CN116109381B - 电商平台数据处理方法及系统 - Google Patents
电商平台数据处理方法及系统 Download PDFInfo
- Publication number
- CN116109381B CN116109381B CN202310032745.5A CN202310032745A CN116109381B CN 116109381 B CN116109381 B CN 116109381B CN 202310032745 A CN202310032745 A CN 202310032745A CN 116109381 B CN116109381 B CN 116109381B
- Authority
- CN
- China
- Prior art keywords
- commerce
- data
- behavior
- directed
- relation
- 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
Links
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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种电商平台数据处理方法及系统,通过考虑电商平台操作行为数据对应的前向电商操作行为数据,并用于构建聚合特征表示,由此在预测电商操作行为数据时可以包括前后关联性的数据;并且,通过对前向电商操作行为数据进行有向关系图提取,能够将电商操作流程前置电商操作行为数据的有向关系数据进行引入,提高预测操作行为数据的可靠性,进而提高后续预判性电商页面内容推荐的准确性。
Description
技术领域
本发明涉及电子商务平台推送技术领域,具体而言,涉及一种电商平台数据处理方法及系统。
背景技术
企业电子商务平台的建设,不仅仅是初级网上购物的实现,它能够有效地在互联网络上构架安全的和易于扩展的业务框架体系,实现多种模式等应用环境,推动电子商务的发展。.电子商务将传统的商务流程电子化、数字化,一方面以电子流代替了实物流,可以大量减少人力、物力,降低了成本;另一方面突破了时间和空间的限制,使得交易活动可以在任何时间、任何地点进行,从而大大提高了效率。在相关技术中,电商平台操作行为数据可以反映用户的操作倾向,因此可以作为后续电商页面内容推荐的参考依据,然而,相关技术缺少预判操作行为数据的方案,也即无法有效进行预判性电商页面内容推荐。
发明内容
为了至少克服现有技术中的上述不足,本发明的目的在于提供一种电商平台数据处理方法及系统。
第一方面,本发明提供一种电商平台数据处理方法,应用于电商平台数据处理系统,所述方法包括:
获取目标电商服务终端产生的电商平台操作行为数据,将所述电商平台操作行为数据加载至操作行为预测模型;
基于所述操作行为预测模型对所述电商平台操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第一嵌入特征向量,并对所述电商平台操作行为数据进行注意力会话数据提取,并对注意力会话数据进行特征嵌入得到第二嵌入特征向量;
获取所述电商平台操作行为数据对应的前向电商操作行为数据,对该前向电商操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第三嵌入特征向量,并对该前向电商操作行为数据进行有向关系图提取,对有向关系图数据进行特征嵌入,获得第四嵌入特征向量;
对所述第一嵌入特征向量、第二嵌入特征向量进行特征聚合获取第一行为知识描述信息,并对所述第一嵌入特征向量、第四嵌入特征向量进行特征聚合获取第二行为知识描述信息;
对所述第一行为知识描述信息、第二行为知识描述信息和第三嵌入特征向量进行特征聚合以获取聚合特征表示;
基于所述第一嵌入特征向量、聚合特征表示生成所述电商平台操作行为数据对应的预测操作行为数据,并基于所述预测操作行为数据对所述目标电商服务终端进行预判性电商页面内容推荐。
在第一方面的一种可能的实施方式中,所述基于所述操作行为预测模型对所述电商平台操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第一嵌入特征向量,包括:
对所述电商平台操作行为数据进行行为事件拆解,获取行为事件拆解数据;
基于Desnent特征提取网络对所述行为事件拆解数据进行特征嵌入,生成多模态行为维度的第一嵌入特征向量。
在第一方面的一种可能的实施方式中,所述对所述电商平台操作行为数据进行注意力会话数据提取,并对注意力会话数据进行特征嵌入得到第二嵌入特征向量,包括:
基于注意力会话解析模型对所述电商平台操作行为数据进行注意力会话数据提取,获取注意力会话数据,其中,所述注意力会话解析模型基于注意力机制进行训练获得;
基于Desnent特征提取网络对所述注意力会话数据进行特征嵌入,生成多模态行为维度的第二嵌入特征向量。
在第一方面的一种可能的实施方式中,所述前向电商操作行为数据包括一个或多个电商操作行为数据;
所述对该前向电商操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第三嵌入特征向量,包括:
对所述前向电商操作行为数据进行行为事件拆解,获取行为事件拆解数据;
基于Desnent特征提取网络对所述行为事件拆解数据进行特征嵌入,生成多模态行为维度的第三嵌入特征向量。
在第一方面的一种可能的实施方式中,所述前向电商操作行为数据包括一个或多个电商操作行为数据;
所述对该前向电商操作行为数据进行有向关系图提取,对有向关系图数据进行特征嵌入,获得第四嵌入特征向量,包括:
确定所述前向电商操作行为数据对应电商线上服务场景的有向关系图;
对所述前向电商操作行为数据进行行为事件拆解,获取行为事件拆解数据;
将所述行为事件拆解数据与所述有向关系图进行匹配,确定所述前向电商操作行为数据中包含的有向成员关系数据;
基于Desnent特征提取网络对有向成员关系数据对应的有向成员关系特征进行特征嵌入,获取用于表征电商会话关系流程中的前向特征表示的第四嵌入特征向量;
