CN116049526B - 面向元宇宙电商平台的商品关联视频大数据智能推送系统及方法 - Google Patents

面向元宇宙电商平台的商品关联视频大数据智能推送系统及方法 Download PDF

Info

Publication number
CN116049526B
CN116049526B CN202310342502.1A CN202310342502A CN116049526B CN 116049526 B CN116049526 B CN 116049526B CN 202310342502 A CN202310342502 A CN 202310342502A CN 116049526 B CN116049526 B CN 116049526B
Authority
CN
China
Prior art keywords
commodity
wolf
value
crawler
module
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.)
Active
Application number
CN202310342502.1A
Other languages
English (en)
Other versions
CN116049526A (zh
Inventor
袁道红
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 Future Chain Technology Co ltd
Original Assignee
Beijing Future Chain 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 Future Chain Technology Co ltd filed Critical Beijing Future Chain Technology Co ltd
Priority to CN202310342502.1A priority Critical patent/CN116049526B/zh
Publication of CN116049526A publication Critical patent/CN116049526A/zh
Application granted granted Critical
Publication of CN116049526B publication Critical patent/CN116049526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7844—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using original textual content or text extracted from visual content or transcript of audio data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Library & Information Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Bioethics (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种面向元宇宙电商平台的商品关联视频大数据智能推送系统及方法，包括视频收集模块、数据库模块、词条识别模块、智能匹配模块和推送模块，平台提供的视频通过视频收集模块进行收集，并存储在数据库中，当客户搜索商品关键词时，利用词条识别模块对字符信息进行检索，智能匹配模块匹配到最适合客户的视频后将该视频通过推送模块展现到客户的应用界面。本发明的有益效果：协同元宇宙的技术与数据库的海量存储，能够实现商品推销批量化扩展，更有针对性地向不同人群推送。

