CN115618100A - 用于关联事件推荐的数据处理方法、存储介质及电子设备 - Google Patents

Abstract

本发明涉及一种用于关联事件推荐的数据处理方法、存储介质及电子设备，该方法包括：获取目标用户的用户特征向量F＝(ACC,b,M)；b为待执行事件的事件信息，M为历史目标用户信息；根据F从若干子类型中确定出推荐子类型；向目标用户对应的设备推送推荐子类型对应的关联事件；其中，ACC为通过目标用户在每一第一已执行事件对应的第一目标时段内的行为数据得到的平均干扰度，每一第一已执行事件对应的第一目标时段的长度均为待执行事件的事件执行时间与当前时间的时间差，且每一第一目标时段对应的结束时刻均为对应第一已执行事件的事件执行时间。由此，可以减小目标用户被推送不感兴趣的关联事件的可能性。

Description

用于关联事件推荐的数据处理方法、存储介质及电子设备

技术领域

本发明涉及数据处理领域，特别是涉及一种用于关联事件推荐的数据处理方法、存储介质及电子设备。

背景技术

在民航出行场景中，随行程搭售的产品的类型众多，产品可以为航班保险等，在用户下单并生成行程后，为用户推荐合适的产品是十分必要的。

目前在向用户推荐随行程的产品时，首先需要确定该用户可能感兴趣的产品类型，以作为第一产品类型，在若干产品类型中确定该用户的待出行行程对应的第一产品类型时，通常会考虑到当前的干扰事件的形势，例如，若当前的干扰事件的形势比较严重，则该用户对应的第一产品类型为与干扰事件关联的第二产品类型的可能性较大，若当前的干扰事件的形势比较乐观，则该用户对应的第一产品类型为若干产品类型中除第二子类型以外的其他产品类型的可能性较大。在确定该用户对应的第一产品类型后，航空公司方可以向该用户对应的设备推送第一产品类型对应的产品。

但是，每个用户自身对干扰事件的接受程度是不同的，相同形势的干扰事件对确定不同的用户对应的第一产品类型的影响程度是不同的，因此，在若干产品类型中确定某一用户的待出行行程对应的第一产品类型时，与干扰事件相关的影响因素仅仅考虑了当前的干扰事件的形势，会使确定用户的待出行行程对应的第一产品类型的准确度较低，进而会使该用户被推送不感兴趣的产品的可能性较大。

发明内容

针对上述技术问题，本发明采用的技术方案为：

根据本公开的一方面，提供了一种用于关联事件推荐的数据处理方法，该方法包括以下步骤：

S100，获取目标用户的用户特征向量F＝(ACC,b,M)；其中，ACC为目标用户的平均干扰度；平均干扰度用于表示干扰事件对目标用户是否选择目标子类型对应的关联事件的影响程度，b 为目标用户对应的待执行事件的事件信息，M为根据目标用户对应的若干第一已执行事件的事件信息得到的历史目标用户信息；待执行事件和第一已执行事件均属于第一类事件，关联事件属于第二类事件；第二类事件具有若干子类型，目标子类型为若干子类型其中之一；

S200，将F输入目标AI模型，以使目标AI模型从若干子类型中确定出推荐子类型；

S300，向目标用户对应的设备推送推荐子类型对应的关联事件；

其中，ACC通过以下步骤得到：

S110，获取目标用户的第一已执行事件信息集U＝(u₁,u₂,...,u_k,...,u_v)，k＝1,2,3,...,v，u_k＝(D1_k,D2_k,N_order ^k,N_click ^k)，v为第一已执行事件的数量，u_k为第k个第一已执行事件对应的事件信息；D1_k为第k个第一已执行事件对应的源位置，D2_k为第k个第一已执行事件对应的目的位置；N_order ^k为第k个第一已执行事件关联的目标子类型的关联事件的数量，N_click ^k为目标用户在第一目标时段内对每一目标子类型的关联事件的展示页面的浏览总次数；每一第一已执行事件对应的第一目标时段的长度均为SPAN＝T_STAR-T_now，T_STAR为待执行事件的事件执行时间，T_now为当前时间，且每一第一目标时段对应的结束时刻均为对应第一已执行事件的事件执行时间；

S120，获取目标用户的平均干扰度ACC＝(∑_k＝1 ^vacc_k)/v；acc_k为第k个第一已执行事件对应的干扰影响指数；

acc_k符合以下条件：

acc_k＝(RI(D1_k)*α*RI(D2_k)*β)/(γ*N_order ^k+N_click ^k)；α为第一权重系数，β为第二权重系数，γ为第三权重系数；RI()为预设的干扰度确定函数，RI(D1_k)为D1_k对应的干扰度，RI(D2_k) 为D2_k对应的干扰度。

根据本公开的另一方面，还提供了一种非瞬时性计算机可读存储介质，存储介质中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现上述用于关联事件推荐的数据处理方法。

根据本公开的另一方面，还提供了一种电子设备，包括处理器和上述非瞬时性计算机可读存储介质。

本发明至少具有以下有益效果：

因此，本发明可以通过acc_k＝(RI(D1_k)*α+RI(D2_k)*β)/(γ*N_order ^k+N_click ^k)这一条件得到每一第一已执行事件对应的干扰影响指数，并根据若干干扰影响指数可以确定出目标用户的平均干扰度ACC，最终可以根据用户特征向量F＝(ACC,b,M)确定得到目标用户对应的推荐子类型；此时确定目标用户对应的推荐子类型考虑到了平均干扰度ACC，ACC是基于每一第一已执行事件对应的干扰事件的干扰度，以及N_order ^k和N_click ^k等行为数据得到的，进而ACC可以反映出目标用户在过去选择子类型受干扰事件的影响程度；相对于确定目标用户对应的推荐子类型时仅考虑干扰事件的干扰程度，本发明在确定目标用户对应的推荐子类型时还考虑到了目标用户选择子类型受干扰事件的影响程度，因而本方案可以提高确定目标用户对应的推荐子类型的准确度，进而可以减小目标用户被推送不感兴趣的关联事件的可能性。

