CN115480918A - 数据处理方法、装置、设备、介质及程序产品 - Google Patents

数据处理方法、装置、设备、介质及程序产品 Download PDF

Info

Publication number
CN115480918A
CN115480918A CN202211134295.2A CN202211134295A CN115480918A CN 115480918 A CN115480918 A CN 115480918A CN 202211134295 A CN202211134295 A CN 202211134295A CN 115480918 A CN115480918 A CN 115480918A
Authority
CN
China
Prior art keywords
user
potential value
queue
estimated
quota
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211134295.2A
Other languages
English (en)
Inventor
范宜军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202211134295.2A priority Critical patent/CN115480918A/zh
Publication of CN115480918A publication Critical patent/CN115480918A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46Multiprogramming arrangements
    • G06F9/50Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种数据处理方法、装置、设备、介质及程序产品,涉及人工智能技术领域,具体为大数据技术领域。在本公开的一些实施例中,获取用户的基础属性和/或操作行为特征;根据基础属性和/或操作行为特征,确定用户的用户潜力值;根据用户的队列耗时和预估耗时,确定用户的队列潜力值和预估配额潜力值,其中,队列耗时是指使用预设召回队列为用户匹配候选推送信息所需的时间,预估耗时是指对候选推送信息进行预估所需的时间;根据用户的用户潜力值、队列潜力值和预估配额潜力值,为用户配置相应的信息推送算力,合理分配推送算力,减少推送算力的浪费。

