CN115114531A - 基于电商行为大数据的信息推送方法及人工智能预测系统 - Google Patents
基于电商行为大数据的信息推送方法及人工智能预测系统 Download PDFInfo
- Publication number
- CN115114531A CN115114531A CN202210824208.XA CN202210824208A CN115114531A CN 115114531 A CN115114531 A CN 115114531A CN 202210824208 A CN202210824208 A CN 202210824208A CN 115114531 A CN115114531 A CN 115114531A
- Authority
- CN
- China
- Prior art keywords
- preference
- data
- value
- cost
- tracking
- 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.)
- Granted
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
- 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
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种基于电商行为大数据的信息推送方法及人工智能预测系统,通过使偏好数据跟踪模型的预测信息提高偏好概率预测模型的预测信息的精度,且偏好概率预测模型的预测信息可以学习训练偏好数据跟踪模型的预测信息,提高偏好数据跟踪模型的预测信息的精度,基于收敛的偏好数据跟踪模型以及偏好概率预测模型,可以获得更好的偏好预测性能,进而对用户偏好跟踪数据进行偏好概率预测,基于用户偏好对象的偏好概率值,生成目标用户与当前开发业务相关的偏好热力图,并根据偏好热力图对目标用户推送与当前开发业务关联的目标订阅引导信息,提高当前开发业务的订阅引导精度。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种基于电商行为大数据的信息推送方法及人工智能预测系统。
背景技术
电商大数据挖掘可以理解为从海量的电商大数据中挖掘隐含在其中的、事先不为人知的、潜在的、有用信息和知识的技术。这些信息是可能有潜在价值的,是用户感兴趣的、可理解的、可运用的支持决策,可以为互联网服务商带来利益,或者为科学研究寻找突破口。在当今数据和内容作为互联网的核心,不论是传统行业还是新型行业,如果率先与互联网融合成功,能够从大数据中发现暗藏的规律,就能够抢占先机,成为技术改革的标志,获得利益。
通过对电商大数据进行挖掘,可以识别用户的行为偏好,并且提供个性化服务,从而更好地为电子商务网站的用户提供更方便的服务以及指导互联网服务商决策,例如针对当前开发业务进行订阅引导,以便于针对不同用户个性化提供当前开发业务的特定内容服务信息。例如,可以不断收集相关用户的反馈行为数据来确定订阅引导过程中的引导转化情况,依次生成目标用户对应的特定业务推送信息,如何确定高可靠性的关键订阅反馈数据,以提高业务推送的针对性,是亟待解决的技术问题。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种基于电商行为大数据的信息推送方法及人工智能预测系统。
第一方面,本申请提供一种基于大数据信息反馈的信息推送方法,应用于人工智能预测系统,所述方法包括:
获取目标用户针对当前开发业务关联的目标订阅引导信息的订阅反馈数据,所述订阅反馈数据包括所述目标用户在所述目标订阅引导信息所关联的订阅引导页面序列下的页面操作数据;
获取所述订阅反馈数据的页面操作意图分布,对所述页面操作意图分布中各个页面操作意图进行引导转化价值分析,得到用于表示页面操作意图的引导转化价值的引导转化价值参数;
依据页面操作意图的所述引导转化价值参数,获得页面操作意图分布中的关键页面操作意图;
依据所述关键页面操作意图,获取所述订阅反馈数据中的关键订阅反馈内容,其中,所述关键订阅反馈内容表征的页面操作意图中存在所述关键页面操作意图;
对所述关键订阅反馈内容进行聚合获得关键订阅反馈数据,并基于所述关键订阅反馈数据对当前开发业务生成所述目标用户对应的业务推送信息。
在第一方面的一种可能的实施方式中,所述获取目标用户针对当前开发业务关联的目标订阅引导信息的订阅反馈数据的步骤之前,所述方法还包括:
从目标用户在预设电商平台上的数据库中提取与当前开发业务相关的云端电商行为大数据,所述云端电商行为大数据表征用户偏好对象的偏好向量的行为数据;
依据偏好数据跟踪模型对所述云端电商行为大数据进行偏好数据跟踪,获得所述偏好数据跟踪模型生成的所述云端电商行为大数据中的用户偏好跟踪数据,所述用户偏好跟踪数据表征所述云端电商行为大数据中用户偏好对象关联的行为数据部分;
依据偏好概率预测模型对所述用户偏好跟踪数据进行偏好概率预测,获得所述偏好概率预测模型生成的所述用户偏好跟踪数据中用户偏好对象的偏好概率值,所述偏好数据跟踪模型与所述偏好概率预测模型构成用户偏好分析模型,所述偏好数据跟踪模型与所述偏好概率预测模型存在逻辑关联关系,所述偏好数据跟踪模型是依据所述偏好概率预测模型的预测信息进行收敛优化的,所述偏好概率预测模型依据所述偏好数据跟踪模型的预测信息进行收敛优化的;
基于所述用户偏好对象的偏好概率值,生成所述目标用户与当前开发业务相关的偏好热力图,并根据所述偏好热力图对所述目标用户推送与所述当前开发业务关联的目标订阅引导信息;
其中,所述用户偏好分析模型的训练步骤包括:
获取参考云端电商行为大数据、所述参考云端电商行为大数据中的参考用户偏好跟踪数据和所述参考云端电商行为大数据中用户偏好对象的参考偏好概率值,所述参考云端电商行为大数据表征用户偏好对象的偏好向量的行为数据,所述参考用户偏好跟踪数据表征所述参考云端电商行为大数据中用户偏好对象关联的行为数据部分;
基于所述偏好数据跟踪模型对所述参考云端电商行为大数据进行偏好数据跟踪,获得所述偏好数据跟踪模型生成的所述参考云端电商行为大数据中的对比用户偏好跟踪数据;
基于所述偏好概率预测模型对所述参考用户偏好跟踪数据进行偏好概率预测,获得所述偏好概率预测模型生成的所述参考用户偏好跟踪数据中用户偏好对象的第一对比偏好概率值,以及基于所述偏好概率预测模型对所述对比用户偏好跟踪数据进行偏好概率预测,获得所述偏好概率预测模型生成的所述对比用户偏好跟踪数据中用户偏好对象的第二对比偏好概率值;
将所述偏好概率预测模型的模型权重进行维持,依据所述偏好跟踪代价和所述偏好概率值代价对所述偏好数据跟踪模型进行收敛优化,将所述偏好数据跟踪模型的模型权重进行维持,依据所述偏好概率值代价对所述偏好概率预测模型进行收敛优化,获得用户偏好分析模型;其中,所述偏好跟踪代价是依据所述参考用户偏好跟踪数据和所述对比用户偏好跟踪数据计算获得的,所述偏好概率值代价是依据所述第一对比偏好概率值、所述第二对比偏好概率值和所述参考偏好概率值进行计算获得的。
譬如,在第一方面的一种可能的实施方式中,所述将所述偏好概率预测模型的模型权重进行维持,依据所述偏好跟踪代价和所述偏好概率值代价对所述偏好数据跟踪模型进行收敛优化,包括:
将所述偏好概率预测模型的模型权重进行维持;
计算所述偏好跟踪代价中的代价值L1,并计算所述偏好概率值代价中的代价值L2和代价值L3,基于所述代价值L1、所述代价值L2和所述代价值L3的加权代价值对所述偏好数据跟踪模型进行收敛优化;
其中,所述代价值L1表征所述参考用户偏好跟踪数据与所述对比用户偏好跟踪数据的损失参数值,所述代价值L2表征所述第二对比偏好概率值与所述参考偏好概率值的损失参数值,所述代价值L3表征所述第一对比偏好概率值与所述第二对比偏好概率值的损失参数值。
譬如,在第一方面的一种可能的实施方式中,所述计算所述偏好跟踪代价中的代价值L1,包括:
依据所述参考用户偏好跟踪数据与所述对比用户偏好跟踪数据,基于第一预设代价值函数计算所述代价值L1,所述第一预设代价值函数是基于第一预设代价值函数以及第二预设代价值函数的相加值计算的;
所述计算所述偏好概率值代价中的代价值L2和代价值L3,包括:
依据所述第二对比偏好概率值与所述参考偏好概率值,基于第二预设代价值函数计算所述代价值L2,所述第二预设代价值函数是依据第三预设代价函数计算的;
依据所述第一对比偏好概率值与所述第二对比偏好概率值,基于第三预设代价值函数计算所述代价值L3,所述第三预设代价值函数为用于计算所述第一对比偏好概率值与所述第二对比偏好概率值的损失参数值的函数;
所述基于所述代价值L1、所述代价值L2和所述代价值L3的加权代价值对所述偏好数据跟踪模型进行收敛优化,包括:
基于所述代价值L1、所述代价值L2和所述代价值L3的加权代价值,计算目标跟踪代价值;
依据所述目标跟踪代价值在所述偏好数据跟踪模型中进行反向传播对所述偏好数据跟踪模型进行收敛优化。
譬如,在第一方面的一种可能的实施方式中,所述依据所述目标跟踪代价值在所述偏好数据跟踪模型中进行反向传播对所述偏好数据跟踪模型进行收敛优化,包括:
