CN114797113A - 基于图卷积的资源预测方法及装置 - Google Patents

基于图卷积的资源预测方法及装置 Download PDF

Info

Publication number
CN114797113A
CN114797113A CN202210510836.0A CN202210510836A CN114797113A CN 114797113 A CN114797113 A CN 114797113A CN 202210510836 A CN202210510836 A CN 202210510836A CN 114797113 A CN114797113 A CN 114797113A
Authority
CN
China
Prior art keywords
resource
information
recommended
expenditure
resource information
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
CN202210510836.0A
Other languages
English (en)
Inventor
李保敏
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.)
Shanghai Hode Information Technology Co Ltd
Original Assignee
Shanghai Hode Information Technology Co 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 Shanghai Hode Information Technology Co Ltd filed Critical Shanghai Hode Information Technology Co Ltd
Priority to CN202210510836.0A priority Critical patent/CN114797113A/zh
Publication of CN114797113A publication Critical patent/CN114797113A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/77—Game security or game management aspects involving data related to game devices or game servers, e.g. configuration data, software version or amount of memory
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
    • A63F13/792—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories for payment purposes, e.g. monthly subscriptions
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
    • A63F2300/57—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers details of game services offered to the player
    • A63F2300/575—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers details of game services offered to the player for trading virtual items

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供基于图卷积的资源预测方法及装置，其中所述基于图卷积的资源预测方法包括：获取目标用户的历史资源支出信息和推荐资源信息集合，其中，所述推荐资源信息集合中包括至少一个待推荐资源信息；根据所述历史资源支出信息生成资源信息图矩阵和资源信息邻接矩阵，其中，所述资源信息图矩阵表征资源信息的特征，所述资源信息邻接矩阵表征资源节点间的连接信息；将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行预测处理；获得所述资源支出信息预测模型输出的每个待推荐资源信息对应的资源支出概率；基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息。