Description

数据处理方法、装置、设备、介质及程序产品
技术领域
本公开提供了一种数据处理方法、装置、设备、介质及程序产品,涉及人工智能技术领域,具体为大数据技术领域。
背景技术
随着计算机技术的蓬勃发展,人工智能技术也得到了迅速发展。
在用户使用应用程序的过程中,向用户推荐重大新闻外,还需要向用户推荐与用户匹配的个性化的信息;对于所有用户,采用相同的推送算力进行信息推送,推送算力的使用率低,造成推送算力的大量浪费。
发明内容
本公开提供了一种数据处理方法、装置、设备、介质和程序产品。
本公开的一方面,提供了一种数据配置方法,包括:
获取用户的基础属性和/或操作行为特征;
根据所述基础属性和/或所述操作行为特征,确定所述用户的用户潜力值;
根据所述用户的队列耗时和预估耗时,确定所述用户的队列潜力值和预估配额潜力值,其中,所述队列耗时是指使用预设召回队列为所述用户匹配候选推送信息所需的时间,预估耗时是指对所述候选推送信息进行预估所需的时间;
根据所述用户潜力值、所述队列潜力值和所述预估配额潜力值,为所述用户配置信息推送算力。
本公开的另一方面,提供一种数据配置装置,包括:
获取模块,用于获取用户的基础属性和/或操作行为特征;
第一确定模块,用于根据所述基础属性和/或所述操作行为特征,确定所述用户的用户潜力值;
第二确定模块,用于根据所述用户的队列耗时和预估耗时,确定所述用户的队列潜力值和预估配额潜力值,其中,所述队列耗时是指使用预设召回队列为所述用户匹配候选推送信息所需的时间,预估耗时是指对所述候选推送信息进行预估所需的时间;
配置模块,用于根据所述用户潜力值、所述队列潜力值和所述预估配额潜力值,为所述用户配置信息推送算力。
本公开的另一方面,提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的方法。
本公开的另一方面,提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述的方法。
本公开的另一方面,提供一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令在被处理器执行时实现上述的方法中的步骤。
在本公开的一些实施例中,获取用户的基础属性和/或操作行为特征;根据基础属性和/或操作行为特征,确定用户的用户潜力值;根据用户的队列耗时和预估耗时,确定用户的队列潜力值和预估配额潜力值,其中,队列耗时是指使用预设召回队列为用户匹配候选推送信息所需的时间,预估耗时是指对候选推送信息进行预估所需的时间;根据用户的用户潜力值、队列潜力值和预估配额潜力值,为用户配置相应的信息推送算力,合理分配推送算力,减少推送算力的浪费。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例一提供的一种数据配置方法的流程示意图;
图2为本公开实施例二提供的另一种数据配置方法的流程示意图;
图3为本公开示例性实施例提供的一种数据配置的结构示意图;
图4示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
随着计算机技术的蓬勃发展,人工智能技术也得到了迅速发展。
在用户使用应用程序的过程中,向用户推荐重大新闻外,还需要向用户推荐与用户匹配的个性化的信息。信息推荐过程大致如下:
1,针对某个用户,通过触发大量的召回队列,从信息数据库中筛选出用户可能感兴趣的预筛信息;
2,根据预设的筛选规则,从预筛信息中筛选出候选信息;使用预估打分模块对候选信息进行打分,得到每条候选信息的得分;
3,从候选信息中筛选出得分满足预设得分阈值的目标信息,将目标信息推送至该用户。
目前,对于所有用户,采用相同的推送算力进行信息推送,推送算力的使用率低,造成推送算力的大量浪费。
针对上述存在的技术问题,在公开的一些实施例中,获取用户的基础属性和/或操作行为特征;根据基础属性和/或操作行为特征,确定用户的用户潜力值;根据用户的队列耗时和预估耗时,确定用户的队列潜力值和预估配额潜力值,其中,队列耗时是指使用预设召回队列为用户匹配候选推送信息所需的时间,预估耗时是指对候选推送信息进行预估所需的时间;根据用户的用户潜力值、队列潜力值和预估配额潜力值,为用户配置相应的信息推送算力,合理分配推送算力,减少推送算力的浪费。