将所述目标跟踪代价值中的所述代价值L2与所述代价值L3分别与时域权重优化系数进行融合计算,获得融合目标跟踪代价值,所述时域权重优化系数的数值与对所述偏好数据跟踪模型进行收敛优化的历史优化信息关联;
依据所述融合目标跟踪代价值在所述偏好数据跟踪模型中进行反向传播对所述偏好数据跟踪模型进行收敛优化。
譬如,在第一方面的一种可能的实施方式中,所述将所述偏好数据跟踪模型的模型权重进行维持,依据所述偏好概率值代价对所述偏好概率预测模型进行收敛优化,包括:
将所述偏好数据跟踪模型的模型权重进行维持,并计算所述偏好概率值代价中的代价值L4、代价值L2和代价值L3;
基于所述代价值L4、所述代价值L2和所述代价值L3的加权代价值对所述偏好概率预测模型进行收敛优化,所述代价值L4表征所述第一对比偏好概率值与所述参考偏好概率值的损失参数值,所述代价值L2表征所述第二对比偏好概率值与所述参考偏好概率值的损失参数值,所述代价值L3表征所述第一对比偏好概率值与所述第二对比偏好概率值的损失参数值。
譬如,在第一方面的一种可能的实施方式中,所述计算所述偏好概率值代价中的代价值L4、代价值L2和代价值L3,包括:
依据所述第一对比偏好概率值与所述参考偏好概率值,基于第四预设代价值函数计算所述代价值L4,所述第四预设代价值函数是依据第三预设代价函数计算的;
依据所述第二对比偏好概率值与所述参考偏好概率值,基于第二预设代价值函数计算所述代价值L2,所述第二预设代价值函数是依据第三预设代价函数计算的;
依据所述第一对比偏好概率值与所述第二对比偏好概率值,基于第三预设代价值函数计算所述代价值L3,所述第三预设代价值函数为用于计算所述第一对比偏好概率值与所述第二对比偏好概率值的损失参数值的函数;
所述基于所述代价值L4、所述代价值L2和所述代价值L3的加权代价值对所述偏好概率预测模型进行收敛优化,包括:
基于所述代价值L4、所述代价值L2和所述代价值L3的加权代价值,计算概率预测代价值;
依据所述概率预测代价值在所述偏好概率预测模型中进行反向传播对所述偏好概率预测模型进行收敛优化。
第二方面,本申请实施例还提供一种基于大数据信息反馈的信息推送系统,所述基于大数据信息反馈的信息推送系统包括人工智能预测系统以及与该人工智能预测系统通信连接的多个电子商务服务系统;
所述人工智能预测系统,用于:
获取目标用户针对当前开发业务关联的目标订阅引导信息的订阅反馈数据,所述订阅反馈数据包括所述目标用户在所述目标订阅引导信息所关联的订阅引导页面序列下的页面操作数据;
获取所述订阅反馈数据的页面操作意图分布,对所述页面操作意图分布中各个页面操作意图进行引导转化价值分析,得到用于表示页面操作意图的引导转化价值的引导转化价值参数;
依据页面操作意图的所述引导转化价值参数,获得页面操作意图分布中的关键页面操作意图;
依据所述关键页面操作意图,获取所述订阅反馈数据中的关键订阅反馈内容,其中,所述关键订阅反馈内容表征的页面操作意图中存在所述关键页面操作意图;
对所述关键订阅反馈内容进行聚合获得关键订阅反馈数据,并基于所述关键订阅反馈数据对当前开发业务生成所述目标用户对应的业务推送信息。
依据以上方面,可以获取订阅反馈数据的页面操作意图分布,对页面操作意图分布中各个页面操作意图进行引导转化价值分析,得到页面操作意图的引导转化价值参数,依据页面操作意图的引导转化价值参数,获得页面操作意图分布中的关键页面操作意图;依据关键页面操作意图,获取订阅反馈数据中的关键订阅反馈内容,对关键订阅反馈内容进行聚合获得关键订阅反馈数据,本实施例依据对订阅反馈数据的页面操作意图特征的分析,获得订阅反馈数据的关键订阅反馈内容,得到关键订阅反馈数据,进而以引导转化价值维度来确定关键订阅反馈数据后,以便于后续基于关键订阅反馈数据对当前开发业务生成目标用户对应的业务推送信息,提高业务推送的针对性。
附图说明
图1为本申请实施例提供的基于大数据信息反馈的信息推送系统的架构示意图;
图2为本申请实施例提供的基于大数据信息反馈的信息推送方法的流程示意图;
图3为本申请实施例提供的用于实现上述的基于大数据信息反馈的信息推送方法的人工智能预测系统的结构示意框图。
具体实施方式
图1是本申请一种实施例提供的基于大数据信息反馈的信息推送系统10的架构示意图。基于大数据信息反馈的信息推送系统10可以包括人工智能预测系统100以及与人工智能预测系统100通信连接的电子商务服务系统200。图1所示的基于大数据信息反馈的信息推送系统10仅为一种可行的示例,在其它可行的实施例中,该基于大数据信息反馈的信息推送系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。
一种基于独立构思的实施例中,请参阅图2,基于大数据信息反馈的信息推送系统10中的人工智能预测系统100和电子商务服务系统200可以基于配合执行以下方法实施例所描述的基于大数据信息反馈的信息推送方法,具体人工智能预测系统100和电子商务服务系统200的执行步骤部分可以参照以下方法实施例的详细描述。
步骤S101、获取目标用户针对所述当前开发业务关联的目标订阅引导信息的订阅反馈数据,获取所述订阅反馈数据的页面操作意图分布。
本实施例中,所述订阅反馈数据包括所述目标用户在所述目标订阅引导信息所关联的订阅引导页面序列下的页面操作数据。
例如,可以获取订阅反馈数据的持续页面操作行为数据,该持续页面操作行为数据中包含订阅反馈数据的页面操作意图分布。
其中,该页面操作意图分布可以是在订阅反馈数据的相关用户在执行订阅反馈数据的过程中解析获得的,例如,该页面操作意图分布中可以包括订阅反馈数据的每个页面操作意图,以及每个页面操作意图在订阅反馈数据的时域特征空间的持续反馈阶段。
例如,订阅反馈数据的页面操作意图分布可以通过对订阅反馈数据的固定策略解析获得的。例如对订阅反馈数据提取页面操作意图,然后从页面操作意图中获取关键页面操作意图,再依据关键页面操作意图确定关键订阅反馈内容,依据关键订阅反馈内容确定关键订阅反馈数据。
例如,获取订阅反馈数据的页面操作意图分布还可以包括:获取订阅反馈数据的持续页面操作行为数据;依据所述持续页面操作行为数据,获得所述订阅反馈数据的每个页面操作意图,以及每个页面操作意图在所述订阅反馈数据的时域特征空间的持续反馈阶段;将每个页面操作意图与关联的持续反馈阶段进行关系绑定,得到订阅反馈数据的页面操作意图分布。
页面操作意图分布可以是订阅反馈数据的页面操作意图清单,该页面操作意图清单中的页面操作意图信息包括但不限于页面操作意图的意图特征信息以及页面操作意图的持续反馈阶段。其中持续反馈阶段可以包括反馈触发节点和反馈结束节点。
订阅反馈数据的持续页面操作行为数据是包含订阅反馈数据的页面操作意图的信息,其涵盖页面操作意图的具体方式不作限定。例如示例性描述如下。
(1):订阅反馈数据的持续页面操作行为数据为订阅反馈数据的持续页面分享传递数据,依据订阅反馈数据的持续页面分享传递数据获取页面操作意图分布。
例如,依据所述持续页面操作行为数据,获得所述订阅反馈数据的每个页面操作意图,以及每个页面操作意图在所述订阅反馈数据的时域特征空间的持续反馈阶段可以包括:
将订阅反馈数据的持续页面分享传递数据解析为分享传递特征向量,将分享传递特征向量中的各个分享传递类型作为一个页面操作意图;依据每个页面操作意图在所述持续页面分享传递数据的时域特征空间的时域特征节点范围,获得所述每个页面操作意图在所述订阅反馈数据的时域特征空间的持续反馈阶段。
例如,将持续页面分享传递数据解析为分享传递特征向量后,可以以该分享传递特征向量中的分享传递标签属性确定各个页面操作意图,即将该分享传递特征向量中的各个分享传递类型确定为一个页面操作意图。例如,在将持续页面分享传递数据解析为分享传递特征向量后,依据分享传递特征向量各个分享传递类型的传递含义,获得分享传递特征向量中的各个页面操作意图。
例如,对于通过持续页面分享传递数据实时获取页面操作意图的方案,持续页面分享传递数据的传递时域空间可以关联于订阅反馈数据的传递时域空间,所以页面操作意图在持续页面分享传递数据的时域特征空间的时域特征节点范围,与页面操作意图在订阅反馈数据的时域特征空间的持续反馈阶段通常一直。基于此,在确定各个页面操作意图后,可以将每个页面操作意图在持续页面分享传递数据的时域特征空间的时域特征节点范围,获得为该个页面操作意图在订阅反馈数据的时域特征空间的持续反馈阶段。之后,在生成页面操作意图分布时,将页面操作意图与关联的持续反馈阶段进行关系绑定,从而获得订阅反馈数据的页面操作意图分布。
(2):订阅反馈数据的持续页面操作行为数据为订阅反馈数据的持续页面注意力行为数据,依据订阅反馈数据的持续页面注意力行为数据获取页面操作意图分布。
例如,依据所述持续页面操作行为数据,获得所述订阅反馈数据的每个页面操作意图,以及每个页面操作意图在所述订阅反馈数据的时域特征空间的持续反馈阶段可以包括:
对订阅反馈数据中各个持续页面注意力行为数据进行注意力活动解析;依据对所述订阅反馈数据的各个持续页面注意力行为数据的注意力活动解析数据,获得所述订阅反馈数据中的页面操作注意力对象,以及所述订阅反馈数据中关联于页面操作注意力对象的目标持续页面注意力行为数据,其中,一个持续页面注意力行为数据上的页面操作注意力对象为一个页面操作意图;依据各个页面操作意图关联的目标持续页面注意力行为数据在所述订阅反馈数据中的时域节点范围,获得各个页面操作意图在所述订阅反馈数据的时域特征空间的持续反馈阶段。
