CN115204931A - 用户服务策略确定方法、装置及电子设备 - Google Patents
用户服务策略确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115204931A CN115204931A CN202210462429.7A CN202210462429A CN115204931A CN 115204931 A CN115204931 A CN 115204931A CN 202210462429 A CN202210462429 A CN 202210462429A CN 115204931 A CN115204931 A CN 115204931A
- Authority
- CN
- China
- Prior art keywords
- user
- entity
- graph
- information
- service
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000013598 vector Substances 0.000 claims abstract description 108
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 38
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种用户服务策略确定方法、装置、电子设备及计算机可读介质。该方法包括：基于服务任务生成用户的四元组信息，其中所述四元组信息中包含待确定的目标实体；根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索；基于多个线索和图向量模型生成多个子图向量；将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体；根据所述目标实体确定所述用户的服务策略。本申请涉及的用户服务策略确定方法、装置、电子设备及计算机可读介质，能够在不依赖专家经验的情况下，不受应用领域的限制，结合历史时序数据确定用户的服务策略，提高用户服务效率和满意度、确保系统数据安全和交易服务安全。
Description
技术领域
本申请涉及计算机信息处理领域，具体而言，涉及一种用户服务策略确定方法、装置、电子设备及计算机可读介质。
背景技术
现实中经常需要对未来事件进行推理预测，根据预测结果，指导当前的服务决策。例如用户在某个时刻对某个商品的购买意愿、用户在被电话营销后是否发生转化，都需要一个智能决策系统事先去推理预测，指导要不要给用户推荐该商品或者对其进行电话营销或者是其他的用户策略。
现有技术中，为用户提供服务策略常用的推理预测系统，一类是基于经验规则的，这类系统比较简单，但高度依赖专家经验，难以综合考虑外界复杂多变因素对未来事件的影响。另外一类是基于模型的，这类系统将当前状态的相关特征输入到模型中，模型对未来事件进行预测，但这类方法没有考虑历史线索，导致推断预测的准确率不高。
现有的方法要么没有考虑历史线索对当前预测的影响，导致预测准确率不高；要么依靠专家经验，导致成本很高。因此，需要一种新的用户服务策略确定方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本申请的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本申请提供一种用户服务策略确定方法、装置、电子设备及计算机可读介质，能够在不依赖专家经验的情况下，不受应用领域的限制，结合历史时序数据确定用户的服务策略，提高用户服务效率和满意度、确保系统数据安全和交易服务安全。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请的一方面，提出一种用户服务策略确定方法，该方法包括：基于服务任务生成用户的四元组信息，其中所述四元组信息中包含待确定的目标实体；根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索；基于多个线索和图向量模型生成多个子图向量；将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体；根据所述目标实体确定所述用户的服务策略。
可选地，还包括：根据多个用户的四元组信息生成所述用户图谱，所述四元组信息包括：主体实体、客体实体、实体关系、时间；和/或基于所述用户图谱和用户四元组样本集合对第一神经网络模型和/或第二神经网络模型进行训练以生成所述图向量模型和/或所述实体预测模型。
可选地，基于服务任务生成用户的四元组信息，包括：提取所述服务任务的服务目标；基于所述服务目标确定目标实体，所述目标实体为主体实体或客体实体；根据所述目标实体和所述用户的用户信息生成用户的所述四元组信息。
可选地，根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索，包括：根据所述用户的四元组信息在所述用户图谱中确定初始节点；基于所述初始节点在所述用户图谱中进行游走直至达到预设游走步数；根据游走到达的所述用户图谱中的边和节点生成所述多个线索。
可选地，根据游走到达的所述用户图谱中的边和节点生成所述多个线索，包括：根据游走到达的所述用户图谱中的边和节点之间的关联关系生成多个边和节点集合；根据所述多个边和节点集合对应生成多个线索。