Description

基于图卷积的资源预测方法及装置
技术领域
本申请涉及游戏技术领域，特别涉及一种基于图卷积的资源预测方法。本申请同时涉及一种基于图卷积的资源预测装置，一种计算设备，以及一种计算机可读存储介质。
背景技术
随着计算机技术的发展，游戏也得到了长足的发展，由于游戏制作的越来越精良，在游戏场景下，用户可消耗一定的资源在游戏中获得相应的道具或服务，该资源可以是游戏币、游戏道具等，也有越来越多的用户愿意为游戏支付相应的资源，从而获得相应的服务，而每个用户的资源支付能力各不相同，在实际应用中会根据每个用户的历史资源支出信息来预测用户的资源能力，目前的预测用户的资源支付方法是通过资源区间划分法或基于指针变化的预测方法，这两种资源预测方法都无法准确的预测出用户的实际资源支出能力，预测出的资源信息也不够准确。
发明内容
有鉴于此，本申请实施例提供了一种基于图卷积的资源预测方法。本申请同时涉及一种基于图卷积的资源预测装置，一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的预测用户的资源支出能力不准确的问题。
根据本申请实施例的第一方面，提供了一种基于图卷积的资源预测方法，包括：
获取目标用户的历史资源支出信息和推荐资源信息集合，其中，所述推荐资源信息集合中包括至少一个待推荐资源信息；
根据所述历史资源支出信息生成资源信息图矩阵和资源信息邻接矩阵，其中，所述资源信息图矩阵表征资源信息的特征，所述资源信息邻接矩阵表征资源节点间的连接信息；
将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行预测处理；
获得所述资源支出信息预测模型输出的每个待推荐资源信息对应的资源支出概率；
基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息。
根据本申请实施例的第二方面，提供了一种基于图卷积的资源预测装置，包括：
获取模块，被配置额获取目标用户的历史资源支出信息和推荐资源信息集合，其中，所述推荐资源信息集合中包括至少一个待推荐资源信息；
生成模块，被配置为根据所述历史资源支出信息生成资源信息图矩阵和资源信息邻接矩阵，其中，所述资源信息图矩阵表征资源信息的特征，所述资源信息邻接矩阵表征资源节点间的连接信息；
输入模块，被配置为将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行预测处理；
输出模块，被配置为获得所述资源支出信息预测模型输出的每个待推荐资源信息对应的资源支出概率；
确定模块，被配置为基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息。
根据本申请实施例的第三方面，提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述计算机指令时实现所述基于图卷积的资源预测方法的步骤。
根据本申请实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机指令，该计算机指令被处理器执行时实现所述基于图卷积的资源预测方法的步骤。
本申请提供的基于图卷积的资源预测方法，获取目标用户的历史资源支出信息和推荐资源信息集合，其中，所述推荐资源信息集合中包括至少一个待推荐资源信息；根据所述历史资源支出信息生成资源信息图矩阵和资源信息邻接矩阵，其中，所述资源信息图矩阵表征资源信息的特征，所述资源信息邻接矩阵表征资源节点间的连接信息；将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行预测处理；获得所述资源支出信息预测模型输出的每个待推荐资源信息对应的资源支出概率；基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息。
本申请一实施例通过用户的历史资源支出信息和待推荐资源信息构建资源信息图矩阵和资源信息邻接矩阵，通过资源信息图矩阵表征资源信息特征，通过资源信息邻接矩阵表征用户的每个资源节点间的关系，通过这两个矩阵表征用户近期的资源支出能力的变化趋势，并通过资源支出信息预测模型根据用户近期资源支出能力的趋势减弱历史资源支出信息对预测结果的影响，结合了向用户推送了资源信息但玩家没有购买的信息，从而更加准确的反映出玩家资源支出能力。
附图说明
图1是本申请一实施例提供的一种基于图卷积的资源预测方法的流程图；
图2是本申请一实施例提供的目标待推荐资源信息图的示意图；
图3是本申请一实施例提供的一种应用于闯关游戏G的基于图卷积的资源预测方法的处理流程图；
图4是本申请一实施例提供的一种基于图卷积的资源预测装置的结构示意图；
图5是本申请一实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
在本申请一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请一个或多个实施例。在本申请一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本申请一个或多个实施例中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先，对本申请一个或多个实施例涉及的名词术语进行解释。
图(Graph)：图是一种由节点和边构成的结构，例如社交网络图、论文作者引用图等。
图卷积神经网络(GCN)：图卷积神经网络是指适用于社交网络等图结构数据的一种网络结构。
资源支出能力预测：根据玩家历史资源值预测玩家下一次资源值。
随着游戏行业的发展，在游戏场景下，消耗相应数量的资源即可在游戏中获得相应的道具或服务，越来越多的用户愿意为游戏支付相应的资源，在一些游戏场景中，用户在每闯过一个关卡后，系统会为用户推荐一个道具礼包，道具礼包的消费资源值是预先设定的，不同的资源值可以获得不同的道具，用户可以在每个关卡后选择支付资源或不支付资源，由于每个用户的资源支出习惯不同，因此需要为每个用户个性化推荐相应的资源值来购买对应的道具礼包。
目前预测充值礼包金额的方法是资源区间划分和基于指针变化的预测，其中，资源区间划分是指划分多个资源区间，确定用户资源支付次数最多的区间为下一次的资源预测区间，这种方法是基于统计的方法，受用户历史资源支出能力影响较大，无法反映出用户近期资源支出能力的变化趋势，无法利用向用户推送但是用户没有支付的数据。
