CN115311048A - 一种信息处理方法及装置、存储介质 - Google Patents
一种信息处理方法及装置、存储介质 Download PDFInfo
- Publication number
- CN115311048A CN115311048A CN202210933246.9A CN202210933246A CN115311048A CN 115311048 A CN115311048 A CN 115311048A CN 202210933246 A CN202210933246 A CN 202210933246A CN 115311048 A CN115311048 A CN 115311048A
- Authority
- CN
- China
- Prior art keywords
- user
- candidate
- training
- model
- score
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 105
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims description 181
- 238000000034 method Methods 0.000 claims description 49
- 230000006399 behavior Effects 0.000 claims description 37
- 230000003993 interaction Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 description 37
- 230000008569 process Effects 0.000 description 18
- 230000006872 improvement Effects 0.000 description 12
- 241000272470 Circus Species 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 10
- 238000005065 mining Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 235000013305 food Nutrition 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 235000019219 chocolate Nutrition 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 241000220317 Rosa Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 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
- G06Q30/06—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
- G06F16/90—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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种信息处理方法，所述方法包括：将第一特征输入至筛选模型，得到与至少一个候选用户中各候选用户的候选评分，所述第一特征至少包括：目标类别的描述信息、至少一个候选用户中各候选用户的用户特征，所述候选评分用于表征所述候选评分对应的候选用户对所述目标类别的感兴趣程度；根据所述至少一个候选用户中各候选用户的候选评分，从所述至少一个候选用户中确定至少一个目标用户；将所述目标类别对应的对象输出至所述至少一个目标用户。另外，本申请还公开了一种信息处理设备及存储介质。
Description
技术领域
本申请涉及信息处理领域，涉及但不限于一种信息处理方法及装置、存储介质。
背景技术
相关技术中，终端设备上安装有应用程序(Application，APP)，其中，在APP向用户推荐商品时，通常需要根据分析结论才能向用户推荐所喜欢的商品。由于该分析结论是由数据分析师进行分析得到的，因此，将造成分析的效率较低的问题，并且由于人的经验有限，因此，将造成分析的结论和方案将受到较多的人工影响，从而造成向用户推荐商品的准确率和效率较低的问题。
发明内容
本申请实施例为解决相关技术中存在的至少一个问题而提供一种信息处理方法及装置、存储介质，能够提高筛选出的用户和向筛选出的用户推荐商品的准确率和效率。
本申请的技术方案是这样实现的：
第一方面，本申请实施例提供一种信息处理方法，所述方法包括：
将第一特征输入至筛选模型，得到与至少一个候选用户中各候选用户的候选评分，所述第一特征至少包括：目标类别的描述信息、所述至少一个候选用户中各候选用户的用户特征，所述候选用户的候选评分用于表征所述候选评分对应的候选用户对所述目标类别的感兴趣程度；
根据所述至少一个候选用户中各候选用户的候选评分，从所述至少一个候选用户中确定至少一个目标用户；
将所述目标类别对应的对象输出至所述至少一个目标用户。
第二方面，本申请实施例提供一种信息处理装置，所述装置包括：
第一确定单元，用于将第一特征输入至筛选模型，得到与至少一个候选用户中各候选用户的候选评分，所述第一特征至少包括：目标类别的描述信息、所述至少一个候选用户中各候选用户的用户特征，所述候选用户的候选评分用于表征所述候选评分对应的候选用户对所述目标类别的感兴趣程度；
第二确定单元，用于根据所述至少一个候选用户中各候选用户的候选评分，从所述至少一个候选用户中确定至少一个目标用户；
输出单元，用于将所述目标类别对应的对象输出至所述至少一个目标用户。
第三方面，本申请实施例提供一种存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述信息处理方法。
本申请提供了一种信息处理方法及装置、存储介质，信息处理设备将第一特征输入至筛选模型，得到与至少一个候选用户中各候选用户的候选评分，所述第一特征至少包括：目标类别的描述信息、所述至少一个候选用户中各候选用户的用户特征，所述候选用户的候选评分用于表征所述候选评分对应的候选用户对所述目标类别的感兴趣程度；根据所述至少一个候选用户中各候选用户的候选评分，从所述至少一个候选用户中确定至少一个目标用户；将所述目标类别对应的对象输出至所述至少一个目标用户。这样，在筛选目标用户时，是筛选模型根据第一特征进行筛选的，从而可以提高筛选出的目标用户的准确率和效率。
附图说明
图1为本申请实施例提供的一种信息处理系统的可选的结构示意图；
图2为本申请实施例提供的一种信息处理方法的可选的流程示意图；
图3为本申请实施例提供的一种信息处理方法的可选的流程示意图；
图4为本申请实施例提供的一种信息处理方法的可选的流程示意图；
图5为本申请实施例提供的一种确定潜力商品的可选的流程示意图；
图6为本申请实施例提供的一种确定数据来源的可选的流程示意图；
图7为本申请实施例提供的一种确定数据来源的可选的流程示意图；
图8为本申请实施例提供的一种确定数据来源的可选的流程示意图；
图9为本申请实施例提供的一种对节日共性和差异性挖掘可选的流程示意图；
图10为本申请实施例提供的一种信息处理装置的可选的结构示意图；
图11为本申请实施例提供的一种对节日共性和差异性挖掘可选的流程示意图；
图12为本申请实施例提供的一种信息处理方法的可选的流程示意图；
图13为本申请实施例提供的一种信息处理方法的可选的流程示意图；
图14为本申请实施例提供的一种信息处理装置的可选的结构示意图；
图15为本申请实施例提供的电子设备的可选的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅是为例区别不同的对象，不代表针对对象的特定排序，不具有先后顺序的限定。可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
可以理解的是，本申请实施例中，涉及到用户年龄、用户性别和用户职业等相关的数据，当本申请实施例运用到具体产品或技术中时，需要获得用户许可或者同意，相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，且提供关闭相关数据的收集、使用和处理功能的选项。