可选地，基于多个线索和图向量模型生成多个子图向量，包括：根据多个线索集合对应的实体的时态生成多个子图；将所述多个子图分别输入所述图向量模型中生成所述多个子图向量。
可选地，将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体，包括：将所述多个子图向量输入实体预测模型中以生成多个实体对应的预测概率；根据所述多个实体对应的预测概率确定所述用户对应的目标实体。
可选地，根据多个用户的四元组信息生成所述用户图谱，包括：确定至少一个主体实体和至少一个客体实体；根据所述至少一个主体实体和至少一个客体实体确定实体关系和时间；根据所述至少一个主体实体、所述至少一个客体实体、实体关系、时间生成用户的四元组信息；将所述至少一个主体实体、所述至少一个客体实体作为节点，将所述实体关注作为边，将所述时间作为边的属性信息生成所述用户图谱。
可选地，基于所述用户图谱和用户四元组样本集合对第一神经网络模型和/或第二神经网络模型进行训练以生成所述图向量模型和/或所述实体预测模型，包括：确定所述用户四元组样本集合中的已知实体和样本实体；将所述已经实体对应的节点作为初始节点；基于所述初始节点在所述用户图谱中进行游走以生成多个线索集合；根据所述多个线索集合对所述第一神经网络模型进行训练以生成所述图向量模型；根据图向量模型的计算结果对所述第二神经网络模型进行训练以生成所述实体预测模型。
根据本申请的一方面，提出一种用户服务策略确定装置，该装置包括：四元组模块，用于基于服务任务生成用户的四元组信息，其中所述四元组信息中包含待确定的目标实体；搜索模块，用于根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索；图向量模块，用于基于多个线索和图向量模型生成多个子图向量；实体模块，用于将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体；策略模块，用于根据所述目标实体确定所述用户的服务策略。
根据本申请的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
根据本申请的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本申请的用户服务策略确定方法、装置、电子设备及计算机可读介质，通过基于服务任务生成用户的四元组信息，其中所述四元组信息中包含待确定的目标实体；根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索；基于多个线索和图向量模型生成多个子图向量；将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体；根据所述目标实体确定所述用户的服务策略的方式，能够在不依赖专家经验的情况下，不受应用领域的限制，结合历史时序数据确定用户的服务策略，提高用户服务效率和满意度、确保系统数据安全和交易服务安全。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
通过参照附图详细描述其示例实施例，本申请的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种用户服务策略确定方法及装置的系统框图。
图2是根据一示例性实施例示出的一种用户服务策略确定方法的流程图。
图3是根据另一示例性实施例示出的一种用户服务策略确定方法的流程图。
图4是根据另一示例性实施例示出的一种用户服务策略确定方法的流程图。
图5是根据另一示例性实施例示出的一种用户服务策略确定方法的流程图。
图6是根据一示例性实施例示出的一种用户服务策略确定装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本申请将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本申请概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本申请所必须的，因此不能用于限制本申请的保护范围。
本申请的用户服务策略确定方法，基于带有时序的用户图谱，通过历史线索收集、时态推断两个过程，对未来事件进行推理预测的方法。在历史线索收集阶段，将线索搜索转换为一个序列决策的数学模型,通过强化学习中的集束搜索方法，从历史已经发生的事实中归纳出多个可用的线索；在时态推断阶段，基于已经构建好的用户图谱，将收集到的历史线索组织成一系列子图，利用训练过的图向量模型，从线索中演绎推断出答案。
下面借助于具体的实施例，对申请的内容进行详细说明。
图1是根据一示例性实施例示出的一种用户服务策略确定方法及装置的系统框图。
如图1所示，系统架构10可以包括终端设备101、102、103，网络 104和服务器105。网络104用以在终端设备101、102、103和服务器105 之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如互联网服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备 101、102、103所浏览的互联网服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果 (例如服务策略)反馈给互联网服务网站的管理员和/或终端设备101、 102、103。
