CN114581188A - 用于对象推荐的神经网络模型的训练方法及装置 - Google Patents
用于对象推荐的神经网络模型的训练方法及装置 Download PDFInfo
- Publication number
- CN114581188A CN114581188A CN202210216695.1A CN202210216695A CN114581188A CN 114581188 A CN114581188 A CN 114581188A CN 202210216695 A CN202210216695 A CN 202210216695A CN 114581188 A CN114581188 A CN 114581188A
- Authority
- CN
- China
- Prior art keywords
- target
- keyword
- media data
- sample
- neural network
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/483—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0253—During e-commerce, i.e. online transactions
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种用于对象推荐的神经网络模型的训练方法及装置,涉及计算机技术领域,尤其涉及人工智能领域。实现方案为:获取样本数据集,其中,样本数据集中的每个样本数据包括从第一样本媒体数据中提取的第一关键词,以及与第一关键词对应的真实对象类别;将第一关键词作为样本输入到神经网络模型中,得到预测对象类别;基于真实对象类别和预测对象类别,计算损失值;以及基于损失值,调整神经网络模型的参数。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习和智能推荐领域,具体涉及一种用于对象推荐的神经网络模型的训练方法及装置、对象推荐的方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
电商,即电子商务的简称,是一种在互联网、内部网和增值网上以电子交易进行交易的一种交易活动和相关服务活动,如今随着技术的快速发展与生活方式的迅速改变,电商这一交易方式已经逐渐的开始替代普通人的传统日常交易方式。
现有的电商交易的一个主要模式是内容带货(例如:视频带货、直播带货等)。“内容带货”是指商品经由媒体(例如:视频、文章、直播等)进行推广。用户在打开相关App后,会在浏览特定的媒体数据的同时获得相关商品的购买链接。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种用于对象推荐的神经网络模型的训练方法及装置、对象推荐的方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种用于对象推荐的神经网络模型的训练方法,包括:获取样本数据集,其中,样本数据集中的每个样本数据包括从第一样本媒体数据中提取的第一关键词,以及与第一关键词对应的真实对象类别;将第一关键词作为样本输入到神经网络模型中,得到预测对象类别;基于真实对象类别和预测对象类别,计算损失值;以及基于损失值,调整神经网络模型的参数。
根据本公开的另一方面,提供了一种对象推荐的方法,包括:从目标媒体数据中提取目标关键词;将目标关键词输入根据上述训练方法训练得到的神经网络模型中,得到目标对象类别;以及根据目标对象类别,生成与目标媒体数据相关联的至少一个对象链接。
根据本公开的另一方面,提供了一种对象推荐的神经网络模型的训练装置,包括:第一获取单元,配置成获取样本数据集,其中,样本数据集中的每个样本数据包括从第一样本媒体数据中提取的第一关键词,以及与第一关键词对应的真实对象类别;第一输入单元,配置成将第一关键词作为样本输入到神经网络模型中,得到预测对象类别;计算单元,配置成基于真实对象类别和预测对象类别,计算损失值;以及调整单元,配置成基于损失值,调整神经网络模型的参数。
根据本公开的另一方面,还提供了一种对象推荐的装置,包括:提取单元,配置成从目标媒体数据中提取目标关键词;第三输入单元,配置成将目标关键词输入根据上述训练方法训练得到的神经网络模型中,得到目标对象类别;以及生成单元,配置成根据目标对象类别,生成与目标媒体数据相关联的至少一个对象链接。
