CN116342183A - 信息推荐方法、训练方法、装置、电子设备以及存储介质 - Google Patents
信息推荐方法、训练方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN116342183A CN116342183A CN202310198341.3A CN202310198341A CN116342183A CN 116342183 A CN116342183 A CN 116342183A CN 202310198341 A CN202310198341 A CN 202310198341A CN 116342183 A CN116342183 A CN 116342183A
- Authority
- CN
- China
- Prior art keywords
- marketing
- sample
- determining
- target object
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000012549 training Methods 0.000 title claims abstract description 89
- 230000006399 behavior Effects 0.000 claims abstract description 150
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013136 deep learning model Methods 0.000 claims description 88
- 238000001514 detection method Methods 0.000 claims description 81
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000007477 logistic regression Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000012216 screening Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000013475 authorization Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了信息推荐方法、训练方法、装置、电子设备以及存储介质,涉及数据处理技术领域,尤其涉及深度学习技术领域和大数据技术领域。信息推荐方法具体实现方案为:从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据,其中,候选对象数据包括候选对象的候选对象特征和操作行为图像;提取操作行为图像的图像特征,得到操作行为图像特征;根据候选对象特征和操作行为图像特征,确定候选对象的营销偏好属性数据;根据营销偏好属性数据,将候选对象确定为目标对象;以及向目标对象推荐营销资源信息。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及深度学习技术领域和大数据技术领域。
背景技术
随着互联网技术的快速发展,用户可以通过手机、平板电脑等终端设备便捷地进行产品信息浏览,消费支付等操作。同时,在获得用户授权的情况下,相关应用资源还可以对用户的兴趣属性、操作行为等用户数据进行分析,以便根据分析结果向用户及时推荐符合用户需求的优惠券等产品营销信息,满足用户的消费需求。
发明内容
本公开提供了一种信息推荐方法、训练方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种信息推荐方法,包括:从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据,其中,所述候选对象数据包括候选对象的候选对象特征和操作行为图像;提取所述操作行为图像的图像特征,得到操作行为图像特征;根据所述候选对象特征和所述操作行为图像特征,确定所述候选对象的营销偏好属性数据;根据所述营销偏好属性数据,将所述候选对象确定为目标对象;以及向所述目标对象推荐营销资源信息。
根据本公开的另一方面,提供了一种深度学习模型的训练方法,包括:获取训练样本,其中,所述训练样本包括样本数据和样本标签,所述样本数据包括样本目标对象的样本目标对象特征和样本操作行为图像;提取所述样本操作行为图像的样本图像特征,得到样本操作行为图像特征;以及利用所述样本标签、所述样本目标对象特征和所述样本操作行为图像特征训练初始深度学习模型,得到训练后的深度学习模型。
根据本公开的另一方面,提供了一种信息推荐装置,包括:候选对象数据确定模块,用于从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据,其中,所述候选对象数据包括候选对象的候选对象特征和操作行为图像;图像特征提取模块,用于提取所述操作行为图像的图像特征,得到操作行为图像特征;营销偏好属性数据确定模块,用于根据所述候选对象特征和所述操作行为图像特征,确定所述候选对象的营销偏好属性数据;目标对象确定模块,用于根据所述营销偏好属性数据,将所述候选对象确定为目标对象;以及推荐模块,用于向所述目标对象推荐营销资源信息。