进一步的，本发明中的N_click ^k是目标用户在对应的第一已执行事件的第一目标时段内的行为数据，由于每一第一目标时段的结束时刻为对应的第一已执行事件的事件执行时间，且第一目标时段的时长为，待执行事件的事件执行时间T_STAR与当前时间T_now的时间差，进而通过目标用户在第一目标时间段内的行为数据能更准确的反映出目标用户在T_now至T_STAR之间较为感兴趣的推荐子类型；因而，相比于得到目标用户选择子类型受干扰事件的影响程度，是基于目标用户在对应的第一已执行事件的事件产生时间至事件执行时间之间的行为数据得到的，本发明中基于在第一目标时间段内的N_click ^k得到ACC，进而基于ACC可以更准确的确定出目标用户在T_now至T_STAR之间较为感兴趣的推荐子类型，即可以更加准确的确定目标用户对应的推荐子类型，进而可以进一步减小目标用户被推送不感兴趣的关联事件的可能性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明实施例提供的用于关联事件推荐的数据处理方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种用于关联事件推荐的数据处理方法，其中，该方法可以由以下任意一项或其任意组合完成：终端、服务器、其他具备处理能力的设备，本发明实施例对此不作限定。

本发明实施例以用于关联事件推荐的数据处理方法应用于服务器为例，下面将参照图1 所示的用于关联事件推荐的数据处理方法的流程图，对用于关联事件推荐的数据处理方法进行介绍。

该方法包括以下步骤：

S100，获取目标用户的用户特征向量F＝(ACC,b,M)。

其中，ACC为目标用户的平均干扰度；平均干扰度用于表示干扰事件对目标用户是否选择目标子类型对应的关联事件的影响程度，b为目标用户对应的待执行事件的事件信息，M为根据目标用户对应的若干第一已执行事件的事件信息得到的历史目标用户信息；待执行事件和第一已执行事件均属于第一类事件，关联事件属于第二类事件；第二类事件具有若干子类型，目标子类型为若干子类型其中之一。

在一种可能的实施方式中，目标子类型为干扰事件对应的子类型，例如，若干子类型可以为第一子类型、第二子类型、第三子类型和第四子类型，第一子类型可以为干扰事件险对应的类型，第二子类型可以为改签险对应的类型，第三子类型可以为航空意外险对应的类型，第四子类型可以为航空延误险对应的类型，则目标子类型可以为第一子类型；每一子类型具有多个关联事件，例如，第二子类型具有免费改签险和改签优惠险等关联事件；第一类事件可以为航班行程，第二类事件可以为保险，对应的，待执行事件可以为对应的事件执行时间在t_now之前的事件，第一已执行事件可以为对应的事件执行时间在t_now之后的事件；服务器可以根据目标用户的用户唯一编码获取得到F。

S200，将F输入目标AI模型，以使目标AI模型从若干子类型中确定出推荐子类型。

在一种可能的实施方式中，目标AI模型可以设置为分类模型，例如，分类模型可以为二分类模型或多分类模型等；服务器可以将F输入至目标AI模型，目标AI模型可以输出若干子类型中一个子类型的类型标识，此时该类型标识对应的子类型即为目标用户对应的推荐子类型。

S300，向目标用户对应的设备推送推荐子类型对应的关联事件。

在一种可能的实施方式中，服务器可以根据目标用户的用户标识获取目标用户对应的设备标识，然后通过该设备标识向对应的设备推送推荐子类型对应的关联事件，此时关联事件对应的信息可以展示在该设备的应用程序中，此时目标用户为b下单该推荐子类型对应的关联事件的可能性较大。

其中，ACC通过以下步骤得到：

S110，获取目标用户的第一已执行事件信息集U＝(u₁,u₂,...,u_k,...,u_v)，k＝1,2,3,...,v，u_k＝(D1_k,D2_k,N_order ^k,N_click ^k)，v为第一已执行事件的数量，u_k为第k个第一已执行事件对应的事件信息；D1_k为第k个第一已执行事件对应的源位置，D2_k为第k个第一已执行事件对应的目的位置；N_order ^k为第k个第一已执行事件关联的目标子类型的关联事件的数量，N_click ^k为目标用户在第一目标时段内对每一目标子类型的关联事件的展示页面的浏览总次数；每一第一已执行事件对应的第一目标时段的长度均为SPAN＝T_STAR-T_now，T_STAR为待执行事件的事件执行时间，T_now为当前时间，且每一第一目标时段对应的结束时刻均为对应第一已执行事件的事件执行时间；

S120，获取目标用户的平均干扰度ACC＝(∑_k＝1 ^vacc_k)/v；acc_k为第k个第一已执行事件对应的干扰影响指数。

acc_k符合以下条件：

acc_k＝(RI(D1_k)*α*RI(D2_k)*β)/(γ*N_order ^k+N_click ^k)；α为第一权重系数，β为第二权重系数，γ为第三权重系数；RI()为预设的干扰度确定函数，RI(D1_k)为D1_k对应的干扰度，RI(D2_k) 为D2_k对应的干扰度。