Description

面向元宇宙电商平台的商品关联视频大数据智能推送系统及 方法
技术领域
本发明创造涉及大数据与电商平台领域，具体涉及面向元宇宙电商平台的商品关联视频大数据智能推送系统及方法。
背景技术
随着互联网经济的飞速发展，居民的物质生活水平显著提高，衣食住行各个方面的问题也日益减少，人们的可支配收入普遍提高，有了更高的消费需求。消费方式也产生了巨大的变化，越来越多的消费者不再单一进行线下购物，网络购物成为了一种很常态化的消费形式。在近10年的时间内，电商平台的营业额每年都在以惊人的速度增长，由于商品的种类太多，消费者在选购商品时往往会花费较多时间成本，这一问题随着电商行业规模的不断扩大愈加突出，商品信息推送服务不能准确定位用户以及商品过载的现象在众多电商平台中变得非常普遍。造成此种现象的根本原因是因为商品信息推送服务不能准确获取消费者的购买需求，直接导致消费者很难接收到真正感兴趣的产品信息，智能推送将符合用户兴趣的消息推送给用户。智能推送依据用户检索信息、用户本身存在的特征以及历史日志等相关信息，运用计算机的复杂算法达成专属化、个性化的信息推送。电商平台的商品信息推送如果确保推送效率的同时能够让用户对于推送的消息产生兴趣，那么将对电商平台的未来发展具有积极意义。
发明内容
针对上述问题，本发明旨在提供用于面向元宇宙电商平台的商品关联视频大数据智能推送方法。
面向元宇宙电商平台的商品关联视频大数据智能推送系统，包括视频收集模块、数据库模块、词条识别模块、智能匹配模块和推送模块，视频的来源包括互联网、电商平台和购物应用平台，在互联网、电商平台和购物应用平台上的视频具有权限，利用网络爬虫技术对视频网站进行访问，该类网络爬虫需获得区块链数字签名技术的认证，证实该类网络爬虫是安全的、具有网络访问权限的才会被网关放行，否则无法访问，网络爬虫对目标网站进行访问后，爬取该URL下的商品视频并留下标记，分散在各URL节点的网络爬虫爬取商品视频后，将商品视频存储至数据库模块，并完成商品视频的标定、筛选和分类，客户端通过词条识别模块判断出顾客的需求，并在数据库模块中检索相关的商品视频，通过智能匹配模块根据商品视频的标定信息，利用改进的狼群算法匹配到当前用户最合适、相关度最高的商品视频，通过推送模块展现到客户的应用界面。
进一步的，所述视频收集模块，视频的来源包括互联网、电商平台和购物应用平台，在互联网、电商平台和购物应用平台上的视频具有权限，利用网络爬虫技术对视频网站进行访问，该类网络爬虫需获得区块链数字签名技术的认证，网络请求向网络发送明文请求，通过网络第一密钥Key1进行签名，对该明文请求利用Key1进行加密运算，得到密文请求，通过互联网将密文请求发送至目标网站，通过目标网站的第二把密钥Key2核实签名，如果核实后研判网络爬虫为含有Key1签名的网络爬虫，则予以通过，对该明文请求利用Key2进行解密运算，最后将该请求发送至目标网站爬取相关商品视频，如果核实后研判网络爬虫不含有Key1的签名，则不予以通过，如果核实后研判网络爬虫为恶意网络爬虫，该网站予以拦截，根据时间戳、爬虫地址、爬虫内容利用哈希-256算法输出为256位的数字和字母组成的字符串，并列入网络黑名单，记录后并通过区块链广播到全区域网络节点。
进一步的，所述视频收集模块，目标网站爬取相关商品视频后，通过Key2进行签名，对该明文相关商品视频利用Key2进行加密运算，得到密文相关商品视频，通过互联网将密文相关商品视频发送回客户端，通过Key1核实签名，收集到所需目标相关商品视频。
进一步的，数据库模块用于完成商品视频的标定、筛选和分类，根据哈希-256算法生成的256位的数字和字母组成的字符串，通过区块链广播到全区域网络节点完成记录，通过爬虫爬取到的时间戳、爬虫地址、爬虫内容，以字典嵌套形式对每个爬虫进行标定，通过计算爬虫信息的离散值、置信度值和相似度值，筛选掉无效的、不正确的以及不可靠的爬虫信息，以保证无效信息不额外占用数据库模块的缓存，按照客户的偏好需求将标定好的爬虫信息进行分类。
进一步的，通过差异性分析计算爬虫信息的离散值、置信度值和相似度值，保证爬虫爬取数据的有效性、正确性和可靠性，考虑到时间动态性，假设视频收集模块分布了
Figure SMS_2
个网络爬虫，/>
Figure SMS_6
为本时刻，网络爬虫信息集合A(t)记为/>
Figure SMS_9
，其中，/>
Figure SMS_3
表示第一个网络爬虫信息，/>
Figure SMS_5
表示第二个网络爬虫信息，/>
Figure SMS_7
示第/>
Figure SMS_10
个网络爬虫信息，那么离散值记为/>
Figure SMS_1
，置信度值记为/>
Figure SMS_4
，相似度值记为：/>
Figure SMS_8
。
进一步的，离散值
Figure SMS_12
，置信度值/>
Figure SMS_16
，相似度值/>
Figure SMS_18
，定义离散值、置信度值和相似度值的阈值分别为/>
Figure SMS_11
、/>
Figure SMS_14
和/>
Figure SMS_17
，且满足约束条件：
Figure SMS_20
，/>
Figure SMS_13
，/>
Figure SMS_15
，其中，/>
Figure SMS_19
为二值计算，当/>
Figure SMS_21
时，网络爬虫信息才会被记录到数据库模块。
进一步的，客户端通过词条识别模块判断出顾客的需求，并在数据库模块中检索相关的商品视频，检索方式分为精确检索和模糊检索，精确检索需要输入信息包含商品名称、电商名称、日期、价格信息，模糊检索需要输入信息包含商品类别、日期范围、价格区间信息。