根据本公开的一个或多个实施例,可以通过神经网络模型得到与媒体数据的关键词相关联的对象类别,从而使得后续挂接的商品和媒体数据高度相关,大幅度提高了买家的购买意愿,同时相对于人工操作,提高了选择商品类别的速度和效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的用于对象推荐的神经网络模型的训练方法的流程图;
图3示出了根据本公开的实施例的用于对象推荐的神经网络模型的训练方法的流程图;
图4示出了根据本公开的实施例的用于对第一对象类别进行可靠性验证的方法的流程图;
图5示出了根据本公开的实施例的对象推荐的方法的流程图;
图6示出了根据本公开的实施例的生成对象链接的方法的流程图;
图7示出了根据本公开的实施例的从目标媒体数据中提取目标关键词的方法的流程图;
图8示出了根据本公开的实施例的用于对象推荐的神经网络模型的训练装置的结构框图;
图9示出了根据本公开的实施例的对象推荐的装置的结构框图;
图10示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行对象推荐的方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来访问媒体数据、触发对象链接或生成订单。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的用于对象推荐的神经网络模型的训练方法200的流程图,如图2所示,该方法200包括:
步骤201,获取样本数据集,其中,样本数据集中的每个样本数据包括从第一样本媒体数据中提取的第一关键词,以及与第一关键词对应的真实对象类别;
步骤202,将第一关键词作为样本输入到神经网络模型中,得到预测对象类别;
步骤203,基于真实对象类别和预测对象类别,计算损失值;以及
步骤204,基于损失值,调整神经网络模型的参数。
目前的内容带货都是媒体数据的作者(例如文章的作者、主播等)手动选择商品类型并挂接到媒体数据上的,因此存在一定的学习成本和操作门槛,导致一部分作者因为操作繁琐或者不知道挂接什么类型的商品而浪费媒体推广资源。如果人为挂接上的商品类型和内容不太相关,导致挂接商品不是观看媒体的买家购买意愿高的产品,就会导致下单率底,推广收入降低。
本公开提供了一种神经网络模型的训练方法,通过该神经网络模型可以得到与媒体数据的关键词相关联的对象类别,从而使得后续挂接的对象(商品)和媒体数据高度相关,大幅度提高了买家的购买意愿,同时相对于人工操作,提高了选择对象类别的速度和效率。
在本实施例中,媒体数据可以包括以下数据中的一种:文本数据、图像数据、声音数据、视频数据和直播数据。上述媒体数据可以由媒体数据的作者经由相关应用上传到相关的数据库130中。例如:媒体数据的作者可以创作一篇关于苹果的文章,拍摄一段关于苹果的视频或者进行关于手机的直播,然后通过相关App进行上传,上传后的媒体数据可以被存储在相关的数据库130中。相关的App的审核工作人员会对数据库130中的媒体数据的合法性进行审核,并确定是否发布该媒体数据。在媒体数据被发布之后,该媒体数据可以在相关的App上登载,并且App内的所有用户均可以查看、分享该媒体数据。上述关键词可以是和媒体数据中的内容高度相关的词汇,例如:对于一篇介绍水果优点的文章,其关键词可以是水果,再例如:对于一篇介绍旅游景点的文章,其关键词可以是旅游。上述对象可以是推荐的商品,例如:各种食品、生活用品、电子产品以及服务产品等。对象类别可以是具体的商品类别,例如可以是:手机、零食、海鲜、服装等。
在步骤201中,第一样本媒体数据包括文字信息、音频信息和/或视频信息,第一关键词包括与商品相关的名称词和特征词。上述第一关键词可以是直接指示商品的名称词,例如:手机、零食等,第一关键词还可以是商品相关的特征词,例如:红色、智能、便携等。样本数据集中的每个样本数据都包括关键词以及和关键词对应的真实对象类别。关键词的真实对象类别可以通过人工进行标注,例如可以将关键词发送至人工标注平台进行人工标注。另外,还可以通过一些其他方式生成样本数据,这将在下文结合图3进行详细描述。
在步骤202中,将步骤201获得的样本数据集输入到神经网络模型,基于神经网络模型所输出的关于第一关键词的预测对象类别和与该第一关键词对应的真实对象类别,在后续步骤中计算损失值并调整神经网络模型的参数。例如,可以通过计算损失函数来计算损失值。如此,使用多个样本数据进行迭代训练,经过多次参数调整后的神经网络模型能够预测输入的任何关键词所对应的对象类别。