所述确定所述前向电商操作行为数据对应电商线上服务场景的有向关系图的步骤,包括:
解析所述前向电商操作行为数据中的各个电商操作事件;
依据所述各个电商操作事件进行有向关系预测,得到多个模糊有向关系;其中,所述模糊有向关系用于指示所述各个电商操作事件之间可能存在的电商操作事件关系;
依据所述各个电商操作事件和所述多个模糊有向关系,输出多个有向关系事件组合;其中,所述有向关系事件组合表征假定两个所述电商操作事件之间具有所述模糊有向关系的有向关系图单元,且每个所述有向关系事件组合包含两个所述电商操作事件和一个所述模糊有向关系;
依据所述有向关系事件组合的逻辑推导信息,确定所述有向关系事件组合中两个所述电商操作事件之间是否具有所述模糊有向关系;其中,所述有向关系事件组合的逻辑推导信息基于人工智能推导网络对所述有向关系事件组合和所述前向电商操作行为数据进行推导获得的,且所述逻辑推导信息包括所述有向关系事件组合中两个所述电商操作事件之间的有向关系特征,且所述有向关系特征为:前向推导关系、并存关系、空集关系中任一者;
所述多个模糊有向关系由有向链路分析网络对所述各个电商操作事件进行有向关系预测得到,所述有向链路分析网络由多个初始化神经网络作为待继承网络进行网络权重参数模仿得到,所述多个初始化神经网络依据多个训练模板数据通过有向关系预测指示进行网络权重参数更新生成的,且所述训练模板数据包括模板电商操作事件和所述模板电商操作事件之间具有的模板有向关系;
所述多个初始化神经网络的网络权重参数更新步骤包括:
将所述多个初始化神经网络,分别作为当前初始化神经网络;
依据所述多个训练模板数据训练所述当前初始化神经网络,并获取所述当前初始化神经网络分别在所述多个训练模板数据上进行有向关系预测时的预测代价值;
如果所述当前初始化神经网络不是最终的所述初始化神经网络,重新执行所述将所述多个初始化神经网络,分别作为当前初始化神经网络的步骤以及后续步骤;其中,最新所述当前初始化神经网络网络权重参数更新时的网络收敛指标,依据最新所述当前初始化神经网络的上一所述初始化
神经网络,在所述多个训练模板数据上进行有向关系预测时的预测代价值5加权融合获得的得到;
所述依据所述有向关系事件组合的逻辑推导信息,确定所述有向关系事件组合中两个所述电商操作事件之间是否具有所述模糊有向关系,包括以下至少一者:
如果所述有向关系特征为所述前向推导关系,确定所述有向关系事件0组合中两个所述电商操作事件之间具有所述模糊有向关系;
如果所述有向关系特征为所述并存关系或所述空集关系,确定所述有向关系事件组合中两个所述电商操作事件之间不存在所述模糊有向关系;
所述依据所述各个电商操作事件和所述多个模糊有向关系,输出多个有向关系事件组合,包括:5依据所述各个电商操作事件和所述多个模糊有向关系,组成多个参考有向关系簇;
依据所述多个参考有向关系簇分别进行有向关系图单元生成,得到所述多个有向关系事件组合;
在所述依据所述有向关系事件组合的逻辑推导信息,确定所述有向关0系事件组合中两个所述电商操作事件之间是否具有所述模糊有向关系之后,所述方法还包括以下其中一个步骤或者全部步骤:
如果确定所述有向关系事件组合中两个所述电商操作事件之间具有所述模糊有向关系,保留所述有向关系事件组合对应的参考有向关系簇,作为目标有向关系簇;
5如果确定所述有向关系事件组合中两个所述电商操作事件之间不存在所述模糊有向关系,舍弃所述有向关系事件组合对应的参考有向关系簇。
在第一方面的一种可能的实施方式中,所述对所述第一行为知识描述信息、第二行为知识描述信息和第三嵌入特征向量进行特征聚合以获取聚合特征表示,包括:
获取所述第一行为知识描述信息的聚焦性特征、第二行为知识描述信息的聚焦性特征、第三嵌入特征向量的惩罚项特征;
基于预设的影响因子对所述第一行为知识描述信息的聚焦性特征、第二行为知识描述信息的聚焦性特征、第三嵌入特征向量的惩罚项特征进行特征聚合,获取聚合特征表示。
在第一方面的一种可能的实施方式中,所述方法还包括:
在所述电商平台操作行为数据不存在所述前向电商操作行为数据时,所述第三嵌入特征向量、第四嵌入特征向量为空。
在第一方面的一种可能的实施方式中,所述方法还包括:
对所述操作行为预测模型进行模型权重参数更新,具体包括:
搜集多个先验电商平台操作行为数据构建待学习行为数据序列,并作为模型学习模板数据;其中,各所述先验电商平台操作行为数据包括多轮电商平台操作行为事件,多轮电商平台操作行为事件中各轮电商平台操作行为事件配置有对应的可靠性标注操作行为事件;
对所述先验电商平台操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第一先验嵌入特征向量,并对所述先验电商平台操作行为数据进行注意力会话数据提取,并对注意力会话数据进行特征嵌入得到第二先验嵌入特征向量;
获取所述先验电商平台操作行为数据对应的前向先验电商操作行为数据,对该前向先验电商操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第三先验嵌入特征向量,并对该前向先验电商操作行为数据进行有向关系图提取,对有向关系图数据进行特征嵌入,获得第四先验嵌入特征向量;
对所述第一先验嵌入特征向量、第二先验嵌入特征向量进行特征聚合获取第一先验行为知识描述信息,并对所述第一先验嵌入特征向量、第四先验嵌入特征向量进行特征聚合获取第二先验行为知识描述信息;
对所述第一先验行为知识描述信息、第二先验行为知识描述信息和第三先验嵌入特征向量进行特征聚合以获取先验聚合特征表示;
基于所述第一先验嵌入特征向量、先验聚合特征表示生成所述先验电商平台操作行为数据对应的预测操作行为数据;
基于交叉熵损失函数作为训练代价评估单元进行循环模型权重参数更新,并选定满足模型收敛要求的模型作为所述操作行为预测模型。
在第一方面的一种可能的实施方式中,所述基于所述预测操作行为数据对所述目标电商服务终端进行预判性电商页面内容推荐的步骤,包括:
获取所述预测操作行为数据所对应的关键行为知识点,其中,所述关键行为知识点用于表示所述预测操作行为数据中行为权重大于预设权重的行为主题;
从云端电商页面内容数据库中调取与所述关键行为知识点匹配的目标电商页面内容数据并推荐给所述目标电商服务终端。