服务器105可例如基于服务任务生成用户的四元组信息，其中所述四元组信息中包含待确定的目标实体；服务器105可例如根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索；服务器105可例如基于多个线索和图向量模型生成多个子图向量；服务器105可例如将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体；服务器 105可例如根据所述目标实体确定所述用户的服务策略。
服务器105还可例如根据多个用户的四元组信息生成所述用户图谱，所述四元组信息包括：主体实体、客体实体、实体关系、时间。
服务器105还可例如基于所述用户图谱和用户四元组样本集合对第一神经网络模型和/或第二神经网络模型进行训练以生成所述图向量模型和/或所述实体预测模型。
服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本申请实施例所提供的用户服务策略确定方法可以由服务器105和/或终端设备101、102、103执行，相应地，用户服务策略确定装置可以设置于服务器105和/或终端设备101、102、103中。而提供给用户进行互联网服务平台浏览的网页端一般位于终端设备101、102、103 中。
本申请的用户服务策略确定方法，基于用户图谱，考虑了历史线索信息，更好地辅助推理预测，提高预测的准确性。预测结果综合考虑了历史线索信息，可解释性好。不依靠专家经验，成本低，没有领域局限性，可以灵活应用到各种场景。
图2是根据一示例性实施例示出的一种用户服务策略确定方法的流程图。用户服务策略确定方法20至少包括步骤S202至S210。
如图2所示，在S202中，基于服务任务生成用户的四元组信息，其中所述四元组信息中包含待确定的目标实体。可提取所述服务任务的服务目标；基于所述服务目标确定目标实体，所述目标实体为主体实体或客体实体；根据所述目标实体和所述用户的用户信息生成用户的所述四元组信息。
在一个具体的实施例中，服务任务可为对用户进行促销手段以使其购买产品，根据此目的，生成和此任务相关的四元组信息，四元组信息中待确定的目标实体可为销售手段，更具体的，可将其作为客体实体，主体实体可为用户，关联关系可为销售产品。更具体的，四元组信息可为(A用户，购买产品，未知的销售手段，2021.12.23)。
在S204中，根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索。可根据所述用户的四元组信息在所述用户图谱中确定初始节点；基于所述初始节点在所述用户图谱中进行游走直至达到预设游走步数；根据游走到达的所述用户图谱中的边和节点生成所述多个线索。
更具体的，可基于搜索器在用户图谱中从“A用户”对应的节点出发，通过启发式图搜索算法依次选择出边和该条边连接的节点，直到达到预先设定的最大遍历跳数，形成线索集合，该搜索过程可通过序列决策的数学模型实现。
更具体的，启发式图搜索算法通常用在图的解空间比较大的情况下，为了减少搜索所占用的空间和时间，在每一步深度扩展的时候，剪掉一些质量比较差的结点，保留下一些质量较高的结点。
更具体的，本申请中的用户图谱可为知识图谱的一种，可为时序知识图谱，该图谱中不但有事件，还有该事件发生的时间。
“根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索”的详细内容将在图3对应的实施例中进行详细描述。
在S206中，基于多个线索和图向量模型生成多个子图向量。根据多个线索集合对应的实体的时态生成多个子图；将所述多个子图分别输入所述图向量模型中以生成所述多个子图向量。
在一个实施例中，图向量模型可通过图卷积网络生成，图卷积网络 (GCN)是一类采用图卷积的神经网络，它可以直接在图上工作，并利用图的结构信息。
“基于多个线索和图向量模型生成多个子图向量”的具体过程将在图 4对应的实施例中进行详细说明；图向量模型的生成过程将在图6对应的实施例中进行详细说明。
在S208中，将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体。将所述多个子图向量输入实体预测模型中以生成多个实体对应的预测概率；根据所述多个实体对应的预测概率确定所述用户对应的目标实体。
在一个具体的实施例中，用户图谱中，销售手段对应的客体实体可包括电话销售、短信促销、发放优惠券、降低商品价格等等多个促销手段，经过实体预测模型计算之后，得到最大的预测概率对应的实体为电话销售，其对应的概率为70％，即可将电话销售作为目标实体。
在一个实施例中，实体预测模型可通过时间循环神经网络生成，时间循环神经网络适合于处理和预测时间序列中间隔和延迟非常长的重要事件。实体预测模型是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。实体预测模型可以被看作是一个有向图，由多个的节点层所组成，每一层都全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元(或称处理单元)。
实体预测模型的生成过程将在图6对应的实施例中进行详细说明。
在S210中，根据所述目标实体确定所述用户的服务策略。根据电话销售确定具体的服务策略，更具体的，还可根据用户信息生成用户画像，并根据用户画像确定对用户进行电话销售的具体时间、还有话务策略等等，本申请再次不再赘述。