在一种可能的实施方式中，源位置可以为起飞机场，目的位置可以为降落机场，N_order ^k可以为目标用户为第k个第一已执行事件下单目标子类型的关联事件的数量，N_click ^k为目标用户在对应的第一目标时段内对每一目标子类型的关联事件的展示页面的浏览总次数，即可以为目标用户在应用程序中点击选择目标子类型对应的每一关联事件对应的待选择标识的次数， T_STAR可以为待执行事件的起飞时间。另外，U还可以为目标用户在预设历史时段内的第一已执行事件信息集，例如，U对应的每一第一已执行事件的事件执行时间与t_now的时间差均小于一年。

因此，本发明可以通过acc_k＝(RI(D1_k)*α+RI(D2_k)*β)/(γ*N_order ^k+N_click ^k)这一条件得到每一第一已执行事件对应的干扰影响指数，并根据若干干扰影响指数可以确定出目标用户的平均干扰度ACC，最终可以根据用户特征向量F＝(ACC,b,M)确定得到目标用户对应的推荐子类型；此时确定目标用户对应的推荐子类型考虑到了平均干扰度ACC，ACC是基于每一第一已执行事件对应的干扰事件的干扰度，以及N_order ^k和N_click ^k等行为数据得到的，进而ACC可以反映出目标用户在过去选择子类型受干扰事件的影响程度；相对于确定目标用户对应的推荐子类型时仅考虑干扰事件的干扰程度，本发明在确定目标用户对应的推荐子类型时还考虑到了目标用户选择子类型受干扰事件的影响程度，因而本方案可以提高确定目标用户对应的推荐子类型的准确度，进而可以减小目标用户被推送不感兴趣的关联事件的可能性。

进一步的，本发明中的N_click ^k是目标用户在对应的第一已执行事件的第一目标时段内的行为数据，由于每一第一目标时段的结束时刻为对应的第一已执行事件的事件执行时间，且第一目标时段的时长为，待执行事件的事件执行时间T_STAR与当前时间T_now的时间差，进而通过目标用户在第一目标时间段内的行为数据能更准确的反映出目标用户在T_now至T_STAR之间较为感兴趣的推荐子类型；因而，相比于得到目标用户选择子类型受干扰事件的影响程度，是基于目标用户在对应的第一已执行事件的事件产生时间至事件执行时间之间的行为数据得到的，本发明中基于在第一目标时间段内的N_click ^k得到ACC，进而基于ACC可以更准确的确定出目标用户在T_now至T_STAR之间较为感兴趣的推荐子类型，即可以更加准确的确定目标用户对应的推荐子类型，进而可以进一步减小目标用户被推送不感兴趣的关联事件的可能性。

可选的，RI()符合以下条件：

RI(x)＝(ri(d(x))*ri(p(x))*ri(n1(x))*ri(n2(x)))^0.5；

x为目标位置，x可以为以下任一：D1₁,...,D1_k,...,D1_v,D2₁,...,D2_k,...,D2_v；

其中，ri()为预设的子干扰度确定函数，d(x)为x所在的一级区域的区域标识，p(x)为 x所在的二级区域的区域标识，n1(x)为x对应的第一相邻位置所在的一级区域的区域标识， n2(x)为x对应的第二相邻位置所在的一级区域的区域标识；同一位置所在的一级区域处于其所在的二级区域之内。

在一种可能的实施方式中，一级区域可以为市级行政区域，二级区域可以为省级行政区域，基于此，一级区域的区域标识可以为对应的市级行政区域的行政区域代码，二级区域的区域标识可以为对应的省级行政区域的行政区域代码，第一相邻位置可以为与对应的目标位置间距最小的机场，第二相邻位置可以为与对应的目标位置间距第二小的机场。

因此，本发明中的干扰度确定函数RI(x)是考虑到了与x对应的一级区域、二级区域、第一相邻位置对应的一级区域和第二相邻位置对应的一级区域的干扰事件干扰度，相比于仅考虑x所在的任一区域的干扰事件干扰度，RI(x)可以更加准确的反映出x附近的干扰事件干扰度，因而基于RI()确定出目标用户对应的推荐子类型的准确度更高，进而可以减小目标用户被推送不感兴趣的关联事件的可能性。

可选的，ri()符合以下条件：

ri(y)＝1+w1*N_mrisk(y)+w2*N_hrisk(y)+w3*N_confirmed(y)+w4*N_new(y)+w5*N_his(y)；

y为目标区域，y可以为以下任一：d(x),p(x),n1(x),n2(x)；x可以为以下任一：D1₁,...,D1_k,...,D1_v,D2₁,...,D2_k,...,D2_v；

其中，w1为第四权重系数，w2为第五权重系数，w3为第六权重系数，w4为第七权重系数，w5为第八权重系数；

N_mrisk(y)为y在目标时刻对应的二级区域内具有干扰标签的区域的数量；N_hrisk(y)为y在目标时刻对应的一级区域内具有干扰标签的区域的数量；N_confirmed(y)为y对应的区域内已被标记为干扰人员的人员数量；N_new(y)为y对应的区域内，在第二目标时段内被标记为干扰人员的人员数量；N_his(y)为y对应的区域内，在第三目标时段内被标记为干扰人员的人员数量；第二目标时段的长度小于第三目标时段的长度，目标时刻、第二目标时段的结束时刻和第三目标时段的结束时刻均为y对应的第一已执行事件的第一目标时段的开始时刻。