本申请实施例的信息处理方法可应用于图1所示的信息处理系统100，如图1所示，信息处理系统100包括：服务器10和客户端20。其中，客户端20能够基于输入设备与用户进行交互，其中，输入设备包括：显示器、鼠标和键盘等能够接收用户的输入信息的器件。
在一示例中，如图1所示，服务器10和客户端20分别位于不同的物理实体上，此时，服务器10通过网络30与客户端20进行通信。
客户端20中运行有能够显示页面的浏览器或应用程序(Application，APP)。
本申请实施例提供的信息处理方法可应用于信息处理设备，该信息处理设备可为服务器10，也可为客户端20。
信息处理设备将第一特征输入至筛选模型，得到与至少一个候选用户中各候选用户的候选评分，所述第一特征至少包括：目标类别的描述信息、所述至少一个候选用户中各候选用户的用户特征，所述候选用户的候选评分用于表征所述候选评分对应的候选用户对所述目标类别的感兴趣程度；根据所述至少一个候选用户中各候选用户的候选评分，从所述至少一个候选用户中确定至少一个目标用户；将所述目标类别对应的对象输出至所述至少一个目标用户。
在信息处理设备为服务器10的情况下，服务器10在确定至少一个目标用户后，将目标类别对应的对象发送至客户端20，通过客户端20向至少一个目标用户展示该目标类别对应的对象。
在信息处理设备为客户端20的情况下，客户端20在确定至少一个目标对象后，该客户端20将直接向至少一个目标用户展示目标类别对应的对象。
下面，将结合图1所示的信息处理系统的示意图，对本申请实施例提供的信息处理方法及装置、存储介质的各个实施例进行详细说明。
图2为本申请实施例提供的一种信息处理方法的实现流程示意图，如图2所示，该方法包括以下步骤：
S201、信息处理设备将第一特征输入至筛选模型，得到至少一个候选用户中各候选用户的候选评分。
这里，第一特征包括：目标类别的描述信息、至少一个候选用户中各候选用户的用户特征。目标类别的描述信息用于描述目标类别。
在一示例中，至少一个候选用户包括：候选用户1、候选用户2和候选用户3，其中，候选用户1的用户特征为特征A，候选用户2的用户特征为特征B，候选用户3的用户特征为特征C，目标类别的描述信息为生鲜类食品，信息处理设备将特征A、特征B、特征C和生鲜类食品输入至筛选模型，得到候选用户1的候选评分为0.3，候选用户2的候选评分为0.8，候选用户3的候选评分为0.9。
对于目标类别，可以是一个目标节日，也可以是一个目标商品，本申请实施例对此不进行任何限定。
在目标类别为目标节日的情况下，目标节日为至少一个节日中的任意一个节日，至少一个节日包括：七夕节、情人节、春节和端午节等节日。比如：目标节日为情人节。
对于至少一个节日，可对至少一个节日进行分类，以确定至少一个节日类型，其中，至少一个节日类型中每一节日类型对应一节日属性特征，在确定至少一个节日类型后，对于至少一个节日类型中每一节日类型，该节日类型对应的节日属性特征为该节日类型包括的节日的属性特征。
在一示例中，至少一个节日包括：七夕节、情人节、春节和端午节，至少一个节日类型包括：爱情类节日和传统类节日，其中，爱情类节日对应的节日属性为爱情属性，传统类节日对应的节日属性为传统属性。在对七夕节、情人节、春节和端午节进行分类后，可确定爱情类节日中的节日包括：七夕节和情人节，确定传统类节日中的节日包括：春节和端午节，由此，可确定七夕节和情人节的节日属性特征为爱情属性特征，春节和端午节的节日属性特征为传统属性特征。
这里，对于节日类型的命名，本申请实施例对此不进行任何限定。比如：对于春节和端午节等节日，可将春节和端午节的节日类型命名为传统类节日，还可将春节和端午节的节日类型命名为通用类节日，本申请实施例对此不进行任何限定。
对于节日类型对应的节日属性特征，本申请实施例对此不进行任何限定。比如：对于传统类节日，该传统类节日对应的节日属性特征可以为传统属性特征，该传统类节日对应的节日属性特征还可以为家庭属性特征，本申请实施例对此不进行任何限定。
对于节日属性特征对应的至少一个节日对象，本申请实施例对此不进行任何限定。
在一示例中，节日属性特征为爱情属性特征，该爱情属性特征对应的至少一个节日对象包括：玫瑰花、巧克力等能够表达爱意的商品。
对于至少一个候选用户中各候选用户的用户特征，用户特征可以包括：年龄、职业和性别等表征用户自身属性的特征。
需要说明的是，本申请实施例中，信息处理设备在获得了用户的授权后，才能获取用户年龄、职业和性别等隐私信息，若信息处理设备未接收到用户的授权，信息处理设备将无法获取用户年龄、职业和性别等隐私信息。
对于至少一个候选用户中每一候选用户，该候选用户的候选评分用于表征该候选评分对应的候选用户对目标类别的感兴趣程度。若候选用户的候选评分高，则标准该候选评分对应的候选用户对目标类别的感兴趣程度高；若候选用户的候选评分低，则标准该候选评分对应的候选用户对目标类别的感兴趣程度低。
本申请实施例中，对于至少一个候选用户中各候选用户的用户特征，用户特征还可以包括：历史特征，该历史特征用于指示候选用户在历史时间段内进行操作的至少一个对象。
这里，对于历史时间段，本申请实施例对此不进行任何限定。比如：历史时间段为过去七天，或者，历史时间段为过去一个月。
S202、所述信息处理设备根据所述至少一个候选用户中各候选用户的候选评分，从所述至少一个候选用户中确定至少一个目标用户。
这里，对于从至少一个候选用户中确定至少一个目标用户的确定条件，本申请实施例对此不进行任何限定。比如：将至少一个候选用户的至少一个候选评分中大于设定评分阈值的候选用户确定为至少一个目标用户。
在一示例中，至少一个候选用户包括：候选用户1、候选用户2和候选用户3，其中，候选用户1的候选评分为0.3，候选用户2的候选评分为0.6，候选用户3的候选评分为0.7，设定评分阈值为0.5，信息处理设备将根据候选评分0.3、候选评分0.6和候选评分0.7，从候选用户1、候选用户2和候选用户3中将候选评分大于设定评分阈值0.5的候选用户2和候选用户3确定为至少一个目标用户。
S203、所述信息处理设备将所述目标类别对应的对象输出至所述至少一个目标用户。
这里，对于目标类别对应的对象，该对象可以包括：商品、广告和新闻等向用户进行展示的对象。
在确定至少一个目标用户后，信息处理设备将目标类别对应的对象输出至至少一个目标用户。
本申请实施例提供了一种信息处理方法，信息处理设备将第一特征输入至筛选模型，得到与至少一个候选用户中各候选用户的候选评分，所述第一特征至少包括：目标类别的描述信息、所述至少一个候选用户中各候选用户的用户特征，所述候选用户的候选评分用于表征所述候选评分对应的候选用户对所述目标类别的感兴趣程度；根据所述至少一个候选用户中各候选用户的候选评分，从所述至少一个候选用户中确定至少一个目标用户；将所述目标类别对应的对象输出至所述至少一个目标用户。这样，在筛选目标用户时，是筛选模型根据第一特征进行筛选的，从而可以提高筛选出的目标用户的准确率和效率。
本申请实施例中，在目标类别为多个节日中的一个节日为例，可通过圈人模型，圈选出至少一个节日中每个节日对应的用户。其中，圈人模型可由筛选模型实施。
输入至圈人模型中的特征包括：不同节日之间的共性、不同节日的特性、用户行为特征和用户画像特征中的至少一种。其中，不同节日之间的共性包括：不同节日之间相同的节日属性，用户行为特征用于表征用户对商品的行为，用户画像特征包括：用户特征，用户特征包括：用户年龄、用户职业、用户性别等。
对于圈人模型，可通过对深度学习网络模型做出改进，以得到圈人模型，以使得该圈人模型可以根据不同的节日场景，圈出不同的节日场景所对应的不同的用户，从而指导业务方有针对性的对圈选出的用户进行节日商品的精准化投放，或者，对圈选出的用户进行节日优惠券的精准化投放。本申请实施例提供的信息处理方法能够针对不同的节日，确定出有潜在的购物需求的用户群体，比如：情侣在情人节有更多的购物需求，学生在教师节有更多的购物需求。
这里，对于不同节日之间的共性和不同节日的特性而言，先对不同节日之间的共性和不同节日的特性进行详细分析，得到不同节日之间的共性和不同节日的特性的分析结论，将该共性和特性的分析结论作为特征输入至圈人模型，以使得圈人模型根据该共性和特性的分析结论进行圈人。
在一些实施例中，所述筛选模型至少包括：兴趣确定子网络，S201将第一特征输入至筛选模型，得到与至少一个候选用户中各候选用户的候选评分，包括S2011和S2012：
