属性特征和服务渠道偏好特征,所述行为特征包括用户浏览的浏览对象特征;
通过特征分析层对用户特征向量进行分析,确定对象推荐数据。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
确定对象推荐数据相关的展示服务渠道;
获取用户进入展示服务渠道的进入操作,并在展示服务渠道输出对象推荐数据。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取用户在目标服务渠道中的对象操作信息;
依据对象操作信息对分析模型进行调整。
9.一种数据处理方法,其特征在于,所述的方法包括:
获取训练数据,所述训练数据包括训练输入数据和训练标签数据,所述训练输入数据包括用户的行为数据、属性数据和服务渠道偏好数据,所述训练标签数据包括对象推荐结果;
将训练输入数据输入到分析模型中进行分析,确定对象推荐数据;
依据对象推荐结果和对象推荐数据之间的差异,对分析模型进行调整。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括确定训练输入数据的步骤:
确定训练输入数据中缺失数据值的数据项,并进行数值填充,以确定训练输入数据;
确定训练输入数据中数据值超过预设阈值的目标数据值,并进行数值调整,以确定训练输入数据。
11.一种数据处理装置,其特征在于,所述的装置包括:
输入数据获取模块,用于获取用户在目标服务渠道的行为数据,并获取用户的属性数据和服务渠道偏好数据,形成输入数据;
推荐数据获取模块,用于将输入数据输入到训练好的分析模型中进行分析,确定对象推荐数据;
推荐数据输出模块,用于在目标服务渠道输出对象推荐数据。
12.一种数据处理装置,其特征在于,所述的装置包括:
训练数据获取模块,用于获取训练数据,所述训练数据包括训练输入数据和训练标签数据,所述训练输入数据包括用户的行为数据、属性数据和服务渠道偏好数据,所述训练标签数据包括对象推荐结果;
推荐结果确定模块,用于将训练输入数据输入到分析模型中进行分析,确定对象推荐数据;
分析模型调整模块,用于依据对象推荐结果和对象推荐数据之间的差异,对分析模型进行调整。
13.一种电子设备,其特征在于,包括:处理器;和
存储器,其上存储有可执行代码,当所述可执行代码被处理器执行时,执行如权利要求1-10中任一项所述的方法。
14.一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被处理器执行时,执行如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111676633.0A CN114417146A (zh) | 2021-12-31 | 2021-12-31 | 数据处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111676633.0A CN114417146A (zh) | 2021-12-31 | 2021-12-31 | 数据处理方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417146A true CN114417146A (zh) | 2022-04-29 |
Family
ID=81271417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111676633.0A Pending CN114417146A (zh) | 2021-12-31 | 2021-12-31 | 数据处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417146A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114860912A (zh) * | 2022-05-20 | 2022-08-05 | 马上消费金融股份有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN115086774A (zh) * | 2022-05-31 | 2022-09-20 | 北京达佳互联信息技术有限公司 | 资源显示方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-31 CN CN202111676633.0A patent/CN114417146A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114860912A (zh) * | 2022-05-20 | 2022-08-05 | 马上消费金融股份有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN114860912B (zh) * | 2022-05-20 | 2023-08-29 | 马上消费金融股份有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN115086774A (zh) * | 2022-05-31 | 2022-09-20 | 北京达佳互联信息技术有限公司 | 资源显示方法、装置、电子设备及存储介质 |
CN115086774B (zh) * | 2022-05-31 | 2024-03-05 | 北京达佳互联信息技术有限公司 | 资源显示方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10672052B2 (en) | Method, apparatus, system, and computer program for offering and displaying product information | |
CN106604066B (zh) | 改进的视频app中个性化推荐方法及系统 | |
JP2019537106A (ja) | コンテンツ推薦及び表示 | |
CN110084658B (zh) | 物品匹配的方法和装置 | |
CN114417146A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
US20160063596A1 (en) | Automatically generating reading recommendations based on linguistic difficulty | |
CN113852832B (zh) | 视频处理方法、装置、设备和存储介质 | |
CN109582859B (zh) | 保险推送方法、装置、计算机设备及存储介质 | |
WO2019072098A1 (zh) | 一种识别核心产品词的方法和系统 | |
CN109801101A (zh) | 标签确定方法、装置、计算机设备和存储介质 | |
CN110363206B (zh) | 数据对象的聚类、数据处理及数据识别方法 | |
CN114168843A (zh) | 搜索词推荐方法、设备及存储介质 | |
CN110688560A (zh) | 一种信息推荐的方法和装置 | |
CN106600360B (zh) | 推荐对象的排序方法及装置 | |
CN115222464A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN113298594A (zh) | 数据推送方法、装置、电子设备和存储介质 | |
CN112445909A (zh) | 商品检索方法及装置 | |
CN112308644A (zh) | 一种描述信息的处理方法及装置 | |
CN113191834A (zh) | 商品对象发布、识别方法、装置、电子设备和存储介质 | |
US20170249697A1 (en) | System and method for machine learning based line assignment | |
CN107357847B (zh) | 数据处理方法及其装置 | |
CN114971760A (zh) | 一种基于大数据的车型推荐方法、装置、电子设备及介质 | |
CN111339434B (zh) | 信息推荐方法、装置、电子设备及计算机存储介质 | |
WO2021051744A1 (zh) | 菜品推荐方法、推荐内容上传方法、装置及电子设备 | |
CN110610393A (zh) | 一种信息推荐的方法和装置 |
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 |