在一种可能的实施方式中，具有干扰标签的区域可以设置为中高风险地区，干扰人员可以为确诊干扰事件相关病症的人，第二目标时段对应的结束时刻为y对应的第一已执行事件的第一目标时段的开始时刻、对应的开始时刻可以为对应的开始时刻所在的日期的零点，第三目标时段对应的结束时刻y对应的第一已执行事件的第一目标时段的开始时刻、对应的开始时刻可以为对应的开始时刻所在的日期之前任一天的零点。例如，y对应的第一已执行事件的第一目标时段的开始时刻为4月20日的14点，则第二目标时段的开始时刻为4月20日的0点，第三目标时段的开始时刻为4月17日的0点。

在另一种可能的实施方式中，第三目标时段对应的结束时刻可以为y对应的第一已执行事件的第一目标时段的开始时刻所在日期的零点、第三目标时段的时间长度为36小时。

因此，子干扰度确定函数ri(y)是考虑到了N_mrisk(y)、N_hrisk(y)、N_confirmed(y)、N_new(y)和N_his(y) 等数量数据，相比于仅考虑y内具有干扰标签的区域的数量，ri(y)可以更全面的反映出y对应的干扰事件干扰程度，因而基于ri()确定出目标用户对应的推荐子类型的准确度更高，进而可以减小目标用户被推送不感兴趣的关联事件的可能性。

可选的，目标AI模型通过以下步骤得到：

S210，获取初始AI模型；

S220，获取若干训练样本；

S230，根据若干训练样本对初始AI模型进行训练，得到目标AI模型；

其中，若干训练样本通过以下步骤得到：

S221，获取若干训练用户的第二已执行事件信息组集A＝(a₁,a₂,...,a_i,...,a_n)，a_i＝(a_i1,a_i2,...,a_ij,...,a_ip(i))；其中，i＝1,2,...,n，n为训练用户的数量，a_i为第i个训练用户对应的第二已执行事件信息组；j＝1,2,...,p(i),p(i)为第i个训练用户对应的第二已执行事件的数量，a_ij为第i个训练用户的第j个第二已执行事件的事件信息；第二已执行事件属于第一类事件；

对于a_ij进行如下步骤处理：

S222，获取a_ij对应的训练时段内的时间窗口集ΔT_ij＝(Δt_1ij,Δt_2ij,...,Δt_zij,...,Δ t_m(i,j)ij)，Δt_zij＝(t1_zij,t2_zij)；其中，训练时段对应的开始时刻为t1_ij，t1_ij为a_ij对应的事件产生时间，训练时段对应的结束时刻为t2_ij，t2_ij为a_ij对应的事件执行时间；Δt_zij为第i个训练用户的第j个第二已执行事件对应的第z个时间窗口；

t1_zij为Δt_zij的开始时刻，t1_zij满足如下条件：t1_1ij＞t1_2ij＞...＞t1_zij＞...＞t1_m(i,j)ij； (t1_1ij-t1_2ij)＝(t1_2ij-t1_3ij)＝...＝(t1_(z-1)ij-t1_zij)＝...＝(t1_(m(i,j)-1)ij-t1_m(i,j)ij)＝Δt_leng；Δt_leng为预设时长；t2_zij为Δt_zij的结束时刻，t2_zij满足如下条件：t2_zij＝t2_ij；

z＝1,2,...,m(i,j)，m(i,j)为第i个训练用户的第j个第二已执行事件对应的时间窗口的数量；m(i,j)满足如下条件：

m(i,j)*Δt_leng＞ΔTij_leng，(m(i,j)-1)*Δt_leng＜ΔTij_leng，ΔTij_leng＝t2_ij-t1_ij；

对于Δt_zij进行如下步骤处理：

S223，将若干子类型中对应的用户浏览数据N_zij最大的子类型作为Δt_zij对应的标签；N_zij为第i个训练用户在Δt_zij内对其对应的子类型的关联事件的展示页面的浏览总次数；

S224，获取与Δt_zij对应的训练用户特征向量F_zij＝(ACC_zij,a_ij,M_zij)；其中，ACC_zij为第i个训练用户对应的训练平均干扰度，训练平均干扰度用于表示干扰事件对训练平均干扰度对应的训练用户在Δt_zij内是否选择目标子类型对应的关联事件的影响程度，M_zij为根据第i个训练用户对应的若干第二已执行事件中，对应的事件执行时间在t1_zij之前的第二已执行事件的事件信息得到的历史训练用户信息；

S225，将F_zij与对应的标签作为一个训练样本。

在一种可能的实施方式中，第二已执行事件可以为对应的事件执行时间在t_now之前的事件， t1_ij可以为对应的第二已执行事件对应的购票时间；N_zij可以为第i个训练用户在Δt_zij内对其对应的子类型的关联事件的展示页面的浏览总次数，即可以为第i个训练用户在应用程序中点击选择其对应的子类型的关联事件对应的待选择标识的次数。

在另一种可能的实施方式中，若在Δt_zij内第i个训练用户下单了任一子类型的关联事件，则将Δt_zij对应的标签更改为该子类型。

因此，在获取用于训练初始AI模型的训练样本时，对于每一第二已执行事件，可以将其的事件产生时间和事件执行时间之间的若干时刻分别作为开始时刻、并将其的事件执行时间作为结束时刻以确定出其对应的若干时间窗口，接着可以将每一时间窗口对应的F_zij和标签作为一个训练样本；此时基于每一第二已执行事件均可以得到若干训练样本，相对于相关技术中每一第二已执行时间仅可以得到一个训练样本，本发明可以使训练样本数量更多，并且可以使训练样本更加丰富，从而可以提高基于目标AI模型进行确定的准确度，因而，可以更加准确的确定目标用户对应的推荐子类型，进而可以减小目标用户被推送不感兴趣的关联事件的可能性。