进一步的，通过智能匹配模块根据商品视频的标定信息，利用改进的狼群算法匹配到当前用户最合适、相关度最高的商品视频，具体如下：
定义以狼为搜索源，狼群以等级划分为
Figure SMS_39
个层级，层级包括/>
Figure SMS_23
个领导层，每个领导层只包含1只狼，第/>
Figure SMS_30
个层级为基层，基层包含若干只狼，假设狼群内有/>
Figure SMS_26
头灰狼，在/>
Figure SMS_35
维空间内搜索捕猎，则第/>
Figure SMS_28
只灰狼在/>
Figure SMS_31
维空间的位置表示为/>
Figure SMS_22
，通过将第/>
Figure SMS_36
只狼随机搜索的不同位置与领导层狼的位置进行比较，将更优的位置赋予上一级狼群，狼群寻找并更新猎物的位置，即：/>
Figure SMS_29
其中，D为狼与猎物的距离，/>
Figure SMS_32
表示前/>
Figure SMS_27
层（领导层）狼群与猎物的位置，/>
Figure SMS_37
为摆动因子，表示狼群的搜索距离权重，且满足/>
Figure SMS_38
，/>
Figure SMS_40
为随机向量，且/>
Figure SMS_24
；在确定领导层狼位置后，对领导层狼周围的猎物进行围捕，有：
Figure SMS_34
Figure SMS_25
其中，X(t+1)为更新位置后基层狼群的矢量位置，/>
Figure SMS_33
为算法的最大迭代次数。
进一步的，对狼群算法进行改进，定义Logistic混沌映射函数：
Figure SMS_71
其中，j表示映射次数，j=0,1,2,…，/>
Figure SMS_73
表示第/>
Figure SMS_76
次的函数映射值，/>
Figure SMS_44
表示第/>
Figure SMS_54
次的函数映射值利用Gauss平滑函数去Logistic混沌映射函数的噪点，上式更新为：
Figure SMS_61
，其中，/>
Figure SMS_64
为Gauss分布的标准差；定义Tent混沌映射函数如下式表示：/>
Figure SMS_59
在精度为0.1的条件下定义窗口长度/>
Figure SMS_67
，分段去掉不可导点，其中/>
Figure SMS_47
，存在/>
Figure SMS_52
个窗口，每个窗口平滑操作后如下：/>
Figure SMS_62
其中，/>
Figure SMS_72
表示在第1个窗口时的函数映射值，/>
Figure SMS_65
表示在第2个窗口时的函数映射值，/>
Figure SMS_74
表示在第/>
Figure SMS_43
个窗口时的函数映射值，最终不可导点的平滑的期望/>
Figure SMS_55
计算为：/>
Figure SMS_69
，结合Logistic混沌映射函数与Tent混沌映射函数，定义L-G混沌映射函数更新如下：
Figure SMS_75
其中，/>
Figure SMS_41
，
Figure SMS_51
表示在区间内的一个均匀分布的随机数；此外，为每个狼设置搜索阈值和Gauss扰动，利用下式产生/>
Figure SMS_60
个新个体替换掉原种群/>
Figure SMS_66
个性能较差的个体：
Figure SMS_48
Figure SMS_53
Figure SMS_45
在本算法中，狼群的最优位置即为最优解，狼群中每一只狼都是个体，其中，/>
Figure SMS_56
表示函数映射值/>
Figure SMS_46
新生成的第1个个体的位置， />
Figure SMS_49
表示函数映射值的全局最优解，/>
Figure SMS_58
表示新个体数量，/>
Figure SMS_68
表示维度， />
Figure SMS_57
表示加入的Gauss扰动后函数映射值的全局最优解，/>
Figure SMS_63
表示适应度函数，/>
Figure SMS_42
表示加入的Gauss扰动后函数映射值/>
Figure SMS_50
新生成的第/>
Figure SMS_70
个个体的位置，利用模拟退火算法跳出局部最优解，得到全局最优解，具体步骤如下：
（1）初始化参数，包括最大迭代次数
Figure SMS_77
，退火温度/>
Figure SMS_78
；
（2）利用L-G混沌映射函数初始化灰狼位置；
（3）为了保持适应度函数在广域的范围内不发散，使问题有解，定义新适应度函数为：
Figure SMS_79
，其中/>
Figure SMS_80
为加性噪声，且/>
Figure SMS_81
，并设定初始退火温度/>
Figure SMS_82
为适应度最值之差：/>
Figure SMS_83
；
（4）根据当前位置设置适应度值并排序，选择较好个体组成初始群体，将最好的个体定义为领导层狼，初始化猎物位置和初始解空间；
（5）更新灰狼位置，计算适应度值并排序，从而得到下一代基层狼群的位置，并将更优的位置赋予给领导层狼群，更新解空间；
（6）定义搜索阈值，并判断迭代次数是否为搜索阈值的整数倍，若是则对灰狼个体替换并添加Gauss扰动，并更新初始解空间，否则进入步骤（7）；
（7）对灰狼个体添加Gauss扰动，并进行杂交，对
Figure SMS_86
个在/>
Figure SMS_91
维度上的新个体二进制化表示，定义/>