以下结合附图,详细说明本公开各实施例提供的技术方案。
图1为本公开实施例一提供的一种数据配置方法的流程示意图。如图1所示,该方法包括:
S101:获取用户的基础属性和/或操作行为特征;
S102:根据基础属性和/或操作行为特征,确定用户的用户潜力值;
S103:根据用户的队列耗时和预估耗时,确定用户的队列潜力值和预估配额潜力值,其中,队列耗时是指使用预设召回队列为用户匹配候选推送信息所需的时间,预估耗时是指对候选推送信息进行预估所需的时间;
S104:根据用户潜力值、队列潜力值和预估配额潜力值,为用户配置信息推送算力。
在本实施例中,上述方法的执行主体可以为终端设备或者服务器。
当执行主体为终端设备时,并不限定终端设备的具体实现形式。终端设备包括但不限于以下任意一种:个人计算机,平板电脑、智能手机和智能穿戴设备。
当执行主体为服务器时,例如,服务器可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中,服务器的构成主要包括处理器、硬盘、内存、系统总线等,和通用的计算机架构类型。
算力,是指数据处理能力,即CPU、GPU等用于数据运算硬件的运算能力。算力的高低一方面取决于CPU、GPU等硬件的性能,另一方面取决于软件逻辑计算能力。本公开主要在于对软件逻辑计算能力进行优化,合理分配信息推送算力,减少推送算力的浪费。
本公开的推送算力包括召回算力和预估算力。在信息推送过程中,首先需要触发大量的召回队列从信息数据库中筛选出用户可能感兴趣的预筛信息,该步骤需要召回算力进行数据的处理;再次,使用预估打分模块对候选信息进行打分,得到每条候选信息的得分,该步骤需要预估算力进行数据的处理。
本公开在向用户进行信息推送之前,合理分配召回算力和预估算力,以减少推送算力的浪费,关于分配算力的具体过程详见下述各实施例的描述部分。
在本实施例中,获取用户的基础属性和/或操作行为特征;根据基础属性和/或操作行为特征,确定用户的用户潜力值;根据用户的队列耗时和预估耗时,确定用户的队列潜力值和预估配额潜力值,其中,队列耗时是指使用预设召回队列为用户匹配候选推送信息所需的时间,预估耗时是指对候选推送信息进行预估所需的时间;根据用户的用户潜力值、队列潜力值和预估配额潜力值,为用户配置相应的信息推送算力,合理分配推送算力,减少推送算力的浪费。
需要说明的是,用户的基础属性,例如,性别、年龄、昵称、常驻城市、教育程度和常驻城市级别等。用户的操作行为特征,是指用户在过去时间段内在平台上的操作行为特征。例如,设定历史周期内的活跃天数、点赞数量、评论数量、关注用户数量和资源分配额度。设定历史周期可以为近7天、近14天、近28天、近三个月和近半年。
在上述实施例中,根据基础属性和/或操作行为特征,确定用户的用户潜力值。一种可实现的方式为,将基础属性和/或操作行为特征输入已经训练完成的用户潜力值模型中,得到用户的用户潜力值。其中,本公开利用用户潜力值模型对用户的用户潜力值进行评估,用户潜力值的精度更高。需要说明的是,本公开确定用户的用户潜力值的方法不限于模型,还可以采用其他确定算法。
在上述实施例中,根据用户的队列耗时和预估耗时,确定用户的队列潜力值和预估配额潜力值。一种可实现的方式为,将用户的队列耗时和预估耗时输入已经训练完成的队列与预估配额潜力值模型中,得到用户的队列潜力值和预估配额潜力值。其中,队列耗时是指使用预设召回队列为用户匹配候选推送信息所需的时间,预估耗时是指对候选推送信息进行预估所需的时间。队列耗时和预估耗时都是历史耗时。其中,本公开利用预估配额潜力值模型对用户的队列潜力值和预估配额潜力值进行预估,用户的队列潜力值和预估配额潜力值的精度更高。需要说明的是,本公开确定用户的队列潜力值和预估配额潜力值的方法不限于模型,还可以采用其他确定算法。
在上述实施例中,根据用户潜力值、队列潜力值和预估配额潜力值,为用户配置信息推送算力。一种实施例中,根据用户潜力值和队列潜力值,为用户配置召回算力;以及根据用户潜力值和预估配额潜力值,为用户配置预估算力。