在另一种可能的实施方式中，t1_zij还满足如下条件：t1_zij与t_now之间的间隔时长为Δt_leng的正整数倍。由于在实际进行推荐子类型的确定时，可以周期性对当前具有属于第一类事件的待执行事件的用户，基于上述目标AI模型进行推荐子类型的确定，此时任意两个相邻的周期节点的时间差可以为Δt_leng，进而确定训练样本对应的训练时段的开始时刻t1_zij与确定为了确定推荐子类型而开始获取该用户的数据的时刻的方式相同，进而训练样本对应的情形与实际进行推荐子类型确定的情形更为接近，因而，基于上述目标AI模型进行推荐子类型的确定可以更加准确。

在另一种可能的实施方式中，在得到若干训练样本后，可以基于若干训练样本对初始AI 模型进行训练，直至该AI模型对应的损失函数的损失值小于预设阈值，此时可以得到目标 AI模型。

可选的，b通过以下步骤得到：

S130，获取目标用户的待执行事件信息b＝(MD₁,MD₂,PRI,T_end,t_end,TIME,DIS,Q,t_eme)；其中， MD₁为待执行事件对应的源位置，MD₂为待执行事件对应的目的位置；PRI为b对应的事件参数， T_end为b对应的事件结束日期，t_end为b对应的事件结束时刻，TIME为b对应的事件持续时间， TIME＝t_end-T_STAR，DIS为MD₁和MD₂之间的距离，Q为b对应的事件标识；t_eme为b对应的事件产生时间，t_eme＜t_now；

获取若干训练用户的第二已执行事件信息组集A＝(a₁,a₂,...,a_i,...,a_n)， a_i＝(a_i1,a_i2,...,a_ij,...,a_ip(i))，包括：

获取若干训练用户的第二已执行事件信息组集A＝(a₁,a₂,...,a_i,...,a_n)， a_i＝(a_i1,a_i2,...,a_ij,...,a_ip(i))，a_ij＝(MD1_ij,MD2_ij,PRI_ij,Tend_ij,tend_ij,TIME_ij,DIS_ij,Q_ij,t1_ij)；其中，a_ij为第i个训练用户的第j个第二已执行事件的事件信息，MD1_ij为第i个训练用户的第 j个第二已执行事件对应的源位置，MD2_ij为第i个训练用户的第j个第二已执行事件对应的目的位置，PRI_ij为a_ij对应的事件参数，Tend_ij为a_ij对应的事件结束日期，tend_ij为a_ij对应的事件结束时刻，TIME_ij为a_ij对应的事件持续时间，TIME_ij＝tend_ij-t2_ij，DIS_ij为MD1_ij和MD2_ij之间的距离，Q_ij为a_ij对应的事件标识。

在一种可能的实施方式中，事件参数可以为票价，T_end可以为b对应的降落日期，t_end可以为b对应的降落时间，DIS可以为b对应的飞行距离，Q可以为b对应的航司标识，t_eme可以为b对应的购票时间，对应的，PRI_ij可以为a_ij对应的票价，Tend_ij为a_ij对应的降落日期，tend_ij为a_ij对应的降落时间，DIS_ij为a_ij对应的飞行距离，Q_ij为a_ij对应的航司标识。其中，航司标识可以为每一航司对应的唯一预设编码，例如，两个不同的航司对应的航司标识可以分别为111和112等。

在另一种可能的实施方式中，上述T_end还可以为b对应的降落日期的类别标识，降落日期的类别标识可以包括用于表示工作日、周末、法定小于等于3天的假期和法定大于3天的假期的标识，例如，降落日期的类别标识可以包括用于表示工作日的标识DAY1、用于表示周末的标识DAY2、用于表示法定小于等于3天的假期的标识DAY3和用于表示法定大于3天的假期的标识DAY4，若b对应的降落日期为工作日对应的日期，则T_end为DAY1；t_end还可以为b对应的降落时间的类别标识，降落时间的类别标识可以包括用于表示0点至8点前、8点至16点前和16点至24点前的标识，例如，降落时间的类别标识可以包括用于表示0点至8点前的标识time1、8点至16点前的标识time2，16点至24点前的标识time3，若b对应的到达时刻为17点，则t_end为time3。同理，上述t1_ij还可以为b对应的起飞时间的类别标识，本发明实施例在此不再赘述。

可选的，上述获取目标用户的用户特征向量F＝(ACC,b,M)，包括：

获取目标用户的用户特征向量F＝(ACC,b,M,E)，E＝(e₁,e₂,e₃)；其中，E为目标用户的用户特征数据，e₁为目标用户的年龄数据，e₂为目标用户的性别标识，e₃为目标用户的关联位置所在的一级区域的区域标识；

基于此，上述获取与Δt_zij对应的训练用户特征向量F_zij＝(ACC_zij,a_ij,M_zij)，包括：

获取与Δt_zij对应的训练用户特征向量F_zij＝(ACC_zij,a_ij,M_zij,E_i)，E_i＝(e_1i,e_2i,e_3i)；其中，E_i为第i个训练用户的用户特征数据，e_1i为第i个训练用户的年龄数据，e_2i为第i个训练用户的性别标识，e_3i为第i个训练用户的关联位置所在的一级区域的区域标识。

在一种可能的实施方式中，任一用户的关联位置所在的一级区域的区域标识可以为该用户的常住城市的标识。

可选的，上述获取目标用户的用户特征向量F＝(ACC,b,M,E)，包括：

获取目标用户的用户特征向量F＝(ACC,b,M,E)，M＝(v,iden)；其中，iden为若干第一已执行事件对应的目的位置中第一相同数量最大的目的位置，第一相同数量为若干第一已执行事件对应的目的位置中，与第一相同数量对应的目的位置相同的目的位置的数量。