第二方面,本发明实施例还提供一种电商平台数据处理系统,所述电商平台数据处理系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现前述的电商平台数据处理方法。
依据上述任意一个方面,通过考虑电商平台操作行为数据对应的前向电商操作行为数据,并用于构建聚合特征表示,由此在预测电商操作行为数据时可以包括前后关联性的数据;并且,通过对前向电商操作行为数据进行有向关系图提取,能够将电商操作流程前置电商操作行为数据的有向关系数据进行引入,提高预测操作行为数据的可靠性,进而提高后续预判性电商页面内容推荐的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的基础上,还可以依据这些附图提取其它相关的附图。
图1为本发明实施例提供的电商平台数据处理方法的流程示意图;
图2为本发明实施例提供的用于实现上述的电商平台数据处理方法的电商平台数据处理系统的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和依据本发明,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本发明的原则和范围时,本发明中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本发明并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
下面依据说明书附图对本发明进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本发明一种实施例提供的电商平台数据处理方法的流程示意图,下面对该电商平台数据处理方法进行详细介绍。
步骤S101,获取目标电商服务终端产生的电商平台操作行为数据,将电商平台操作行为数据加载至操作行为预测模型;
步骤S102,基于所述操作行为预测模型对所述电商平台操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第一嵌入特征向量;以及对所述电商平台操作行为数据进行注意力会话数据提取,并对注意力会话数据进行特征嵌入得到第二嵌入特征向量;
步骤S103,获取所述电商平台操作行为数据对应的前向电商操作行为数据,对该前向电商操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第三嵌入特征向量,并对该前向电商操作行为数据进行有向关系图提取,对有向关系图数据进行特征嵌入,获得第四嵌入特征向量;
步骤S104,对所述第一嵌入特征向量、第二嵌入特征向量进行特征聚合获取第一行为知识描述信息,并对所述第一嵌入特征向量、第四嵌入特征向量进行特征聚合获取第二行为知识描述信息;
步骤S105,对所述第一行为知识描述信息、第二行为知识描述信息和第三嵌入特征向量进行特征聚合以获取聚合特征表示;
步骤S106,基于所述第一嵌入特征向量、聚合特征表示生成所述电商平台操作行为数据对应的预测操作行为数据,并基于所述预测操作行为数据对所述目标电商服务终端进行预判性电商页面内容推荐。
例如,可以获取所述预测操作行为数据所对应的关键行为知识点,其中,所述关键行为知识点用于表示所述预测操作行为数据中行为权重(可以通过计算行为主题的出现次数,并基于出现次数与权重之间的预设映射关系进行确定)大于预设权重的行为主题,从云端电商页面内容数据库中调取与所述关键行为知识点匹配的目标电商页面内容数据并推荐给所述目标电商服务终端。
在步骤S101中,相关电商用户在使用目标电商服务终端登陆电商服务平台后,可以产生诸多电商平台操作行为数据,例如在电商平台中的直播流程、购物流程、会话流程、商品介绍反馈流程中产生的操作行为数据(如分享行为数据、收藏行为数据、疑问行为数据等),可以作为上述的目标电商服务终端产生的电商平台操作行为数据。电商平台数据处理系统在获取到目标电商服务终端产生的电商平台操作行为数据后,可以作为模型输入数据,加载至训练完成的操作行为预测模型中,基于该操作行为预测模型加载至电商平台操作行为数据对应的预测电商操作行为数据。也就是说,预测电商操作行为数据该相关电商用户还没有产生,但是有极大概率产生的电商操作行为数据,进而通过对该相关电商用户进行电商操作行为数据的预判,以便于基于所述预测操作行为数据对所述目标电商服务终端进行预判性电商页面内容推荐。
基于以上步骤,本申请实施例通过考虑电商平台操作行为数据对应的前向电商操作行为数据,并用于构建聚合特征表示,由此在预测电商操作行为数据时可以包括前后关联性的数据;并且,通过对前向电商操作行为数据进行有向关系图提取,能够将电商操作流程前置电商操作行为数据的有向关系数据进行引入,提高预测操作行为数据的可靠性,进而提高后续预判性电商页面内容推荐的准确性。
一些示例性的设计思路中,所述基于所述操作行为预测模型对所述电商平台操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第一嵌入特征向量,包括:
(1)对所述电商平台操作行为数据进行行为事件拆解,获取行为事件拆解数据;
(2)基于Desnent特征提取网络对所述行为事件拆解数据进行特征嵌入,生成多模态行为维度的第一嵌入特征向量。
一些示例性的设计思路中,所述对所述电商平台操作行为数据进行注意力会话数据提取,并对注意力会话数据进行特征嵌入得到第二嵌入特征向量,包括:
(1)基于注意力会话解析模型对所述电商平台操作行为数据进行注意力会话数据提取,获取注意力会话数据;
(2)基于Desnent特征提取网络对所述注意力会话数据进行特征嵌入,生成多模态行为维度的第二嵌入特征向量。
一些示例性的设计思路中,所述前向电商操作行为数据包括一个或多个电商操作行为数据;所述对该前向电商操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第三嵌入特征向量,包括:
(1)对所述前向电商操作行为数据进行行为事件拆解,获取行为事件拆解数据;