根据本公开的另一方面,提供了一种深度学习模型的训练装置,包括:训练样本获取模块,用于获取训练样本,其中,所述训练样本包括样本数据和样本标签,所述样本数据包括样本目标对象的样本目标对象特征和样本操作行为图像;样本图像特征提取模块,用于提取所述样本操作行为图像的样本图像特征,得到样本操作行为图像特征;以及训练模块,用于利用所述样本标签、所述样本目标对象特征和所述样本操作行为图像特征训练初始深度学习模型,得到训练后的深度学习模型。
根据本公开的另一方面,提供了一种电子设备,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如上所述的方法。
根据本公开的另一方面,提供了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如上所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
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示意性示出了根据本公开实施例的可以应用信息推荐方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的信息推荐方法的流程图;
图3示意性示出了根据本公开实施例的根据候选对象特征和操作行为图像特征,确定候选对象的营销偏好属性数据的流程图;
图4示意性示出了根据本公开另一实施例的信息推荐方法的流程图;
图5A示意性示出了根据本公开实施例的信息推荐方法的应用场景图;
图5B示意性示出了根据本公开另一实施例的信息推荐方法的应用场景图;
图6A示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图;
图6B示意性示出了根据本公开实施例的深度学习模型的训练方法的训练效果示意图;
图6C示意性示出了根据本公开另一实施例的深度学习模型的训练方法的训练效果示意图;
图7示意性示出了根据本公开实施例的信息推荐装置的框图;
图8示意性示出了根据本公开实施例的深度学习模型的训练装置的框图;以及
图9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。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在实现本公开的发明构思过程中,发明人发现相关技术中通常基于较为单一的维度来预测营销资源推送的目标对象,目标对象的预测精度较低,导致营销资源发送量较大,对于服务器等相关服务设备的负载消耗较高,容易造成营销成本上升,难以实现相关营销目标,且难以满足目标对象的消费需求。
本公开提供了信息推荐方法、训练方法、装置、电子设备、存储介质以及程序产品。
根据本公开的实施例,信息推荐方法包括:从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据,其中,候选对象数据包括候选对象的候选对象特征和操作行为图像;提取操作行为图像的图像特征,得到操作行为图像特征;根据候选对象特征和操作行为图像特征,确定候选对象的营销偏好属性数据;根据营销偏好属性数据,将候选对象确定为目标对象;以及向目标对象推荐营销资源信息。
根据本公开的实施例,通过提取操作行为图像的图像特征,并根据提取得到的操作行为图像特征,以及根据样本目标对象特征筛选得到的候选用户特征确定候选对象的营销偏好属性数据,可以实现从多维度综合分析候选对象的兴趣或偏好,因此根据营销偏好属性数据得到的目标对象,可以提升针对目标对象的预测精准度,减少识别到对营销资源信息不感兴趣的目标对象的概率,进而减少冗余的营销资源信息发送量,实现降低相关营销资源信息推送设备负载的技术效果。
图1示意性示出了根据本公开实施例的可以应用信息推荐方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用信息推荐方法及装置的示例性系统架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的信息推荐方法及装置。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的信息推荐方法一般可以由服务器105执行。相应地,本公开实施例所提供的信息推荐装置一般可以设置于服务器105中。本公开实施例所提供的信息推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的信息推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
或者,本公开实施例所提供的信息推荐方法一般也可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的信息推荐装置也可以设置于终端设备101、102、或103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的信息推荐方法的流程图。
如图2所示,该实施例的信息推荐方法包括操作S210~S250。
在操作S210,从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据,其中,候选对象数据包括候选对象的候选对象特征和操作行为图像。
在操作S220,提取操作行为图像的图像特征,得到操作行为图像特征。
在操作S230,根据候选对象特征和操作行为图像特征,确定候选对象的营销偏好属性数据。
在操作S240,根据营销偏好属性数据,将候选对象确定为目标对象。
在操作S250,向目标对象推荐营销资源信息。