基于此，上述获取与Δt_zij对应的训练用户特征向量F_zij＝(ACC_zij,a_ij,M_zij,E_i)，包括：

获取与Δt_zij对应的训练用户特征向量F_zij＝(ACC_zij,a_ij,M_zij,E_i)，M_zij＝(v_zij,iden_zij)；其中， v_zij为第i个训练用户的在t1_zij之前执行的第二已执行事件的数量，iden_zij为第i个训练用户的在t1_zij之前执行的若干第二已执行事件对应的目的位置中，对应的第二相同数量最大的目的位置，第二相同数量为第i个训练用户在t1_zij之前执行的若干第二已执行事件对应的目的位置中，与第二相同数量对应的目的位置相同的目的位置的数量。

在一种可能的实施方式中，iden可以为目标用户的常飞机场，iden_zij可以对应的训练用户的在t1_zij之前的常飞机场。

可选的，α+β＝1，α＞β。

优选的，α＝0.7，β＝0.3。基于此，acc_k的数值大小受对应的目的位置的干扰度影响较大，更符合实际情景，进而对目标用户进行对应的推荐子类型的确定更加准确。

可选的，其特征在于，N_order ^k为与第k个第一已执行事件关联的目标子类型的目标关联事件的数量，目标关联事件的事件产生时间在第一目标时段内。

因此，本发明中的N_order ^k也是目标用户在对应的待执行事件的第一目标时段内的行为数据，由于每一第一目标时段的结束时刻为对应的第一已执行事件的事件执行时间，且第一目标时段的时长为，待执行事件的事件执行时间T_STAR与当前时间T_now的时间差，进而通过目标用户在第一目标时间段内的行为数据能更准确的反映出目标用户在T_now至T_STAR之间较为感兴趣的推荐子类型；因而，相比于得到目标用户选择子类型受干扰事件的影响程度，是基于目标用户在对应的第一已执行事件的事件产生时间至事件执行时间之间的行为数据得到的，本发明中基于在第一目标时间段内的N_click ^k和N_order ^k得到ACC，进而基于ACC可以更加准确的确定出目标用户在T_now至T_STAR之间较为感兴趣的推荐子类型，即可以更加准确的确定目标用户对应的推荐子类型。

可选的，γ＞1。

优选的，γ＝7。基于此，acc_k的数值大小受N_order ^k影响较大。

可选的，第一目标时段的开始时刻还为对应的待执行事件的事件产生时间。

在一种可能的实施方式中，第一目标时段的开始时刻可以为对应的待执行事件的购票时间。

可选的，上述获取目标用户的用户特征向量F＝(ACC,b,M,E)，包括：

获取目标用户的用户特征向量F＝(ACC,b,M,E,ACT)，ACT＝(ACC,b,M,E)；其中，ACT为目标用户的历史行为特征信息，ACT可以包括目标用户在以t_now为结束时刻的第一时段内对每一子类型的关联事件的展示页面的浏览次数和目标用户在第一时段内产生的每一子类型的关联事件的数量；

基于此，上述获取与Δt_zij对应的训练用户特征向量F_zij＝(ACC_zij,a_ij,M_zij,E_i)，包括：

获取与Δt_zij对应的训练用户特征向量F_zij＝(ACC_zij,a_ij,M_zij,E_i,ACT_zij)；其中，ACT_zij可以包括第i个训练用户在以t1_zij为结束时刻的第二时段内，对每一子类型的关联事件的展示页面的浏览次数，和第i个训练用户在第二时段内产生的每一子类型的关联事件的数量；其中，第一时段与第二时段的时间长度相同。

在一种可能的实施方式中，ACT可以包括目标用户在第一时段内在应用程序中点击选择每一子类型对应的关联事件的待选择标识的次数和目标用户在第一时段内对每一子类型的关联事件的购买数量。对应的，ACT_zij可以包括第i个训练用户在对应的第二时段内，在应用程序中点击选择每一子类型对应的关联事件的待选择标识的次数，和第i个训练用户在对应的第二时段内对每一子类型的关联事件的购买数量；其中，第一时段与第二时段的时间长度均可以设置为一年或半年等。

本发明的实施例还提供了一种非瞬时性计算机可读存储介质，该存储介质可设置于电子设备之中以保存用于实现方法实施例中一种方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述实施例提供的方法。

本发明的实施例还提供了一种电子设备，包括处理器和前述的非瞬时性计算机可读存储介质。

本发明的实施例还提供一种计算机程序产品，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使该电子设备执行本说明书上述描述的根据本发明各种示例性实施方式的方法中的步骤。

虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明公开的范围由所附权利要求来限定。

Claims (10)

1.一种用于关联事件推荐的数据处理方法，其特征在于，所述方法包括以下步骤：

S100，获取目标用户的用户特征向量F＝(ACC,b,M)；其中，ACC为所述目标用户的平均干扰度；所述平均干扰度用于表示干扰事件对所述目标用户是否选择目标子类型对应的关联事件的影响程度，b为所述目标用户对应的待执行事件的事件信息，M为根据所述目标用户对应的若干第一已执行事件的事件信息得到的历史目标用户信息；所述待执行事件和所述第一已执行事件均属于第一类事件，所述关联事件属于第二类事件；所述第二类事件具有若干子类型，所述目标子类型为若干子类型其中之一；