(2)基于Desnent特征提取网络对所述行为事件拆解数据进行特征嵌入,生成多模态行为维度的第三嵌入特征向量。
一些示例性的设计思路中,所述前向电商操作行为数据包括一个或多个电商操作行为数据;所述对该前向电商操作行为数据进行有向关系图提取,对有向关系图数据进行特征嵌入,获得第四嵌入特征向量,包括:
(1)确定所述前向电商操作行为数据对应电商线上服务场景的有向关系图。
其中,所述确定所述前向电商操作行为数据对应电商线上服务场景的有向关系图的步骤,包括:解析所述前向电商操作行为数据中的各个电商操作事件;依据所述各个电商操作事件进行有向关系预测,得到多个模糊有向关系;其中,所述模糊有向关系用于指示所述各个电商操作事件之间可能存在的电商操作事件关系;依据所述各个电商操作事件和所述多个模糊有向关系,输出多个有向关系事件组合;其中,所述有向关系事件组合表征假定两个所述电商操作事件之间具有所述模糊有向关系的有向关系图单元,且每个所述有向关系事件组合包含两个所述电商操作事件和一个所述模糊有向关系;依据所述有向关系事件组合的逻辑推导信息,确定所述有向关系事件组合中两个所述电商操作事件之间是否具有所述模糊有向关系;其中,所述有向关系事件组合的逻辑推导信息基于人工智能推导网络对所述有向关系事件组合和所述前向电商操作行为数据进行推导获得的,且所述逻辑推导信息包括所述有向关系事件组合中两个所述电商操作事件之间的有向关系特征,且所述有向关系特征为:前向推导关系、并存关系、空集关系中任一者;
所述多个模糊有向关系由有向链路分析网络对所述各个电商操作事件进行有向关系预测得到,所述有向链路分析网络由多个初始化神经网络作为待继承网络进行网络权重参数模仿得到,所述多个初始化神经网络依据多个训练模板数据通过有向关系预测指示进行网络权重参数更新生成的,且所述训练模板数据包括模板电商操作事件和所述模板电商操作事件之间具有的模板有向关系。
所述多个初始化神经网络的网络权重参数更新步骤包括:
1、将所述多个初始化神经网络,分别作为当前初始化神经网络;
2、依据所述多个训练模板数据训练所述当前初始化神经网络,并获取所述当前初始化神经网络分别在所述多个训练模板数据上进行有向关系预测时的预测代价值;
3、如果所述当前初始化神经网络不是最终的所述初始化神经网络,重新执行所述将所述多个初始化神经网络,分别作为当前初始化神经网络的步骤以及后续步骤;其中,最新所述当前初始化神经网络网络权重参数更新时的网络收敛指标,依据最新所述当前初始化神经网络的上一所述初始化神经网络,在所述多个训练模板数据上进行有向关系预测时的预测代价值加权融合获得的得到。
所述依据所述有向关系事件组合的逻辑推导信息,确定所述有向关系事件组合中两个所述电商操作事件之间是否具有所述模糊有向关系,包括以下至少一者:如果所述有向关系特征为所述前向推导关系,确定所述有向关系事件组合中两个所述电商操作事件之间具有所述模糊有向关系;如果所述有向关系特征为所述并存关系或所述空集关系,确定所述有向关系事件组合中两个所述电商操作事件之间不存在所述模糊有向关系;
依据所述各个电商操作事件和所述多个模糊有向关系,输出多个有向关系事件组合,包括:依据所述各个电商操作事件和所述多个模糊有向关系,组成多个参考有向关系簇;依据所述多个参考有向关系簇分别进行有向关系图单元生成,得到所述多个有向关系事件组合;
在所述依据所述有向关系事件组合的逻辑推导信息,确定所述有向关系事件组合中两个所述电商操作事件之间是否具有所述模糊有向关系之后,所述方法还包括以下其中一个步骤或者全部步骤:如果确定所述有向关系事件组合中两个所述电商操作事件之间具有所述模糊有向关系,保留所述有向关系事件组合对应的参考有向关系簇,作为目标有向关系簇;如果确定所述有向关系事件组合中两个所述电商操作事件之间不存在所述模糊有向关系,舍弃所述有向关系事件组合对应的参考有向关系簇。
由此,识别所述前向电商操作行为数据中的各个电商操作事件,依据各个电商操作事件进行有向关系预测,得到多个模糊有向关系,且模糊有向关系用于指示各个电商操作事件之间可能存在的电商操作事件关系,再依据各个电商操作事件和多个模糊有向关系,输出多个有向关系事件组合,且有向关系事件组合表征假定两个电商操作事件之间具有模糊有向关系的有向关系图单元,由此可以依据有向关系事件组合的逻辑推导信息,确定有向关系事件组合中两个电商操作事件之间是否具有模糊有向关系,由于在电商操作事件有向关系预测过程中先初步确定模糊有向关系,再依据由初步确定得到的模糊有向关系所生成的有向关系事件组合进行细粒度确定,以确定有向关系事件组合中两个电商操作事件之间是否具有模糊有向关系,即在有向关系预测过程中可以降低电商操作事件有向关系预测的资源消耗量,减少冗余计算量。
(2)对所述前向电商操作行为数据进行行为事件拆解,获取行为事件拆解数据;
(3)将所述行为事件拆解数据与所述有向关系图进行匹配,确定所述前向电商操作行为数据中包含的有向成员关系数据;
(4)基于Desnent特征提取网络对有向成员关系数据对应的有向成员关系特征进行特征嵌入,获取用于表征电商会话关系流程中的前向特征表示的第四嵌入特征向量。
一些示例性的设计思路中,所述对所述第一行为知识描述信息、第二行为知识描述信息和第三嵌入特征向量进行特征聚合以获取聚合特征表示,包括:
(1)获取所述第一行为知识描述信息的聚焦性特征、第二行为知识描述信息的聚焦性特征、第三嵌入特征向量的惩罚项特征;
(2)基于预设的影响因子对所述第一行为知识描述信息的聚焦性特征、第二行为知识描述信息的聚焦性特征、第三嵌入特征向量的惩罚项特征进行特征聚合,获取聚合特征表示。
一些示例性的设计思路中,在所述电商平台操作行为数据不存在所述前向电商操作行为数据时,所述第三嵌入特征向量、第四嵌入特征向量为空。
一些示例性的设计思路中,所述方法还包括:对所述操作行为预测模型进行模型权重参数优化,具体包括下述步骤,详细描述如下。
步骤S201,搜集多个先验电商平台操作行为数据构建待学习行为数据序列,并作为模型学习模板数据;其中,各所述先验电商平台操作行为数据包括多轮电商平台操作行为事件,多轮电商平台操作行为事件中各轮电商平台操作行为事件配置有对应的可靠性标注操作行为事件;