Figure SMS_92
表示二进制后的值，/>
Figure SMS_84
，/>
Figure SMS_90
为二进制后新个体的长度，狼群二进制化后表示为：/>
Figure SMS_93
根据轮盘赌法，对某个个体的某一位/>
Figure SMS_95
进行杂交，并定义杂交系数/>
Figure SMS_87
，那么更新后的某个个体的某一位的值为：/>
Figure SMS_88
其中，/>
Figure SMS_94
表示四舍五入计算，/>
Figure SMS_96
表示期望新个体某一位的值，/>
Figure SMS_85
表示原个体/>
Figure SMS_89
；/>
（8）更新适应度函数，并以
Figure SMS_97
的概率接收新解，其中，/>
Figure SMS_98
为差分运算；
（9）当退火条件满足或达到最大迭代次数后，得到计算结果。
进一步的，利用改进的狼群算法匹配到当前用户最合适、相关度最高的商品视频，通过推送模块展现到客户的应用界面，并以视频的形式进行呈现。
本发明还提供了利用所述系统进行面向元宇宙电商平台的商品关联视频大数据智能推送的方法。
本发明的有益效果：本发明结合元宇宙技术智能化的面向客户推送商品关联视频，采用了改进的狼群算法，其中，改进的狼群算法对参数较敏感，参数值的设置容易影响狼群算法的性能；需要根据不同的问题，正确设置各个参数值的大小，从而使参数值设置不理想的情况最小化，影响狼群算法的性能；后期收敛速度明显下降，归咎于狼群发起的低效率围攻行为，围攻强度的大小体现了狼的局部搜索能力，平衡并加强狼群算法的全局搜索，能力和局部搜索能力，进一步提高狼群算法的搜索效率；狼群算法作为一种仿生智能算法，具有明显的生物社会特征和相对较弱的数学支持，需要深入的理论分析和数学证明，狼群算法作为一种比较新的自然启发式群智能优化算法，具有较强的全局和局部搜索能力、较高的种群多样性和较强的鲁棒性等优点，本发明结合改进传统的Logistic混沌映射函数和Tent混沌映射函数，以移动窗口的方式去掉噪点，具有较高的平滑性、遍历性、随机性、均匀性和初值敏感性，利用L-G混沌映射初始化种群，能够有效地将种群均匀分布在整个空间，大大增加了算法收敛速度；算法还融合模拟退火思想，利用模拟退火算法的概率突跳性，避免算法陷入局部最优值，增加算法寻优能力；为平衡全局寻优和局部寻优，提高收敛速度和寻优精度，设置搜索阈值Np，每经过Np次选代，利用L-G混沌映射产生新个体并替换原种群中性能较差的个体，再利用高斯变异进行扰动，避免新入局部最优解;为减少扰动差异，借鉴遗传算法的算术杂交操作，对模拟退火算法产生的新解和当前解进行杂交，以保留当前解的优点，改进灰狼算法在收敛速度、寻优精度和跳出局部最优解能力等方面相比于标准灰狼算法、遗传算法和粒子群算法有较强性能优势，验证了算法改进的有效性；协同元宇宙的技术与数据库的海量存储，能够实现商品推销批量化扩展，更有针对性地向不同人群推送，促进市场价值的活跃。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
面向元宇宙电商平台的商品关联视频大数据智能推送方法，包括视频收集模块、数据库模块、词条识别模块、智能匹配模块和推送模块，视频的来源包括互联网、电商平台和购物应用平台，在互联网、电商平台和购物应用平台上的视频具有权限，利用网络爬虫技术对视频网站进行访问，该类网络爬虫需获得区块链数字签名技术的认证，证实该类网络爬虫是安全的、具有网络访问权限的才会被网关放行，否则无法访问，网络爬虫对目标网站进行访问后，爬取该URL下的商品视频并留下标记，分散在各URL节点的网络爬虫爬取商品视频后，将商品视频存储至数据库模块，并完成商品视频的标定、筛选和分类，客户端通过词条识别模块判断出顾客的需求，并在数据库模块中检索相关的商品视频，通过智能匹配模块根据商品视频的标定信息，利用改进的狼群算法匹配到当前用户最合适、相关度最高的商品视频，通过推送模块展现到客户的应用界面。
具体的，所述视频收集模块，视频的来源包括互联网、电商平台和购物应用平台，在互联网、电商平台和购物应用平台上的视频具有权限，利用网络爬虫技术对视频网站进行访问，该类网络爬虫需获得区块链数字签名技术的认证，网络请求向网络发送明文请求，通过网络第一密钥Key1进行签名，对该明文请求利用Key1进行加密运算，得到密文请求，通过互联网将密文请求发送至目标网站，通过目标网站的第二把密钥Key2核实签名，如果核实后研判网络爬虫为含有Key1签名的网络爬虫，则予以通过，对该明文请求利用Key2进行解密运算，最后将该请求发送至目标网站爬取相关商品视频，如果核实后研判网络爬虫不含有Key1的签名，则不予以通过，如果核实后研判网络爬虫为恶意网络爬虫，该网站予以拦截，根据时间戳、爬虫地址、爬虫内容利用哈希-256算法输出为256位的数字和字母组成的字符串，并列入网络黑名单，记录后并通过区块链广播到全区域网络节点。
具体的，所述视频收集模块，目标网站爬取相关商品视频后，通过Key2进行签名，对该明文相关商品视频利用Key2进行加密运算，得到密文相关商品视频，通过互联网将密文相关商品视频发送回客户端，通过Key1核实签名，收集到所需目标相关商品视频。
具体的，数据库模块用于完成商品视频的标定、筛选和分类，根据哈希-256算法生成的256位的数字和字母组成的字符串，通过区块链广播到全区域网络节点完成记录，通过爬虫爬取到的时间戳、爬虫地址、爬虫内容，以字典嵌套形式对每个爬虫进行标定，通过计算爬虫信息的离散值、置信度值和相似度值，筛选掉无效的、不正确的以及不可靠的爬虫信息，以保证无效信息不额外占用数据库模块的缓存，按照客户的偏好需求将标定好的爬虫信息进行分类。