S200，将F输入目标AI模型，以使目标AI模型从若干子类型中确定出推荐子类型；

S300，向所述目标用户对应的设备推送所述推荐子类型对应的关联事件；

其中，ACC通过以下步骤得到：

S110，获取目标用户的第一已执行事件信息集U＝(u₁,u₂,...,u_k,...,u_v)，k＝1,2,3,...,v，u_k＝(D1_k,D2_k,N_order ^k,N_click ^k)，v为第一已执行事件的数量，u_k为第k个第一已执行事件对应的事件信息；D1_k为第k个第一已执行事件对应的源位置，D2_k为第k个第一已执行事件对应的目的位置；N_order ^k为第k个第一已执行事件关联的目标子类型的关联事件的数量，N_click ^k为目标用户在第一目标时段内对每一目标子类型的关联事件的展示页面的浏览总次数；每一第一已执行事件对应的第一目标时段的长度均为SPAN＝T_STAR-T_now，T_STAR为待执行事件的事件执行时间，T_now为当前时间，且每一第一目标时段对应的结束时刻均为对应第一已执行事件的事件执行时间；

S120，获取所述目标用户的平均干扰度ACC＝(∑_k＝1 ^vacc_k)/v；acc_k为第k个第一已执行事件对应的干扰影响指数；

acc_k符合以下条件：

acc_k＝(RI(D1_k)*α*RI(D2_k)*β)/(γ*N_order ^k+N_click ^k)；α为第一权重系数，β为第二权重系数，γ为第三权重系数；RI()为预设的干扰度确定函数，RI(D1_k)为D1_k对应的干扰度，RI(D2_k)为D2_k对应的干扰度。

2.根据权利要求1所述的方法，其特征在于，RI()符合以下条件：

RI(x)＝(ri(d(x))*ri(p(x))*ri(n1(x))*ri(n2(x)))^0.5；

x为目标位置，x可以为以下任一：D1₁,...,D1_k,...,D1_v,D2₁,...,D2_k,...,D2_v；

其中，ri()为预设的子干扰度确定函数，d(x)为x所在的一级区域的区域标识，p(x)为x所在的二级区域的区域标识，n1(x)为x对应的第一相邻位置所在的一级区域的区域标识，n2(x)为x对应的第二相邻位置所在的一级区域的区域标识；同一位置所在的一级区域处于其所在的二级区域之内。

3.根据权利要求2所述的方法，其特征在于，ri()符合以下条件：

ri(y)＝1+w1*N_mrisk(y)+w2*N_hrisk(y)+w3*N_confirmed(y)+w4*N_new(y)+w5*N_his(y)；

y为目标区域，y可以为以下任一：d(x),p(x),n1(x),n2(x)；x可以为以下任一：D1₁,...,D1_k,...,D1_v,D2₁,...,D2_k,...,D2_v；

其中，w1为第四权重系数，w2为第五权重系数，w3为第六权重系数，w4为第七权重系数，w5为第八权重系数；

N_mrisk(y)为y在目标时刻对应的二级区域内具有干扰标签的区域的数量；N_hrisk(y)为y在目标时刻对应的一级区域内具有干扰标签的区域的数量；N_confirmed(y)为y对应的区域内已被标记为干扰人员的人员数量；N_new(y)为y对应的区域内，在第二目标时段内被标记为干扰人员的人员数量；N_his(y)为y对应的区域内，在第三目标时段内被标记为干扰人员的人员数量；所述第二目标时段的长度小于所述第三目标时段的长度，所述目标时刻、所述第二目标时段的结束时刻和所述第三目标时段的结束时刻均为y对应的第一已执行事件的第一目标时段的开始时刻。

4.根据权利要求3所述的方法，其特征在于，所述目标AI模型通过以下步骤得到：

S210，获取初始AI模型；

S220，获取若干训练样本；

S230，根据若干所述训练样本对所述初始AI模型进行训练，得到所述目标AI模型；

其中，若干所述训练样本通过以下步骤得到：

S221，获取若干训练用户的第二已执行事件信息组集A＝(a₁,a₂,...,a_i,...,a_n)，a_i＝(a_i1,a_i2,...,a_ij,...,a_ip(i))；其中，i＝1,2,...,n，n为所述训练用户的数量，a_i为第i个训练用户对应的第二已执行事件信息组；j＝1,2,...,p(i),p(i)为第i个训练用户对应的第二已执行事件的数量，a_ij为第i个训练用户的第j个第二已执行事件的事件信息；所述第二已执行事件属于所述第一类事件；

对于a_ij进行如下步骤处理：

S222，获取a_ij对应的训练时段内的时间窗口集ΔT_ij＝(Δt_1ij,Δt_2ij,...,Δt_zij,...,Δt_m(i,j)ij)，Δt_zij＝(t1_zij,t2_zij)；其中，所述训练时段对应的开始时刻为t1_ij，t1_ij为a_ij对应的事件产生时间，所述训练时段对应的结束时刻为t2_ij，t2_ij为a_ij对应的事件执行时间；Δt_zij为第i个训练用户的第j个第二已执行事件对应的第z个时间窗口；

t1_zij为Δt_zij的开始时刻，t1_zij满足如下条件：t1_1ij＞t1_2ij＞...＞t1_zij＞...＞t1_m(i,j)ij；(t1_1ij-t1_2ij)＝(t1_2ij-t1_3ij)＝...＝(t1_(z-1)ij-t1_zij)＝...＝(t1_(m(i,j)-1)ij-t1_m(i,j)ij)＝Δt_leng；Δt_leng为预设时长；t2_zij为Δt_zij的结束时刻，t2_zij满足如下条件：t2_zij＝t2_ij；

z＝1,2,...,m(i,j)，m(i,j)为第i个训练用户的第j个第二已执行事件对应的时间窗口的数量；m(i,j)满足如下条件：

m(i,j)*Δt_leng＞ΔTij_leng，(m(i,j)-1)*Δt_leng＜ΔTij_leng，ΔTij_leng＝t2_ij-t1_ij；

对于Δt_zij进行如下步骤处理：

S223，将若干所述子类型中对应的用户浏览数据N_zij最大的子类型作为Δt_zij对应的标签；N_zij为第i个训练用户在Δt_zij内对其对应的子类型的关联事件的展示页面的浏览总次数；