例如,对订阅反馈数据中各个持续页面注意力行为数据进行注意力活动解析可以包括:获取订阅反馈数据,将订阅反馈数据解析为持续页面注意力行为数据序列,对持续页面注意力行为数据序列中的各个持续页面注意力行为数据进行注意力活动解析。
例如,对于其它实施例中,可以以页面操作意图关联的目标持续页面注意力行为数据在订阅反馈数据中的时域节点范围确定关键订阅反馈内容。
例如,依据所述持续页面操作行为数据,获得所述订阅反馈数据的每个页面操作意图,以及每个页面操作意图在所述订阅反馈数据的时域特征空间的持续反馈阶段可以包括:
依据对订阅反馈数据的各个持续页面注意力行为数据的注意力活动解析数据,获得订阅反馈数据中的页面操作注意力对象,以及订阅反馈数据中关联于页面操作注意力对象的目标持续页面注意力行为数据,其中,一个持续页面注意力行为数据上的页面操作注意力对象为一个页面操作意图;确定各个页面操作意图的持续页面注意力行为数据的行为节点信息,持续页面注意力行为数据的行为节点信息用于表示页面操作意图关联的目标持续页面注意力行为数据在订阅反馈数据中的时域节点范围;
以页面操作意图关联的持续页面注意力行为数据的行为节点信息表示页面操作意图的持续反馈阶段,将页面操作意图和页面操作意图关联的持续页面注意力行为数据的行为节点信息进行关系绑定,得到订阅反馈数据的页面操作意图分布。
对应地,依据关键页面操作意图,获取订阅反馈数据中的关键订阅反馈内容可以包括:从页面操作意图分布中获取关键页面操作意图关联的持续页面注意力行为数据的行为节点信息;从订阅反馈数据中获取持续页面注意力行为数据的行为节点信息指示的目标持续页面注意力行为数据所在行为内容,作为订阅反馈数据中的关键订阅反馈内容。
步骤S102、对页面操作意图分布中各个页面操作意图进行引导转化价值分析,得到用于表示页面操作意图的引导转化价值的引导转化价值参数;
例如,页面操作意图分布中页面操作意图的引导转化价值可以从多个维度进行分析,
例如,对页面操作意图分布中各个页面操作意图进行引导转化价值分析,得到用于表示页面操作意图的引导转化价值的引导转化价值参数,可以包括:获取指定引导意图知识图谱;获取页面操作意图分布中各个页面操作意图与指定引导意图知识图谱的实体联系强度,依据页面操作意图关联的实体联系强度,获得用于表示页面操作意图的引导转化价值的引导转化价值参数,其中,页面操作意图与指定引导意图知识图谱的实体联系强度越大,页面操作意图的引导转化价值参数越大。
其中,指定引导意图知识图谱可以基于实际业务需求进行配置,用户可以设置指定引导意图知识图谱的知识实体和知识实体属性。
在获取页面操作意图分布中各个页面操作意图与指定引导意图知识图谱的实体联系强度时,可以计算页面操作意图特征与指定引导意图知识图谱特征的实体联系强度,以该实体联系强度作为页面操作意图与指定引导意图知识图谱的实体联系强度。
例如,可以对页面操作意图特征和指定引导意图知识图谱特征进行实体对象分治,获得匹配实体对象的统计量,依据匹配实体对象的统计量确定页面操作意图与指定引导意图知识图谱的相关参数值。或者,还可以将页面操作意图特征和指定引导意图知识图谱特征,通过AI模型提取特征变量片段,计算页面操作意图特征和指定引导意图知识图谱特征的特征变量片段的相关参数值,作为页面操作意图与指定引导意图知识图谱的相关参数值。
譬如,对页面操作意图分布中各个页面操作意图进行引导转化价值分析,得到用于表示页面操作意图的引导转化价值的引导转化价值参数,可以包括:
获取订阅反馈数据中的持续反馈订阅项;确定页面操作意图分布中页面操作意图与订阅反馈数据中各订阅项的匹配度,将匹配度作为用于表示页面操作意图的引导转化价值的引导转化价值参数,其中,匹配度越大,页面操作意图的引导转化价值参数越大。
其中,持续反馈订阅项的统计量可以为一个或多个,页面操作意图与订阅项的匹配度,可以通过页面操作意图特征与各订阅项的匹配性,以及页面操作意图所表达的订阅项确定。例如,若某个页面操作意图是持续反馈订阅项所表达的页面操作意图,则该页面操作意图与持续反馈订阅项存在较大的匹配度;若某个页面操作意图的页面操作意图特征中直接提到持续反馈订阅项,该页面操作意图与持续反馈订阅项存在一定的匹配度。
例如,对页面操作意图分布中各个页面操作意图进行引导转化价值分析,得到用于表示页面操作意图的引导转化价值的引导转化价值参数可以包括:
对页面操作意图分布中的页面操作意图进行组合,得到页面操作意图簇,计算各页面操作意图簇中的两个页面操作意图之间的实体联系强度;依据各页面操作意图与页面操作意图分布中剩余页面操作意图之间的实体联系强度,获得各页面操作意图的引导转化价值参数。
本实施例可以依据页面操作意图特征本身确定页面操作意图之间的实体联系强度。
例如,计算各页面操作意图簇中的两个页面操作意图之间的实体联系强度可以包括:计算各个页面操作意图中的两个页面操作意图之间的相关参数值;依据页面操作意图之间的相关参数值,获得页面操作意图之间的实体联系强度。
例如,计算各个页面操作意图中的两个页面操作意图之间的相关参数值可以包括:对页面操作意图簇中的两个页面操作意图进行实体对象分治,统计页面操作意图簇的两页面操作意图中匹配实体对象的统计量;统计页面操作意图簇的两页面操作意图中意图分量的统计量;以页面操作意图簇中匹配实体对象的统计量与意图分量的统计量的比例,作为页面操作意图簇中两个页面操作意图之间的相关参数值。
例如,计算各页面操作意图簇中的两个页面操作意图之间的相关参数值,可以包括:对各页面操作意图簇中的两个页面操作意图提取特征变量片段;计算各页面操作意图簇中两个页面操作意图的特征变量片段的相关参数值。
例如,可以特征变量片段的欧式距离,以此确定相关参数值。
例如,可以依据每个页面操作意图与剩余页面操作意图的实体联系强度的高低,分析页面操作意图的引导转化价值。
例如,依据各页面操作意图与页面操作意图分布中剩余页面操作意图之间的实体联系强度,获得各页面操作意图的引导转化价值参数可以包括:
依据各页面操作意图与页面操作意图分布中剩余页面操作意图的实体联系强度,计算各页面操作意图关联的平均实体联系强度,以页面操作意图的平均实体联系强度作为页面操作意图的引导转化价值参数。
例如,依据各页面操作意图与页面操作意图分布中剩余页面操作意图之间的实体联系强度,获得各页面操作意图的引导转化价值参数可以包括:
依据各个页面操作意图与其所在页面操作意图簇另一个页面操作意图的实体联系强度,计算各个页面操作意图对其所在页面操作意图簇的另一个页面操作意图的引导转化权重;获取页面操作意图分布中各个页面操作意图的基础引导转化价值参数;依据各个页面操作意图所在页面操作意图簇的另一个页面操作意图的基础引导转化价值参数和引导转化权重,获得各个页面操作意图最终引导转化价值参数。
步骤S103、依据页面操作意图的引导转化价值参数,获得页面操作意图分布中的关键页面操作意图;
例如,在得到页面操作意图的引导转化价值参数之后,可以依据引导转化价值参数对页面操作意图进行引导转化价值进行降序排序,得到页面操作意图清单;从页面操作意图清单中选择排序前N的页面操作意图确定为关键页面操作意图。
步骤S104、依据关键页面操作意图,获取订阅反馈数据中的关键订阅反馈内容,其中,关键订阅反馈内容表征的页面操作意图中存在关键页面操作意图;
例如,关键订阅反馈内容可以只包含关键页面操作意图,也可以包含关键页面操作意图前后的一部分页面操作意图,需要依据关键页面操作意图的实际情况确定。
例如,依据关键页面操作意图,获取订阅反馈数据中的关键订阅反馈内容,可以包括:从页面操作意图分布中获取关键页面操作意图在订阅反馈数据的时域特征空间的持续反馈阶段;依据关键页面操作意图的持续反馈阶段,获得关键页面操作意图关联的关键订阅反馈内容在订阅反馈数据的时域特征空间的时域特征节点范围;依据关键订阅反馈内容的时域特征节点范围,从订阅反馈数据中获取关键订阅反馈内容。
例如,可以以关键页面操作意图的持续反馈阶段,作为关键页面操作意图关联的关键订阅反馈内容的时域特征节点范围。
在获得关键页面操作意图之后,还可以依据关键页面操作意图与剩余页面操作意图的传递含义完整性确定关键页面操作意图关联的关键订阅反馈内容。
例如,依据关键页面操作意图的持续反馈阶段,获得关键页面操作意图关联的关键订阅反馈内容在订阅反馈数据的时域特征空间的时域特征节点范围,可以包括:确定页面操作意图分布中关键页面操作意图关联的衍生预测页面操作意图,其中,衍生预测页面操作意图用于与关键页面操作意图形成完整意图;依据页面操作意图分布中关键页面操作意图和衍生预测页面操作意图的持续反馈阶段,获得关键页面操作意图和衍生预测页面操作意图的融合持续反馈阶段;将所述融合持续反馈阶段,获得为所述关键页面操作意图关联的关键订阅反馈内容在所述订阅反馈数据的时域特征空间的时域特征节点范围。
例如,关键页面操作意图的衍生预测页面操作意图,可以依据关键页面操作意图与其周围的页面操作意图的传递含义确定,例如,分析关键页面操作意图前后的页面操作意图与关键页面操作意图的传递含义完整性,将与关键页面操作意图形成完整传递含义的页面操作意图确定为关键页面操作意图的衍生预测页面操作意图。