现有技术中，通常是根据当前的信息确定用户的服务策略，比如，在应用上或者第三方获取经过用户授权的用户地址、姓名、职业等等信息，根据这些信息生成用户画像，并确定用户策略。
本申请的用户服务策略确定方法中，在生成用户画像时引入了历史时间，还引入了在历史时间中发生的事件。通过用户图谱将现有技术中孤立的事件通过时间相关联，从而生成了一系列的线索。每个线索在本申请中都作为一个子图处理，在实际使用过程中，基于带有时序线索的子图对用户进行分析。
在一个示例性的应用场景中，经用户A授权，获取到用户A有买房需求，他最近新安装了某售房类APP；经用户A授权，得知用户A近期频繁打开该APP浏览房产信息；经用户A授权，用户A在视频类应用中观看过一些金融类产品的广告；该金融类产品的广告主电话触达用户A，提供贷款，用户A拒绝了。
由于用户A当前的手机上没有安装理财相关的APP，仅安装了售房类 APP，而且该用户A还安装了很多游戏APP，按照现有技术的处理方式，基于对该用户当前手机端的信息进行分析，用户A会大概率会被判断为没有金融类触达价值的用户。
根据本申请中的技术方案，经过对用户可授权的信息和相关领域的分析，可在用户A对应的用户图谱中按照时间顺序建立如下事件：
事件1：经用户A授权得知用户A最近新安装了某售房类APP；
事件2：经用户A授权得知用户A频繁打开该APP浏览房产信息；
事件3：经用户A授权得知用户A在视频类应用中观看过一些金融类产品的广告；
事件4：经用户A授权得知该金融类产品的广告主电话触达用户A，提供贷款，用户A拒绝了；
事件5：最近贷款利息降低；
通过用户图谱对用户A的各个线索进行分析，推断出用户A的购房意愿和当前具备充分的推广条件(事件5)，在这种情况下，可对用户A启动贷款服务类的服务策略，进一步为该用户提供服务。
根据本申请的用户服务策略确定方法，通过基于服务任务生成用户的四元组信息，其中所述四元组信息中包含待确定的目标实体；根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索；基于多个线索和图向量模型生成多个子图向量；将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体；根据所述目标实体确定所述用户的服务策略的方式，能够在不依赖专家经验的情况下，不受应用领域的限制，结合历史时序数据确定用户的服务策略，提高用户服务效率和满意度、确保系统数据安全和交易服务安全。
应清楚地理解，本申请描述了如何形成和使用特定示例，但本申请的原理不限于这些示例的任何细节。相反，基于本申请公开的内容的教导，这些原理能够应用于许多其它实施例。
在本申请中，符号定义如下：
用户图谱
中的每个事实用四元组(es,r,eo,t)，其中 es是主体实体，eo是客体实体，r是两个实体间的关系，t是事件发生的时间。
任务目标可以表示为(es，rq,？,ts)，即基于主体实体es、关系rq、以及ts时刻之前的历史事实，推断ts时刻缺失的客体实体eo，即为公式中的“？”。(同理也可以基于客体实体推断主体实体)。
在实际应用中，在对实体进行预测时，输入为：用户图谱
需要被推断的未来事实(es,rq,？,ts)，“？”为需要求解的内容。输出的结果代表在ts时刻最可能发生的客体实体eo，eo即为求解出“？”的内容。
图3是根据另一示例性实施例示出的一种用户服务策略确定方法的流程图。图3所示的流程30是对图2所示的流程中S204“根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索”的详细描述。
更具体的，历史线索收集阶段：搜索器在用户图谱
中从es节点出发，通过集束搜索方法依次选择出边和该条边连接的节点，直到达到预先设定的最大遍历跳数I，形成线索集合，该搜索过程通过序列决策的数学模型来实现。
如图3所示，在S302中，根据所述用户的四元组信息在所述用户图谱中确定初始节点。将用户图谱
中的节点e和边r分别用d维向量表示ve和vr，并随机初始化。
在S304中，基于所述初始节点在所述用户图谱中进行游走直至达到预设游走步数。在搜索的第i步(i＝0,1,…,I-1)，搜索器所处的状态为si，可以采取的搜索行动集合为Ai＝{a0,…,ai,…,ak}， k是当前步所有候选搜索行动的个数。行动ai的向量表示
是将两个向量拼接起来。
截止到第i步的线索路径hi＝(es,a0,…,ai-1)，向量
表示线索路径hi，用时序模型建模向量
其中
上一步的线索路径向量
可利用多层感知器模型估算第i步时每个搜索行动的价值概率
其中
是由向量
组成的矩阵，即
基于π(Ai|si)值，按照从大到小选择头部K个候选搜索行为，执行集束搜索，搜索器由状态si跳转到状态si+1，i＝i+1。
重复执行搜索步骤，直到达到预先设定的最大遍历跳数I。
在S306中，根据游走到达的所述用户图谱中的边和节点生成所述多个线索。根据游走到达的所述用户图谱中的边和节点之间的关联关系生成多个边和节点集合；根据所述多个边和节点集合对应生成多个线索。
图4是根据另一示例性实施例示出的一种用户服务策略确定方法的流程图。图4所示的流程40是对图2所示的流程中S206，S208“基于多个线索和图向量模型生成多个子图向量、将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体”的详细描述。
如图4所示，在S402中，根据多个线索集合对应的实体的时态生成多个子图。把线索搜集阶段搜集到的线索，基于线索中实体发生的时态，将相同时态的实体以及实体间的关系抽取出来，得到一个子图的集合