S2011、对于所述至少一个候选用户中每一候选用户，所述信息处理设备将所述候选用户的用户特征输入至所述兴趣确定子网络，得到所述候选用户的兴趣信息。
这里，兴趣信息表征所述候选用户的至少两个兴趣。其中，对于至少两个兴趣的内容，本申请实施例对此不进行任何限定。比如：至少两个兴趣包括：生鲜类食品和服饰类商品。
在一示例中，至少一个候选用户包括：候选用户1、候选用户2和候选用户3，候选用户的用户特征包括：历史特征，其中，候选用户1对应的历史特征为特征11，候选用户2对应的历史特征为特征21，候选用户3对应的历史特征为特征31，信息处理设备将候选用户1的历史特征11、候选用户2的历史特征21和候选用户3的历史特征31输入至兴趣确定子网络，得到候选用户1的至少两个兴趣包括：生鲜类食品和服饰类商品，得到候选用户2的至少两个兴趣包括：文具类和家具类，得到候选用户3的至少两个兴趣包括：生鲜类食品和文具类。
S2012、所述信息处理设备确定所述至少一个候选用户中，至少两个兴趣包括所述目标类别的候选用户，确定至少两个兴趣包括所述目标类别的候选用户的候选评分。
这里，在确定至少一个候选用户中每一候选用户对应的至少两个兴趣后，对于至少两个兴趣包括目标类别的候选用户，信息处理设备将确定该候选用户的候选评分。
在一示例中，至少一个候选用户包括：候选用户1、候选用户2和候选用户3，其中，候选用户1的至少两个兴趣包括：生鲜类食品和服饰类商品，候选用户2的至少两个兴趣包括：文具类和家具类，候选用户3的至少两个兴趣包括：生鲜类食品和文具类，目标类别为生鲜类食品，信息处理设备将确定至少两个兴趣中包括生鲜类食品的候选用户1和候选用户3的候选评分。
本申请中对深度学习网络模型做出了改进，以得到本申请中的圈人模型。其中，对深度学习网络模型做出的改进包括：在深度学习网络模型中增加了多兴趣网络和标签自适应注意力(Label-aware attention)机制，以形成本申请中的圈人模型。
这里，在增加了多兴趣网络后，可通过该多兴趣网络获取用户的多个兴趣，以使得信息处理设备可以根据获取的用户的多个兴趣为用户推荐与该多个兴趣相匹配的商品；在增加了标签自适应注意力(Label-aware-attention)机制后，可更好的学习用户的多个兴趣。
在一些实施例中，本申请实施例提供的信息处理方法还包括步骤：S204至S205：
S204、所述信息处理设备获取至少两条第一训练数据，所述至少两条第一训练数据中每一第一训练数据包括：第一训练特征和所述第一训练特征对应的第一标签，所述第一训练特征包括：训练兴趣的描述信息、训练用户的训练特征，所述第一标签用于表征所述训练用户对所述训练兴趣的感兴趣程度，所述第一标签基于所述训练用户的历史行为确定；。
这里，训练兴趣的描述信息用于表征训练兴趣。比如：训练兴趣的描述信息表征的训练兴趣为生鲜类食品。
训练用户的用户特征包括：年龄、职业和性别等表征用户自身属性的特征、历史特征。
S205、所述信息处理设备根据所述至少两条第一训练数据对初始筛选模型进行训练，得到所述筛选模型。
本申请实施例中，对S204至S205与步骤S201至S203之间的先后顺序不进行任何限定。
在一些实施例中，上述S205包括：
S205a、所述信息处理设备将所述至少两条第一训练数据中的第一训练特征输入至所述初始筛选模型，得到第一预测分数；
这里，第一预测分数用于表征预测的至少一个训练用户中每一训练用户对训练兴趣的感兴趣程度。对于第一预测分数的取值范围，本申请实施例对此不进行任何限定。比如：第一预测分数的取值范围为0至1。
在一示例中，至少一个训练用户包括：训练用户1和训练用户2，其中，训练用户1的第一预测分数为0.9，则表示预测的该训练用户1对训练兴趣的感兴趣程度为90％，候选用户2的第一预测分数为0.5，则表示预测的该候选用户2对训练兴趣的感兴趣程度为50％.
S205b、所述信息处理设备在所述初始筛选模型未收敛的情况下，根据所述至少两条第一训练数据中各第一训练数据对应的第一预测分数和所述第一训练数据的第一标签，确定所述初始筛选模型的第一损失值。
这里，信息处理设备在得到第一预测分数后，可根据第一预测分数和第一标签，确定第一损失值，该第一损失值可以为第一预测分数和第一标签之间的交叉信息熵。
S205c、所述信息处理设备基于所述第一损失值更新所述初始筛选模型的参数，得到所述筛选模型，并继续将所述至少两条第一训练数据中的第一训练特征输入至所述初始筛选模型，直到所述初始筛选模型收敛，得到所述筛选模型。
这里，信息处理设备在基于第一损失值更新初始筛选模型的参数后，若该初始筛选模型不收敛，则继续将至少两条第一训练数据中的第一训练特征输入至初始筛选模型，直到初始筛选模型收敛，得到筛选模型。
在一些实施例中，根据所述至少两条第一训练数据中各第一训练数据对应的第一预测分数和所述第一训练数据的第一标签，确定所述初始筛选模型的第一损失值，包括：所述信息处理设备根据所述至少两条训练数据中各训练数据对应的第一预测分数、所述训练数据的所述第一标签以及所述第一标签对应的权重，确定所述初始筛选模型的第一损失值。
在一些实施例中，所述方法还包括：对用于表征所述训练用户对所述训练兴趣的感兴趣程度的所述第一标签，确定所述训练用户的用户特征、用户交互对象和所述用户交互对象中所述训练兴趣对应的感兴趣对象，确定所述第一标签对应的权重。
这里，训练用户的用户特征通过Pu表示，用户交互对象通过Iu表示，用户交互对象中训练兴趣对应的感兴趣对象通过Fi表示，信息处理设备将根据Iu和Pu，确定训练用户的训练兴趣Vu，具体如下述公式(1)所示：
Vu＝Fi(Iu,Pu) 公式(1)；
根据Fi，确定输出至训练用户的训练对象ei，具体如下述公式(2)所示：
ei＝Gitem(Fi) 公式(2)；
根据ei和Vu，确定第一标签对应的权重au，具体如下述公式(3)所示：
au＝Attention(ei,Vu,Vu) 公式(3)。
以目标类别为目标节日为例，如图3所示，通过圈人模型圈选与目标节日对应的用户的步骤包括：
S301、设计与节日场景对应的用户基础池子。
根据业务分析，不同节日场景中每一节日场景对应的用户基础池子中的用户是不同的。
这里，在节日场景为情人节的情况下，确定该情人节的节日属性为爱情类，将该爱情类的节日属性输入至圈人模型中，该圈人模型将确定该爱情类节日对应的商品包括：巧克力、玫瑰花等表征爱情的商品，再判断用户的历史行为数据中是否有点击、浏览或者加购巧克力、玫瑰花等表征爱情的商品，并将有点击、浏览或者加购巧克力、玫瑰花等表征爱情的商品的用户确定为与该爱情类节日所对应的用户。
S302、构建输入至圈人模型中的特征和用户的标签(label)。
这里，输入至圈人模型中的特征包括：用户行为特征、用户画像特征、不同节日之间的共性和不同节日的特性。
对于用户的标签，若用户在历史行为数据中有下单的商品，则标签为1，若用户在历史行为数据中没有下单的商品，则标签为0。
S303、对深度学习网络模型进行改进，得到圈人模型。
这里，可以在深度学习网络模型中增加多兴趣网络层和标签自适应注意力机制(Label-aware-attention)。
S304、对圈人模型进行训练，生成圈人模型文件。
S305、确定线上用户新数据。
这里，用户新数据包括：不同节日之间的共性、不同节日的特性、用户行为特征和用户画像特征中的至少一种。
S306、将用户新数据输入至圈人模型中，以对目标节日对应的用户进行预测。
在一些实施例中，本申请实施例提供的信息处理方法还包括：所述信息处理设备将第二特征输入至选品模型，得到与至少一个候选对象中各候选对象的候选评分；根据所述至少一个候选对象中各候选对象的候选评分，从所述至少一个候选对象中确定至少一个目标对象；对应的，所述将所述目标类别对应的对象输出至与所述至少一个目标用户，包括：将所述至少一个目标对象输出至所述至少一个目标用户。
这里，所述第二特征至少包括：所述目标类别的描述信息、所述至少一个候选对象中各候选对象的对象特征，所述候选对象的候选评分用于表征所述候选评分对应的候选对象与所述目标类别的匹配程度。
在一示例中，至少一个候选对象包括：候选对象1、候选对象2和候选对象3，其中，候选对象1的用户特征为特征A，候选对象2的用户特征为特征B，候选对象3的用户特征为特征C，目标类别的描述信息为生鲜类食品，信息处理设备将特征A、特征B、特征C和生鲜类食品输入至筛选模型，得到候选对象1的候选评分为0.3，候选对象2的候选评分为0.8，候选对象3的候选评分为0.9。