步骤S202,对所述先验电商平台操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第一先验嵌入特征向量,并对所述先验电商平台操作行为数据进行注意力会话数据提取,并对注意力会话数据进行特征嵌入得到第二先验嵌入特征向量;
步骤S203,获取所述先验电商平台操作行为数据对应的前向先验电商操作行为数据,对该前向先验电商操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第三先验嵌入特征向量,并对该前向先验电商平台操作行为数据进行有向关系图提取,对有向关系图数据进行特征嵌入,获得第四先验嵌入特征向量;
步骤S204,对所述第一先验嵌入特征向量、第二先验嵌入特征向量进行特征聚合获取第一先验行为知识描述信息,并对所述第一先验嵌入特征向量、第四先验嵌入特征向量进行特征聚合获取第二先验行为知识描述信息;
步骤S205,基于所述第一先验嵌入特征向量、先验聚合特征表示生成所述先验电商平台操作行为数据对应的预测操作行为数据;
步骤S206,基于交叉熵损失函数作为训练代价评估单元进行循环模型权重参数更新,并选定满足模型收敛要求的模型作为所述操作行为预测模型。
一些示例性的设计思路中,在上述的步骤S204中,对所述第一先验嵌入特征向量、第二先验嵌入特征向量进行特征聚合获取第一先验行为知识描述信息,具体可以是:使用多轮待学习行为数据序列的注意力会话信息对先验电商平台操作行为数据信息进行聚焦性特征:
一些示例性的设计思路中,在上述的步骤S204中,对所述第一先验嵌入特征向量、第四先验嵌入特征向量进行特征聚合获取第二先验行为知识描述信息,具体可以是:使用多轮待学习行为数据序列的外部知识信息对先验电商平台操作行为数据信息进行聚焦性特征。
图2示出了本发明实施例提供的用于实现上述的电商平台数据处理方法的电商平台数据处理系统100的硬件结构意图,如图2所示,电商平台数据处理系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
一种示例性的设计思路中,电商平台数据处理系统100可以是单个电商平台数据处理系统,也可以是电商平台数据处理系统组。所述电商平台数据处理系统组可以是集中式的,也可以是分布式的(例如,电商平台数据处理系统100可以是分布式的系统)。一种示例性的设计思路中,电商平台数据处理系统100可以是本地的,也可以是远程的。例如,电商平台数据处理系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如,电商平台数据处理系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。一种示例性的设计思路中,电商平台数据处理系统100可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。一种示例性的设计思路中,机器可读存储介质120可以存储从外部终端获取的数据。一种示例性的设计思路中,机器可读存储介质120可以储存电商平台数据处理系统100用来执行或使用来完成本发明中描述的示例性方法的数据及/或指令。一种示例性的设计思路中,机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDRSDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。一种示例性的设计思路中,机器可读存储介质120可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云,多层云等,或其任意组合。
在具体实现过程中,至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的电商平台数据处理方法,处理器110、机器可读存储介质120以及通信单元140依据总线130连接,处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述电商平台数据处理系统100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本发明实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上电商平台数据处理方法。
应当理解的是,以上描述仅出于说明的目的,并不旨在限制本发明的范围。对于本领域的普通技术人员来说,可以依据本发明的描述,做出多种修改和变化。然而,这些修改和变化不会背离本发明的范围。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明公开仅作为示例,并不构成对本发明的限制。虽然此处并没有明确说明,本领域技术人员可能会对本发明进行各种修改、改进和修正。该类修改、改进和修正在本发明中被建议,所以该类修改、改进、修正仍属于本发明示范实施例的精神和范围。
同时,本发明使用了特定词语来描述本发明的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外,本发明的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本发明的各方面可以依据多个具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改良。相应地,本发明的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外,本发明公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式,其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以依据连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以依据任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。