具体的，通过差异性分析计算爬虫信息的离散值、置信度值和相似度值，保证爬虫爬取数据的有效性、正确性和可靠性，考虑到时间动态性，假设视频收集模块分布了
Figure SMS_116
个网络爬虫，/>
Figure SMS_99
为本时刻，网络爬虫信息集合A(t)记为/>
Figure SMS_109
，其中，/>
Figure SMS_106
表示第一个网络爬虫信息，/>
Figure SMS_110
表示第二个网络爬虫信息，/>
Figure SMS_115
示第/>
Figure SMS_117
个网络爬虫信息，那么离散值记为/>
Figure SMS_103
，置信度值
Figure SMS_112
为：/>
Figure SMS_105
，其中/>
Figure SMS_113
为概率，/>
Figure SMS_104
为显著性水平，/>
Figure SMS_114
为Gauss分布均值，/>
Figure SMS_101
为Gauss分布的标准差，相似度值/>
Figure SMS_108
为：
Figure SMS_102
，其中/>
Figure SMS_107
表示/>
Figure SMS_100
时刻的第/>
Figure SMS_111
个爬虫信息，T表示总爬虫爬取时长。
具体的，离散值
Figure SMS_118
，置信度值/>
Figure SMS_121
，相似度值/>
Figure SMS_126
，定义离散值、置信度值和相似度值的阈值分别为/>
Figure SMS_119
、/>
Figure SMS_122
和/>
Figure SMS_124
，且满足约束条件：
Figure SMS_127
，/>
Figure SMS_120
，/>
Figure SMS_123
，其中，/>
Figure SMS_125
为二值计算，当/>
Figure SMS_128
时，网络爬虫信息才会被记录到数据库模块。
具体的，客户端通过词条识别模块判断出顾客的需求，并在数据库模块中检索相关的商品视频，检索方式分为精确检索和模糊检索，精确检索需要输入信息包含商品名称、电商名称、日期、价格信息，模糊检索需要输入信息包含商品类别、日期范围、价格区间信息。
优选的，通过智能匹配模块根据商品视频的标定信息，利用改进的狼群算法匹配到当前用户最合适、相关度最高的商品视频，具体如下：
定义以狼为搜索源，狼群以等级划分为
Figure SMS_134
个层级，层级包括/>
Figure SMS_131
个领导层，每个领导层只包含1只狼，第/>
Figure SMS_141
个层级为基层，基层包含若干只狼，假设狼群内有/>
Figure SMS_132
头灰狼，在/>
Figure SMS_137
维空间内搜索捕猎，则第/>
Figure SMS_133
只灰狼在/>
Figure SMS_139
维空间的位置表示为/>
Figure SMS_138
，通过将第/>
Figure SMS_147
只狼随机搜索的不同位置与领导层狼的位置进行比较，将更优的位置赋予上一级狼群，狼群寻找并更新猎物的位置，即：/>
Figure SMS_129
其中，D为狼与猎物的距离，/>
Figure SMS_145
表示前/>
Figure SMS_136
层（领导层）狼群与猎物的位置，/>
Figure SMS_143
为摆动因子，表示狼群的搜索距离权重，且满足/>
Figure SMS_140
，/>
Figure SMS_146
为随机向量，且/>
Figure SMS_130
；在确定领导层狼位置后，对领导层狼周围的猎物进行围捕，有：
Figure SMS_144
Figure SMS_135
其中，X(t+1)为更新位置后基层狼群的矢量位置，/>
Figure SMS_142
为算法的最大迭代次数。/>
具体的，对狼群算法进行改进，定义Logistic混沌映射函数：
Figure SMS_168
其中，j表示映射次数，j=0,1,2,…，/>
Figure SMS_171
表示第/>
Figure SMS_179
次的函数映射值，/>
Figure SMS_153
表示第/>
Figure SMS_163
+1次的函数映射值利用Gauss平滑函数去Logistic混沌映射函数的噪点，上式更新为：
Figure SMS_170
，其中，/>
Figure SMS_176
为Gauss分布的标准差；定义Tent混沌映射函数如下式表示：/>
Figure SMS_180
在精度为0.1的条件下定义窗口长度/>
Figure SMS_183
，分段去掉不可导点，其中/>
Figure SMS_165
，存在/>
Figure SMS_178
个窗口，每个窗口平滑操作后如下：/>
Figure SMS_174
其中，/>
Figure SMS_181
表示在第1个窗口时的函数映射值，/>
Figure SMS_177
表示在第2个窗口时的函数映射值，/>
Figure SMS_182
表示在第/>
Figure SMS_148
个窗口时的函数映射值，最终不可导点的平滑的期望/>
Figure SMS_156
计算为：/>
Figure SMS_154
，结合Logistic混沌映射函数与Tent混沌映射函数，定义L-G混沌映射函数更新如下：
Figure SMS_162
其中，/>