其中ts是待推断目标任务发生的时间，其中，在时态推断阶段，可用^来区别于线索搜索阶段的符号表示。
在S404中，将所述多个子图分别输入所述图向量模型中以生成所述多个子图向量。可利用训练玩的图向量模型对每个子图
分别进行建模，得到每个子图的向量表示
再用时序模型建模对时序子图建模
依次得到向量
最后一个时态ts-1的输出向量
即为时序子图
的向量表示。
在S406中，将所述多个子图向量输入实体预测模型中以生成多个实体对应的预测概率。可利用实体预测模型估算所有实体可能是最终客体实体的概率
选择p最大且大于预先设定阈值的实体作为最终预测的客体实体。
在S408中，根据所述多个实体对应的预测概率确定所述用户对应的目标实体。
在本申请实施例中，用户可为个人用户或者企业用户，用户策略可为资源额度的分配，具体可为金融资源额度的调整，也可为电力资源、水力资源的分配。其中，用户信息可包括经过用户授权的基础信息，可例如为业务账号信息、用户的终端设备标识信息、用户所处地域信息等；用户信息还可包括行为信息，可例如为用户的页面操作数据、用户的业务访问时长、用户的业务访问频率等，用户信息的具体内容可根据实际应用场景确定，在此不做限制。更具体的，可基于用户授权采用网页埋点的方式获取当前用户的用户信息。远端信息可为用户在其他交易平台或者其他业务部门的用户数据。可由用户信息信息中提取和任务相关的四元组信息。
在一个实施例中，确定至少一个主体实体和至少一个客体实体；根据所述至少一个主体实体和至少一个客体实体确定实体关系和时间；根据所述至少一个主体实体、所述至少一个客体实体、实体关系、时间生成用户的四元组信息；将所述至少一个主体实体、所述至少一个客体实体作为节点，将所述实体关注作为边，将所述时间作为边的属性信息生成所述用户图谱。
图5是根据另一示例性实施例示出的一种用户服务策略确定方法的流程图。图5所示的流程50是对“基于所述用户图谱和用户四元组样本集合对第一神经网络模型和/或第二神经网络模型进行训练以生成所述图向量模型和/或所述实体预测模型”的详细描述。
如图5所示，在S502中，确定所述用户四元组样本集合中的已知实体和样本实体。可将已知实体作为已知量，将未知实体作为训练目标，即为在训练过程中计算目标为求某一用户的未知实体，未知实体的已知结果作为训练样本的标签。
在S504中，将所述已经实体对应的节点作为初始节点。将用户图谱
中的节点e和边r分别用d维向量表示ve和vr，并随机初始化。
在S506中，基于所述初始节点在所述用户图谱中进行游走以生成多个线索集合。在搜索的第i步(i＝0,1,…,I-1)，搜索器所处的状态为si，可以采取的搜索行动集合为Ai＝{a0,…,ai,…,ak}，k 是当前步所有候选搜索行动的个数。行动ai的向量表示
是将两个向量拼接起来。
截止到第i步的线索路径hi＝(es,a0,…,ai-1)，向量
表示线索路径hi，用时序模型建模向量
其中
上一步的线索路径向量
可利用多层感知器模型估算第i步时每个搜索行动的价值概率
其中
是由向量
组成的矩阵，即
基于π(Ai|si)值，按照从大到小选择头部K个候选搜索行为，执行集束搜索，搜索器由状态si跳转到状态si+1，i＝i+1。
重复执行搜索步骤，直到达到预先设定的最大遍历跳数I。在模型训练阶段，客体实体eo是已知的，如果状态si达到了客体实体eo，也会停止重复搜索步骤。
在模型训练阶段，迭代停止后，计算奖励，如果最终状态si＝eo，则奖励为1，否则，奖励为0。根据奖励，利用策略梯度的方法，更新模型参数。
根据游走到达的所述用户图谱中的边和节点生成所述多个线索。根据游走到达的所述用户图谱中的边和节点之间的关联关系生成多个边和节点集合；根据所述多个边和节点集合对应生成多个线索。
在S508中，根据所述多个线索集合对所述第一神经网络模型进行训练以生成所述图向量模型。
把线索搜集阶段搜集到的线索，基于线索中实体发生的时态，将相同时态的实体以及实体间的关系抽取出来，得到一个子图的集合
其中ts是待推断目标任务发生的时间。(在时态推断阶段，用^来区别于线索搜索阶段的符号表示)。
通过第一神经网络模型对每个子图
分别进行建模，得到每个子图的向量表示
再用时序模型建模对时序子图建模
依次得到向量
最后一个时态ts-1的输出向量
即为时序子图
的向量表示。其中，第一神经网络模型可为GCN图卷积模型。
基于预测结果和真实结果，计算交叉熵作为误差信号，用梯度下降方法，更新时序模型参数。
在S510中，根据图向量模型的计算结果对所述第二神经网络模型进行训练以生成所述实体预测模型。
通过第二神经网络模型估算所有实体可能是最终客体实体的概率
第二神经网络模型可为多层感知器模型。
基于预测结果和真实结果，计算交叉熵作为误差信号，用梯度下降方法，更新的多层感知器模型模型参数，完成模型训练以生成实体预测模型。
本申请的用户服务策略确定方法，基于用户图谱，考虑了历史线索信息，更好地辅助推理预测，提高预测的准确性。预测结果综合考虑了历史线索信息，可解释性好。用基于强化学习的集束搜索方法，完成历史线索收集，不依靠专家经验，成本低，没有领域局限性，可以灵活应用到各种场景。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本申请提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图6是根据一示例性实施例示出的一种用户服务策略确定装置的框图。如图6所示，用户服务策略确定装置60包括：四元组模块602，搜索模块604，图向量模块606，实体模块608，策略模块610。