图3示出了根据本公开另一实施例的用于对象推荐的神经网络模型的训练方法300的流程图,如图3所示,该方法300包括:
步骤301,获取从第二样本媒体数据中提取的第二关键词;
步骤302,将第二关键词输入到经训练的神经网络模型中,得到第一对象类别;
步骤303,对第一对象类别进行可靠性验证;以及
步骤304,响应于第一对象类别通过可靠性验证,基于第二关键词以及第一对象类别更新样本数据集。
本实施例的方法提供了一种更新用于训练神经网络模型的样本数据集的方法。在步骤301中,第二样本媒体数据可以是和第一样本数据相同类型或不同类型的媒体数据,例如第一样本数据可以是文字数据,而第二样本数据可以是文字数据也可以是视频数据。
在步骤302中,第二关键词可以和上述第一关键词的形式相类似,其可以是商品相关的名称词和特征词,这里不再赘述。将第二关键词输入到经训练的神经网络模型中,例如通过方法100训练好的神经网络模型,得到和第二关键词相对应的第一对象类别。在步骤303中,可靠性验证用于验证第一对象类别与第二关键词的相关度是否达到预定标准,若达到预定标准,那么第一对象类别可以作为后续用于进行对象推广的对象类别。同时,上述第二关键词和第一对象类别可以作为准确的样本数据,以用于再训练神经网络模型,例如,可以将由第二关键词和第一对象类别组成的新样本数据添加到原先的样本数据集中。
图4示出了根据本公开实施例的用于对第一对象类别进行可靠性验证的方法400的流程图,如图4所示,该方法400包括:
步骤401,根据至少一个第一对象类别,生成与第二样本媒体数据相关联的至少一个对象链接;
步骤402,获取在预设时间段内至少一个对象链接的点击率;以及
步骤403,响应于点击率大于预设阈值,确定第一对象类别通过可靠性验证。
在步骤401中,至少一个对象链接和第二样本媒体数据相关联是指对象链接设置在用于展示第二样本媒体数据的相同或相关的界面上,App内的用户可以在查看第二样本媒体数据的同时或查看之后,获得上述对象链接。例如,在第二样本媒体数据是文章的情况下,至少一个对象链接可以和该文章在同一个显示界面内,并且附接在文章的末尾。再例如,在第二样本媒体数据是视频的情况下,至少一个对象链接可以在视频进行播放的同时进行显示。
在步骤402中,预设时间段可以设置为1小时、2小时、一天、两天等。对象链接的点击率越高说明用户的购买意愿越高,第一对象类别和第二样本媒体数据的相关性就越高。
在步骤403中,预设阈值可以根据预设时间段的大小进行设定,当点击率大于预设阈值时,表示第一对象类别和第二样本媒体数据高度相关,此时,相应的第二关键词和第一对象类别可以作为标准样本更新样本数据集。
在本实施例中,通过生成的对象链接的点击率验证模型输出的商品类别是否和媒体数据相关,通过可靠性验证的商品类别和对应的媒体数据高度相关。因此,将通过可靠性验证的数据作为新样本再训练模型,可以进一步提高神经网络模型预测的准确性。
需要补充说明的是,虽然在本实施例中,通过对象连接的点击率来对第一对象类别进行可靠性验证,但是在本公开另外一些实施例中,还可以基于其他参数来验证第一对象类别。例如,在对象链接是商品链接的情况下,还可以基于商品的购买率、商品的销售额来验证模型输出的第一对象类别。
图5示出了根据本公开实施例的对象推荐的方法500的流程图,如图5所示,该方法500包括:
步骤501,从目标媒体数据中提取目标关键词;
步骤502,将目标关键词输入根据上述训练方法训练得到的神经网络模型中,得到目标对象类别;以及
步骤503,根据目标对象类别,生成与目标媒体数据相关联的至少一个对象链接。
在步骤501中,可以通过分词的方式提取目标关键词,其具体过程将在下文进行详细描述。在另外一些实施例中,还可以通过其他方式确定关键词,例如通过计算不同词在媒体数据中出现的频率,确定关键词,即选择出现频率最高的词作为关键词。再例如还可以利用机器学习,使用相关模型确定媒体数据的关键词,或者通过人工确定关键词等等。一般而言,上述关键词可以是和媒体数据中的内容高度相关的词汇,例如:对于一篇介绍水果优点的文章,其关键词可以是水果,再例如:对于一篇介绍旅游景点的文章,其关键词可以是旅游。上述对象可以是推荐的商品,例如:各种食品、生活用品、电子产品以及服务产品等。
在步骤502和步骤503中,利用如在方法100中训练好的神经网络模型确定和目标媒体数据相关联的目标对象类别,然后生成用于推荐该目标对象类别的至少一个对象链接。至少一个对象链接可以是同种对象类别的多个不同销售商、不同品牌的对象链接,例如在确定目标对象类别是手机的情况下,多个对象链接可以是不同品牌、不同性能或者不同型号的手机的购买链接。