在本公开的一些实施例中,根据用户潜力值和队列潜力值,为用户配置召回算力。一种可实现的方式为,从预设召回队列选择出队列潜力值位于设定位序的目标召回队列,作为为用户配置的召回算力;其中,用户的用户潜力值与为用户配置的召回队列的数量负相关。需要说明的是,本申请对设定位序的不作限定,可以根据实际情况作出调整;设定位序,例如,第一位,第二位和第三位等。在对用户进行队列召回时,根据用户潜力值和队列裁剪配置对用户需要触发的召回队列进行裁剪,潜力值越低的用户分配越少的召回算力,裁剪的队列潜力值偏低的队列越多。
例如,用户1、用户2、用户3的用户潜力值分别为:30,50,90。召回队列1、召回队列2、召回队列3、召回队列4和召回队列5的队列潜力值分别为:90,88,85,60,20。其中,用户1选择出队列潜力值位于前两位的召回队列1和召回队列2,作为为用户配置的召回算力。用户2选择出位于前三位的召回队列1、召回队列2和召回队列3,作为为用户配置的召回算力。用户1选择出召回队列1、召回队列2、召回队列3、召回队列4和召回队列5,作为为用户配置的召回算力。
在本公开的另一些实施例中,根据用户潜力值和预估配额潜力值,为用户配置预估算力。一种可实现的方式为,根据用户潜力值和预估配额潜力值,确定为用户配置的预估配额;根据预估配额,确定为用户配置的预估算力。在对用户进行预估之前,根据用户潜力值和预估配额潜力值对用户的预估配额进行计算,潜力值越低的用户分配越少的预估算力,预估配额也就越小。
可选地,根据用户潜力值和预估配额潜力值,确定为用户配置的预估配额。一种可实现的方式为,根据用户潜力值在所有用户中的位序和所有用户的数量,计算用户的用户潜力值百分比;根据用户潜力值百分比和预估配额潜力值,计算得到为用户配置的预估配额。
例如,用户的数量为10个,当前用户的用户潜力值在10个用户的用户潜力值中的排序为4,则用户的用户潜力值百分比为4/10=0.4。根据用户潜力值百分比;根据用户潜力值百分比和预估配额潜力值,计算得到为用户配置的预估配额为0.5。根据预估配额0.5,确定为用户配置50%的预估算力。
在使用上述方式为用户配置信息推送算力之后,推行算力向用户进行信息推送。一种可根据信息推送算力,确定用户的目标推送信息;将目标推送信息推送至用户。可选地,在确定用户的目标推送信息之后,对目标推送信息进行存储。
结合上述各实施例的描述,图2为本公开实施例二提供的另一种数据配置方法的流程示意图。如图2所示,该方法包括:
S201:获取用户的基础属性和/或操作行为特征;
S202:将基础属性和/或操作行为特征输入已经训练完成的用户潜力值模型中,得到用户的用户潜力值;
S203:将用户的队列耗时和预估耗时输入已经训练完成的队列与预估配额潜力值模型中,得到用户的队列潜力值和预估配额潜力值;其中,队列耗时是指使用预设召回队列为用户匹配候选推送信息所需的时间,预估耗时是指对候选推送信息进行预估所需的时间;
S204:根据用户潜力值、队列潜力值和预估配额潜力值,为用户配置信息推送算力。
在本实施例中,上述方法的执行主体可以为终端设备或者服务器。
当执行主体为终端设备时,并不限定终端设备的具体实现形式。终端设备包括但不限于以下任意一种:个人计算机,平板电脑、智能手机和智能穿戴设备。
当执行主体为服务器时,例如,服务器可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中,服务器的构成主要包括处理器、硬盘、内存、系统总线等,和通用的计算机架构类型。
本实施例各步骤的实现方式均可参见前述各实施例的描述,在本实施例中不再赘述,同时,本实施例可取得前述各实施例相应部分的有益效果。
在本公开的上述方法实施例中,获取用户的基础属性和/或操作行为特征;根据基础属性和/或操作行为特征,确定用户的用户潜力值;根据用户的队列耗时和预估耗时,确定用户的队列潜力值和预估配额潜力值,其中,队列耗时是指使用预设召回队列为用户匹配候选推送信息所需的时间,预估耗时是指对候选推送信息进行预估所需的时间;根据用户的用户潜力值、队列潜力值和预估配额潜力值,为用户配置相应的信息推送算力,合理分配推送算力,减少推送算力的浪费。