本发明各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写,包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP,主动编程语言如Python、Ruby和Groovy,或其它编程语言等。该程序编码可以完全在电力作业分区计算机上运行、或作为独立的软件包在电力作业分区计算机上运行、或部分在电力作业分区计算机上运行部分在远程计算机运行、或完全在远程计算机或电商平台数据处理系统上运行。在后种情况下,远程计算机可以依据任何网络形式与电力作业分区计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如依据因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本发明所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用,并非用于限定本发明流程和方法的顺序。尽管上述披露中依据各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有匹配本发明实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以依据硬件设备实现,但是也可以只依据软件的解决方案得以实现,如在现有的电商平台数据处理系统或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本发明披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。同理,应当注意的是,为了简化本发明披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (6)
1.一种电商平台数据处理方法,其特征在于,基于电商平台数据处理系统实现,所述方法包括:
获取目标电商服务终端产生的电商平台操作行为数据,将所述电商平台操作行为数据加载至操作行为预测模型;
基于所述操作行为预测模型对所述电商平台操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第一嵌入特征向量,并对所述电商平台操作行为数据进行注意力会话数据提取,并对注意力会话数据进行特征嵌入得到第二嵌入特征向量;
获取所述电商平台操作行为数据对应的前向电商操作行为数据,对该前向电商操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第三嵌入特征向量,并对该前向电商操作行为数据进行有向关系图提取,对有向关系图数据进行特征嵌入,获得第四嵌入特征向量;
对所述第一嵌入特征向量、第二嵌入特征向量进行特征聚合获取第一行为知识描述信息,并对所述第一嵌入特征向量、第四嵌入特征向量进行特征聚合获取第二行为知识描述信息;
对所述第一行为知识描述信息、第二行为知识描述信息和第三嵌入特征向量进行特征聚合以获取聚合特征表示;
基于所述第一嵌入特征向量、聚合特征表示生成所述电商平台操作行为数据对应的预测操作行为数据,并基于所述预测操作行为数据对所述目标电商服务终端进行预判性电商页面内容推荐;
所述基于所述操作行为预测模型对所述电商平台操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第一嵌入特征向量,包括:
对所述电商平台操作行为数据进行行为事件拆解,获取行为事件拆解数据;
基于Desnent特征提取网络对所述行为事件拆解数据进行特征嵌入,生成多模态行为维度的第一嵌入特征向量;
所述对所述电商平台操作行为数据进行注意力会话数据提取,并对注意力会话数据进行特征嵌入得到第二嵌入特征向量,包括:
基于注意力会话解析模型对所述电商平台操作行为数据进行注意力会话数据提取,获取注意力会话数据,其中,所述注意力会话解析模型基于注意力机制进行训练获得;
基于Desnent特征提取网络对所述注意力会话数据进行特征嵌入,生成多模态行为维度的第二嵌入特征向量;
所述前向电商操作行为数据包括一个或多个电商操作行为数据;
所述对该前向电商操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第三嵌入特征向量,包括:
对所述前向电商操作行为数据进行行为事件拆解,获取行为事件拆解数据;
基于Desnent特征提取网络对所述行为事件拆解数据进行特征嵌入,生成多模态行为维度的第三嵌入特征向量;
所述前向电商操作行为数据包括一个或多个电商操作行为数据;
所述对该前向电商操作行为数据进行有向关系图提取,对有向关系图数据进行特征嵌入,获得第四嵌入特征向量,包括:
确定所述前向电商操作行为数据对应电商线上服务场景的有向关系图;
对所述前向电商操作行为数据进行行为事件拆解,获取行为事件拆解数据;
将所述行为事件拆解数据与所述有向关系图进行匹配,确定所述前向电商操作行为数据中包含的有向成员关系数据;
基于Desnent特征提取网络对有向成员关系数据对应的有向成员关系特征进行特征嵌入,获取用于表征电商会话关系流程中的前向特征表示的第四嵌入特征向量;
所述确定所述前向电商操作行为数据对应电商线上服务场景的有向关系图的步骤,包括:
解析所述前向电商操作行为数据中的各个电商操作事件;
依据所述各个电商操作事件进行有向关系预测,得到多个模糊有向关系;其中,所述模糊有向关系用于指示所述各个电商操作事件之间可能存在的电商操作事件关系;
依据所述各个电商操作事件和所述多个模糊有向关系,输出多个有向关系事件组合;其中,所述有向关系事件组合表征假定两个所述电商操作事件之间具有所述模糊有向关系的有向关系图单元,且每个所述有向关系事件组合包含两个所述电商操作事件和一个所述模糊有向关系;
依据所述有向关系事件组合的逻辑推导信息,确定所述有向关系事件组合中两个所述电商操作事件之间是否具有所述模糊有向关系;其中,所述有向关系事件组合的逻辑推导信息基于人工智能推导网络对所述有向关系事件组合和所述前向电商操作行为数据进行推导获得的,且所述逻辑推导信息包括所述有向关系事件组合中两个所述电商操作事件之间的有向关系特征,且所述有向关系特征为:前向推导关系、并存关系、空集关系中任一者;