四元组模块602用于基于服务任务生成用户的四元组信息，其中所述四元组信息中包含待确定的目标实体；四元组模块602还用于提取所述服务任务的服务目标；基于所述服务目标确定目标实体，所述目标实体为主体实体或客体实体；根据所述目标实体和所述用户的用户信息生成用户的所述四元组信息。
搜索模块604用于根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索；搜索模块604还用于根据所述用户的四元组信息在所述用户图谱中确定初始节点；基于所述初始节点在所述用户图谱中进行游走直至达到预设游走步数；根据游走到达的所述用户图谱中的边和节点生成所述多个线索。
图向量模块606用于基于多个线索和图向量模型生成多个子图向量；图向量模块606还用于根据多个线索集合对应的实体的时态生成多个子图；将所述多个子图分别输入所述图向量模型中以生成所述多个子图向量。
实体模块608用于将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体；实体模块608还用于将所述多个子图向量输入实体预测模型中以生成多个实体对应的预测概率；根据所述多个实体对应的预测概率确定所述用户对应的目标实体。
策略模块610用于根据所述目标实体确定所述用户的服务策略。
根据本申请的用户服务策略确定装置，通过基于服务任务生成用户的四元组信息，其中所述四元组信息中包含待确定的目标实体；根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索；基于多个线索和图向量模型生成多个子图向量；将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体；根据所述目标实体确定所述用户的服务策略的方式，能够在不依赖专家经验的情况下，不受应用领域的限制，结合历史时序数据确定用户的服务策略，提高用户服务效率和满意度、确保系统数据安全和交易服务安全。
图7是根据一示例性实施例示出的一种电子设备的框图。
下面参照图7来描述根据本申请的这种实施方式的电子设备700。图 7显示的电子设备700仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备 700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线 730、显示单元740等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书中的根据本申请各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图2，图3，图4，图5中所示的步骤。
所述存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
所述存储单元720还可以包括具有一组(至少一个)程序模块7205 的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备700’(例如键盘、指向设备、蓝牙设备等)通信，使得用户能与该电子设备700交互的设备通信，和/或该电子设备700能与一个或多个其它计算设备进行通信的任何设备 (例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O) 接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图8所示，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质 (可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如 Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：基于服务任务生成用户的四元组信息，其中所述四元组信息中包含待确定的目标实体；根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索；基于多个线索和图向量模型生成多个子图向量；将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体；根据所述目标实体确定所述用户的服务策略。该计算机可读介质还可实现如下功能：根据多个用户的四元组信息生成所述用户图谱，所述四元组信息包括：主体实体、客体实体、实体关系、时间；和/或基于所述用户图谱和用户四元组样本集合对第一神经网络模型和/或第二神经网络模型进行训练以生成所述图向量模型和/或所述实体预测模型。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施例的方法。
以上具体地示出和描述了本申请的示例性实施例。应可理解的是，本申请不限于这里描述的详细结构、设置方式或实现方法；相反，本申请意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (12)
1.一种用户服务策略确定方法，其特征在于，包括：
基于服务任务生成用户的四元组信息，其中所述四元组信息中包含待确定的目标实体；
根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索；