基于指针变化的预测是指根据玩家当前次资源支付来确定下一次资源支付的档次，例如当前为用户推荐的3档资源，且用户支付了，则下一次为用户推荐4档资源，若用户没有支付，则下一次为用户推荐2档资源，这种方法根据用户最近一次的资源支出能力来决定用户资源支出能力的上升或下降，会导致预测出玩家资源支出能力波动幅度过大。
基于此，在本申请中，提供了一种基于图卷积的资源预测方法，本申请同时涉及一种基于图卷积的资源预测装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。
图1示出了根据本申请一实施例提供的一种基于图卷积的资源预测方法的流程图，具体包括以下步骤：
步骤102：获取目标用户的历史资源支出信息和推荐资源信息集合，其中，所述推荐资源信息集合中包括至少一个待推荐资源信息。
在实际应用中，用户在玩闯关类游戏时，在关卡结束后的结算界面，可以为用户推荐购买信息，用户可以选择支付，也可以选择不支付，其中，目标用户即需要进行资源信息推荐的用户；历史资源支出信息具体是指该目标用户在过去的几次购买信息推送中的资源值和是否支付；推荐资源信息集合具体是指为目标用户推荐购买信息的几档资源值。资源可以是游戏中的金币、游戏币、优惠券，也可以是流通的货币等，在本申请中，对资源的具体形式不做限定。资源预测可以是指用户的付费能力预测。
在本申请提供的一具体实施方式中，以目标用户为张三，已经为张三推荐过5次购买信息为例，具体参见下述表1。
表1
Figure BDA0003639412740000061
Figure BDA0003639412740000071
如表1所示，第1次推荐资源值是道具A，道具A价值6金币，张三购买了；第2次推荐资源值是道具A，道具A价值是6金币，张三购买了；第3次推荐资源值是道具B，道具B价值是198金币，张三没有购买；第4次推荐资源值是道具A，道具A价值是6金币，张三购买了；第5次推荐资源值是是道具C，道具C价值18金币，张三购买了。此时的推荐资源信息集合为(道具A、道具B、道具C、道具D)。其中，道具A、道具B、道具C、道具D为待推荐资源信息。
步骤104：根据所述历史资源支出信息生成资源信息图矩阵和资源信息邻接矩阵。
其中，所述资源信息图矩阵表征资源信息的特征，即将每次为用户推荐的资源值转换为向量；所述资源信息邻接矩阵表征资源节点间的连接信息，即每个资源节点之间是否相连。
具体的，根据所述历史资源支出信息和每个待推荐资源信息生成每个待推荐资源信息对应的资源信息图矩阵和资源信息邻接矩阵，包括S1042-S1044：
S1042、根据所述历史资源支出信息生成历史资源支出信息图，其中，历史资源支出信息图包括资源节点和资源节点间关系。
其中，图是由点和边组成，点代表网络中的元素，边代表两个点之间有联系，根据历史资源支出信息生成历史资源支出信息图具体是指生成由历史推荐节点生成的图数据。
具体的，根据所述历史资源支出信息生成历史资源支出信息图，包括：
获取所述历史资源支出信息的资源值和相邻两个资源节点的连接关系；
根据所述历史资源支出信息的资源值和相邻两个资源节点的连接关系构建历史资源支出信息图。
在实际应用中，可以获取历史资源支出信息中每个资源节点的资源值，以及相邻两个资源节点间的连接关系。将每个资源节点作为历史资源支出信息图中的点，将相邻两个资源节点的连接关系来确定两个资源节点之间是否有边相连。若相邻的两个资源节点，用户均支付，则这两个相邻的资源节点间有边，若某个资源节点用户没有支付，则与这个资源节点相邻的前后资源节点之间没有边。例如，用户第n次和第n+1次都购买，则两个资源节点之间有连线代表二者之间有关系；若用户第n次没有购买，则第n次与第n-1次、n+1次之间都没有连线，代表没有关系。
在本申请提供的实施例中，参见图2，图2示出了本申请一实施例提供的目标待推荐资源信息图的示意图。图2是基于上述表1生成的历史资源支出信息图的示意图。如图2所示，节点1-节点5为历史资源节点，参见表1，第1次、第2次、第4次和第5次用户有支付，因此节点1和节点2之间有边，节点4与节点5之间有边，节点3与节点2和节点4之间没有边。
S1044、根据所述历史资源支出信息图中的资源节点生成资源信息图矩阵，根据所述历史资源支出信息图中的资源节点间关系生成资源信息邻接矩阵。
在获得历史资源支出信息图之后，即可根据历史资源支出信息图中的资源节点的资源值生成资源信息图矩阵，根据历史资源支出信息图中资源节点间关系生成资源信息邻接矩阵。
具体的，根据所述历史资源支出信息图中的资源节点生成资源信息图矩阵，包括：
将每个资源节点对应的资源值转换为资源向量；
根据每个资源节点对应的资源向量生成所述历史资源支出信息图的资源信息图矩阵。
在实际应用中，以资源节点1的资源值为道具A为例，将道具A转换为资源向量(0.14、0.07、……、-0.23)，资源向量的维度以实际应用为准，在本申请中对此不做限定。
沿用上述实施例，将每个资源节点对应的资源值转换为资源向量，再按照每个资源节点的顺序，将每个资源向量组合到一起，生成目标待推荐资源信息图的资源信息图矩阵，参见下述表2。
表2
1 0.14 0.07 …… -0.23
2 0.14 0.07 …… -0.23
3 0.31 -0.19 …… 0.28
4 0.14 0.07 …… -0.23
5 -0.27 0.18 …… -0.09
具体的，根据所述历史资源支出信息图中的资源节点间关系生成资源信息邻接矩阵，包括：
根据所述历史资源支出信息图中的资源节点生成资源信息邻接矩阵框架；
根据资源节点间关系和所述资源信息邻接矩阵框架生成资源信息邻接矩阵。
资源信息邻接矩阵用于表示每个资源节点之间是否有连接关系，(资源节点自身也算相连)，若资源节点间相连，则矩阵中对应的元素为1，否则元素值为0。
在本申请提供的一具体实施方式中，参见下述表3，表3示出了历史资源支出信息图对应的资源信息邻接矩阵。
表3
1 2 3 4 5
1 1 1 0 0 0
2 1 1 0 0 0
3 0 0 1 0 0
4 0 0 0 1 1
5 0 0 0 1 1
步骤106：将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行预测处理。
其中，资源支出信息预测模型是根据资源信息图矩阵和资源信息邻接矩阵进行预测，用于对预测资源节点与最后一个参考资源节点之间是否连接的概率进行预测。