本公开的实施例提供了一种对象推荐的方法,通过神经网络模型得到和目标媒体数据相关联的目标对象类别并生成相关的对象链接。从而使得挂接的对象和目标媒体数据高度相关,提高了买家的购买意愿。上述目标关键词可以是直接指示对象类别的词,例如手机、零食等,在这种情况下,模型可以输出相应的对象类别,例如手机、零食等。上述目标关键词还可以是对象类别的联想词,例如目标关键词是旅游、某一歌手等,在这种情况下,模型可以输出用户可能寻求的对象类别,例如机票、演唱会的门票等,在这种情况下,使用神经网络模型预测对象类别是特别有利的,其确定得到的对象类别相较于人工选择的对象类别与媒体数据具有更高的相关度。
图6示出了根据本公开实施例的生成对象链接的方法600的流程图,如图6所示,该方法600包括:
步骤601,根据至少一个目标对象类别,确定多个候选对象;
步骤602,根据多个候选对象的对象属性从多个候选对象中选择至少一个目标对象;以及
步骤603,生成关于至少一个目标对象的对象链接。
在步骤601中,多个候选对象可以是同属于目标对象类别的多个不同的对象,例如在确定目标对象类别是手机的情况下,多个对象链接可以是不同品牌、不同性能或者不同型号的手机的购买链接。
在步骤602中,对象属性可以包括下列属性中的一种或多种:对象价格、对象销售商、对象利润和对象销售状态,可以基于这些对象属性对多个候选对象中的每个候选对象进行评分,例如销售商知名度越高、对象利润越高、对象库存量越多则评分越高等。然后在多个候选对象中选择评分最高的至少一个目标对象。
本实施例的方法根据对象属性选择目标对象,以确保向买家提供更合适、更优选的目标对象,同时还能够确保作者获得更多的佣金。
图7示出了根据本公开实施例的从目标媒体数据中提取目标关键词的方法700的流程图,如图7所示,该方法700包括:
步骤701,将文字信息进行分词以得到多个候选词;
步骤702,根据多个候选词中的每个候选词的类型确定每个候选词的权重;以及
步骤703,根据多个候选词中的每个候选词的权重,从多个候选词中选取目标关键词。
在步骤701中,对于包括文字信息的目标媒体数据,可以首先对该文字信息的部分或全部进行分词,以得到多个候选词。后续在这些候选词中选取得到目标关键词。
在步骤702中,候选词的类型可以包括候选词的词性,例如:名词、形容词、动词等。对于同为名词的多个候选词,其类型还可以进一步分为可推荐类型和不可推荐类型,例如,可推荐类型包括:零食、手机、服装等,不可推荐类型包括:手枪、飞机等。
在步骤702中,可以对名词词性的候选词赋予较高的权重,并且对可推荐类型的候选词赋予更高的权重,然后在步骤703中选取权重最高的候选词以作为目标关键词。
虽然在本实施例中,目标媒体数据被示出为包括文字信息,但是在另外一些实施例中,目标媒体数据还可以包括视频信息。在这种情况下,可以首先从视频信息中提取音频信息,然后将音频信息数据转化为文字信息。后续的提取目标关键词的方法和上述方法700类型,这里不再赘述。
在另外一些实施例中,在从目标媒体数据中提取目标关键词之后还包括:判断目标关键词是否包括在预设的关键词列表中;以及响应于判定所述目标关键词包括在关键词列表中,确定执行将目标关键词输入经训练的神经网络模型中。
上述关键词列表用于记录后续能够进行相关对象推荐的多个关键词。这些关键词包括但不限于商品类型名称(诸如水果、手机、平板电脑等)、活动类型名称(诸如旅游、养宠物等),这些关键词都是适合于后续进行对象推荐的关键词。若目标关键词包括在关键词列表,那么确定执行后续输入模型的步骤,若目标关键词不包括在关键词列表,那么停止执行后续步骤。
在本实施例中,在提取到关键词后对关键词进行分析判断,只有在媒体数据适合挂接对象商品时才执行后续的步骤,以避免在不适合进行对象推荐的媒体数据上发布对象链接。
根据本公开的另一方面,还提供了一种用于对象推荐的神经网络模型的训练装置,图8示出了根据本公开的实施例的用于对象推荐的神经网络模型的训练装置800的结构框图。如图8所示,该装置800包括:第一获取单元810,配置成获取样本数据集,其中,样本数据集中的每个样本数据包括从第一样本媒体数据中提取的第一关键词,以及与第一关键词对应的真实对象类别;第一输入单元820,配置成将第一关键词作为样本输入到神经网络模型中,得到预测对象类别;计算单元830,配置成基于真实对象类别和预测对象类别,计算损失值;以及调整单元840,配置成基于损失值,调整神经网络模型的参数。