例如,确定页面操作意图分布中关键页面操作意图关联的衍生预测页面操作意图可以包括:依据页面操作意图分布,获取关键页面操作意图与前置一个页面操作意图的操作时域距离,若操作时域距离大于设定时域距离,则确定关键页面操作意图之前不存在衍生预测页面操作意图;否则,将该衍生预测页面操作意图确定为选定关键页面操作意图,并返回执行所述依据页面操作意图分布,获取关键页面操作意图与前置一个页面操作意图的操作时域距离的操作;依据页面操作意图分布,获取关键页面操作意图与后置一个页面操作意图的操作时域距离,若操作时域距离大于设定时域距离,判定关键页面操作意图之后不存在衍生预测页面操作意图;否则,将衍生预测页面操作意图确定为选定关键页面操作意图,并返回执行所述从页面操作意图分布中获取关键页面操作意图与后一个页面操作意图的操作时域距离的操作。
例如,时域距离可以是指间隔时间数值。
步骤S105、对关键订阅反馈内容进行聚合获得关键订阅反馈数据,并基于所述关键订阅反馈数据对当前开发业务生成所述目标用户对应的业务推送信息。
例如,对关键订阅反馈内容进行组合的时候,可以依据关键订阅反馈内容在订阅反馈数据中的内容节点进行组合,得到关键订阅反馈数据。
例如,对关键订阅反馈内容进行聚合获得关键订阅反馈数据可以包括:依据关键订阅反馈内容的持续反馈阶段,获得关键订阅反馈内容在订阅反馈数据中的内容节点;基于关键订阅反馈内容的内容节点,对关键订阅反馈内容进行融合,得到关键订阅反馈数据。
例如,对关键订阅反馈内容进行聚合获得关键订阅反馈数据后,还可以包括:获取订阅反馈数据关联的传递反馈数据,其中,传递反馈数据的反馈活动传递关联于订阅反馈数据的反馈活动;将关键订阅反馈数据与传递反馈数据进行融合,获得融合传递反馈数据。
基于以上步骤,可以获取订阅反馈数据的页面操作意图分布,对页面操作意图分布中各个页面操作意图进行引导转化价值分析,得到页面操作意图的引导转化价值参数,依据页面操作意图的引导转化价值参数,获得页面操作意图分布中的关键页面操作意图;依据关键页面操作意图,获取订阅反馈数据中的关键订阅反馈内容,对关键订阅反馈内容进行聚合获得关键订阅反馈数据,本实施例依据对订阅反馈数据的页面操作意图特征的分析,获得订阅反馈数据的关键订阅反馈内容,得到关键订阅反馈数据,进而以引导转化价值维度来确定关键订阅反馈数据后,以便于后续基于关键订阅反馈数据对当前开发业务生成目标用户对应的业务推送信息,提高业务推送的针对性。
在以上描述的基础上,下面对目标用户针对当前开发业务关联的目标订阅引导信息的确定方式进行详细阐述。
步骤W102:获取参考云端电商行为大数据、参考云端电商行为大数据中的参考用户偏好跟踪数据和参考云端电商行为大数据中用户偏好对象的参考偏好概率值。
该参考云端电商行为大数据表征用户偏好对象的偏好向量的行为数据。例如该参考云端电商行为大数据能够为依据电子商务直播场景得到的用户偏好对象的直播关注行为数据。其中,用户偏好对象可以指电商服务流程中相关用户存在偏好行为(如浏览行为、点击行为、分享行为等)的指向对象,如某个商品对象、某个页面对象或者某个视频对象等,但不限制于此。
该参考用户偏好跟踪数据表征参考云端电商行为大数据中用户偏好对象关联的行为数据部分。例如,该参考云端电商行为大数据中每个电商行为数据对应有标注信息,该标注信息包括用户偏好对象、用户行为对象以及场景对象。人工智能预测系统基于对应标注信息中的用户偏好对象的电商行为数据,可以预测出该参考用户偏好跟踪数据。该标注信息可以是用户手动标注,也可以是由相关的AI模型预测生成的。
参考云端电商行为大数据中用户偏好对象的参考偏好概率值指参考云端电商行为大数据中用户偏好对象的偏好概率值。该偏好概率值可以是用户手动标注,也可以是由相关的AI模型预测生成的,偏好概率值能够反映用户偏好对象对于该相关用户产生兴趣的程度。
步骤W104:基于所述偏好数据跟踪模型对所述参考云端电商行为大数据进行偏好数据跟踪,获得偏好数据跟踪模型生成的参考云端电商行为大数据中的对比用户偏好跟踪数据。
该偏好数据跟踪模型能够基于参考云端电商行为大数据的偏好向量,定位出参考云端电商行为大数据中用户偏好对象关联的对比用户偏好跟踪数据,并将对比用户偏好跟踪数据中电商行为数据的显性值设置为100,对比用户偏好跟踪数据外的电商行为数据的显性值设置为0,从而生成行为数据显性分割区域,进而定位出对比用户偏好跟踪数据。例如,该偏好数据跟踪模型能够由PSPNet以及ResNet构成。
步骤W106:基于所述偏好概率预测模型对所述参考用户偏好跟踪数据进行偏好概率预测,获得偏好概率预测模型生成的参考用户偏好跟踪数据中用户偏好对象的第一对比偏好概率值,以及基于所述偏好概率预测模型对所述对比用户偏好跟踪数据进行偏好概率预测,获得偏好概率预测模型生成的对比用户偏好跟踪数据中用户偏好对象的第二对比偏好概率值。
该偏好概率预测模型可以预测传递的参考用户偏好跟踪数据中用户偏好对象的偏好向量,进而生成关联的第一对比偏好概率值。以及预测传递的对比用户偏好跟踪数据中用户偏好对象的偏好向量,进而生成关联的第二对比偏好概率值。
上述偏好数据跟踪模型与偏好概率预测模型构成用户偏好分析模型,该偏好数据跟踪模型与偏好概率预测模型存在逻辑关联关系,且偏好数据跟踪模型可以配置到偏好概率预测模型之前,使得偏好数据跟踪模型的预测信息可以传递到偏好概率预测模型。
步骤W108:依据偏好跟踪代价和偏好概率值代价对所述偏好数据跟踪模型和所述偏好概率预测模型进行收敛优化,获得用户偏好分析模型。
该偏好跟踪代价是依据参考用户偏好跟踪数据和对比用户偏好跟踪数据计算获得的,该偏好概率值代价是依据第一对比偏好概率值、第二对比偏好概率值和参考偏好概率值进行计算获得的。即偏好跟踪代价是基于偏好数据跟踪模型的预测信息计算的,偏好概率值代价是基于偏好概率预测模型的预测信息计算的。依据偏好跟踪代价和偏好概率值代价对所述偏好数据跟踪模型和所述偏好概率预测模型进行收敛优化,可以基于偏好概率预测模型进行收敛约束对所述偏好数据跟踪模型进行收敛优化,以及基于偏好数据跟踪模型进行收敛约束对所述偏好概率预测模型进行收敛优化。在收敛优化流程中,偏好数据跟踪模型的预测信息能够提高偏好概率预测模型的预测信息的精度,且偏好概率预测模型的预测信息可以学习训练偏好数据跟踪模型的预测信息,提高偏好数据跟踪模型的预测信息的精度。
基于以上步骤,依据基于偏好数据跟踪模型的预测信息计算的偏好跟踪代价,和基于偏好概率预测模型的预测信息计算的偏好概率值代价,来对所述偏好数据跟踪模型和所述偏好概率预测模型进行收敛优化,由此基于偏好概率预测模型进行收敛约束对所述偏好数据跟踪模型进行收敛优化,并且基于偏好数据跟踪模型进行收敛约束对所述偏好概率预测模型进行收敛优化。如此,在收敛优化流程中,可以使偏好数据跟踪模型的预测信息提高偏好概率预测模型的预测信息的精度,且偏好概率预测模型的预测信息可以学习训练偏好数据跟踪模型的预测信息,提高偏好数据跟踪模型的预测信息的精度。基于收敛的偏好数据跟踪模型以及偏好概率预测模型,可以获得更好的偏好预测性能。
下面介绍本申请实施例提供的另一种基于人工智能的用户偏好分析模型训练方法,包括以下步骤。
步骤W202:获取参考云端电商行为大数据、参考云端电商行为大数据中的参考用户偏好跟踪数据和参考云端电商行为大数据中用户偏好对象的参考偏好概率值。
参考云端电商行为大数据表征用户偏好对象的偏好向量的行为数据,例如该参考云端电商行为大数据能够为依据电子商务直播场景得到的用户偏好对象的直播关注行为数据。参考用户偏好跟踪数据表征参考云端电商行为大数据中用户偏好对象关联的行为数据部分。例如,该参考云端电商行为大数据中每个电商行为数据对应有标注信息,该标注信息包括用户偏好对象、用户行为对象以及场景对象,人工智能预测系统基于该标注信息可以预测出该参考用户偏好跟踪数据。该标注信息可以是用户手动标注,也可以是由相关的AI模型预测生成的。该参考偏好概率值指参考云端电商行为大数据中用户偏好对象的偏好概率值。
步骤W204:对参考云端电商行为大数据进行扩展延伸。
该参考云端电商行为大数据属于参考行为数据序列,该参考行为数据序列是用于对用户偏好分析模型进行收敛优化的。人工智能预测系统将参考云端电商行为大数据进行归一化处理,获得归一化后的云端电商行为大数据。之后将归一化后的云端电商行为大数据进行扩展延伸,获得扩展延伸后的云端电商行为大数据,并将扩展延伸后的云端电商行为大数据添加至参考行为数据序列。
步骤W206:基于所述偏好数据跟踪模型对所述参考云端电商行为大数据进行偏好数据跟踪,获得偏好数据跟踪模型生成的参考云端电商行为大数据中的对比用户偏好跟踪数据。
该偏好数据跟踪模型能够基于参考云端电商行为大数据的偏好向量,预测出参考云端电商行为大数据中用户偏好对象关联的对比用户偏好跟踪数据。
步骤W208:基于对比用户偏好跟踪数据与参考用户偏好跟踪数据的损失参数值对偏好数据跟踪模型进行初步收敛优化。
人工智能预测系统基于对比用户偏好跟踪数据与参考用户偏好跟踪数据,基于第一预设代价值函数可以预测代价值L1。之后依据代价值L1进行反向传播能够对偏好数据跟踪模型进行初步收敛优化。该代价值L1表征参考用户偏好跟踪数据与对比用户偏好跟踪数据的损失参数值。该第一预设代价值函数是基于第一预设代价值函数以及第二预设代价值函数的相加值计算的。