对于至少一个候选对象中各候选对象的对象特征，每一候选对象的对象特征包括：对象属性特征和对象特征，其中，对象属性特征包括：对象颜色、对象型号等自身属性的特征；对象特征包括：对象价格和对象销量等特征。
这里，信息处理设备在得到至少一个目标用户后，对于该至少一个目标用户中每一目标用户，信息处理设备将向该目标用户输出该目标用户对应的至少一个目标对象。
在一示例中，至少一个目标用户包括：目标用户1和目标用户2，至少一个目标对象包括：目标对象11、目标对象12和目标对象13，信息处理设备将向目标用户1和目标用户2输出目标对象11目标对象12和目标对象13。
在一些实施例中，本申请实施例提供的信息处理方法还包括：
所述信息处理设备获取至少两条第二训练数据，所述至少两条第二训练数据中每一第二训练数据包括：第二训练特征和所述第二训练特征对应的第二标签，所述第二训练特征包括：训练兴趣的描述信息、训练对象的对象特征，所述第二标签用于表征所述训练对象与所述训练兴趣的匹配程度，所述第二标签基于所述训练对象的对象特征确定；所述信息处理设备根据所述至少两个第二训练数据对初始选品模型进行训练，得到所述选品模型。
这里，训练对象的对象特征包括：对象属性特征和对象特征，其中，对象属性特征包括：对象颜色、对象型号等自身属性的特征；对象特征包括：对象价格和对象销量等特征。
在一些实施例中，所述信息处理设备根据所述至少两个第二训练数据对初始选品模型进行训练，得到所述选品模型，包括：
将所述至少两条第二训练数据中的第二训练特征输入至所述初始选品模型，得到第二预测分数；所述信息处理设备在所述初始选品模型未收敛的情况下，根据所述至少两条第二训练数据中各第二训练数据对应的第二预测分数和所述第二训练数据的第二标签，确定所述初始选品模型的第二损失值；所述信息处理设备基于所述第二损失值更新所述初始选品模型的参数，得到所述选品模型，并继续将所述至少两条第二训练数据中的第二训练特征输入至所述初始选品模型，直到所述初始选品模型收敛，得到所述选品模型。
这里，第二预测分数用于表征至少一个候选对象中每一候选对象的与训练兴趣的匹配程度。
在一示例中，第二预测分数为0.9，则表征训练对象的与训练兴趣的匹配程度为90％。
在一些实施例中，所述选品模型至少包括：交互反馈模块，所述第二特征还包括：所述至少一个候选用户中每一候选用户的历史行为特征，所述历史行为特征用于指示在历史时间段内进行操作的至少一个对象，所述方法还包括：对于所述至少一个候选用户中每一候选用户，所述信息处理设备将所述候选用户的历史行为特征输入至所述交互反馈模块；对于所述至少一个候选对象中每一候选对象，所述信息处理设备将所述候选对象的对象画像特征输入至所述交互反馈模块；基于所述历史行为特征和所述候选对象的对象画像特征，所述信息处理设备确定所述候选用户在所述历史时间段内进行操作的至少一个对象中每一对象与所述至少一个候选对象中每一候选对象的相似度。
这里，对于历史行为特征，该历史行为特征可如下述公式(4)所示：
其中，Bc表示历史行为特征，t表示历史时间段，C1、C2，……，Cn1表示在历史时间段内进行操作的至少一个对象，其中，C1表示在历史时间段内进行操作的第1个对象，Cn1表示在历史时间段内进行操作的第n1个对象。
在得到历史行为特征Bc后，信息处理设备将对该历史行为特征Bc进行张量运算(embedding)，并根据embedding后的历史行为特征Bc计算得到Q(Query)、K(key)、V(value)，如下述公式(5)至公式(7)所示：
Q＝WQ*Bc (公式5)；
K＝WK*Bc (公式6)；
V＝WV*Bc (公式7)；
其中，WQ、WK以及WV是选品模型的参数矩阵，
在计算得到Q、K和V后，计算得到自注意力Attention的公式如下述公式(8)所示：
其中，nh表示Q、K、V的Embedding向量的维度。
第i个head的计算如下述公式(9)所示：
headi＝Attention(Wi QQ,Wi KK,Wi VV) (公式9)；
其中，Wi Q、Wi K以及Wi V是多头注意力(multi-head-attention)模型的参数。
自注意力机制的输出向量Fc如下述公式(10)所示：
Fc＝concat(head1,head2,…,headh)*WO (公式10)；
其中，cancat用于表示将head1至headn进行连接，Fc是multi-head-attention模型的参数。
在得到Fc后，可通过Average-pooling计算得到相似度fc，如下述公式(11)所示：
fc＝Average-pooling(Fc) (公式11)；
其中，Average-pooling可理解为计算方式平均池化。
在一些实施例中，所述选品模型还包括：特征优化模块，所述方法还包括：所述信息处理设备将所述第一特征和所述第二特征输入至所述特征优化模块，得到至少一种优化后的特征类型。
这里，至少一种优化后的特征类型包括：一阶特征类型、二阶特征类型和高阶特征类型。
对于一阶特征类型
该一阶特征类型为线性，计算公式如下述公式(12)所示：
其中，
是选品模型的参数，xi是第一特征和第二特征中的特征，bi是偏置项。
对于二阶特征类型yFM，计算公式如下述公式(13)所示：
其中，fi和fj为两个不同的特征。
对于高阶特征f(i+1)，计算公式如下述公式(14)所示：
f(i+1)＝ReLU(W(i)*f(i)+b(i)) 公式(14)；
其中，W(i)表示参数，f(i)表示算子，b(i)表示偏置项。
随着大数据和人工智能的发展，越来越多的用户喜欢网上购物。对于电商平台，如何根据不同节日，向用户提供不同节日对应的不同的礼物，从而提升节日人货匹配效率，是值得研究的事情。基于上述场景，本申请实施例提供了一种信息处理方法，能够提升人货匹配效率。
本申请实施例中，在圈选出每个节日对应的用户后，可通过选品模型，为圈选出的用户推荐感兴趣的商品。
对于选品模型，本申请实施例对深度学习网络模型做出了改进，以得到选品模型。其中，对深度学习网络模型做出的改进可包括：在深度学习网络模型中增加了深度交互反馈网络和特征多级交互网络。
这里，基于深度交互反馈网络，选品模型可根据用户对某一商品的正向反馈或负向反馈向用户推荐与该用户更匹配的商品，比如：用户对商品A的评价为满分评价，则该满分评价为正向反馈，选品模型将根据该正向反馈，向用户推荐与该商品A类似的商品，从而使得选品模型向用户推荐与该用户更匹配的商品；在增加了特征多级交互网络后，选品模型可根据特征与特征之间的交互，以向用户推荐与该用户更匹配的商品。
输入至选品模型中的特征包括：用户在不同节日的行为习惯和商品画像特征。其中，行为习惯用于表征用户在不同节日习惯购买的商品，商品画像特征包括：商品属性特征和商品特征，其中，商品属性特征用于表征商品的属性，比如：颜色、型号等商品本身的属性，商品特征包括：商品的价格、销量等特征。
这里，可分析不同用户在不同节日的行为习惯，以得到不同用户在不同节日的行为习惯的分析结论，在得到行为习惯的分析结论后，将该行为习惯的分析结论作为特征输入至选品模型，以使得选品模型根据该行为习惯的分析结论为用户推荐商品。
以目标类别为目标节日为例，如图4所示，通过选品模型为与目标节日对应的用户选取商品的步骤包括：
S401、设计与节日场景对应的商品基础池子。
根据业务分析，不同节日场景中每一节日场景对应的商品基础池子中的商品是不同的。
这里，在节日场景为情人节的情况下，确定与该情人节对应的商品基础池子中的商品包括：巧克力、玫瑰花等表达爱意的商品。
S402、构建输入至选品模型中的特征和商品的标签(label)。
这里，输入至选品模型中的特征包括：目标用户在不同节日的行为习惯和商品画像特征。
对于商品的标签，将商品的销量划分为至少一个销量等级，其中，至少一个销量等级中每一销量等级对应一标签。
S403、对深度学习网络模型进行改进，得到选品模型。
S404、对选品模型进行训练，生成选品模型。
S405、确定线上商品新数据。
这里，商品新数据包括：目标用户在不同节日的行为习惯和商品画像特征。
S406、将商品新数据输入至选品模型中，筛选出的商品。
本申请实施例中，由于圈人流程和选品流程之间具有共性，因此，本申请可在圈出用户后，为圈出的用户推荐商品，以将圈人流程和选品流程进行联动，设计了机器学习深度学习模型体系，该机器学习深度学习模型体系包括：圈人模型和选品模型，以对不同节日场景所对应的用户和商品进行预测。