在实际应用中，将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行处理。具体的，所述资源支出信息预测模型包括卷积层、全连接层和归一化输出层；
将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行预测处理，包括：
将所述资源信息图矩阵和所述资源信息邻接矩阵输入至所述卷积层，获得所述卷积层输出的资源融合矩阵，其中，所述资源融合矩阵中包括资源节点对应的融合特征信息；
获取所述资源融合矩阵中的参考资源节点和参考资源节点对应的参考融合特征信息；
将所述参考融合特征信息和每个待推荐资源信息对应的待推荐资源特征信息输入至所述全连接层，获得每个待推荐资源信息与参考资源节点的连接概率；
将所述连接概率输入至所述归一化输出层，获得每个待推荐资源信息对应的资源支出概率。
在实际应用中，先将资源信息图矩阵和资源信息邻接矩阵输入至所述卷积层进行卷积计算，即将资源信息图矩阵和资源信息邻接矩阵进行乘积运算，获得卷积层输出的资源融合矩阵，卷积层是资源支出信息预测模型中用于提取特征的网络层，卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的，卷积运算的目的是提取输入的不同特征。具体的，是用资源信息邻接矩阵乘以资源信息图矩阵。即上述表3乘以上述表2，获得的资源融合矩阵如下表4所示。
表4
1 0.28 0.14 …… -0.46
2 0.28 0.14 …… -0.46
3 0.31 -0.19 …… 0.28
4 -0.13 0.25 …… -0.23
5 -0.13 0.25 …… -0.32
在资源融合矩阵中的每个资源节点融合了相邻节点信息，此时就实现了融合用户近期资源支出能力情况来预测本次资源支出能力，同时参考了向用户推送了推荐资源信息但是用户没有支付的数据信息。
在获得资源融合矩阵之后，将资源融合矩阵中最后一个资源节点作为参考资源节点，同时获取该参考资源节点对应的参考融合特征信息。参见上述表4，其中的5即为参考资源节点，(-0.13、0.25、……、-0.32)为参考融合特征信息。
此时再将每个待推荐资源信息转换为对应的待推荐资源特征信息，具体的，可以通过模型的嵌入层实现。
将每个待推荐资源特征信息和参考融合特征信息进行拼接，输入至全连接层，获得所述全连接层输出的每个待推荐资源特征信息与参考资源节点的连接概率。全连接层是每个节点都与上一层的所有节点相连，把前面提取到的特征综合起来，最后输出每个待推荐资源特征信息对应的连接概率。此时，每个待推荐资源特征信息对应的连接概率为两个值，即(a、b)，其中，a和b均为0-1之间的小数，且a+b＝1，a表示待推荐资源特征信息与参考资源节点相连的概率，b表示待推荐资源特征信息与参考资源节点不相连的概率。
在获得每个待推荐资源特征信息对应的连接概率后，再将每个待推荐资源特征信息对应的连接概率输入至资源支出信息预测模型的归一化输出层进行归一化处理，归一化输出层根据全连接层输出的每个待推荐资源特征信息对应的连接概率来进行归一化计算，获得计算结果，该计算结果即为每个待推荐资源信息对应的资源支出概率，最终再输出每个待推荐资源信息对应的资源支出概率。
步骤108：获得所述资源支出信息预测模型输出的每个待推荐资源信息对应的资源支出概率。
在实际应用中，将资源信息图矩阵、资源信息邻接矩阵和推荐资源信息集合输入至资源支出信息预测模型中进行预测，获得资源支出信息预测模型输出的每个待推荐资源信息对应的资源支出概率。
在本申请提供的一具体实施方式中，沿用上例，资源信息图矩阵、资源信息邻接矩阵和推荐资源信息集合为(道具A、道具B、道具C、道具D)输入至资源支出信息预测模型中进行预测，获得资源支出信息预测模型输出的每个待推荐资源信息对应的资源支出概率为：(道具A：0.94、道具B：0.85、道具C：0.52、道具D：0.23)，其中，“道具A：0.94”表示道具A的支付概率为0.94。
步骤110：基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息。
在获得每个待推荐资源信息对应的资源支出概率之后，即可在推荐资源信息集合中确定目标推荐资源信息。在实际应用中，可以根据不同的确定策略来选择不同的目标推荐资源信息。
在本申请提供的一具体实施方式中，基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息，包括：
确定资源支出概率最高的待推荐资源信息为所述目标用户的目标推荐资源信息。
在本实施方式中，可以直接确定资源支出概率最高的待推荐资源信息为目标推荐资源信息，以资源支出概率为：(道具A：0.94、道具B：0.85、道具C：0.52、道具D：0.23)为例，则可以确定道具A为目标推荐资源信息。若同时有至少两个资源支出概率并列最高，则可以选择金额最高的待推荐资源信息为目标推荐资源信息。
在本申请提供的另一具体实施方式中，有的资源支出概率虽然很高，但是资源值较小，商家的利润较小，在此情况下，还可以结合资源支出概率和资源值之间的关系，基于此，基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息，包括：
确定资源支出概率超过阈值的待推荐资源信息为初始推荐资源信息集合；
在所述初始推荐资源信息集合中确定资源值最高的待推荐资源信息为目标推荐资源信息。
在本实施方式中，初始推荐资源信息集合为支出概率信息超过阈值的待资源信息组成的集合，依然以资源支出概率为：(道具A：0.94、道具B：0.85、道具C：0.52、道具D：0.23)为例，此时的阈值为0.6，则可以确定初始推荐资源信息集合为(道具A、道具B)，道具A对应的资源值为6金币，道具B对应的资源值为18金币，此时再确定资源值最高的道具B为目标推荐资源信息。
在本申请提供的另一具体实施方式中，资源支出信息预测模型需要预先进行训练。具体的，所述资源支出信息预测模型通过下述步骤训练获得：
S91、获得所述目标用户的历史样本资源信息，并基于所述历史样本资源信息生成样本资源信息图矩阵和样本资源信息邻接矩阵。
其中，历史样本资源信息具体是指目标用户在过去一段时间内针对推送的资源信息的记录信息。例如，获取目标用户在过去5次的历史资源支出信息。
S92、在所述样本资源信息邻接矩阵中确定样本预测资源节点和样本参考资源节点。