根据本公开的实施例,样本目标对象特征可以表征对于营销资源信息对应的产品,具有较高消费概率的对象群体所具有的属性特征,通过样本目标对象特征筛选出候选对象特征和操作行为图像,可以初步地确定对营销资源信息存在偏好的候选对象,以缩小后续确定目标对象的筛选范围。
需要说明的是,本公开的实施例对样本目标对象特征的确定方式不做限定,样本目标对象特征可以是基于专家经验筛选得到的,但不仅限于此,或者还可以是对历史营销数据和历史消费数据进行统计分析后得到的,领域技术人员可以基于实际需求确定获取样本目标对象特征的具体方式。
根据本公开的实施例,操作行为图像可以是基于候选对象针对图片、文本、链接等任意类型的信息对象执行操作行为生成的图像信息。操作行为可以包括浏览操作、分享操作、收藏操作等任意类型的操作,本公开的实施例对操作行为的具体类型不做限定。操作行为图像可以表征候选对象与被操作的信息对象之间的操作关系,从而可以通过操作行为图像中,候选对象与被操作的信息对象之间的操作关系来直观地反映候选对象的兴趣或偏好。
根据本公开的实施例,操作行为图像特征可以是表征操作行为图像中候选对象与被操作的信息对象之间的操作关系的特征数据。可以基于相关技术中任意类型的算法来提取得到操作行为图像特征,例如可以基于卷积神经网络算法来提取得到操作行为图像特征,但不仅限于此,还可以基于循环神经网络算法等其他类型的算法来得到操作行为图像特征,本公开的实施例对提取得到操作行为图像特征的具体方法不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,营销偏好属性数据可以是表征候选对象对于营销资源信息的偏爱程度的数值或向量,在营销偏好属性数据为数值的情况下,可以通过营销偏好属性的数值大小来表征候选对象被营销资源信息说服进行消费的概率。
根据本公开的实施例,可以通过任意类型的算法来处理候选对象特征和操作行为图像特征,以得到候选对象的营销偏好属性数据。例如可以基于神经网络算法来得到营销偏好属性数据,但不仅限于此,还可以基于线性回归算法等其他类型的算法来得到营销偏好属性数据,本公开的实施例对得到营销偏好属性数据的具体算法类型不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,可以根据营销偏好属性数据与预设阈值的比较结果来确定目标对象,但不仅限于此,在候选对象包括多个的情况下,还可以基于多个候选对象各自对应的营销偏好属性数据来进行排序,并根据排序结果来确定目标对象。本公开的实施例对确定目标对象的具体方式不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,通过提取操作行为图像的图像特征,并根据提取得到的操作行为图像特征,以及根据样本目标对象特征筛选得到的候选用户特征确定候选对象的营销偏好属性数据,可以实现从多维度综合分析候选对象的兴趣或偏好,因此根据营销偏好属性数据得到的目标对象,可以提升针对目标对象的预测精准度,减少识别到对营销资源信息不感兴趣的目标对象的概率,进而减少冗余的营销资源信息发送量,实现降低相关营销资源信息推送设备负载的技术效果。
需要说明的是,本公开任意实施例中的对象数据,均是经相关用户授权后执行对象数据获取操作,或者还可以经过具有相关权限的机构或用户确认或授权后实施的,本公开的实施例提供的信息推荐方法,是在提前告知对象数据用途后执行的,且执行过程中进行相关加密措施,符合相关法律法规规定。
下面结合具体实施例,并参考图3~图5B,对图2所示的方法做进一步说明。
根据本公开的实施例,在操作S210,从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据之前,信息推荐方法还可以包括如下操作。
根据样本对象集中,样本对象各自的样本对象特征和样本资源消费结果,确定与样本对象特征对应的样本资源消费权重;以及根据样本资源消费权重,从样本对象各自的样本对象特征中确定样本目标对象特征。
根据本公开的实施例,样本资源消费结果可以是样本对象针对与样本营销资源对应的产品进行消费后确定的。样本资源消费权重可以是衡量该样本对象特征对应的样本对象群体对样本资源消费的强势程度。
例如,可以通过TGI(Target Group Index,目标群体指数)来作为样本资源消费权重,以性别特征作为样本对象特征。通过统计样本对象集中样本对象的性别特征以及样本对象的样本资源消费结果,可以确定样本对象集中具有男性特征的样本对象的目标群体指数为60,具有女性特征的样本对象的目标群体指数为140,从而可以将女性特征确定为样本目标对象特征。即具有女性特征的对象对于营销资源信息对应的产品的偏爱程度较高,更容易根据营销资源信息来进行消费。
根据本公开的实施例,在样本对象特征包括多个的情况下,还可以基于样本对象特征对应的样本对象数量、样本资源消费权重属性等等其他的筛选条件来确定样本目标对象特征。例如,在样本对象包括100个,样本资源消费权重大于资源消费权重阈值的数量为80个的情况下,可以基于相关技术中的样本目标对象特征筛选工具来确定样本目标对象特征,例如基于grouping set工具来设定样本目标对象特征的筛选条件,从而快速地筛选出多个样本目标对象特征。
根据本公开的实施例,初始对象数据包括多个初始对象特征。
操作S210中,从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据可以包括如下操作。
利用样本目标对象特征,与初始对象数据中的多个初始对象特征进行匹配,得到特征匹配结果;以及在特征匹配结果表征样本目标对象特征,与多个初始对象特征中的至少一个相匹配的情况下,将初始对象数据确定为候选对象数据。