基于多个线索和图向量模型生成多个子图向量；
将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体；
根据所述目标实体确定所述用户的服务策略。
2.如权利要求1所述的方法，其特征在于，还包括：
根据多个用户的四元组信息生成所述用户图谱，所述四元组信息包括：主体实体、客体实体、实体关系、时间；和/或
基于所述用户图谱和用户四元组样本集合对第一神经网络模型和/或第二神经网络模型进行训练以生成所述图向量模型和/或所述实体预测模型。
3.如权利要求1所述的方法，其特征在于，基于服务任务生成用户的四元组信息，包括：
提取所述服务任务的服务目标；
基于所述服务目标确定目标实体，所述目标实体为主体实体或客体实体；
根据所述目标实体和所述用户的用户信息生成用户的所述四元组信息。
4.如权利要求1所述的方法，其特征在于，根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索，包括：
根据所述用户的四元组信息在所述用户图谱中确定初始节点；
基于所述初始节点在所述用户图谱中进行游走直至达到预设游走步数；
根据游走到达的所述用户图谱中的边和节点生成所述多个线索。
5.如权利要求4所述的方法，其特征在于，根据游走到达的所述用户图谱中的边和节点生成所述多个线索，包括：
根据游走到达的所述用户图谱中的边和节点之间的关联关系生成多个边和节点集合；
根据所述多个边和节点集合对应生成多个线索。
6.如权利要求1所述的方法，其特征在于，基于多个线索和图向量模型生成多个子图向量，包括：
根据多个线索集合对应的实体的时态生成多个子图；
将所述多个子图分别输入所述图向量模型中以生成所述多个子图向量。
7.如权利要求1所述的方法，其特征在于，将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体，包括：
将所述多个子图向量输入实体预测模型中以生成多个实体对应的预测概率；
根据所述多个实体对应的预测概率确定所述用户对应的目标实体。
8.如权利要求2所述的方法，其特征在于，根据多个用户的四元组信息生成所述用户图谱，包括：
确定至少一个主体实体和至少一个客体实体；
根据所述至少一个主体实体和至少一个客体实体确定实体关系和时间；
根据所述至少一个主体实体、所述至少一个客体实体、实体关系、时间生成用户的四元组信息；
将所述至少一个主体实体、所述至少一个客体实体作为节点，将所述实体关注作为边，将所述时间作为边的属性信息生成所述用户图谱。
9.如权利要求1所述的方法，其特征在于，基于所述用户图谱和用户四元组样本集合对第一神经网络模型和/或第二神经网络模型进行训练以生成所述图向量模型和/或所述实体预测模型，包括：
确定所述用户四元组样本集合中的已知实体和样本实体；
将所述已经实体对应的节点作为初始节点；
基于所述初始节点在所述用户图谱中进行游走以生成多个线索集合；
根据所述多个线索集合对所述第一神经网络模型进行训练以生成所述图向量模型；
根据图向量模型的计算结果对所述第二神经网络模型进行训练以生成所述实体预测模型。
10.一种用户服务策略确定装置，其特征在于，包括：
四元组模块，用于基于服务任务生成用户的四元组信息，其中所述四元组信息中包含待确定的目标实体；
搜索模块，用于根据所述用户的四元组信息在用户图谱中进行搜索以生成多个线索；
图向量模块，用于基于多个线索和图向量模型生成多个子图向量；
实体模块，用于将所述多个子图向量输入实体预测模型中以确定所述用户对应的目标实体；
策略模块，用于根据所述目标实体确定所述用户的服务策略。
11.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210462429.7A CN115204931A (zh) | 2022-04-28 | 2022-04-28 | 用户服务策略确定方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210462429.7A CN115204931A (zh) | 2022-04-28 | 2022-04-28 | 用户服务策略确定方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115204931A true CN115204931A (zh) | 2022-10-18 |
Family
ID=83574778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210462429.7A Pending CN115204931A (zh) | 2022-04-28 | 2022-04-28 | 用户服务策略确定方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115204931A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116051201A (zh) * | 2023-01-28 | 2023-05-02 | 深圳市人马互动科技有限公司 | 语音外呼数据的处理方法、装置、电子设备及存储介质 |
-
2022