下面，以目标类别为节日场景下的节日为例，将对本申请提供的信息处理方法进行描述。
针对多个节日场景中的每个节日场景而言，在选择出该节日场景下的用户后，将向该用户推荐该用户感兴趣的商品，即潜力商品。其中，可将用户在该节日场景下搜索次数较多，但购买较少的商品确定为潜力商品。
对于确定节日场景下各节日品类的潜力商品的流程如图5所示：
S500、确定节日品类下的潜力商品。
这里，对于节日品类为搜索品类，确定搜索品类下的潜力商品时，确定搜索品类下商品供给不足或丰富度差，则认为该搜索品类下的商品为潜力商品。
对于搜索品类下返回商品数大于阈值1的搜索品类，在搜索品类下用户完全无行为，则认为该搜索品类下商品供给不足。对于搜索品类下返回商品数大于阈值1的搜索品类，在搜索品类下有用户行为的情况下，若搜索词有品牌词，则确定搜索词是否有转化，如果搜索词低转化，则认为该搜索品类下商品价格过高或商品不丰富；如果搜索词无转化，则确定同二级类目是否存在订单，如果二级类目有订单，且搜索词与搜索结果相关性较低，确定搜索品类下商品供给不足，如果二级类目有订单，且点击品牌不包含搜索品牌，则认为搜索品类下商品供给不足。
对于搜索品类下的商品数小于阈值2的搜索品类，在搜索品类下用户无行为，则认为搜索品类下商品供给不足，在品类下搜索品类下有用户行为，则认为搜索品类下商品丰富度较差。
可理解的，图5中的阈值2小于阈值1。
如图6所示，信息处理设备在获取到订单表601后，可根据该订单表，确定订单用户数据602和订单行数据603，并根据该订单用户数据和订单行数据，确定潜力商品或异常商品。其中，订单用户数据包括：环比数据604、同比数据605和绝对数值(count)606，订单行数据包括：环比数据、同比数据和count。
如图7所示，信息处理设备在获取到订单表601后，可根据该订单表，确定订单数据701、订单行数据702和人均订单行数据703，并根据该订单数据、订单行数据和人均订单行数据，对自动化圈人模型或自动化选品模型进行训练。其中，自动化圈人模型即为上述实施例中所描述的筛选模型，自动化选品模型即为上述实施例中所描述的选品模型。
如图8所示，信息处理设备在获取到订单表601后，可根据该订单表，确定用户数据801、商品数据802和节日搜索词数据803，并对用户数据、商品数据和节日搜索词数据进行分析，得到用户特征、商品特征和节日搜索词特征，在得到用户特征、商品特征和节日搜索词特征后，可根据用户特征、商品特征和节日搜索词特征对自动化圈人模型或自动化选品模型进行训练。其中，用户数据包括：用户性别数据8011、用户年龄数据8012和用户地域数据8013；商品数据包括：一级品类数据8021和二级和三级品类数据8022；节日搜索词数据包括：品牌词数据、属性词数据和品类词数据8031。
本申请实施例中，确定不同节日之间的共性和特性的流程如图9所示：
对于节日分类901，该节日分类901可包括：爱情类9011、通用类9012和其他类9013。在一示例中，爱情类9011可包括：情人节、520节(5月20日)、七夕、圣诞节等。通用类9012可包括：元旦、春节、端午、中秋等，其他类9013可为所有节日中除过爱情类9011和通用类9012之外的节日。
对于同类节日的共性和差异性挖掘902，可从用户节日画像9021、商品画像9022和搜索词分析9023三个角度进行挖掘。用户节日画像9021包括信息：用户粘性分级、用户属性分析、用户节日购买力预测，其中，用户粘性分级从节日购买力频次入手，可包括：节日-高频购买用户、节日-中频购买用户、节日-低频购买用户。用户属性分析可包括用户标签和用户行为，用户标签可包括：性别、年龄段、地域、微群类型等。用户节日购买力预测可将用户分为：核心客群、一般客群、潜在客群等。商品画像9022可包括：搜索中的商品分布、点击中的商品分布和订单中的商品分布，其中，订单中的商品分布的商品的信息可包括：品类、品牌、店铺、单品等。搜索词分析9023可包括：搜索词性分析和顶端(TOP)搜索词，其中，TOP搜索词可分为以下几类：高转化率的高搜高转、低转化率的高搜低转，以及无转换率的高搜无转。
对于不同类节日的共性和差异性挖掘903，可从数据洞察9031和差异性的解决方案9032两个角度进行挖掘。数据洞察9031可从人、货、场三方面分析。对于人，比如：不同节日下，用户节日画像的共性和差异性，对于货，比如：不同类节日下，商品画像的共性和差异性。对于场，比如，不同类节日下，搜推场域表现的共性和差异性。差异性的解决方案9032可针对不同的节日分类提出不同的解决方案，比如：针对爱情类的解决方案、针对通用类的解决方案以及其他的解决方案等。
如图10所示，本申请提供一种信息处理方法，包括：节日业务核心背景模块1001、节日运营方案模块1002、节日搜索词场域分析模块1003、节日自动化圈人改进模块1004、节日自动化选品改进模块1005和节日挖掘落地模块1006，下面将分别对该6个模块进行详细描述。
对于节日业务核心背景模块1001，该节日业务核心背景模块实现的功能包括：节日促销差异化10011、提升人货匹配效率10012、节日搜索流量归因10013和用户精细化运营10014。
这里，对于节日促销差异化，对于不同的节日，比如：七夕、情人节、重阳节和圣诞节等节日下，由于用户的行为增量更多处于送礼的需求，因此，将导致用户具有与非节日场景下的不同的购买力表现，在节日场景下，相关品类的客单均值相对于非节日场景下的客单均值有较大提升。
对于提升人货匹配效率，节日业务核心背景模块将对用户在不同节日场景下的需求进行分析，了解供需匹配现状，从而实现人货匹配效率的提升。
对于节日搜索流量归因，针对某一商品在节日场景下的搜索量较高，但是转化率较少的情况，节日业务核心背景模块将对该搜索量高，转化率较少的情况进行归因分析，从而判断该是否存在问题。
对于用户精细化运营，节日业务核心背景模块可以通过对用户画像数据进行分析，以确定哪类用户可以带来更多增长。
如图10所示，对于节日运营方案模块1002，该节日运营方案模型实现的功能包括：圈选潜力用户10021、解决用户送礼诉求10022、节日异同痛点拆解10023和节日挖掘方案概览10024。
这里，对于圈选潜力用户，信息处理设备可以根据送礼场景对节日进行分类，分别挖掘出同类节日和不同类节日的用户画像特征，以圈选出具有提升潜力的重点人群。其中，圈选出的具有提升潜力的重点人群，是指根据用户节日属性特征所圈选出的当前节日的候选人群。比如：在情人节进行圈人时，将从用户历史行为数据中，分析爱情相关节日中，用户的购物动线，计算用户爱情节日偏好，并进一步结合用户的性别、年龄、职业和购买力等特征进行圈人。
对于解决用户送礼诉求，信息处理设备可将搜索词分为专属搜索词和泛搜索词，其中，专属搜索词针对的场景是用户知道需要买的礼物，泛搜索词针对的场景是用户不知道需要买的礼物。这里，信息处理设备将进行供需分析和节日场域动线分析，以对选品进行优化。
对于节日异同痛点拆解，信息处理设备将基于节日之间的共性和差异性，针对不同节日，对用户画像进行深入分析，以确定不同节日下用户的分析报告，生成用户标签。对于在节日场景下的购买次数为高频、中频和低频的用户，信息处理设备将具有针对性的进行精细化运营，其中，对于高频用户将提升客单价，对于中频用户将提升购买频率，对于低频用户将提升复购率。
如图11所示，可分别从节日分类1101、用户特征1102和用户购买力特征1103三个维度确定不同节日之间的共性和特性。
如图10所示，对于节日搜索词场域分析模块1003，该节日搜索词场域分析模块实现的功能包括：泛搜索词分析10031、专属搜索词分析10032、搜索词分类设计10033以及节日场域动线分析10034。
对于泛搜索词分析，针对用户不知道需要选择的礼物的情况，用户将进行泛搜索词进行搜索，其中，泛搜索词包括：送礼、送女友和送老师等没有特定对象的搜索词。
对于专属搜索词分析，针对用户知道需要买的礼物的情况，用户将进行专属搜索词进行搜索，其中，专属搜索词包括：口红、香水等具有特定对象的搜索词。
对于搜索词分类设计，信息处理设备将根据用户的搜索，在已有的分类基础上，增加一些分类规则。
对于节日场域动线分析，针对用户不知道需要买的礼物的场景下，信息处理设备将在搜推场域下进行动线分析。针对用户知道需要买的礼物的场景下，信息处理设备将进行供需分析，以为用户提供更多的符合用户需求的商品。