其中，可以随机在样本资源信息邻接矩阵中确定样本预测资源节点以及样本预测资源节点相邻的上一个样本参考资源节点。
S93、将所述样本预测资源节点和所述样本参考资源节点的节点关系确定为训练标签，并隐藏所述节点关系。
其中，将样本预测资源节点和样本参考资源节点间的连接关系作为训练标签，并隐藏该连接关系，以便于资源支出信息预测模型对该连接关系进行预测。
S94、将所述样本资源信息图矩阵和所述样本资源信息邻接矩阵输入至所述资源支出信息预测模型进行处理。
具体的，在资源支出信息预测模型中，根据样本预测资源节点对应的特征信息和样本参考资源节点对应的特征信息对样本预测资源节点和样本参考资源节点间的连接关系进行预测。
S95、获得所述资源支出信息预测模型输出的所述预测资源节点的预测资源支出概率。
其中，资源支出信息预测模型根据样本资源信息图矩阵和所述样本资源信息进行预测，获得预测资源节点的预测资源支出概率。
S96、根据所述预测资源支出概率和所述训练标签计算模型损失值。
其中，根据预测资源支出概率和训练标签即可计算模型损失值，在本申请中，计算模型损失值的方法可以使用二分类交叉熵损失函数，二分类交叉熵损失函数参见下述公式1：
Figure BDA0003639412740000151
其中，i表示样本预测资源节点；yi表示样本预测资源节点与样本参考资源节点的连接关系，相连为1，不相连为0；log(pi)代表预测相连的概率；N为总的资源节点数。
S97、根据所述模型损失值调整所述资源支出信息预测模型的模型参数，并判断是否达到模型训练停止条件，若否，则继续执行S92的操作，若是，则停止模型训练。
在计算获得模型损失值后，即可根据模型损失值调整资源支出信息预测模型的模型给参数，并判断是否达到了模型训练停止条件，若还未达到，则继续执行S92-S97的操作，若达到了模型训练的停止条件，则模型训练完成。
在实际应用中，模型训练的停止条件包括模型损失值小于预设阈值和\或模型的训练轮次达到了预设轮次。
本申请提供的基于图卷积的资源预测方法，获取目标用户的历史资源支出信息和推荐资源信息集合，其中，所述推荐资源信息集合中包括至少一个待推荐资源信息；根据所述历史资源支出信息生成资源信息图矩阵和资源信息邻接矩阵，其中，所述资源信息图矩阵表征资源信息的特征，所述资源信息邻接矩阵表征资源节点间的连接信息；将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行预测处理；获得所述资源支出信息预测模型输出的每个待推荐资源信息对应的资源支出概率；基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息。
本申请一实施例通过用户的历史资源支出信息构建资源信息图矩阵和资源信息邻接矩阵，通过资源信息图矩阵表征用户的资源信息特征，通过资源信息邻接矩阵表征用户的每个资源节点间的关系，通过这两个矩阵表征用户近期的资源支出能力的变化趋势，并通过资源支出信息预测模型根据用户近期资源支出能力的趋势减弱历史资源支出信息对预测结果的影响，结合了向用户推送了资源信息但玩家没有购买的信息，从而更加准确的反映出玩家资源支出能力。
下述结合附图3，以本申请提供的基于图卷积的资源预测方法在闯关游戏G的应用为例，对所述基于图卷积的资源预测方法进行进一步说明。其中，图3示出了本申请一实施例提供的一种应用于闯关游戏G的基于图卷积的资源预测方法的处理流程图，具体包括以下步骤：
步骤302：获取用户张三在过去4个关卡的资源支出信息以及第5个关卡的推荐资源信息集合M。
步骤304：根据过去4个关卡的资源支出信息生成历史资源支出信息图。
步骤306：根据历史资源支出信息图生成资源信息图矩阵和资源信息邻接矩阵。
步骤308：根据资源信息图矩阵、资源信息邻接矩阵和所述推荐资源信息集合M输入至资源支出信息预测模型。
步骤310：获得所述资源支出信息预测模型输出的推荐资源信息集合M中每个待推荐资源信息对应的资源支出概率。
步骤312：确定资源支出概率超过阈值的待推荐资源信息为初始推荐资源信息集合。
步骤314：在所述初始推荐资源信息集合中确定资源值最高的待推荐资源信息为目标推荐资源信息。
本申请一实施例通过用户的资源支出信息构建资源信息图矩阵和资源信息邻接矩阵，通过资源信息图矩阵表征用户的资源信息特征，通过资源信息邻接矩阵表征用户的每个资源节点间的关系，通过这两个矩阵表征用户近期的资源支出能力的变化趋势，并通过资源支出信息预测模型根据用户近期资源支出能力的趋势减弱历史资源支出信息对预测结果的影响，结合了向用户推送了资源信息但玩家没有购买的信息，从而更加准确的反映出玩家资源支出能力。
与上述基于图卷积的资源预测方法实施例相对应，本申请还提供了基于图卷积的资源预测装置实施例，图4示出了本申请一实施例提供的一种基于图卷积的资源预测装置的结构示意图。如图4所示，该装置包括：
获取模块402，被配置额获取目标用户的历史资源支出信息和推荐资源信息集合，其中，所述推荐资源信息集合中包括至少一个待推荐资源信息；
生成模块404，被配置为根据所述历史资源支出信息生成资源信息图矩阵和资源信息邻接矩阵，其中，所述资源信息图矩阵表征资源信息的特征，所述资源信息邻接矩阵表征资源节点间的连接信息；
输入模块406，被配置为将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行预测处理；
输出模块408，被配置为获得所述资源支出信息预测模型输出的每个待推荐资源信息对应的资源支出概率；
确定模块410，被配置为基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息。
可选的，所述生成模块404，进一步被配置为：
根据所述历史资源支出信息生成历史资源支出信息图，其中，历史资源支出信息图包括资源节点和资源节点间关系；
根据所述历史资源支出信息图中的资源节点生成资源信息图矩阵，根据所述历史资源支出信息图中的资源节点间关系生成资源信息邻接矩阵。
可选的，所述生成模块404，进一步被配置为：
获取所述历史资源支出信息的资源值和相邻两个资源节点的连接关系；
根据所述历史资源支出信息的资源值和相邻两个资源节点的连接关系构建历史资源支出信息图。
可选的，所述生成模块404，进一步被配置为：
将每个资源节点对应的资源值转换为资源向量；
根据每个资源节点对应的资源向量生成所述历史资源支出信息图的资源信息图矩阵。