在一些实施例中,上述训练装置800还包括:第二获取单元,配置成获取从第二样本媒体数据中提取的第二关键词;第二输入单元,配置成将第二关键词输入到经训练的神经网络模型中,得到第一对象类别;验证单元,配置成对第一对象类别进行可靠性验证;以及更新单元,配置成响应于第一对象类别通过可靠性验证,基于第二关键词以及第一对象类别更新样本数据集。
在一些实施例中,验证单元包括:第一生成模块,配置成根据至少一个第一对象类别,生成与第二样本媒体数据相关联的至少一个对象链接;获取模块,配置成获取在预设时间段内至少一个对象链接的点击率;以及第一确定模块,配置成响应于点击率大于预设阈值,确定第一对象类别通过可靠性验证。
根据本公开的另一方面,还提供了一种对象推荐的装置,图9示出了根据本公开的实施例的对象推荐的装置900的结构框图。如图9所示,该装置900包括:提取单元910,配置成从目标媒体数据中提取目标关键词;第三输入单元920,配置成将目标关键词输入上述训练方法训练得到的神经网络模型中,得到目标对象类别;以及生成单元930,配置成根据目标对象类别,生成与目标媒体数据相关联的至少一个对象链接。
在一些实施例中,生成单元930包括:第二确定模块,配置成根据目标对象类别,确定多个候选对象;选择模块,配置成根据多个候选对象的对象属性从多个候选对象中选择至少一个目标对象;以及第二生成模块,配置成生成关于至少一个目标对象的对象链接。
在一些实施例中,目标媒体数据包括文字信息,提取单元910包括:分词模块,配置成将文字信息进行分词以得到多个候选词;第三确定模块,配置成根据多个候选词中的每个候选词的类型确定每个候选词的权重;以及选取模块,配置成根据多个候选词中的每个候选词的权重,从多个候选词中选取目标关键词。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图10,现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示,电子设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向电子设备1000输入信息的任何类型的设备,输入单元1006可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如用于对象推荐的神经网络模型的训练方法或对象推荐的方法。例如,在一些实施例中,用于对象推荐的神经网络模型的训练方法或对象推荐的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的用于对象推荐的神经网络模型的训练方法或对象推荐的方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于对象推荐的神经网络模型的训练方法或对象推荐的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (18)
1.一种用于对象推荐的神经网络模型的训练方法,包括:
获取样本数据集,其中,所述样本数据集中的每个样本数据包括从第一样本媒体数据中提取的第一关键词,以及与所述第一关键词对应的真实对象类别,其中,所述第一样本媒体数据包括文字信息、音频信息和/或视频信息,所述第一关键词包括与商品相关的名称词和特征词;
将所述第一关键词作为样本输入到所述神经网络模型中,得到预测对象类别;
基于所述真实对象类别和所述预测对象类别,计算损失值;以及
基于所述损失值,调整所述神经网络模型的参数。
2.根据权利要求1所述的训练方法,还包括:
获取从第二样本媒体数据中提取的第二关键词,其中,所述第二样本媒体数据包括文字信息、音频信息和/或视频信息,所述第二关键词包括与商品相关的名称词和特征词;
将所述第二关键词输入到经训练的神经网络模型中,得到第一对象类别;
对所述第一对象类别进行可靠性验证;以及
响应于所述第一对象类别通过所述可靠性验证,基于所述第二关键词以及所述第一对象类别更新所述样本数据集。
3.根据权利要求2所述的训练方法,其中,所述对所述第一对象类别进行可靠性验证包括:
根据所述第一对象类别,生成与所述第二样本媒体数据相关联的至少一个对象链接;
获取在预设时间段内所述至少一个对象链接的点击率;以及
响应于所述点击率大于预设阈值,确定所述第一对象类别通过所述可靠性验证。
4.一种对象推荐的方法,包括:
从目标媒体数据中提取目标关键词,其中,所述目标媒体数据包括文字信息、音频信息和/或视频信息,所述目标关键词包括与商品相关的名称词和特征词;
将所述目标关键词输入根据权利要求1至3中任一项所述的训练方法训练得到的神经网络模型中,得到目标对象类别;以及
根据所述目标对象类别,生成与所述目标媒体数据相关联的至少一个对象链接。
5.根据权利要求4所述的方法,其中,所述根据所述目标对象类别,生成与所述目标媒体数据相关联的至少一个对象链接还包括:
根据所述目标对象类别,确定多个候选对象;
根据所述多个候选对象的对象属性从所述多个候选对象中选择至少一个目标对象;以及
生成关于所述至少一个目标对象的对象链接。
6.根据权利要求5所述的方法,其中,所述对象属性包括下列属性中的一种或多种:
对象价格、对象销售商、对象利润和对象销售状态。
7.根据权利要求4至6中任一项所述的方法,其中,在所述从目标媒体数据中提取目标关键词之后还包括:
判断所述目标关键词中是否包括在预设的关键词列表中;以及
响应于判定所述目标关键词包括在所述关键词列表中,确定执行将所述目标关键词输入经训练的神经网络模型中。
8.根据权利要求4至6中任一项所述的方法,其中,所述目标媒体数据包括文字信息,所述从目标媒体数据中提取目标关键词包括:
将所述文字信息进行分词以得到多个候选词;
根据所述多个候选词中的每个候选词的类型确定每个候选词的权重;以及
根据所述多个候选词中的每个候选词的权重,从所述多个候选词中选取所述目标关键词。
9.根据权利要求8所述的方法,其中,所述目标媒体数据还包括视频信息,所述从目标媒体数据中提取目标关键词还包括:
从所述视频信息中提取音频信息;以及
将所述音频信息数据转化为文字信息。
10.一种对象推荐的神经网络模型的训练装置,包括:
第一获取单元,配置成获取样本数据集,其中,所述样本数据集中的每个样本数据包括从第一样本媒体数据中提取的第一关键词,以及与所述第一关键词对应的真实对象类别,其中,所述第一样本媒体数据包括文字信息、音频信息和/或视频信息,所述第一关键词包括与商品相关的名称词和特征词;
第一输入单元,配置成将所述第一关键词作为样本输入到所述神经网络模型中,得到预测对象类别;
计算单元,配置成基于所述真实对象类别和所述预测对象类别,计算损失值;以及
调整单元,配置成基于所述损失值,调整所述神经网络模型的参数。
11.根据权利要求10所述的训练装置,还包括:
第二获取单元,配置成获取从第二样本媒体数据中提取的第二关键词,其中,所述第二样本媒体数据包括文字信息、音频信息和/或视频信息,所述第二关键词包括与商品相关的名称词和特征词;
第二输入单元,配置成将所述第二关键词输入到经训练的神经网络模型中,得到第一对象类别;
验证单元,配置成对所述第一对象类别进行可靠性验证;以及
更新单元,配置成响应于所述第一对象类别通过所述可靠性验证,基于所述第二关键词以及所述第一对象类别更新所述样本数据集。
12.根据权利要求11所述的训练装置,其中,验证单元包括:
第一生成模块,配置成根据所述至少一个第一对象类别,生成与所述第二样本媒体数据相关联的至少一个对象链接;
获取模块,配置成获取在预设时间段内所述至少一个对象链接的点击率;以及
第一确定模块,配置成响应于所述点击率大于预设阈值,确定所述第一对象类别通过所述可靠性验证。
13.一种对象推荐的装置,包括:
提取单元,配置成从目标媒体数据中提取目标关键词,其中,所述目标媒体数据包括文字信息、音频信息和/或视频信息,所述目标关键词包括与商品相关的名称词和特征词;
第三输入单元,配置成将所述目标关键词输入根据权利要求1至3中任一项所述的训练方法训练得到的神经网络模型中,得到目标对象类别;以及
生成单元,配置成根据所述目标对象类别,生成与所述目标媒体数据相关联的至少一个对象链接。
14.根据权利要求13所述的装置,其中,生成单元包括:
第二确定模块,配置成根据所述目标对象类别,确定多个候选对象;
选择模块,配置成根据所述多个候选对象的对象属性从所述多个候选对象中选择至少一个目标对象;以及
第二生成模块,配置成生成关于所述至少一个目标对象的对象链接。
15.根据权利要求13所述的装置,其中,所述目标媒体数据包括文字信息,所述提取单元包括:
分词模块,配置成将所述文字信息进行分词以得到多个候选词;
第三确定模块,配置成根据所述多个候选词中的每个候选词的类型确定每个候选词的权重;以及
选取模块,配置成根据所述多个候选词中的每个候选词的权重,从所述多个候选词中选取所述目标关键词。
16.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