所述多个模糊有向关系由有向链路分析网络对所述各个电商操作事件进行有向关系预测得到,所述有向链路分析网络由多个初始化神经网络作为待继承网络进行网络权重参数模仿得到,所述多个初始化神经网络依据多个训练模板数据通过有向关系预测指示进行网络权重参数更新生成的,且所述训练模板数据包括模板电商操作事件和所述模板电商操作事件之间具有的模板有向关系;
所述多个初始化神经网络的网络权重参数更新步骤包括:
将所述多个初始化神经网络,分别作为当前初始化神经网络;
依据所述多个训练模板数据训练所述当前初始化神经网络,并获取所述当前初始化神经网络分别在所述多个训练模板数据上进行有向关系预测时的预测代价值;
如果所述当前初始化神经网络不是最终的所述初始化神经网络,重新执行所述将所述多个初始化神经网络,分别作为当前初始化神经网络的步骤以及后续步骤;其中,最新所述当前初始化神经网络网络权重参数更新时的网络收敛指标,依据最新所述当前初始化神经网络的上一所述初始化神经网络,在所述多个训练模板数据上进行有向关系预测时的预测代价值加权融合获得的得到;
所述依据所述有向关系事件组合的逻辑推导信息,确定所述有向关系事件组合中两个所述电商操作事件之间是否具有所述模糊有向关系,包括以下至少一者:
如果所述有向关系特征为所述前向推导关系,确定所述有向关系事件组合中两个所述电商操作事件之间具有所述模糊有向关系;
如果所述有向关系特征为所述并存关系或所述空集关系,确定所述有向关系事件组合中两个所述电商操作事件之间不存在所述模糊有向关系;
所述依据所述各个电商操作事件和所述多个模糊有向关系,输出多个有向关系事件组合,包括:
依据所述各个电商操作事件和所述多个模糊有向关系,组成多个参考有向关系簇;
依据所述多个参考有向关系簇分别进行有向关系图单元生成,得到所述多个有向关系事件组合;
在所述依据所述有向关系事件组合的逻辑推导信息,确定所述有向关系事件组合中两个所述电商操作事件之间是否具有所述模糊有向关系之后,所述方法还包括以下其中一个步骤或者全部步骤:
如果确定所述有向关系事件组合中两个所述电商操作事件之间具有所述模糊有向关系,保留所述有向关系事件组合对应的参考有向关系簇,作为目标有向关系簇;
如果确定所述有向关系事件组合中两个所述电商操作事件之间不存在所述模糊有向关系,舍弃所述有向关系事件组合对应的参考有向关系簇。
2.根据权利要求1所述的电商平台数据处理方法,其特征在于,所述对所述第一行为知识描述信息、第二行为知识描述信息和第三嵌入特征向量进行特征聚合以获取聚合特征表示,包括:
获取所述第一行为知识描述信息的聚焦性特征、第二行为知识描述信息的聚焦性特征、第三嵌入特征向量的惩罚项特征;
基于预设的影响因子对所述第一行为知识描述信息的聚焦性特征、第二行为知识描述信息的聚焦性特征、第三嵌入特征向量的惩罚项特征进行特征聚合,获取聚合特征表示。
3.根据权利要求1所述的电商平台数据处理方法,其特征在于,所述方法还包括:
在所述电商平台操作行为数据不存在所述前向电商操作行为数据时,所述第三嵌入特征向量、第四嵌入特征向量为空。
4.根据权利要求1所述的电商平台数据处理方法,其特征在于,所述方法还包括:
对所述操作行为预测模型进行模型权重参数更新,具体包括:
搜集多个先验电商平台操作行为数据构建待学习行为数据序列,并作为模型学习模板数据;其中,各所述先验电商平台操作行为数据包括多轮电商平台操作行为事件,多轮电商平台操作行为事件中各轮电商平台操作行为事件配置有对应的可靠性标注操作行为事件;
对所述先验电商平台操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第一先验嵌入特征向量,并对所述先验电商平台操作行为数据进行注意力会话数据提取,并对注意力会话数据进行特征嵌入得到第二先验嵌入特征向量;
获取所述先验电商平台操作行为数据对应的前向先验电商操作行为数据,对该前向先验电商操作行为数据进行行为事件拆解,并对行为事件拆解数据进行特征嵌入得到第三先验嵌入特征向量,并对该前向先验电商操作行为数据进行有向关系图提取,对有向关系图数据进行特征嵌入,获得第四先验嵌入特征向量;
对所述第一先验嵌入特征向量、第二先验嵌入特征向量进行特征聚合获取第一先验行为知识描述信息,并对所述第一先验嵌入特征向量、第四先验嵌入特征向量进行特征聚合获取第二先验行为知识描述信息;
对所述第一先验行为知识描述信息、第二先验行为知识描述信息和第三先验嵌入特征向量进行特征聚合以获取先验聚合特征表示;
基于所述第一先验嵌入特征向量、先验聚合特征表示生成所述先验电商平台操作行为数据对应的预测操作行为数据;
基于交叉熵损失函数作为训练代价评估单元进行循环模型权重参数更新,并选定满足模型收敛要求的模型作为所述操作行为预测模型。
5.根据权利要求1-4中任意一项所述的电商平台数据处理方法,其特征在于,所述基于所述预测操作行为数据对所述目标电商服务终端进行预判性电商页面内容推荐的步骤,包括:
获取所述预测操作行为数据所对应的关键行为知识点,其中,所述关键行为知识点用于表示所述预测操作行为数据中行为权重大于预设权重的行为主题;
从云端电商页面内容数据库中调取与所述关键行为知识点匹配的目标电商页面内容数据并推荐给所述目标电商服务终端。
6.一种电商平台数据处理系统,其特征在于,所述电商平台数据处理系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现权利要求1-5中任意一项的电商平台数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310032745.5A CN116109381B (zh) | 2023-01-10 | 2023-01-10 | 电商平台数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310032745.5A CN116109381B (zh) | 2023-01-10 | 2023-01-10 | 电商平台数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109381A CN116109381A (zh) | 2023-05-12 |