S224，获取与Δt_zij对应的训练用户特征向量F_zij＝(ACC_zij,a_ij,M_zij)；其中，ACC_zij为所述第i个训练用户对应的训练平均干扰度，所述训练平均干扰度用于表示干扰事件对所述训练平均干扰度对应的训练用户在Δt_zij内是否选择目标子类型对应的关联事件的影响程度，M_zij为根据所述第i个训练用户对应的若干第二已执行事件中，对应的事件执行时间在t1_zij之前的第二已执行事件的事件信息得到的历史训练用户信息；

S225，将F_zij与对应的标签作为一个训练样本。

5.根据权利要求4所述的方法，其特征在于，b通过以下步骤得到：

S130，获取目标用户的待执行事件信息b＝(MD₁,MD₂,PRI,T_end,t_end,TIME,DIS,Q,t_eme)；其中，MD₁为待执行事件对应的源位置，MD₂为待执行事件对应的目的位置；PRI为b对应的事件参数，T_end为b对应的事件结束日期，t_end为b对应的事件结束时刻，TIME为b对应的事件持续时间，TIME＝t_end-T_STAR，DIS为MD₁和MD₂之间的距离，Q为b对应的事件标识；t_eme为b对应的事件产生时间，t_eme＜t_now；

所述获取若干训练用户的第二已执行事件信息组集A＝(a₁,a₂,...,a_i,...,a_n)，a_i＝(a_i1,a_i2,...,a_ij,...,a_ip(i))，包括：

获取若干训练用户的第二已执行事件信息组集A＝(a₁,a₂,...,a_i,...,a_n)，a_i＝(a_i1,a_i2,...,a_ij,...,a_ip(i))，a_ij＝(MD1_ij,MD2_ij,PRI_ij,Tend_ij,tend_ij,TIME_ij,DIS_ij,Q_ij,t1_ij)；其中，a_ij为第i个训练用户的第j个第二已执行事件的事件信息，MD1_ij为第i个训练用户的第j个第二已执行事件对应的源位置，MD2_ij为第i个训练用户的第j个第二已执行事件对应的目的位置，PRI_ij为a_ij对应的事件参数，Tend_ij为a_ij对应的事件结束日期，tend_ij为a_ij对应的事件结束时刻，TIME_ij为a_ij对应的事件持续时间，TIME_ij＝tend_ij-t2_ij，DIS_ij为MD1_ij和MD2_ij之间的距离，Q_ij为a_ij对应的事件标识。

6.根据权利要求4所述的方法，其特征在于，所述获取目标用户的用户特征向量F＝(ACC,b,M)，包括：

获取目标用户的用户特征向量F＝(ACC,b,M,E)，E＝(e₁,e₂,e₃)；其中，E为所述目标用户的用户特征数据，e₁为所述目标用户的年龄数据，e₂为所述目标用户的性别标识，e₃为所述目标用户的关联位置所在的一级区域的区域标识；

所述获取与Δt_zij对应的训练用户特征向量F_zij＝(ACC_zij,a_ij,M_zij)，包括：

获取与Δt_zij对应的训练用户特征向量F_zij＝(ACC_zij,a_ij,M_zij,E_i)，E_i＝(e_1i,e_2i,e_3i)；其中，E_i为所述第i个训练用户的用户特征数据，e_1i为所述第i个训练用户的年龄数据，e_2i为所述第i个训练用户的性别标识，e_3i为所述第i个训练用户的关联位置所在的一级区域的区域标识。

7.根据权利要求6所述的方法，其特征在于，所述获取目标用户的用户特征向量F＝(ACC,b,M,E)，包括：

获取目标用户的用户特征向量F＝(ACC,b,M,E)，M＝(v,iden)；其中，iden为若干第一已执行事件对应的目的位置中第一相同数量最大的目的位置，所述第一相同数量为若干第一已执行事件对应的目的位置中，与所述第一相同数量对应的目的位置相同的目的位置的数量；

所述获取与Δt_zij对应的训练用户特征向量F_zij＝(ACC_zij,a_ij,M_zij,E_i)，包括：

获取与所述Δt_zij对应的训练用户特征向量F_zij＝(ACC_zij,a_ij,M_zij,E_i)，M_zij＝(v_zij,iden_zij)；其中，v_zij为第i个训练用户的在t1_zij之前执行的第二已执行事件的数量，iden_zij为第i个训练用户的在t1_zij之前执行的若干第二已执行事件对应的目的位置中，对应的第二相同数量最大的目的位置，所述第二相同数量为第i个训练用户在t1_zij之前执行的若干第二已执行事件对应的目的位置中，与所述第二相同数量对应的目的位置相同的目的位置的数量。

8.根据权利要求1所述的方法，其特征在于，α+β＝1，α＞β。

9.一种非瞬时性计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-8中任意一项的所述方法。

10.一种电子设备，其特征在于，包括处理器和权利要求9中的所述非瞬时性计算机可读存储介质。

Images