图3为本公开示例性实施例提供的一种数据配置装置30的结构示意图。该数据配置装置30包括获取模块31、第一确定模块32、第二确定模块33和配置模块34。
其中,获取模块31,用于获取用户的基础属性和/或操作行为特征;
第一确定模块32,用于根据基础属性和/或操作行为特征,确定用户的用户潜力值;
第二确定模块33,用于根据用户的队列耗时和预估耗时,确定用户的队列潜力值和预估配额潜力值,其中,队列耗时是指使用预设召回队列为用户匹配候选推送信息所需的时间,预估耗时是指对候选推送信息进行预估所需的时间;
配置模块34,用于根据用户潜力值、队列潜力值和预估配额潜力值,为用户配置信息推送算力。
可选地,第一确定模块32在根据基础属性和/或操作行为特征,确定用户的用户潜力值时,用于:
将基础属性和/或操作行为特征输入已经训练完成的用户潜力值模型中,得到用户的用户潜力值。
可选地,第二确定模块33在根据用户的队列耗时和预估耗时,确定用户的队列潜力值和预估配额潜力值时,用于:
将用户的队列耗时和预估耗时输入已经训练完成的队列与预估配额潜力值模型中,得到用户的队列潜力值和预估配额潜力值。
可选地,信息推送算力包括召回算力和预估算力,配置模块34在根据用户潜力值、队列潜力值和预估配额潜力值,为用户配置信息推送算力时,用于:
根据用户潜力值和队列潜力值,为用户配置召回算力;以及
根据用户潜力值和预估配额潜力值,为用户配置预估算力。
可选地,配置模块34在根据用户潜力值和队列潜力值,为用户配置召回算力时,用于:
从预设召回队列选择出队列潜力值位于设定位序的目标召回队列,作为为用户配置的召回算力;
其中,用户的用户潜力值与为用户配置的召回队列的数量负相关。
可选地,配置模块34在根据用户潜力值和预估配额潜力值,为用户配置预估算力时,用于:
根据用户潜力值和预估配额潜力值,确定为用户配置的预估配额;
根据预估配额,确定为用户配置的预估算力。
可选地,配置模块34在根据用户潜力值和预估配额潜力值,确定为用户配置的预估配额时,用于:
根据用户潜力值在所有用户中的位序和所有用户的数量,计算用户的用户潜力值百分比;
根据用户潜力值百分比和预估配额潜力值,计算得到为用户配置的预估配额。
可选地,配置模块34在根据用户潜力值、队列潜力值和预估配额潜力值,为用户配置信息推送算力之后,还可用于:
根据信息推送算力,确定用户的目标推送信息;
将目标推送信息推送至用户。
可选地,配置模块34在根据信息推送算力,确定用户的目标推送信息之后,还可用于:
存储用户的目标推送信息。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。同时,本公开文本处理装置也能取的与上述文本处理方法相应的有益效果。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如文本处理方法。例如,在一些实施例中,文本处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的文本处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行文本处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
在本公开的上述装置、设备、存储介质及计算机程序产品实施例中,获取用户的基础属性和/或操作行为特征;根据基础属性和/或操作行为特征,确定用户的用户潜力值;根据用户的队列耗时和预估耗时,确定用户的队列潜力值和预估配额潜力值,其中,队列耗时是指使用预设召回队列为用户匹配候选推送信息所需的时间,预估耗时是指对候选推送信息进行预估所需的时间;根据用户的用户潜力值、队列潜力值和预估配额潜力值,为用户配置相应的信息推送算力,合理分配推送算力,减少推送算力的浪费。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。