Figure SMS_151
，
Figure SMS_159
表示在区间内的一个均匀分布的随机数；此外，为每个狼设置搜索阈值和Gauss扰动，利用下式产生/>
Figure SMS_152
个新个体替换掉原种群/>
Figure SMS_157
个性能较差的个体：
Figure SMS_167
Figure SMS_173
Figure SMS_149
在本算法中，狼群的最优位置即为最优解，狼群中每一只狼都是个体，其中，/>
Figure SMS_158
表示函数映射值/>
Figure SMS_160
新生成的第1个个体的位置， />
Figure SMS_169
表示函数映射值的全局最优解，/>
Figure SMS_164
表示新个体数量，/>
Figure SMS_175
表示维度， />
Figure SMS_166
表示加入的Gauss扰动后函数映射值的全局最优解，/>
Figure SMS_172
表示适应度函数，/>
Figure SMS_155
表示加入的Gauss扰动后函数映射值/>
Figure SMS_161
新生成的第/>
Figure SMS_150
个个体的位置，利用模拟退火算法跳出局部最优解，得到全局最优解，具体步骤如下：
（1）初始化参数，包括最大迭代次数
Figure SMS_184
，退火温度/>
Figure SMS_185
；
（2）利用L-G混沌映射函数初始化灰狼位置；
（3）为了保持适应度函数在广域的范围内不发散，使问题有解，定义新适应度函数为：
Figure SMS_186
，其中/>
Figure SMS_187
为加性噪声，且/>
Figure SMS_188
，并设定初始退火温度/>
Figure SMS_189
为适应度最值之差：/>
Figure SMS_190
；
（4）根据当前位置设置适应度值并排序，选择较好个体组成初始群体，将最好的个体定义为领导层狼，初始化猎物位置和初始解空间；
（5）更新灰狼位置，计算适应度值并排序，从而得到下一代基层狼群的位置，并将更优的位置赋予给领导层狼群，更新解空间；
（6）定义搜索阈值，并判断迭代次数是否为搜索阈值的整数倍，若是则对灰狼个体替换并添加Gauss扰动，并更新初始解空间，否则进入步骤（7）；
（7）对灰狼个体添加Gauss扰动，并进行杂交，对
Figure SMS_193
个在/>
Figure SMS_196
维度上的新个体二进制化表示，定义/>
Figure SMS_200
表示二进制后的值，/>
Figure SMS_192
，/>
Figure SMS_197
为二进制后新个体的长度，狼群二进制化后表示为：/>
Figure SMS_199
根据轮盘赌法，对某个个体的某一位/>
Figure SMS_203
进行杂交，并定义杂交系数/>
Figure SMS_194
，那么更新后的某个个体的某一位的值为：/>
Figure SMS_198
其中，/>
Figure SMS_201
表示四舍五入计算，/>
Figure SMS_202
表示期望新个体某一位的值，/>
Figure SMS_191
表示原个体/>
Figure SMS_195
；
（8）更新适应度函数，并以
Figure SMS_204
的概率接收新解，其中，/>
Figure SMS_205
为差分运算；
（9）当退火条件满足或达到最大迭代次数后，得到计算结果。
具体的，利用改进的狼群算法匹配到当前用户最合适、相关度最高的商品视频，通过推送模块展现到客户的应用界面，并以视频的形式进行呈现。
本实施例的有益效果：
本发明结合元宇宙技术智能化的面向客户推送商品关联视频，采用了改进的狼群算法，其中，改进的狼群算法对参数较敏感，参数值的设置容易影响狼群算法的性能；需要根据不同的问题，正确设置各个参数值的大小，从而使参数值设置不理想的情况最小化，影响狼群算法的性能；后期收敛速度明显下降，归咎于狼群发起的低效率围攻行为，围攻强度的大小体现了狼的局部搜索能力，平衡并加强狼群算法的全局搜索，能力和局部搜索能力，进一步提高狼群算法的搜索效率；狼群算法作为一种仿生智能算法，具有明显的生物社会特征和相对较弱的数学支持，需要深入的理论分析和数学证明，狼群算法作为一种比较新的自然启发式群智能优化算法，具有较强的全局和局部搜索能力、较高的种群多样性和较强的鲁棒性等优点，本发明结合改进传统的Logistic混沌映射函数和Tent混沌映射函数，以移动窗口的方式去掉噪点，具有较高的平滑性、遍历性、随机性、均匀性和初值敏感性，利用L-G混沌映射初始化种群，能够有效地将种群均匀分布在整个空间，大大增加了算法收敛速度；算法还融合模拟退火思想，利用模拟退火算法的概率突跳性，避免算法陷入局部最优值，增加算法寻优能力；为平衡全局寻优和局部寻优，提高收敛速度和寻优精度，设置搜索阈值Np，每经过Np次选代，利用L-G混沌映射产生新个体并替换原种群中性能较差的个体，再利用高斯变异进行扰动，避免新入局部最优解;为减少扰动差异，借鉴遗传算法的算术杂交操作，对模拟退火算法产生的新解和当前解进行杂交，以保留当前解的优点，改进灰狼算法在收敛速度、寻优精度和跳出局部最优解能力等方面相比于标准灰狼算法、遗传算法和粒子群算法有较强性能优势，验证了算法改进的有效性；协同元宇宙的技术与数据库的海量存储，能够实现商品推销批量化扩展，更有针对性地向不同人群推送，促进市场价值的活跃。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改，而不脱离本发明技术方案的实质和范围。