可选的，所述生成模块404，进一步被配置为：
根据所述历史资源支出信息图中的资源节点生成资源信息邻接矩阵框架；
根据资源节点间关系和所述资源信息邻接矩阵框架生成资源信息邻接矩阵。
可选的，所述资源支出信息预测模型包括卷积层、全连接层和归一化输出层；
所述输入模块406，进一步被配置为：
将所述资源信息图矩阵和所述资源信息邻接矩阵输入至所述卷积层，获得所述卷积层输出的资源融合矩阵，其中，所述资源融合矩阵中包括资源节点对应的融合特征信息；
获取所述资源融合矩阵中的参考资源节点和参考资源节点对应的参考融合特征信息；
将所述参考融合特征信息和每个待推荐资源信息对应的待推荐资源特征信息输入至所述全连接层，获得每个待推荐资源信息与参考资源节点的连接概率；
将所述连接概率输入至所述归一化输出层，获得每个待推荐资源信息对应的资源支出概率。
可选的，所述确定模块410，进一步被配置为：
确定资源支出概率最高的待推荐资源信息为所述目标用户的目标推荐资源信息。
可选的，所述确定模块410，进一步被配置为：
确定资源支出概率超过阈值的待推荐资源信息为初始推荐资源信息集合；
在所述初始推荐资源信息集合中确定资源值最高的待推荐资源信息为目标推荐资源信息。
可选的，所述装置还包括训练模块，被配置为：
S91、获得所述目标用户的历史样本资源信息，并基于所述历史样本资源信息生成样本资源信息图矩阵和样本资源信息邻接矩阵；
S92、在所述样本资源信息邻接矩阵中确定样本预测资源节点和样本参考资源节点；
S93、将所述样本预测资源节点和所述样本参考资源节点的节点关系确定为训练标签，并隐藏所述节点关系；
S94、将所述样本资源信息图矩阵和所述样本资源信息邻接矩阵输入至所述资源支出信息预测模型进行处理；
S95、获得所述资源支出信息预测模型输出的所述预测资源节点的预测资源支出概率；
S96、根据所述预测资源支出概率和所述训练标签计算模型损失值；
S97、根据所述模型损失值调整所述资源支出信息预测模型的模型参数，并判断是否达到模型训练停止条件，若否，则继续执行S92的操作，若是，则停止模型训练。
本申请提供的基于图卷积的资源预测装置，获取目标用户的历史资源支出信息和推荐资源信息集合，其中，所述推荐资源信息集合中包括至少一个待推荐资源信息；根据所述历史资源支出信息生成资源信息图矩阵和资源信息邻接矩阵，其中，所述资源信息图矩阵表征资源信息的特征，所述资源信息邻接矩阵表征资源节点间的连接信息；将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行预测处理；获得所述资源支出信息预测模型输出的每个待推荐资源信息对应的资源支出概率；基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息。
本申请一实施例通过用户的历史资源支出信息和待推荐资源信息构建资源信息图矩阵和资源信息邻接矩阵，通过资源信息图矩阵表征用户的资源信息特征，通过资源信息邻接矩阵表征用户的每个资源节点间的关系，通过这两个矩阵表征用户近期的资源支出能力的变化趋势，并通过资源支出信息预测模型根据用户近期资源支出能力的趋势减弱历史资源支出信息对预测结果的影响，结合了向用户推送了资源信息但玩家没有购买的信息，从而更加准确的反映出玩家资源支出能力。
上述为本实施例的一种基于图卷积的资源预测装置的示意性方案。需要说明的是，该基于图卷积的资源预测装置的技术方案与上述的基于图卷积的资源预测方法的技术方案属于同一构思，基于图卷积的资源预测装置的技术方案未详细描述的细节内容，均可以参见上述基于图卷积的资源预测方法的技术方案的描述。
图5示出了根据本申请一实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接，数据库550用于保存数据。
计算设备500还包括接入设备540，接入设备540使得计算设备400能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。
在本申请的一个实施例中，计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图5所示的计算设备结构框图仅仅是出于示例的目的，而不是对本申请范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
计算设备500可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备500还可以是移动式或静止式的服务器。
其中，处理器520执行所述计算机指令时实现所述的基于图卷积的资源预测方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的基于图卷积的资源预测方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述基于图卷积的资源预测方法的技术方案的描述。
本申请一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该计算机指令被处理器执行时实现如前所述基于图卷积的资源预测方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的基于图卷积的资源预测方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述基于图卷积的资源预测方法的技术方案的描述。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，对于前述的各方法实施例，为了简便描述，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，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。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，所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本申请的内容，可作很多的修改和变化。本申请选取并具体描述这些实施例，是为了更好地解释本申请的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。