17.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
18.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210216695.1A CN114581188A (zh) | 2022-03-07 | 2022-03-07 | 用于对象推荐的神经网络模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210216695.1A CN114581188A (zh) | 2022-03-07 | 2022-03-07 | 用于对象推荐的神经网络模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114581188A true CN114581188A (zh) | 2022-06-03 |
Family
ID=81773767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210216695.1A Pending CN114581188A (zh) | 2022-03-07 | 2022-03-07 | 用于对象推荐的神经网络模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581188A (zh) |
-
2022
- 2022-03-07 CN CN202210216695.1A patent/CN114581188A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN114648638A (zh) | 语义分割模型的训练方法、语义分割方法与装置 | |
CN114791982B (zh) | 对象推荐方法和装置 | |
CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
KR20230006601A (ko) | 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN116304335A (zh) | 对象推荐方法、用户偏好识别方法及装置 | |
WO2023050732A1 (zh) | 对象推荐方法和装置 | |
CN113596011B (zh) | 流量识别方法及装置,计算设备和介质 | |
CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114445190A (zh) | 商品推荐方法和装置 | |
CN112905743B (zh) | 文本对象检测的方法、装置、电子设备和存储介质 | |
CN114048383A (zh) | 信息推荐方法及装置、电子设备和介质 | |
CN114581188A (zh) | 用于对象推荐的神经网络模型的训练方法及装置 | |
CN113722594A (zh) | 推荐模型的训练方法、推荐方法、装置、电子设备及介质 | |
CN114493707A (zh) | 对象推荐方法和装置 | |
CN114219046A (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
CN113312554A (zh) | 用于评价推荐系统的方法及装置、电子设备和介质 | |
CN114036389B (zh) | 对象推荐方法、推荐模型的训练方法及装置 | |
CN116883181B (zh) | 基于用户画像的金融服务推送方法、存储介质及服务器 | |
CN115033782B (zh) | 推荐对象的方法、机器学习模型的训练方法、装置和设备 | |
US11947620B1 (en) | Interfaces for automatically mapping webpages to page groups | |
CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN114780819A (zh) | 对象推荐方法和装置 | |
CN115630228A (zh) | 对象推荐方法和对象推荐模型的训练方法 |
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 |