步骤W210:基于所述偏好概率预测模型对所述参考用户偏好跟踪数据进行偏好概率预测,获得偏好概率预测模型生成的参考用户偏好跟踪数据中用户偏好对象的第一对比偏好概率值,以及基于所述偏好概率预测模型对所述对比用户偏好跟踪数据进行偏好概率预测,获得偏好概率预测模型生成的对比用户偏好跟踪数据中用户偏好对象的第二对比偏好概率值。
该偏好概率预测模型可以预测传递的参考用户偏好跟踪数据中用户偏好对象的偏好向量,进而生成关联的第一对比偏好概率值。以及预测传递的对比用户偏好跟踪数据中用户偏好对象的偏好向量,进而生成关联的第二对比偏好概率值。
呈上所述,该偏好数据跟踪模型与该偏好概率预测模型构成用户偏好分析模型,该偏好数据跟踪模型与偏好概率预测模型存在逻辑关联关系,且偏好数据跟踪模型可以配置到偏好概率预测模型之前,使得偏好数据跟踪模型的预测信息可以传递到偏好概率预测模型。
步骤W212:基于第一对比偏好概率值与参考偏好概率值的损失参数值和第二对比偏好概率值与参考偏好概率值的损失参数值中的至少一种,对偏好概率预测模型进行初步收敛优化。
人工智能预测系统基于第二对比偏好概率值与参考偏好概率值,基于第二预设代价值函数可以预测代价值L2,并依据代价值L2进行反向传播对偏好概率预测模型进行初步收敛优化。该代价值L2表征第二对比偏好概率值与参考偏好概率值的损失参数值。该第二预设代价值函数是依据第三预设代价函数计算的。
人工智能预测系统基于第一对比偏好概率值与参考偏好概率值,基于上述预设代价值函数可以预测代价值L4,并依据代价值L4进行反向传播对偏好概率预测模型进行初步收敛优化。该代价值L4表征第一对比偏好概率值与参考偏好概率值的损失参数值。
例如,人工智能预测系统还能够将参考云端电商行为大数据传递到偏好概率预测模型,获得第三对比偏好概率值,并基于第三对比偏好概率值与参考偏好概率值,基于上述预设代价值函数可以预测第五代价值,并依据第五代价值进行反向传播对偏好概率预测模型进行初步收敛优化。
呈上所述,在对偏好数据跟踪模型和偏好概率预测模型进行初步收敛优化时,是单独针对偏好数据跟踪模型或偏好概率预测模型进行收敛优化,针对收敛优化的前后时序不作具体限定。此外在整个优化流程中无需将偏好数据跟踪模型与偏好概率预测模型存在逻辑关联关系。在对偏好数据跟踪模型和偏好概率预测模型进行初步收敛优化之前,人工智能预测系统还能够基于公开的收敛优化数据对偏好数据跟踪模型和偏好概率预测模型进行收敛优化,实现偏好数据跟踪模型和偏好概率预测模型的初始化。
步骤W214:依据偏好跟踪代价和偏好概率值代价对所述偏好数据跟踪模型和所述偏好概率预测模型进行收敛优化,获得用户偏好分析模型。
该偏好跟踪代价是基于偏好数据跟踪模型的预测信息计算的,偏好概率值代价是基于偏好概率预测模型的预测信息计算的。偏好跟踪代价是依据参考用户偏好跟踪数据和对比用户偏好跟踪数据计算获得的,偏好概率值代价是依据第一对比偏好概率值、第二对比偏好概率值和参考偏好概率值进行计算获得的。依据偏好跟踪代价和偏好概率值代价对所述偏好数据跟踪模型和所述偏好概率预测模型进行收敛优化,可以基于偏好概率预测模型进行收敛约束对所述偏好数据跟踪模型进行收敛优化,并且基于偏好数据跟踪模型进行收敛约束对所述偏好概率预测模型进行收敛优化。
例如,步骤W214具体执行实施方式步骤可以包括以下步骤W2142至S2146。
在步骤W2142中,将所述偏好概率预测模型的模型权重进行维持,依据偏好跟踪代价和偏好概率值代价对所述偏好数据跟踪模型进行收敛优化。
人工智能预测系统将所述偏好概率预测模型的模型权重进行维持。并计算所述偏好跟踪代价中的代价值L1,以及确定偏好概率值代价中的代价值L2和代价值L3。之后基于代价值L1、代价值L2和代价值L3的加权代价值对所述偏好数据跟踪模型进行收敛优化。其中,代价值L1表征参考用户偏好跟踪数据与对比用户偏好跟踪数据的损失参数值,代价值L2表征第二对比偏好概率值与参考偏好概率值的损失参数值,代价值L3表征第一对比偏好概率值与第二对比偏好概率值的损失参数值。
例如,人工智能预测系统确定代价值L1、代价值L2和代价值L3,以及对所述偏好数据跟踪模型进行收敛优化的实现方式如下。
人工智能预测系统依据参考用户偏好跟踪数据与对比用户偏好跟踪数据,基于第一预设代价值函数可以预测代价值L1,该第一预设代价值函数是基于第一预设代价值函数以及第二预设代价值函数的相加值计算的。人工智能预测系统依据第二对比偏好概率值与参考偏好概率值,基于第二预设代价值函数可以预测代价值L2,第二预设代价值函数是依据第三预设代价函数计算的。人工智能预测系统依据第一对比偏好概率值与第二对比偏好概率值,基于第三预设代价值函数可以预测代价值L3,该第三预设代价值函数为用于计算第一对比偏好概率值与第二对比偏好概率值的损失参数值的函数。在确定代价值L1、代价值L2和代价值L3后,人工智能预测系统基于代价值L1、代价值L2和代价值L3的加权代价值,可以预测目标跟踪代价值。之后依据目标跟踪代价值在偏好数据跟踪模型中进行反向传播对所述偏好数据跟踪模型进行收敛优化,此时偏好概率预测模型只进行前向传播。
其中,前述的第一预设代价值函数、第二预设代价值函数、第三预设代价值函数可以依据实际需求进行选定,例如铰链损失函数、交叉熵损失函数、指数损失函数等,但不限制于此。
此外,为了提高训练过程中的约束效果,人工智能预测系统会将目标跟踪代价值中的代价值L2与代价值L3分别与时域权重优化系数进行融合计算,获得融合目标跟踪代价值。时域权重优化系数的数值与对所述偏好数据跟踪模型进行收敛优化的历史优化信息关联。并依据融合目标跟踪代价值在偏好数据跟踪模型中进行反向传播对所述偏好数据跟踪模型进行收敛优化。
在步骤W2144中,将所述偏好数据跟踪模型的模型权重进行维持,依据偏好概率值代价对所述偏好概率预测模型进行收敛优化。
人工智能预测系统将所述偏好数据跟踪模型的模型权重进行维持。并确定偏好概率值代价中的代价值L4、代价值L2和代价值L3。之后基于代价值L4、代价值L2和代价值L3的加权代价值对所述偏好概率预测模型进行收敛优化。其中,代价值L4表征第一对比偏好概率值与参考偏好概率值的损失参数值,代价值L2表征第二对比偏好概率值与参考偏好概率值的损失参数值,代价值L3表征第一对比偏好概率值与第二对比偏好概率值的损失参数值。
例如,人工智能预测系统确定代价值L4、代价值L2和代价值L3,以及对所述偏好概率预测模型进行收敛优化的实现方式如下。
人工智能预测系统依据第一对比偏好概率值与参考偏好概率值,基于第四预设代价值函数计算代价值L4,该第四预设代价值函数是依据第三预设代价函数计算的。人工智能预测系统依据第二对比偏好概率值与参考偏好概率值,基于第二预设代价值函数计算代价值L2,第二预设代价值函数是依据第三预设代价函数计算的。人工智能预测系统依据第一对比偏好概率值与第二对比偏好概率值,基于第三预设代价值函数计算代价值L3,第三预设代价值函数为用于计算第一对比偏好概率值与第二对比偏好概率值的损失参数值的函数。例如该第三预设代价值函数为L1预设代价值函数。在确定代价值L4、代价值L2和代价值L3后,人工智能预测系统基于代价值L4、代价值L2和代价值L3的加权代价值,可以预测概率预测代价值。之后依据概率预测代价值在偏好概率预测模型中进行反向传播对所述偏好概率预测模型进行收敛优化,此时偏好数据跟踪模型只进行前向传播。
在步骤W2146中,循环交替执行上述步骤W2142和步骤W2144。
例如,人工智能预测系统在对所述偏好数据跟踪模型和所述偏好概率预测模型进行收敛优化的过程中,可以循环交替执行对所述偏好数据跟踪模型和所述偏好概率预测模型进行收敛优化。例如,一次偏好数据跟踪模型的收敛优化后进行一次偏好概率预测模型的收敛优化,这两次收敛优化过程中可以定义为一个收敛优化单位,人工智能预测系统依据总收敛优化单位数,交替对所述偏好数据跟踪模型和所述偏好概率预测模型进行收敛优化。直至当前收敛优化单位数达到总收敛优化单位数。
基于以上步骤,依据基于偏好数据跟踪模型的预测信息计算的偏好跟踪代价,和基于偏好概率预测模型的预测信息计算的偏好概率值代价,来对所述偏好数据跟踪模型和所述偏好概率预测模型进行收敛优化,由此基于偏好概率预测模型进行收敛约束对所述偏好数据跟踪模型进行收敛优化,并且基于偏好数据跟踪模型进行收敛约束对所述偏好概率预测模型进行收敛优化。如此,在收敛优化流程中,可以使偏好数据跟踪模型的预测信息提高偏好概率预测模型的预测信息的精度,且偏好概率预测模型的预测信息可以学习训练偏好数据跟踪模型的预测信息,提高偏好数据跟踪模型的预测信息的精度。基于收敛的偏好数据跟踪模型以及偏好概率预测模型,可以获得更好的偏好预测性能。
一种可能的设计思路中,还通过维持偏好数据跟踪模型和偏好概率预测模型中的某个模型的权重信息,对另一个模型的权重信息收敛优化,且交替对所述偏好数据跟踪模型和所述偏好概率预测模型进行收敛优化,实现依据偏好数据跟踪模型和所述偏好概率预测模型的预测信息来对其中的一个模型的权重信息进行收敛优化,有效提高用户偏好分析模型生成的精度。
一种可能的设计思路中,还基于确定代价值L1、代价值L2和代价值L3来对所述偏好数据跟踪模型进行收敛优化,基于多种代价值来实现偏好数据跟踪模型的收敛优化,能够有效提高偏好数据跟踪模型的精度。