Claims (8)

1.一种面向元宇宙电商平台的商品关联视频大数据智能推送系统，其特征在于：包括视频收集模块、数据库模块、词条识别模块、智能匹配模块和推送模块；视频的来源包括互联网、电商平台和购物应用平台，在互联网、电商平台和购物应用平台上的视频具有权限，利用网络爬虫技术对视频网站进行访问，所述网络爬虫需获得区块链数字签名技术的认证，证实所述网络爬虫是安全的、具有网络访问权限的才会被网关放行，否则无法访问，网络爬虫对目标网站进行访问后，爬取所述目标网站URL下的商品视频并留下标记，分散在各URL节点的网络爬虫爬取商品视频后，将商品视频存储至数据库模块，并完成商品视频的标定、筛选和分类，客户端通过词条识别模块判断出顾客的需求，并在数据库模块中检索相关的商品视频，通过智能匹配模块根据商品视频的标定信息，利用改进的狼群算法匹配到当前用户相关度高的商品视频，通过推送模块展现到客户的应用界面；
通过智能匹配模块根据商品视频的标定信息，利用改进的狼群算法匹配到当前用户最合适、相关度最高的商品视频，具体如下：
定义以狼为搜索源，狼群以等级划分为α个层级，层级包括α-1个领导层，每个领导层只包含1只狼，第α个层级为基层，基层包含若干只狼，假设狼群内有m头灰狼，在n维空间内搜索捕猎，则第i只灰狼在n维空间的位置表示为xi＝(xi1,xi2,…,xin)，通过将第i只灰狼随机搜索的不同位置与领导层狼的位置进行比较，将更优的位置赋予上一级狼群，狼群寻找并更新猎物的位置，即：
Figure FDA0004192225590000011
其中，D为狼与猎物的距离，D(α-1)表示前(α-1)层狼群与猎物的位置，C为摆动因子，表示狼群的搜索距离权重，且满足Ci＝2r,i＝1,2,3,...，r为随机向量，且r∈[0,1]；在确定领导层狼位置后，对领导层狼周围的猎物进行围捕，有：
Figure FDA0004192225590000012
Figure FDA0004192225590000021
其中，X(t+1)为更新位置后基层狼群的矢量位置，maxT为算法的最大迭代次数；
对狼群算法进行改进，定义Logistic混沌映射函数：
zj+1＝4zj(1-zj)
其中，j表示映射次数，j＝0,1,2,…，zj表示第j次的函数映射值，zj+1表示第j+1次的函数映射值，利用Gauss平滑函数去Logistic混沌映射函数的噪点，上式更新为：
Figure FDA0004192225590000022
其中，σ为Gauss分布的标准差；定义Tent混沌映射函数如下式表示：
Figure FDA0004192225590000023
在精度为0.1的条件下定义窗口长度w，分段去掉不可导点，其中0<w<10，w∈Z+，
Figure FDA0004192225590000024
存在10-w个窗口，每个窗口平滑操作后如下：
Figure FDA0004192225590000025
其中，
Figure FDA0004192225590000026
表示在第1个窗口时的函数映射值，/>
Figure FDA0004192225590000027
表示在第2个窗口时的函数映射值，
Figure FDA0004192225590000028
表示在第10-w个窗口时的函数映射值，最终不可导点的平滑的期望z*计算为：
Figure FDA0004192225590000029
结合Logistic混沌映射函数与Tent混沌映射函数，定义L-G混沌映射函数更新如下：
Figure FDA00041922255900000210
其中，R＝zj+0.1*rand(0,1)，rand(·)表示在区间内的一个均匀分布的随机数；此外，为每个狼设置搜索阈值和Gauss扰动，利用下式产生ps个新个体替换掉原种群ps个性能较差的个体：
z1,1＝zgbest×rand(ps,dim)
Figure FDA0004192225590000031
Figure FDA0004192225590000032
狼群的最优位置即为最优解，狼群中每一只狼都是个体，其中，z1,1表示函数映射值z1新生成的第1个个体的位置，zgbest表示函数映射值的全局最优解，ps表示新个体数量，dim表示维度，zngbest表示加入的Gauss扰动后函数映射值的全局最优解，f(·)表示适应度函数，
Figure FDA0004192225590000033
表示加入的Gauss扰动后函数映射值zj新生成的第zgbest个个体的位置，利用模拟退火算法跳出局部最优解，得到全局最优解。
2.根据权利要求1所述面向元宇宙电商平台的商品关联视频大数据智能推送系统，其特征在于，所述网络爬虫需获得区块链数字签名技术的认证具体为：网络请求向网络发送明文请求，通过网络第一密钥Key1进行签名，对该明文请求利用Key1进行加密运算，得到密文请求，通过互联网将密文请求发送至目标网站，通过目标网站的第二把密钥Key2核实签名，如果核实后研判网络爬虫为含有Key1签名的网络爬虫，则予以通过；对该明文请求利用Key2进行解密运算，最后将该密文请求发送至目标网站爬取相关商品视频，如果核实后研判网络爬虫不含有Key1的签名，则不予以通过；如果核实后研判网络爬虫为恶意网络爬虫，该网站予以拦截，根据时间戳、爬虫地址、爬虫内容利用哈希-256算法输出为256位的数字和字母组成的字符串，并列入网络黑名单，记录后并通过区块链广播到全区域网络节点。
3.根据权利要求2所述面向元宇宙电商平台的商品关联视频大数据智能推送系统，其特征在于，目标网站爬取相关商品视频后，通过Key2进行签名，对明文相关商品视频利用Key2进行加密运算，得到密文相关商品视频，通过互联网将密文相关商品视频发送回客户端，通过Key1核实签名，收集到所需目标相关商品视频。
4.根据权利要求3所述面向元宇宙电商平台的商品关联视频大数据智能推送系统，其特征在于，数据库模块用于完成商品视频的标定、筛选和分类，根据哈希-256算法生成的256位的数字和字母组成的字符串，通过区块链广播到全区域网络节点完成记录，通过爬虫爬取到的时间戳、爬虫地址、爬虫内容，以字典嵌套形式对每个爬虫进行标定，通过计算爬虫信息的离散值、置信度值和相似度值，筛选掉无效的、不正确的以及不可靠的爬虫信息，按照客户的偏好需求将标定好的爬虫信息进行分类。
5.根据权利要求4所述面向元宇宙电商平台的商品关联视频大数据智能推送系统，其特征在于，通过差异性分析计算爬虫信息的离散值、置信度值和相似度值，保证爬虫爬取数据的有效性、正确性和可靠性，考虑到时间动态性，假设视频收集模块分布了S(t)个网络爬虫，t为t时刻，网络爬虫信息集合A(t)记为A(t)＝{a1,a2,…aS(t)}，其中，a1表示第一个网络爬虫信息，a2表示第二个网络爬虫信息，aS(t)表示第S(t)个网络爬虫信息，那么离散值记为D(t)，置信度值记为R(t)，相似度值记为ρ(t)。
6.根据权利要求5所述面向元宇宙电商平台的商品关联视频大数据智能推送系统，其特征在于，离散值D(t)≥0，置信度值0≤R(t)≤1，相似度值0≤ρ(t)≤1，定义离散值、置信度值和相似度值的阈值分别为θ1、θ2和θ3，且满足约束条件：
Figure FDA0004192225590000041
Figure FDA0004192225590000042
其中，Beta(·)为二值计算，当Beta(D(t))∩Beta(R(t))∩Beta(ρ(t))＝1时，网络爬虫信息才会被记录到数据库模块。
7.根据权利要求6所述面向元宇宙电商平台的商品关联视频大数据智能推送系统，其特征在于，客户端通过词条识别模块判断出顾客的需求，并在数据库模块中检索相关的商品视频，检索方式分为精确检索和模糊检索，精确检索需要输入信息包含商品名称、电商名称、日期、价格信息；模糊检索需要输入信息包含商品类别、日期范围、价格区间信息。
8.根据权利要求7所述面向元宇宙电商平台的商品关联视频大数据智能推送系统，其特征在于，所述利用模拟退火算法跳出局部最优解，得到全局最优解具体如下：
(1)初始化参数，包括最大迭代次数maxT，退火温度T0；
(2)利用L-G混沌映射函数初始化灰狼位置；
(3)为了保持适应度函数在广域的范围内不发散，使问题有解，定义新适应度函数为：
Figure FDA0004192225590000051
其中ε为加性噪声，且0<ε<1，并设定初始退火温度T0为适应度最值之差：T0＝max{F}-min{F}；/>
(4)根据当前位置设置适应度值并排序，选择较好个体组成初始群体，将最好的个体定义为领导层狼，初始化猎物位置和初始解空间；
(5)更新灰狼位置，计算适应度值并排序，从而得到下一代基层狼群的位置，并将更优的位置赋予给领导层狼群，更新解空间；
(6)定义搜索阈值，并判断迭代次数是否为搜索阈值的整数倍，若是则对灰狼个体替换并添加Gauss扰动，并更新初始解空间，否则进入步骤(7)；
(7)对灰狼个体添加Gauss扰动，并进行杂交，对ps个在dim维度上的新个体二进制化表示，定义b表示二进制后的值，b∈{0,1}，q为二进制后新个体的长度，狼群二进制化后表示为：
Figure FDA0004192225590000052
根据轮盘赌法，对某个个体的某一位b*进行杂交，并定义杂交系数λ，那么更新后的某个个体的某一位的值为：
Figure FDA0004192225590000053
其中，round(·)表示四舍五入计算，b(new)表示期望新个体某一位的值，b(old)表示原个体某一位的值；
(8)更新适应度函数，并以
Figure FDA0004192225590000061
的概率接收新解，其中，diff(·)为差分运算；
(9)当退火条件满足或达到最大迭代次数后，得到计算结果。
CN202310342502.1A 2023-04-03 2023-04-03 面向元宇宙电商平台的商品关联视频大数据智能推送系统及方法 Active CN116049526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310342502.1A CN116049526B (zh) 2023-04-03 2023-04-03 面向元宇宙电商平台的商品关联视频大数据智能推送系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310342502.1A CN116049526B (zh) 2023-04-03 2023-04-03 面向元宇宙电商平台的商品关联视频大数据智能推送系统及方法