Claims (21)

1.一种数据配置方法,包括:
获取用户的基础属性和/或操作行为特征;
根据所述基础属性和/或所述操作行为特征,确定所述用户的用户潜力值;
根据所述用户的队列耗时和预估耗时,确定所述用户的队列潜力值和预估配额潜力值,其中,所述队列耗时是指使用预设召回队列为所述用户匹配候选推送信息所需的时间,预估耗时是指对所述候选推送信息进行预估所需的时间;
根据所述用户潜力值、所述队列潜力值和所述预估配额潜力值,为所述用户配置信息推送算力。
2.根据权利要求1所述的方法,其中,所述根据所述基础属性和/或所述操作行为特征,确定所述用户的用户潜力值,包括:
将所述基础属性和/或所述操作行为特征输入已经训练完成的用户潜力值模型中,得到所述用户的用户潜力值。
3.根据权利要求1所述的方法,其中,所述根据所述用户的队列耗时和预估耗时,确定所述用户的队列潜力值和预估配额潜力值,包括:
将所述用户的队列耗时和预估耗时输入已经训练完成的队列与预估配额潜力值模型中,得到所述用户的队列潜力值和预估配额潜力值。
4.根据权利要求1所述的方法,其中,所述信息推送算力包括召回算力和预估算力,根据所述用户潜力值、所述队列潜力值和所述预估配额潜力值,为所述用户配置信息推送算力,包括:
根据所述用户潜力值和所述队列潜力值,为所述用户配置所述召回算力;以及
根据所述用户潜力值和所述预估配额潜力值,为所述用户配置所述预估算力。
5.根据权利要求4所述的方法,其中,所述根据所述用户潜力值和所述队列潜力值,为所述用户配置所述召回算力,包括:
从所述预设召回队列选择出所述队列潜力值位于设定位序的目标召回队列,作为所述用户配置的所述召回算力;
其中,所述用户的用户潜力值与为所述用户配置的召回队列的数量负相关。
6.根据权利要求4所述的方法,其中,所述根据所述用户潜力值和所述预估配额潜力值,为所述用户配置所述预估算力,包括:
根据所述用户潜力值和所述预估配额潜力值,确定为所述用户配置的预估配额;
根据所述预估配额,确定为所述用户配置的所述预估算力。
7.根据权利要求6所述的方法,其中,所述根据所述用户潜力值和所述预估配额潜力值,确定为所述用户配置的预估配额,包括:
根据所述用户潜力值在所有用户中的位序和所有用户的数量,计算所述用户的用户潜力值百分比;
根据所述用户潜力值百分比和所述预估配额潜力值,计算得到为所述用户配置的预估配额。
8.根据权利要求1所述的方法,其中,在所述根据所述用户潜力值、所述队列潜力值和所述预估配额潜力值,为所述用户配置信息推送算力之后,所述方法还包括:
根据所述信息推送算力,确定所述用户的目标推送信息;
将所述目标推送信息推送至所述用户。
9.根据权利要求8所述的方法,在所述根据所述信息推送算力,确定所述用户的目标推送信息之后,所述方法还包括:
存储所述用户的目标推送信息。
10.一种数据配置装置,包括:
获取模块,用于获取用户的基础属性和/或操作行为特征;
第一确定模块,用于根据所述基础属性和/或所述操作行为特征,确定所述用户的用户潜力值;
第二确定模块,用于根据所述用户的队列耗时和预估耗时,确定所述用户的队列潜力值和预估配额潜力值,其中,所述队列耗时是指使用预设召回队列为所述用户匹配候选推送信息所需的时间,预估耗时是指对所述候选推送信息进行预估所需的时间;
配置模块,用于根据所述用户潜力值、所述队列潜力值和所述预估配额潜力值,为所述用户配置信息推送算力。
11.根据权利要求10所述的装置,其中,所述第一确定模块在根据所述基础属性和/或所述操作行为特征,确定所述用户的用户潜力值时,用于:
将所述基础属性和/或所述操作行为特征输入已经训练完成的用户潜力值模型中,得到所述用户的用户潜力值。
12.根据权利要求10所述的装置,其中,所述第二确定模块在根据所述用户的队列耗时和预估耗时,确定所述用户的队列潜力值和预估配额潜力值时,用于:
将所述用户的队列耗时和预估耗时输入已经训练完成的队列与预估配额潜力值模型中,得到所述用户的队列潜力值和预估配额潜力值。
13.根据权利要求10所述的装置,其中,所述信息推送算力包括召回算力和预估算力,所述配置模块在根据所述用户潜力值、所述队列潜力值和所述预估配额潜力值,为所述用户配置信息推送算力时,用于:
根据所述用户潜力值和所述队列潜力值,为所述用户配置所述召回算力;以及
根据所述用户潜力值和所述预估配额潜力值,为所述用户配置所述预估算力。
14.根据权利要求13所述的装置,其中,所述配置模块在根据所述用户潜力值和所述队列潜力值,为所述用户配置所述召回算力时,用于:
从所述预设召回队列选择出所述队列潜力值位于设定位序的目标召回队列,作为为所述用户配置的所述召回算力;
其中,所述用户的用户潜力值与为所述用户配置的召回队列的数量负相关。
15.根据权利要求13所述的装置,其中,所述配置模块在根据所述用户潜力值和所述预估配额潜力值,为所述用户配置所述预估算力时,用于:
根据所述用户潜力值和所述预估配额潜力值,确定为所述用户配置的预估配额;
根据所述预估配额,确定为所述用户配置的所述预估算力。
16.根据权利要求15所述的装置,其中,所述配置模块在根据所述用户潜力值和所述预估配额潜力值,确定为所述用户配置的预估配额时,用于:
根据所述用户潜力值在所有用户中的位序和所有用户的数量,计算所述用户的用户潜力值百分比;
根据所述用户潜力值百分比和所述预估配额潜力值,计算得到为所述用户配置的预估配额。
17.根据权利要求10所述的装置,其中,所述配置模块在根据所述用户潜力值、所述队列潜力值和所述预估配额潜力值,为所述用户配置信息推送算力之后,还可用于:
根据所述信息推送算力,确定所述用户的目标推送信息;
将所述目标推送信息推送至所述用户。
18.根据权利要求17所述的装置,其中,所述配置模块在所述根据所述信息推送算力,确定所述用户的目标推送信息之后,还可用于:
存储所述用户的目标推送信息。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令在被处理器执行时实现根据权利要求1-9中任一项所述的方法中的步骤。
CN202211134295.2A 2022-09-16 2022-09-16 数据处理方法、装置、设备、介质及程序产品 Pending CN115480918A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211134295.2A CN115480918A (zh) 2022-09-16 2022-09-16 数据处理方法、装置、设备、介质及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211134295.2A CN115480918A (zh) 2022-09-16 2022-09-16 数据处理方法、装置、设备、介质及程序产品