在一示例中，针对在搜推场域下进行动线分析，泛搜索词为“送女友”的情况下，信息处理设备将确定该“送女友”下的性价比高的商品，并将确定出的性价比高的商品推荐给用户。
如图10所示，对于节日自动化圈人改进模块1004，该节日自动化圈人改进模块实现的功能包括：确定稠密(Dense)特征和标识(Identity Document，ID)特征10041、确定用户画像10042、节日多兴趣网络10043和节日兴趣加强10044。
对于节日自动化圈人模型，训练数据的特征包括：Dense特征和ID特征。其中，Dense特征包括：用户画像特征、商品画像特征、用户与商品的交互统计特征和上下文特征；ID特征包括：用户历史时间窗口点击、用户加购、关注的商品、品类、品牌和店铺等。
对于label，若用户在历史节日行为数据中有下单的商品，则label为1，若用户在历史节日行为数据中没有下单的商品，则label为0。
节日自动化圈人模型如图12所示：
S1201、用户画像、用户购买力构造候选池。
S1202、获取Dense特征和ID特征。
S1203、对Dense特征和ID特征进行embedding。
S1204、通过胶囊网络进行多兴趣提取。
S1205、确定至少一个目标用户。
对于用户画像，该用户画像包括：用户粘性分级、用户属性分析和用户节日购买力预测。
对于节日多兴趣网络，通过多兴趣网络对用户进行多兴趣抽取，其中，多兴趣网络是由3层深度神经网络(Deep Neural Networks，DNN)构成的。
对于节日兴趣加强，为了更好地学习用户节日多兴趣，设计了Label-aware-attention机制，该Label-aware-attention机制表示为au＝Attention(ei,Vu,Vu)。
对于节日自动化选品改进模块1005，节日自动化选品改进模块实现的功能包括：确定节日属性商品10051、确定节日用户购买行为10052、节日商品用户深度交互反馈10053、节日商品用户特征交互优化10054。
对于节日自动化选品模型，训练数据的特征包括：商品画像特征、用户节日购买行为特征和节日属性特征。
在筛选节日商品时，针对不同的节日的使用场景，将针对性的设计label。比如：在情人节进行商品筛选时，将对历史爱情相关节日中有销量的商品进行等级划分，在进行等级划分后，为每一个等级设计一个label。
节日自动化选品模型的结构如图13所示：
S1301、获取节日属性特征、用户购买力特征和商品特征。
S1302、对节日属性特征、用户购买力特征和商品特征进行embedding。
S1303、商品-用户特征交互优化层。
S1304、节日商品-用户深度交互反馈网络层。
对于节日属性商品，该节日属性包括：爱情属性和通用类家庭属性。其中，爱情属性的节日包括：情人节、七夕等；通用类家庭属性的节日包括：春节、中秋节和端午节等。爱情属性的商品包括：鲜花、巧克力和项链戒指等能表达爱情的商品；通用类家庭属性的商品包括：春联、月饼和粽子等。
对于节日用户购买行为，在节日期间，将根据用户购买商品的频次，将用户分为高频购买用户、中频购买用户和低频购买用户，对于不同类型的用户，将在节日当天推送不同的商品。
对于节日商品-用户深度交互反馈模块，如上述公式(1)所示，以用户历史点击行为序列为例，获取用户在历史时间段内点击过的商品，对用户在历史时间段内点击过的商品进行拼接，得到Bc。
对目标侧商品进行拼接，得到目标侧商品的embedding。
如图10所示，对于节日挖掘落地模块1006，该节日挖掘落地模块实现的功能包括：节日用户粘性运营10061、节日货品供需升级10062、搜推节日渗透提升10063和解决用户送礼诉求10064。
对于节日用户粘性运营，在将用户分为高频用户、中频用户和低频用户后，将确定高频用户为核心用户，中频用户为一般用户，低频用户为潜在用户。其中，对于核心用户，将提升客单价，对于一般用户，将提升购买频次，对于潜在用户，将促进活跃度。
对于节日货品供需升级，信息处理设备将进行供需分析，以为用户提供更多的符合用户需求的商品。
对于搜推节日渗透提升，信息处理设备将以搜索词为起点，分析用户后续的动作，以为用户提供更多的符合用户需求的商品。
对于解决用户送礼诉求，信息处理设备将确定用户真实需求，了解节日商品供需匹配现状，提升人货匹配效率，以帮助用户更好地解决送礼诉求。
本申请实施例提供一种存储介质，也就是计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中提供的信息处理方法。
本申请实施例还提供一种电子设备，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程序，所述处理器执行所述计算机程序时实现上述信息处理方法。其中，电子设备为信息处理装置。
图14为本申请实施例提供的一种信息处理装置，如图14所示，信息处理装置1400包括：
第一确定单元1401，用于
将第一特征输入至筛选模型，得到至少一个候选用户中各候选用户的候选评分，所述第一特征至少包括：目标类别的描述信息、所述至少一个候选用户中各候选用户的用户特征，所述候选用户的候选评分用于表征所述候选评分对应的候选用户对所述目标类别的感兴趣程度；
第二确定单元1402，用于根据所述至少一个候选用户中各候选用户的候选评分，从所述至少一个候选用户中确定至少一个目标用户；
输出单元1403，用于将所述目标类别对应的对象输出至所述至少一个目标用户。
在一些实施例中，所述筛选模型至少包括：兴趣确定子网络，第二确定单元1402，用于：
对于所述至少一个候选用户中每一候选用户，将所述候选用户的用户特征输入至所述兴趣确定子网络，得到所述候选用户的兴趣信息，所述兴趣信息表征所述候选用户的至少两个兴趣；
确定所述至少一个候选用户中，至少两个兴趣包括所述目标类别的候选用户，确定至少两个兴趣包括所述目标类别的候选用户的候选评分。
在一些实施例中，信息处理装置1400还包括：训练单元，用于：
获取至少两条第一训练数据，所述至少两条第一训练数据中每一第一训练数据包括：第一训练特征和所述第一训练特征对应的第一标签，所述第一训练特征包括：训练兴趣的描述信息、训练用户的用户特征，所述第一标签用于表征所述训练用户对所述训练兴趣的感兴趣程度，所述第一标签基于所述训练用户的历史行为确定；
根据所述至少两条第一训练数据对初始筛选模型进行训练，得到所述筛选模型。
在一些实施例中，所述训练单元，还用于：
将所述至少两条第一训练数据中的第一训练特征输入至所述初始筛选模型，得到第一预测分数；
在所述初始筛选模型未收敛的情况下，根据所述至少两条第一训练数据中各第一训练数据对应的第一预测分数和所述第一训练数据的第一标签，确定所述初始筛选模型的第一损失值；
基于所述第一损失值更新所述初始筛选模型的参数，得到所述筛选模型，并继续将所述至少两条第一训练数据中的第一训练特征输入至所述初始筛选模型，直到所述初始筛选模型收敛，得到所述筛选模型。
在一些实施例中，所述训练单元，还用于：
根据所述至少两条训练数据中各训练数据对应的第一预测分数、所述训练数据的所述第一标签以及所述第一标签对应的权重，确定所述初始筛选模型的第一损失值。
在一些实施例中，所述训练单元，还用于：
对用于表征所述训练用户对所述训练兴趣的感兴趣程度的所述第一标签，确定所述训练用户的用户特征、用户交互对象和所述用户交互对象中所述训练兴趣对应的感兴趣对象，确定所述第一标签对应的权重。
在一些实施例中，所述训练单元，还用于：
将第二特征输入至选品模型，得到与至少一个候选对象中各候选对象的候选评分，所述第二特征至少包括：所述目标类别的描述信息、所述至少一个候选对象中各候选对象的对象特征，所述候选对象的候选评分用于表征所述候选评分对应的候选对象与所述目标类别的匹配程度；
根据所述至少一个候选对象中各候选对象的候选评分，从所述至少一个候选对象中确定至少一个目标对象；
对应的，所述将所述目标类别对应的对象输出至与所述至少一个目标用户，包括：
将所述至少一个目标对象输出至所述至少一个目标用户。
在一些实施例中，所述训练单元，还用于：
获取至少两条第二训练数据，所述至少两条第二训练数据中每一第二训练数据包括：第二训练特征和所述第二训练特征对应的第二标签，所述第二训练特征包括：训练兴趣的描述信息、训练对象的对象特征，所述第二标签用于表征所述训练对象与所述训练兴趣的匹配程度，所述第二标签基于所述训练对象的对象特征确定；
根据所述至少两个第二训练数据对初始选品模型进行训练，得到所述选品模型。
在一些实施例中，所述训练单元，还用于：