Publications (2)

Publication Number Publication Date
CN116049526A CN116049526A (zh) 2023-05-02
CN116049526B true CN116049526B (zh) 2023-06-02

Family

ID=86125980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310342502.1A Active CN116049526B (zh) 2023-04-03 2023-04-03 面向元宇宙电商平台的商品关联视频大数据智能推送系统及方法

Country Status (1)

Country Link
CN (1) CN116049526B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117729252B (zh) * 2024-02-01 2024-04-12 深圳承典电子有限公司 一种整合多算法模型的边缘计算系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5421576A (en) * 1992-10-31 1995-06-06 Semiconductor Energy Laboratory Co., Ltd. Game machine
CN112507231A (zh) * 2020-12-17 2021-03-16 辽宁工程技术大学 一种基于gwo-fcm的个性化推荐方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5421576A (en) * 1992-10-31 1995-06-06 Semiconductor Energy Laboratory Co., Ltd. Game machine
CN112507231A (zh) * 2020-12-17 2021-03-16 辽宁工程技术大学 一种基于gwo-fcm的个性化推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
融合狼群算法和模糊聚类的混合推荐算法;王永贵 等;《计算机工程与应用》;第104-111页 *

Also Published As

Publication number Publication date
CN116049526A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN111783875B (zh) 基于聚类分析的异常用户检测方法、装置、设备及介质
Li et al. Resolving conflicts in heterogeneous data by truth discovery and source reliability estimation
Li et al. A probabilistic music recommender considering user opinions and audio features
US8732017B2 (en) Methods, systems, and media for applying scores and ratings to web pages, web sites, and content for safe and effective online advertising
US7877404B2 (en) Query classification based on query click logs
US20130275235A1 (en) Using linear and log-linear model combinations for estimating probabilities of events
CN116049526B (zh) 面向元宇宙电商平台的商品关联视频大数据智能推送系统及方法
Zhang et al. Identifying the same person across two similar social networks in a unified way: Globally and locally
Zhou et al. Relevance feature mapping for content-based multimedia information retrieval
CN111429161B (zh) 特征提取方法、特征提取装置、存储介质及电子设备
CN113268669A (zh) 基于联合神经网络的面向关系挖掘的兴趣点推荐方法
Kim et al. A k-populations algorithm for clustering categorical data
Liao et al. GRBMC: An effective crowdsourcing recommendation for workers groups
CN113342994B (zh) 一种基于无采样协作知识图网络的推荐系统
Wang et al. Link prediction in heterogeneous collaboration networks
Bilge et al. Improving accuracy of multi-criteria collaborative filtering by normalizing user ratings
CN114092729A (zh) 基于聚类匿名化与差分隐私保护的异构用电数据发布方法
Serrà et al. Characterization and exploitation of community structure in cover song networks
Margaris et al. Enhancing rating prediction quality through improving the accuracy of detection of shifts in rating practices
Saúde et al. A robust reputation-based group ranking system and its resistance to bribery
CN112632275B (zh) 基于个人文本信息的人群聚类数据处理方法、装置及设备
Wang et al. Intelligent weight generation algorithm based on binary isolation tree
Wen et al. Improving the novelty of retail commodity recommendations using multiarmed bandit and gradient boosting decision tree
Jie-Hao et al. A CTR prediction method based on feature engineering and online learning
CN104641386A (zh) 使用户人群统计信息混淆的方法和装置

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
GR01 Patent grant
GR01 Patent grant