Publications (1)

Publication Number Publication Date
CN115480918A true CN115480918A (zh) 2022-12-16

Family

ID=84392623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211134295.2A Pending CN115480918A (zh) 2022-09-16 2022-09-16 数据处理方法、装置、设备、介质及程序产品

Country Status (1)

Country Link
CN (1) CN115480918A (zh)

Similar Documents

Publication Publication Date Title
CN113407850B (zh) 一种虚拟形象的确定和获取方法、装置以及电子设备
CN115659039A (zh) 信息推荐与信息展示方法、装置、设备、介质及程序产品
CN114861059A (zh) 资源推荐方法、装置、电子设备及存储介质
CN113904943A (zh) 账号检测方法、装置、电子设备和存储介质
CN113592293A (zh) 风险识别处理方法、电子设备及计算机可读存储介质
CN112989170A (zh) 应用于信息搜索的关键词匹配方法、信息搜索方法及装置
CN113408641B (zh) 资源生成模型的训练与服务资源的生成方法、装置
CN112887426B (zh) 信息流的推送方法、装置、电子设备以及存储介质
CN115480918A (zh) 数据处理方法、装置、设备、介质及程序产品
CN112860626B (zh) 一种文档排序方法、装置及电子设备
CN113901316A (zh) 一种信息推送方法、装置、电子设备及存储介质
CN114969444A (zh) 数据的处理方法、装置、电子设备和存储介质
CN114416476A (zh) 云手机应用的运行监控方法、装置、设备以及存储介质
CN113849531A (zh) 查询方法及装置
CN113326436A (zh) 确定推荐资源的方法、装置、电子设备和存储介质
CN112817463A (zh) 输入法获取音频数据的方法、设备和存储介质
US8880546B1 (en) System, method, and computer program for refining a set of keywords utilizing historical activity thresholds
CN113691442B (zh) 好友推荐方法、装置、设备、存储介质及程序产品
CN117033801B (zh) 一种业务推荐方法、装置、设备和存储介质
CN114329205A (zh) 用于推送信息的方法和装置
CN115757951A (zh) 内容推荐方法、装置、设备、计算机可读存储介质及产品
CN112685640A (zh) 推荐阅读内容的方法、电子设备和计算机可读存储介质
CN116402534A (zh) 一种人群特征确定方法、装置、设备及存储介质
CN114443964A (zh) 信息推荐方法、装置、电子设备和介质
CN117076796A (zh) 评论排序方法、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