一种可能的设计思路中,还基于第一预设代价值函数、第二预设代价值函数和第三预设代价值函数计算目标跟踪代价值,可以快速计算目标跟踪代价值,且基于目标跟踪代价值对所述偏好数据跟踪模型进行收敛优化能够提高偏好数据跟踪模型的精度。
一种可能的设计思路中,还基于时域权重优化系数,动态调整对所述偏好数据跟踪模型进行收敛优化过程中,偏好概率预测模型对偏好数据跟踪模型的训练约束效果。在保证偏好数据跟踪模型快速训练优化的同时,也可以减少训练误差,进一步提高偏好数据跟踪模型的精度。
一种可能的设计思路中,还基于确定代价值L4、代价值L2和代价值L3来对所述偏好概率预测模型进行收敛优化,基于多种代价值来实现偏好概率预测模型的收敛优化,能够有效提高偏好概率预测模型的精度。
一种可能的设计思路中,还基于第四预设代价值函数、第二预设代价值函数和第三预设代价值函数计算概率预测代价值,可以快速㾡概率预测代价值,且基于概率预测代价值对所述偏好概率预测模型进行收敛优化能够提高偏好概率预测模型的精度。
下面介绍本申请实施例提供的基于大数据信息反馈的信息推送方法,包括以下步骤。
步骤W302:从目标用户在预设电商平台上的数据库中提取与当前开发业务相关的云端电商行为大数据。
该云端电商行为大数据表征待进行偏好概率值生成的行为数据。该云端电商行为大数据表征用户偏好对象的偏好向量的行为数据。例如,该云端电商行为大数据表征依据电子商务直播场景得到的用户偏好对象的直播关注行为数据。
步骤W304:依据偏好数据跟踪模型对所述云端电商行为大数据进行偏好数据跟踪,获得偏好数据跟踪模型生成的云端电商行为大数据中的用户偏好跟踪数据。
该偏好数据跟踪模型能够基于云端电商行为大数据的偏好向量,预测出云端电商行为大数据中用户偏好对象关联的用户偏好跟踪数据。
步骤W306:依据偏好概率预测模型对所述用户偏好跟踪数据进行偏好概率预测,获得偏好概率预测模型生成的用户偏好跟踪数据中用户偏好对象的偏好概率值。
该偏好概率预测模型可以预测传递的用户偏好跟踪数据中用户偏好对象的偏好向量,进而生成关联的用户偏好跟踪数据中用户偏好对象的偏好概率值。前述偏好数据跟踪模型与偏好概率预测模型构成用户偏好分析模型,偏好数据跟踪模型与偏好概率预测模型存在逻辑关联关系,且偏好数据跟踪模型可以配置到偏好概率预测模型之前。并且,偏好数据跟踪模型是依据偏好概率预测模型的预测信息进行收敛优化的,偏好概率预测模型依据偏好数据跟踪模型的预测信息进行收敛优化的。该用户偏好分析模型可以是基于前述的步骤W202至S214进行模型收敛优化后的人工智能网络模型。
步骤W308,基于所述用户偏好对象的偏好概率值,生成所述目标用户与当前开发业务相关的偏好热力图,并根据所述偏好热力图对所述目标用户推送与所述当前开发业务关联的目标订阅引导信息。
例如,所述目标用户与当前开发业务相关的偏好热力图可以用于表征每个用户偏好对象的偏好概率值在时间维度上的变化数据。
譬如,根据所述偏好热力图对所述目标用户推送与所述当前开发业务关联的目标订阅引导信息的过程中,可以将预设时间段内偏好概率值持续上涨的用户偏好对象确定为目标用户偏好对象,然后基于每个目标用户偏好对象的最新偏好概率值进行降序排序,并依据排序顺序将目标用户偏好对象对应的订阅引导页面分别推送给所述目标用户所对应的用户终端。
基于以上步骤,通过使偏好数据跟踪模型的预测信息提高偏好概率预测模型的预测信息的精度,且偏好概率预测模型的预测信息可以学习训练偏好数据跟踪模型的预测信息,提高偏好数据跟踪模型的预测信息的精度,基于收敛的偏好数据跟踪模型以及偏好概率预测模型,可以获得更好的偏好预测性能,进而对用户偏好跟踪数据进行偏好概率预测,基于用户偏好对象的偏好概率值,生成目标用户与当前开发业务相关的偏好热力图,并根据偏好热力图对目标用户推送与当前开发业务关联的目标订阅引导信息,提高当前开发业务的订阅引导精度。
一种可基于独立构思的实施例中,参见图3所示,该人工智能预测系统100可以包括:处理器101和机器可读存储介质102。其中,所述机器可读存储介质102用于存储支持该人工智能预测系统100执行上述前述任意一种实施例中提供的基于大数据信息反馈的信息推送方法的程序,所述处理器101被配置为用于执行所述机器可读存储介质102中存储的程序。
所述程序包括一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器101执行时能够实现前述任意一种实施例中的全部或部分步骤。
其中,所述人工智能预测系统100的架构中还可以包括通信单元103,用于该人工智能预测系统100与其它设备或通信网络通信(例如电子商务服务系统200)。
另外,本申请实施例提供了一种计算机存储介质,用于储存上述人工智能预测系统100所用的计算机软件指令,其包含用于执行上述前述任意一种方法实施例中基于大数据信息反馈的信息推送方法所涉及的程序。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于电商行为大数据的信息推送方法,其特征在于,应用于所述人工智能预测系统,所述方法包括:
从目标用户在预设电商平台上的数据库中提取与当前开发业务相关的云端电商行为大数据,所述云端电商行为大数据表征用户偏好对象的偏好向量的行为数据;
依据偏好数据跟踪模型对所述云端电商行为大数据进行偏好数据跟踪,获得所述偏好数据跟踪模型生成的所述云端电商行为大数据中的用户偏好跟踪数据,所述用户偏好跟踪数据表征所述云端电商行为大数据中用户偏好对象关联的行为数据部分;
依据偏好概率预测模型对所述用户偏好跟踪数据进行偏好概率预测,获得所述偏好概率预测模型生成的所述用户偏好跟踪数据中用户偏好对象的偏好概率值,所述偏好数据跟踪模型与所述偏好概率预测模型构成用户偏好分析模型,所述偏好数据跟踪模型与所述偏好概率预测模型存在逻辑关联关系,所述偏好数据跟踪模型是依据所述偏好概率预测模型的预测信息进行收敛优化的,所述偏好概率预测模型依据所述偏好数据跟踪模型的预测信息进行收敛优化的;
基于所述用户偏好对象的偏好概率值,生成所述目标用户与当前开发业务相关的偏好热力图,并根据所述偏好热力图对所述目标用户推送与所述当前开发业务关联的目标订阅引导信息。
2.根据权利要求1所述的基于电商行为大数据的信息推送方法,其特征在于,所述用户偏好分析模型的训练步骤包括:
获取参考云端电商行为大数据、所述参考云端电商行为大数据中的参考用户偏好跟踪数据和所述参考云端电商行为大数据中用户偏好对象的参考偏好概率值,所述参考云端电商行为大数据表征用户偏好对象的偏好向量的行为数据,所述参考用户偏好跟踪数据表征所述参考云端电商行为大数据中用户偏好对象关联的行为数据部分;
基于所述偏好数据跟踪模型对所述参考云端电商行为大数据进行偏好数据跟踪,获得所述偏好数据跟踪模型生成的所述参考云端电商行为大数据中的对比用户偏好跟踪数据;
基于所述偏好概率预测模型对所述参考用户偏好跟踪数据进行偏好概率预测,获得所述偏好概率预测模型生成的所述参考用户偏好跟踪数据中用户偏好对象的第一对比偏好概率值,以及基于所述偏好概率预测模型对所述对比用户偏好跟踪数据进行偏好概率预测,获得所述偏好概率预测模型生成的所述对比用户偏好跟踪数据中用户偏好对象的第二对比偏好概率值;
将所述偏好概率预测模型的模型权重进行维持,依据偏好跟踪代价和偏好概率值代价对所述偏好数据跟踪模型进行收敛优化,将所述偏好数据跟踪模型的模型权重进行维持,依据所述偏好概率值代价对所述偏好概率预测模型进行收敛优化,获得用户偏好分析模型;其中,所述偏好跟踪代价是依据所述参考用户偏好跟踪数据和所述对比用户偏好跟踪数据计算获得的,所述偏好概率值代价是依据所述第一对比偏好概率值、所述第二对比偏好概率值和所述参考偏好概率值进行计算获得的。
3.根据权利要求2所述的基于电商行为大数据的信息推送方法,其特征在于,所述将所述偏好概率预测模型的模型权重进行维持,依据偏好跟踪代价和偏好概率值代价对所述偏好数据跟踪模型进行收敛优化,包括:
将所述偏好概率预测模型的模型权重进行维持;
计算所述偏好跟踪代价中的代价值L1,并计算所述偏好概率值代价中的代价值L2和代价值L3,基于所述代价值L1、所述代价值L2和所述代价值L3的加权代价值对所述偏好数据跟踪模型进行收敛优化;
其中,所述代价值L1表征所述参考用户偏好跟踪数据与所述对比用户偏好跟踪数据的损失参数值,所述代价值L2表征所述第二对比偏好概率值与所述参考偏好概率值的损失参数值,所述代价值L3表征所述第一对比偏好概率值与所述第二对比偏好概率值的损失参数值。
4.根据权利要求3所述的基于电商行为大数据的信息推送方法,其特征在于,所述计算所述偏好跟踪代价中的代价值L1,包括:
依据所述参考用户偏好跟踪数据与所述对比用户偏好跟踪数据,基于第一预设代价值函数计算所述代价值L1,所述第一预设代价值函数是基于第一预设代价值函数以及第二预设代价值函数的相加值计算的;
所述计算所述偏好概率值代价中的代价值L2和代价值L3,包括:
依据所述第二对比偏好概率值与所述参考偏好概率值,基于第二预设代价值函数计算所述代价值L2,所述第二预设代价值函数是依据第三预设代价函数计算的;