Claims (12)

1.一种基于图卷积的资源预测方法，其特征在于，包括：
获取目标用户的历史资源支出信息和推荐资源信息集合，其中，所述推荐资源信息集合中包括至少一个待推荐资源信息；
根据所述历史资源支出信息生成资源信息图矩阵和资源信息邻接矩阵，其中，所述资源信息图矩阵表征资源信息的特征，所述资源信息邻接矩阵表征资源节点间的连接信息；
将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行预测处理；
获得所述资源支出信息预测模型输出的每个待推荐资源信息对应的资源支出概率；
基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息。
2.如权利要求1所述的方法，其特征在于，根据所述历史资源支出信息生成资源信息图矩阵和资源信息邻接矩阵，包括：
根据所述历史资源支出信息生成历史资源支出信息图，其中，历史资源支出信息图包括资源节点和资源节点间关系；
根据所述历史资源支出信息图中的资源节点生成资源信息图矩阵，根据所述历史资源支出信息图中的资源节点间关系生成资源信息邻接矩阵。
3.如权利要求2所述的方法，其特征在于，根据所述历史资源支出信息生成历史资源支出信息图，包括：
获取所述历史资源支出信息的资源值和相邻两个资源节点的连接关系；
根据所述历史资源支出信息的资源值和相邻两个资源节点的连接关系构建历史资源支出信息图。
4.如权利要求2所述的方法，其特征在于，根据所述历史资源支出信息图中的资源节点生成资源信息图矩阵，包括：
将每个资源节点对应的资源值转换为资源向量；
根据每个资源节点对应的资源向量生成所述历史资源支出信息图的资源信息图矩阵。
5.如权利要求2所述的方法，其特征在于，根据所述历史资源支出信息图中的资源节点间关系生成资源信息邻接矩阵，包括：
根据所述历史资源支出信息图中的资源节点生成资源信息邻接矩阵框架；
根据资源节点间关系和所述资源信息邻接矩阵框架生成资源信息邻接矩阵。
6.如权利要求1所述的方法，其特征在于，所述资源支出信息预测模型包括卷积层、全连接层和归一化输出层；
将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行预测处理，包括：
将所述资源信息图矩阵和所述资源信息邻接矩阵输入至所述卷积层，获得所述卷积层输出的资源融合矩阵，其中，所述资源融合矩阵中包括资源节点对应的融合特征信息；
获取所述资源融合矩阵中的参考资源节点和参考资源节点对应的参考融合特征信息；
将所述参考融合特征信息和每个待推荐资源信息对应的待推荐资源特征信息输入至所述全连接层，获得每个待推荐资源信息与参考资源节点的连接概率；
将所述连接概率输入至所述归一化输出层，获得每个待推荐资源信息对应的资源支出概率。
7.如权利要求1所述的方法，其特征在于，基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息，包括：
确定资源支出概率最高的待推荐资源信息为所述目标用户的目标推荐资源信息。
8.如权利要求1所述的方法，其特征在于，基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息，包括：
确定资源支出概率超过阈值的待推荐资源信息为初始推荐资源信息集合；
在所述初始推荐资源信息集合中确定资源值最高的待推荐资源信息为目标推荐资源信息。
9.如权利要求1所述的方法，其特征在于，所述资源支出信息预测模型通过下述步骤训练获得：
S91、获得所述目标用户的历史样本资源信息，并基于所述历史样本资源信息生成样本资源信息图矩阵和样本资源信息邻接矩阵；
S92、在所述样本资源信息邻接矩阵中确定样本预测资源节点和样本参考资源节点；
S93、将所述样本预测资源节点和所述样本参考资源节点的节点关系确定为训练标签，并隐藏所述节点关系；
S94、将所述样本资源信息图矩阵和所述样本资源信息邻接矩阵输入至所述资源支出信息预测模型进行处理；
S95、获得所述资源支出信息预测模型输出的所述预测资源节点的预测资源支出概率；
S96、根据所述预测资源支出概率和所述训练标签计算模型损失值；
S97、根据所述模型损失值调整所述资源支出信息预测模型的模型参数，并判断是否达到模型训练停止条件，若否，则继续执行S92的操作，若是，则停止模型训练。
10.一种基于图卷积的资源预测装置，其特征在于，包括：
获取模块，被配置额获取目标用户的历史资源支出信息和推荐资源信息集合，其中，所述推荐资源信息集合中包括至少一个待推荐资源信息；
生成模块，被配置为根据所述历史资源支出信息生成资源信息图矩阵和资源信息邻接矩阵，其中，所述资源信息图矩阵表征资源信息的特征，所述资源信息邻接矩阵表征资源节点间的连接信息；
输入模块，被配置为将所述资源信息图矩阵、所述资源信息邻接矩阵和所述推荐资源信息集合输入至资源支出信息预测模型进行预测处理；
输出模块，被配置为获得所述资源支出信息预测模型输出的每个待推荐资源信息对应的资源支出概率；
确定模块，被配置为基于每个待推荐资源信息对应的资源支出概率在所述推荐资源信息集合中确定目标推荐资源信息。
11.一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，其特征在于，所述处理器执行所述计算机指令时实现权利要求1-9任意一项所述方法的步骤。
12.一种计算机可读存储介质，其存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-9任意一项所述方法的步骤。
CN202210510836.0A 2022-05-11 2022-05-11 基于图卷积的资源预测方法及装置 Pending CN114797113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210510836.0A CN114797113A (zh) 2022-05-11 2022-05-11 基于图卷积的资源预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210510836.0A CN114797113A (zh) 2022-05-11 2022-05-11 基于图卷积的资源预测方法及装置