CN116109381B true CN116109381B (zh) | 2023-09-29 |
Family
ID=86265060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310032745.5A Active CN116109381B (zh) | 2023-01-10 | 2023-01-10 | 电商平台数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109381B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和系统 |
CN114693397A (zh) * | 2022-03-16 | 2022-07-01 | 电子科技大学 | 一种基于注意力神经网络的多视角多模态商品推荐方法 |
CN115082142A (zh) * | 2022-05-10 | 2022-09-20 | 华南理工大学 | 一种基于异构关系图神经网络的推荐方法、装置及介质 |
-
2023
- 2023-01-10 CN CN202310032745.5A patent/CN116109381B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和系统 |
CN114693397A (zh) * | 2022-03-16 | 2022-07-01 | 电子科技大学 | 一种基于注意力神经网络的多视角多模态商品推荐方法 |
CN115082142A (zh) * | 2022-05-10 | 2022-09-20 | 华南理工大学 | 一种基于异构关系图神经网络的推荐方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116109381A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
Xu et al. | An efficient load balancing algorithm for virtual machine allocation based on ant colony optimization | |
US11423307B2 (en) | Taxonomy construction via graph-based cross-domain knowledge transfer | |
CN111405030B (zh) | 一种消息推送方法、装置、电子设备和存储介质 | |
CN110188210A (zh) | 一种基于图正则化与模态独立的跨模态数据检索方法及系统 | |
CN112700252A (zh) | 一种信息安全性检测方法、装置、电子设备和存储介质 | |
EP4009233A1 (en) | Feature prediction method and system, and engine | |
CN115729796A (zh) | 基于人工智能的异常操作分析方法及大数据应用系统 | |
CN114611081A (zh) | 账号类型识别方法、装置、设备、存储介质及产品 | |
US20220300822A1 (en) | Forgetting data samples from pretrained neural network models | |
Kaur et al. | Generative adversarial networks with quantum optimization model for mobile edge computing in IoT big data | |
US11783221B2 (en) | Data exposure for transparency in artificial intelligence | |
CN116109381B (zh) | 电商平台数据处理方法及系统 | |
CN116308551A (zh) | 基于数字金融ai平台的内容推荐方法及系统 | |
CN115905293A (zh) | 作业执行引擎的切换方法及装置 | |
CN113630476B (zh) | 应用于计算机集群的通信方法及通信装置 | |
CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
CN115017362A (zh) | 数据处理方法、电子设备及存储介质 | |
US9519864B1 (en) | Method and system for identifying dependent components | |
US11288322B2 (en) | Conversational agents over domain structured knowledge | |
Guo et al. | Service composition optimization method based on parallel particle swarm algorithm on spark | |
CN113596061A (zh) | 基于区块链技术的网络安全漏洞响应方法及系统 | |
Antakly et al. | Graphical event model learning and verification for security assessment | |
CN115454473A (zh) | 基于深度学习漏洞决策的数据处理方法及信息安全系统 | |
Ma et al. | [Retracted] Big Data Value Calculation Method Based on Particle Swarm Optimization Algorithm |
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 |