依据所述第一对比偏好概率值与所述第二对比偏好概率值,基于第三预设代价值函数计算所述代价值L3,所述第三预设代价值函数为用于计算所述第一对比偏好概率值与所述第二对比偏好概率值的损失参数值的函数。
5.根据权利要求3所述的基于电商行为大数据的信息推送方法,其特征在于,所述基于所述代价值L1、所述代价值L2和所述代价值L3的加权代价值对所述偏好数据跟踪模型进行收敛优化,包括:
基于所述代价值L1、所述代价值L2和所述代价值L3的加权代价值,计算目标跟踪代价值;
依据所述目标跟踪代价值在所述偏好数据跟踪模型中进行反向传播对所述偏好数据跟踪模型进行收敛优化。
6.根据权利要求5所述的基于电商行为大数据的信息推送方法,其特征在于,所述依据所述目标跟踪代价值在所述偏好数据跟踪模型中进行反向传播对所述偏好数据跟踪模型进行收敛优化,包括:
将所述目标跟踪代价值中的所述代价值L2与所述代价值L3分别与时域权重优化系数进行融合计算,获得融合目标跟踪代价值,所述时域权重优化系数的数值与对所述偏好数据跟踪模型进行收敛优化的历史优化信息关联;
依据所述融合目标跟踪代价值在所述偏好数据跟踪模型中进行反向传播对所述偏好数据跟踪模型进行收敛优化。
7.根据权利要求2所述的基于电商行为大数据的信息推送方法,其特征在于,所述将所述偏好数据跟踪模型的模型权重进行维持,依据所述偏好概率值代价对所述偏好概率预测模型进行收敛优化,包括:
将所述偏好数据跟踪模型的模型权重进行维持,并计算所述偏好概率值代价中的代价值L4、代价值L2和代价值L3;
基于所述代价值L4、所述代价值L2和所述代价值L3的加权代价值对所述偏好概率预测模型进行收敛优化,所述代价值L4表征所述第一对比偏好概率值与所述参考偏好概率值的损失参数值,所述代价值L2表征所述第二对比偏好概率值与所述参考偏好概率值的损失参数值,所述代价值L3表征所述第一对比偏好概率值与所述第二对比偏好概率值的损失参数值。
8.根据权利要求7所述的基于电商行为大数据的信息推送方法,其特征在于,所述计算所述偏好概率值代价中的代价值L4、代价值L2和代价值L3,包括:
依据所述第一对比偏好概率值与所述参考偏好概率值,基于第四预设代价值函数计算所述代价值L4,所述第四预设代价值函数是依据第三预设代价函数计算的;
依据所述第二对比偏好概率值与所述参考偏好概率值,基于第二预设代价值函数计算所述代价值L2,所述第二预设代价值函数是依据第三预设代价函数计算的;
依据所述第一对比偏好概率值与所述第二对比偏好概率值,基于第三预设代价值函数计算所述代价值L3,所述第三预设代价值函数为用于计算所述第一对比偏好概率值与所述第二对比偏好概率值的损失参数值的函数;
所述基于所述代价值L4、所述代价值L2和所述代价值L3的加权代价值对所述偏好概率预测模型进行收敛优化,包括:
基于所述代价值L4、所述代价值L2和所述代价值L3的加权代价值,计算概率预测代价值;
依据所述概率预测代价值在所述偏好概率预测模型中进行反向传播对所述偏好概率预测模型进行收敛优化。
9.根据权利要求1-8中任意一项所述的基于电商行为大数据的信息推送方法,其特征在于,所述根据所述偏好热力图对所述目标用户推送与所述当前开发业务关联的目标订阅引导信息的步骤之后,所述方法还包括:
获取目标用户针对当前开发业务关联的目标订阅引导信息的订阅反馈数据,所述订阅反馈数据包括所述目标用户在所述目标订阅引导信息所关联的订阅引导页面序列下的页面操作数据;
获取所述订阅反馈数据的页面操作意图分布,对所述页面操作意图分布中各个页面操作意图进行引导转化价值分析,得到用于表示页面操作意图的引导转化价值的引导转化价值参数;
依据页面操作意图的所述引导转化价值参数,获得页面操作意图分布中的关键页面操作意图,其中,具体依据引导转化价值参数对页面操作意图进行引导转化价值进行降序排序,得到页面操作意图清单,从页面操作意图清单中选择排序前N的页面操作意图确定为关键页面操作意图;
依据所述关键页面操作意图,获取所述订阅反馈数据中的关键订阅反馈内容,其中,所述关键订阅反馈内容表征的页面操作意图中存在所述关键页面操作意图;
对所述关键订阅反馈内容进行聚合获得关键订阅反馈数据,并基于所述关键订阅反馈数据对当前开发业务生成所述目标用户对应的业务推送信息。
10.一种人工智能预测系统,其特征在于,所述人工智能预测系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有计算机程序,所述计算机程序基于该处理器加载并执行以实现权利要求1-9中任意一项的基于电商行为大数据的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210824208.XA CN115114531B (zh) | 2021-12-07 | 2021-12-07 | 基于电商行为大数据的信息推送方法及人工智能预测系统 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210824208.XA CN115114531B (zh) | 2021-12-07 | 2021-12-07 | 基于电商行为大数据的信息推送方法及人工智能预测系统 |
CN202111488878.0A CN114154069B (zh) | 2021-12-07 | 2021-12-07 | 基于大数据信息反馈的信息推送方法及人工智能预测系统 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111488878.0A Division CN114154069B (zh) | 2021-12-07 | 2021-12-07 | 基于大数据信息反馈的信息推送方法及人工智能预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115114531A true CN115114531A (zh) | 2022-09-27 |
CN115114531B CN115114531B (zh) | 2023-04-25 |
Family
ID=80453394
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210824208.XA Active CN115114531B (zh) | 2021-12-07 | 2021-12-07 | 基于电商行为大数据的信息推送方法及人工智能预测系统 |
CN202111488878.0A Active CN114154069B (zh) | 2021-12-07 | 2021-12-07 | 基于大数据信息反馈的信息推送方法及人工智能预测系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111488878.0A Active CN114154069B (zh) | 2021-12-07 | 2021-12-07 | 基于大数据信息反馈的信息推送方法及人工智能预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115114531B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982236A (zh) * | 2022-12-23 | 2023-04-18 | 邓小东 | 一种应用于ai的大数据优化方法及服务器 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114218493A (zh) * | 2021-12-23 | 2022-03-22 | 淄博云科互联网信息技术有限公司 | 基于人工智能的云端业务大数据挖掘方法及云计算系统 |
CN114900554B (zh) * | 2022-04-28 | 2023-07-21 | 河南省中视新科文化产业有限公司 | 一种基于大数据的社交媒体信息精准推送系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080256017A1 (en) * | 2007-04-12 | 2008-10-16 | Kabushiki Kaisha Toshiba | Information evaluation system and method for evaluating information |
CN106909663A (zh) * | 2017-02-27 | 2017-06-30 | 杭州泰指尚科技有限公司 | 基于标签用户品牌偏好行为预测方法及其装置 |
CN110427545A (zh) * | 2018-04-26 | 2019-11-08 | 中移(苏州)软件技术有限公司 | 一种信息推送方法及系统 |
CN111460130A (zh) * | 2020-03-27 | 2020-07-28 | 咪咕数字传媒有限公司 | 信息推荐方法、装置、设备和可读存储介质 |