Publications (1)

Publication Number Publication Date
CN114797113A true CN114797113A (zh) 2022-07-29

Family

ID=82513415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210510836.0A Pending CN114797113A (zh) 2022-05-11 2022-05-11 基于图卷积的资源预测方法及装置

Country Status (1)

Country Link
CN (1) CN114797113A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774090A (zh) * 2023-08-17 2023-09-19 深圳市菲尼基科技有限公司 基于状态监控的储能电池健康诊断方法、装置及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774090A (zh) * 2023-08-17 2023-09-19 深圳市菲尼基科技有限公司 基于状态监控的储能电池健康诊断方法、装置及设备
CN116774090B (zh) * 2023-08-17 2023-10-31 深圳市菲尼基科技有限公司 基于状态监控的储能电池健康诊断方法、装置及设备

Similar Documents

Publication Publication Date Title
CN110008973B (zh) 一种模型训练方法、基于模型确定目标用户的方法及装置
CN107133865B (zh) 一种信用分的获取、特征向量值的输出方法及其装置
CN112085172B (zh) 图神经网络的训练方法及装置
CN104965844A (zh) 信息处理方法及装置
US11107109B2 (en) Method and system for personalizing offers
CN110046799A (zh) 决策优化方法及装置
CN113538070B (zh) 用户生命价值周期检测方法、装置和计算机设备
CN113191838A (zh) 一种基于异质图神经网络的购物推荐方法及系统
CN110555749B (zh) 基于神经网络的信用行为预测方法以及装置
CN113781139A (zh) 物品推荐方法、物品推荐装置、设备和介质
CN114797113A (zh) 基于图卷积的资源预测方法及装置
CN113763095B (zh) 信息推荐方法、装置和模型训练方法、装置
CN116541608B (zh) 房源推荐方法、装置、电子设备及存储介质
CN111464337B (zh) 资源配置方法、装置、电子设备
CN112241920A (zh) 基于图神经网络的投融资机构评估方法、系统及设备
CN109636432B (zh) 计算机执行的项目选择方法和装置
CN110348947A (zh) 对象推荐方法及装置
CN112446777A (zh) 一种信用评估方法、装置、设备及存储介质
CN116308505A (zh) 资源分配方法、装置、存储介质和计算机设备
CN113792952A (zh) 用于生成模型的方法和装置
CN110633971A (zh) 资损估计方法以及装置
CN117114741B (zh) 一种基于商户画像分析的信息决策方法及系统
CN111383028B (zh) 预测模型训练方法及装置、预测方法及装置
KR102486548B1 (ko) 판매 데이터를 통한 개선점 도출 방법
CN114155049B (zh) 一种确定目标对象的方法和装置

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