- 2022-04-28 CN CN202210462429.7A patent/CN115204931A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116051201A (zh) * | 2023-01-28 | 2023-05-02 | 深圳市人马互动科技有限公司 | 语音外呼数据的处理方法、装置、电子设备及存储介质 |
| CN116051201B (zh) * | 2023-01-28 | 2023-06-20 | 深圳市人马互动科技有限公司 | 语音外呼数据的处理方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11521221B2 (en) | Predictive modeling with entity representations computed from neural network models simultaneously trained on multiple tasks | |
| JP6719727B2 (ja) | 購買行動分析装置およびプログラム | |
| CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
| US11735292B2 (en) | Intelligent personalized chemical synthesis planning | |
| CN111090756B (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
| CN112669096B (zh) | 对象推荐模型训练方法以及装置 | |
| CN112348660A (zh) | 生成风险警示信息的方法、装置及电子设备 | |
| CN112508694B (zh) | 服务器处理资源额度申请的方法、装置及电子设备 | |
| CN110971659A (zh) | 推荐消息的推送方法、装置及存储介质 | |
| CN111552880A (zh) | 基于知识图谱的数据处理方法、装置、介质及电子设备 | |
| CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
| CN111198967A (zh) | 基于关系图谱的用户分组方法、装置及电子设备 | |
| CN112015562A (zh) | 基于迁移学习的资源分配方法、装置及电子设备 | |
| CN112989146A (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
| CN111260142B (zh) | 商品指标数据预测方法、装置、存储介质及电子设备 | |
| CN112819528A (zh) | 人群包的上线方法、装置及电子设备 | |
| CN110348999B (zh) | 金融风险敏感用户识别方法、装置及电子设备 | |
| US11017452B2 (en) | Concerted learning and multi-instance sequential prediction tree | |
| CN115204931A (zh) | 用户服务策略确定方法、装置及电子设备 | |
| CN110782128B (zh) | 一种用户职业标签生成方法、装置和电子设备 | |
| CN110348581B (zh) | 用户特征群中用户特征寻优方法、装置、介质及电子设备 | |
| US20220374748A1 (en) | Automated determination of explanatory variables | |
| CN113570207B (zh) | 用户策略分配方法、装置及电子设备 | |
| CN112348661B (zh) | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 | |
| CN113298555B (zh) | 推广策略生成方法、装置及电子设备 |
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: 20240403 Address after: 536007 Beihai Mangrove Modern Financial Industry City, No. 288 Hubei Road, Yinhai District, Beihai City, Guangxi Zhuang Autonomous Region -2nd Floor, Building 12, Beihai International Financial Center, C06 Applicant after: Beihai Qiang Information Technology Co.,Ltd. Country or region after: China Address before: 536000 A59, first floor, No. 98 Jinke Road, Beihai City, Guangxi Zhuang Autonomous Region (Beihai mangrove town business secretary Co., Ltd.) Applicant before: Beihai Qicheng Information Technology Co.,Ltd. Country or region before: China |