CN111935513A (zh) * | 2020-07-14 | 2020-11-13 | 广东工业大学 | 一种面向家庭用户的网络电视节目推荐方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009051988A1 (en) * | 2007-10-15 | 2009-04-23 | Spinact, Llc | Online virtual knowledge marketplace |
CN111931064B (zh) * | 2020-08-28 | 2021-07-06 | 南京硅基智能科技有限公司 | 基于大数据和人工智能的信息解析方法及云服务信息平台 |
CN113326441A (zh) * | 2020-11-17 | 2021-08-31 | 崔海燕 | 基于大数据业务定位的信息推送方法及系统 |
CN113299382A (zh) * | 2021-06-20 | 2021-08-24 | 李春雨 | 基于人工智能的智慧医疗信息决策方法及云计算系统 |
CN113345570A (zh) * | 2021-06-20 | 2021-09-03 | 刘钢 | 基于区块链和智慧医疗的大数据提取方法及大数据系统 |
-
2021
- 2021-12-07 CN CN202210824208.XA patent/CN115114531B/zh active Active
- 2021-12-07 CN CN202111488878.0A patent/CN114154069B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080256017A1 (en) * | 2007-04-12 | 2008-10-16 | Kabushiki Kaisha Toshiba | Information evaluation system and method for evaluating information |
CN106909663A (zh) * | 2017-02-27 | 2017-06-30 | 杭州泰指尚科技有限公司 | 基于标签用户品牌偏好行为预测方法及其装置 |
CN110427545A (zh) * | 2018-04-26 | 2019-11-08 | 中移(苏州)软件技术有限公司 | 一种信息推送方法及系统 |
CN111460130A (zh) * | 2020-03-27 | 2020-07-28 | 咪咕数字传媒有限公司 | 信息推荐方法、装置、设备和可读存储介质 |
CN111935513A (zh) * | 2020-07-14 | 2020-11-13 | 广东工业大学 | 一种面向家庭用户的网络电视节目推荐方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982236A (zh) * | 2022-12-23 | 2023-04-18 | 邓小东 | 一种应用于ai的大数据优化方法及服务器 |
CN115982236B (zh) * | 2022-12-23 | 2023-08-22 | 海南益磊投资有限公司 | 一种应用于ai的大数据优化方法及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN114154069B (zh) | 2022-08-12 |
CN115114531B (zh) | 2023-04-25 |
CN114154069A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114154069B (zh) | 基于大数据信息反馈的信息推送方法及人工智能预测系统 | |
Yang et al. | Semantic communications for future internet: Fundamentals, applications, and challenges | |
CN110909182A (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
McCarthy et al. | Experience-based critiquing: Reusing critiquing experiences to improve conversational recommendation | |
Hu et al. | Mining mobile intelligence for wireless systems: a deep neural network approach | |
Chinnappan et al. | Complexity–consistency trade‐off in multi‐attribute decision making for vertical handover in heterogeneous wireless networks | |
CN112100504B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
US20230031522A1 (en) | Recommendation method and apparatus based on automatic feature grouping | |
CN111881358B (zh) | 一种对象推荐系统、方法、装置、电子设备和存储介质 | |
CN116450982A (zh) | 一种基于云服务推送的大数据分析方法及系统 | |
CN113449183A (zh) | 基于离线用户环境和动态奖励的交互式推荐方法和系统 | |
Huang et al. | Adaptive resource prefetching with spatial–temporal and topic information for educational cloud storage systems | |
Gao et al. | A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction | |
CN113570440A (zh) | 基于电子商务大数据的信息推送方法及电子商务系统 | |
Luo et al. | HySAGE: A hybrid static and adaptive graph embedding network for context-drifting recommendations | |
Hou et al. | A deep reinforcement learning real-time recommendation model based on long and short-term preference | |
WO2024051707A1 (zh) | 训练推荐模型的方法、推荐资源的方法及其装置 | |
CN107730306B (zh) | 基于多维偏好模型的电影评分预测与偏好估计方法 | |
CN112541556A (zh) | 模型构建优化方法、设备、介质及计算机程序产品 | |
CN114218493A (zh) | 基于人工智能的云端业务大数据挖掘方法及云计算系统 | |
CN114896502B (zh) | 应用ai和大数据分析的用户需求决策方法及互联网系统 | |
Cao et al. | Meta-wrapper: Differentiable wrapping operator for user interest selection in CTR prediction | |
WO2023121736A1 (en) | Content recommendation based on graph enhanced collaborative filtering | |
CN114581139A (zh) | 基于大数据意图挖掘的内容更新方法及深度学习服务系统 | |
CN113705683A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230407 Address after: 518000 A2806, Block A, Longguang Jiuzuan Business Center, Tenglong Road, Daling Community, Minzhi Street, Longhua District, Shenzhen City, Guangdong Province Applicant after: Chuangmao Technology (Shenzhen) Group Co.,Ltd. Address before: 655000 Room 302, unit 2, North building, No. 168, Nanning North Road, Qilin District, Qujing City, Yunnan Province Applicant before: Zhang Chunyan |
|
GR01 | Patent grant | ||
GR01 | Patent grant |