将所述至少两条第二训练数据中的第二训练特征输入至所述初始选品模型，得到第二预测分数；
在所述初始选品模型未收敛的情况下，根据所述至少两条第二训练数据中各第二训练数据对应的第二预测分数和所述第二训练数据的第二标签，确定所述初始选品模型的第二损失值；
基于所述第二损失值更新所述初始选品模型的参数，得到所述选品模型，并继续将所述至少两条第二训练数据中的第二训练特征输入至所述初始选品模型，直到所述初始选品模型收敛，得到所述选品模型。
需要说明的是，本申请实施例提供的数据处理系统包括所包括的各逻辑单元，可以通过电子设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU，Central Processing Unit)、微处理器(MPU，MicroProcessor Unit)、数字信号处理器(DSP，Digital Signal Processor)或现场可编程门阵列(FPGA，Field-Programmable Gate Array)等。
以上系统实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请系统实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的页面显示方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务端、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
这里需要指出的是：以上存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，图15为本申请实施例电子设备的一种硬件实体示意图，如图15所示，所述电子设备1500包括：一个处理器1501、至少一个通信总线1502、至少一个外部通信接口1504和存储器1505。其中，通信总线1502配置为实现这些组件之间的连接通信。在一示例中，电子设备1500还包括：用户接口1503、其中，用户接口1503可以包括显示屏，外部通信接口1504可以包括标准的有线接口和无线接口。
存储器1505配置为存储由处理器1501可执行的指令和应用，还可以缓存待处理器1501以及电子设备中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random AccessMemory，RAM)实现。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一些实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务端、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种信息处理方法，其特征在于，所述方法包括：
将第一特征输入至筛选模型，得到至少一个候选用户中各候选用户的候选评分，所述第一特征至少包括：目标类别的描述信息、所述至少一个候选用户中各候选用户的用户特征，所述候选用户的候选评分用于表征所述候选评分对应的候选用户对所述目标类别的感兴趣程度；
根据所述至少一个候选用户中各候选用户的候选评分，从所述至少一个候选用户中确定至少一个目标用户；
将所述目标类别对应的对象输出至所述至少一个目标用户。
2.根据权利要求1所述的方法，其特征在于，所述筛选模型至少包括：兴趣确定子网络，所述将第一特征输入至筛选模型，得到与至少一个候选用户中各候选用户的候选评分，包括：
对于所述至少一个候选用户中每一候选用户，将所述候选用户的用户特征输入至所述兴趣确定子网络，得到所述候选用户的兴趣信息，所述兴趣信息表征所述候选用户的至少两个兴趣；
确定所述至少一个候选用户中，至少两个兴趣包括所述目标类别的候选用户，确定至少两个兴趣包括所述目标类别的候选用户的候选评分。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取至少两条第一训练数据，所述至少两条第一训练数据中每一第一训练数据包括：第一训练特征和所述第一训练特征对应的第一标签，所述第一训练特征包括：训练兴趣的描述信息、训练用户的用户特征，所述第一标签用于表征所述训练用户对所述训练兴趣的感兴趣程度，所述第一标签基于所述训练用户的历史行为确定；
根据所述至少两条第一训练数据对初始筛选模型进行训练，得到所述筛选模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述至少两条第一训练数据对初始筛选模型进行训练，得到所述筛选模型，包括：
将所述至少两条第一训练数据中的第一训练特征输入至所述初始筛选模型，得到第一预测分数；
在所述初始筛选模型未收敛的情况下，根据所述至少两条第一训练数据中各第一训练数据对应的第一预测分数和所述第一训练数据的第一标签，确定所述初始筛选模型的第一损失值；
基于所述第一损失值更新所述初始筛选模型的参数，得到所述筛选模型，并继续将所述至少两条第一训练数据中的第一训练特征输入至所述初始筛选模型，直到所述初始筛选模型收敛，得到所述筛选模型。
5.根据权利要求4所述的方法，其特征在于，所述根据所述至少两条第一训练数据中各第一训练数据对应的第一预测分数和所述第一训练数据的第一标签，确定所述初始筛选模型的第一损失值，包括：
根据所述至少两条训练数据中各训练数据对应的第一预测分数、所述训练数据的所述第一标签以及所述第一标签对应的权重，确定所述初始筛选模型的第一损失值。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对用于表征所述训练用户对所述训练兴趣的感兴趣程度的所述第一标签，确定所述训练用户的用户特征、用户交互对象和所述用户交互对象中所述训练兴趣对应的感兴趣对象，确定所述第一标签对应的权重。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将第二特征输入至选品模型，得到与至少一个候选对象中各候选对象的候选评分，所述第二特征至少包括：所述目标类别的描述信息、所述至少一个候选对象中各候选对象的对象特征，所述候选对象的候选评分用于表征所述候选评分对应的候选对象与所述目标类别的匹配程度；
根据所述至少一个候选对象中各候选对象的候选评分，从所述至少一个候选对象中确定至少一个目标对象；
对应的，所述将所述目标类别对应的对象输出至与所述至少一个目标用户，包括：
将所述至少一个目标对象输出至所述至少一个目标用户。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
获取至少两条第二训练数据，所述至少两条第二训练数据中每一第二训练数据包括：第二训练特征和所述第二训练特征对应的第二标签，所述第二训练特征包括：训练兴趣的描述信息、训练对象的对象特征，所述第二标签用于表征所述训练对象与所述训练兴趣的匹配程度，所述第二标签基于所述训练对象的对象特征确定；
根据所述至少两个第二训练数据对初始选品模型进行训练，得到所述选品模型。
9.根据权利要求8所述的方法，其特征在于，根据所述至少两条第二训练数据对初始选品模型进行训练，得到所述选品模型，包括：
将所述至少两条第二训练数据中的第二训练特征输入至所述初始选品模型，得到第二预测分数；
在所述初始选品模型未收敛的情况下，根据所述至少两条第二训练数据中各第二训练数据对应的第二预测分数和所述第二训练数据的第二标签，确定所述初始选品模型的第二损失值；
基于所述第二损失值更新所述初始选品模型的参数，得到所述选品模型，并继续将所述至少两条第二训练数据中的第二训练特征输入至所述初始选品模型，直到所述初始选品模型收敛，得到所述选品模型。
10.一种信息处理装置，其特征在于，所述装置包括：
第一确定单元，用于将第一特征输入至筛选模型，得到与至少一个候选用户中各候选用户的候选评分，所述第一特征至少包括：目标类别的描述信息、所述至少一个候选用户中各候选用户的用户特征，所述候选用户的候选评分用于表征所述候选评分对应的候选用户对所述目标类别的感兴趣程度；
第二确定单元，用于根据所述至少一个候选用户中各候选用户的候选评分，从所述至少一个候选用户中确定至少一个目标用户；
输出单元，用于将所述目标类别对应的对象输出至所述至少一个目标用户。
11.一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，执行上述权利要求1至9任一项所述的信息处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210933246.9A CN115311048A (zh) | 2022-08-04 | 2022-08-04 | 一种信息处理方法及装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210933246.9A CN115311048A (zh) | 2022-08-04 | 2022-08-04 | 一种信息处理方法及装置、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115311048A true CN115311048A (zh) | 2022-11-08 |
Family
ID=83859005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210933246.9A Pending CN115311048A (zh) | 2022-08-04 | 2022-08-04 | 一种信息处理方法及装置、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115311048A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117934113A (zh) * | 2024-01-19 | 2024-04-26 | 广州千分位科技有限公司 | 基于大数据的商品推荐方法及装置 |
| CN118014670A (zh) * | 2023-12-19 | 2024-05-10 | 广州千分位科技有限公司 | 基于大数据的商品供应管理方法及装置 |
| CN117934113B (zh) * | 2024-01-19 | 2024-11-08 | 广州千分位科技有限公司 | 基于大数据的商品推荐方法及装置 |
-
2022
- 2022-08-04 CN CN202210933246.9A patent/CN115311048A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118014670A (zh) * | 2023-12-19 | 2024-05-10 | 广州千分位科技有限公司 | 基于大数据的商品供应管理方法及装置 |
| CN117934113A (zh) * | 2024-01-19 | 2024-04-26 | 广州千分位科技有限公司 | 基于大数据的商品推荐方法及装置 |
| CN117934113B (zh) * | 2024-01-19 | 2024-11-08 | 广州千分位科技有限公司 | 基于大数据的商品推荐方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8924265B2 (en) | System and process for improving product recommendations for use in providing personalized advertisements to retail customers | |
| US8108329B2 (en) | System and process for boosting recommendations for use in providing personalized advertisements to retail customers | |
| CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
| US8019642B2 (en) | System and process for receiving boosting recommendations for use in providing personalized advertisements to retail customers | |
| KR102227552B1 (ko) | 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템 | |
| US20090281895A1 (en) | System and process for improving recommendations for use in providing personalized advertisements to retail customers | |
| CN107077687A (zh) | 获得与消费者有关的数据、处理所述数据并提供以电子方式生成的消费者报价的输出 | |
| CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
| Hong et al. | Development of a new knowledge-based fabric recommendation system by integrating the collaborative design process and multi-criteria decision support | |
| CN115131101A (zh) | 一种保险产品个性化智能推荐系统 | |
| CN109658195B (zh) | 一种商品展示决策方法 | |
| Zheng et al. | A scalable purchase intention prediction system using extreme gradient boosting machines with browsing content entropy | |
| CN115311048A (zh) | 一种信息处理方法及装置、存储介质 | |
| Fazlollahtabar | Intelligent marketing decision model based on customer behavior using integrated possibility theory and K-means algorithm | |
| Ward et al. | Data analytics and artificial intelligence in e-marketing: techniques, best practices and trends | |
| TW201905795A (zh) | 目標族群評估方法及裝置 | |
| Kotsokechagia | Predictive model for customer satisfaction in e-commerce | |
| KR20220163196A (ko) | 인공지능 기반 향수 추천 서비스 제공 시스템 | |
| Casabayó et al. | Using AI techniques in the grocery industry: Identifying the customers most likely to defect | |
| KR20210052237A (ko) | 인공지능에 기반한 상품 카탈로그 자동 분류 시스템 | |
| Seo | Development of a tailored analysis system for Korean working conditions survey | |
| KR102621988B1 (ko) | 이미지 기반 퍼스널 향수 추천 서비스 제공 시스템 | |
| US11972470B2 (en) | Systems and methods for identifying item substitutions | |
| JP7419583B1 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
| KR101177768B1 (ko) | 디지털 커뮤니케이션 도구 상의 자아표현에 기반한 상품 및 서비스 추천방법 |
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 |