根据本公开的实施例,在初始对象特征中的至少一个与样本目标对象特征相匹配的情况下,将该初始对象数据确定为候选对象数据,可以扩大候选对象的确定范围,避免遗漏目标对象,从而提升后续推荐营销资源信息的目标对象范围,提升营销资源信息的消费转化量。
根据本公开的实施例,操作S210中,从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据还可以包括如下操作。
在特征匹配结果表征多个样本目标对象特征,与初始对象的多个初始对象特征一一匹配的情况下,将初始对象数据确定为候选对象数据。
根据本公开的实施例,通过将多个样本目标对象特征和多个初始对象特征一一匹配来确定候选对象数据,可以提升筛选候选对象的精准度,进而提升后续确定目标对象的精准程度,减少相关营销资源信息的冗余发送,降低设备负载。
根据本公开的实施例,操作S220中,提取操作行为图像的图像特征,得到操作行为图像特征可以包括如下操作。
将操作行为图像输入至图像特征提取模型,输出操作行为图像特征。
其中,图像特征提取模型包括以下至少一项:卷积神经网络模型、图神经网络模型。
根据本公开的实施例,图神经网络模型可以包括任意类型的图编码神经网络,例如DeepWalk(随机游走)模型、Node2VEC模型、GCN(Graph Convolutional Networks,图卷积网络)模型等,本公开的实施例对图神经网络模型的具体模型结构不做限定,只要能够提取图像特征即可。
根据本公开的实施例,操作行为图像可以是以候选对象和信息对象作为节点,以候选对象针对信息对象的操作行为作为边关系的图像信息(或称对象操作行为稠密图),因此基于图神经网络模型提取操作行为图像的图像特征,可以使得到的操作行为图像特征更精准地表征节点之间的关系,从而准确地反映候选对象的操作行为,这样可以通过操作行为图像特征来更精确地表征候选对象的兴趣偏好,使操作行为图像特征和候选对象特征形成的多维度特征属性,提升后续确定营销偏好属性数据的准确性。
图3示意性示出了根据本公开实施例的根据候选对象特征和操作行为图像特征,确定候选对象的营销偏好属性数据的流程图。
如图3所示,操作S230中,根据候选对象特征和操作行为图像特征,确定候选对象的营销偏好属性数据包括操作S310~S330。
在操作S310,根据候选对象特征和操作行为图像特征,确定候选对象偏好特征。
在操作S320,根据候选对象偏好特征,对候选对象进行营销增益检测,得到营销增益值。
在操作S330,根据营销增益值,确定营销偏好属性数据。
根据本公开的实施例,可以基于候选对象特征和操作行为图像特征的拼接结果来确定候选对象偏好特征。但不仅限于此,还可以基于全连接层等神经网络层来处理候选对象特征和操作行为图像特征,以实现特征数据融合,得到候选对象偏好特征。本公开的实施例对确定候选对象偏好特征的具体方式不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,营销增益值可以包括用于表征候选对象响应于营销资源信息进行消费行为的概率值或指标数值。营销增益值可以是一个或多个。在营销增益值为多个的情况下,不同的营销增益值可以表征不同的营销响应属性。例如可以通过对象针对营销资源信息的正向响应(即进行消费行为),或者反向响应(即不进行消费行为)来表征不同属性的营销增益值。
在本公开的一个实施例中,还可以结合针对候选对象的营销资源推送情况来综合确定不同属性的营销增益值。例如,可以将具有被推送营销资源信息且进行消费行为的属性的营销增益值为Z1,将具有被推送营销资源信息且未进行消费行为的属性的营销增益值为Z2,将具有未被推送营销资源信息且进行消费行为的属性的营销增益值为Z3,将具有未被推送营销资源信息且未进行消费行为的属性的营销增益值为Z4,从而能够从多个属性角度来表征候选对象针对营销资源信息的响应结果,以提升后续营销偏好属性数据的确定准确性。
需要说明的是,上述实施例中仅为示例性地说明设置营销增益值的方法,并非限定营销增益值的设置方式,本领域技术人员可以根据实际需求设定任意数量,或者任意属性的营销增益值,本公开的实施例对此不做限定。
根据本公开的实施例,操作S320中,根据候选对象偏好特征,对候选对象进行营销增益检测,得到营销增益值可以包括如下操作。
将候选对象偏好特征输入至深度学习模型的营销增益检测层,输出营销增益值,其中,营销增益检测层包括以下至少一项:逻辑回归层、决策树层、神经网络层。
根据本公开的实施例,逻辑回归层可以是线性回归算法构建的到算法层,例如可以基于LR(Logistic Regression)模型构建得到的。
根据本公开的实施例,决策树层可以包括基于梯度提升决策树树(GradientBoosting Decision Tree,GBDT)、LightGBM(Light Gradient Boosting Machine)模型等任意类型的决策树模模型构建得到的算法层。本公开的实施例对决策树层的具体算法类型不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,神经网络层可以包括基于人工神经网络算法、循环神经网络算法等任意类型的神经网络算法构建得到的算法层,本公开的实施例对神经网络层的具体算法类型不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,深度学习模型中营销增益检测层的数量可以是一个或多个,例如在营销增益检测层为多个的情况下,每个营销增益检测层各自可以输出具有相应属性的营销增益值,以提升针对该属性的营销增益值的检测精度。或者,还可以由一个营销增益检测层输出一个或多个营销增益值,以简化深度学习模型的算法复杂度,降低计算设备的计算负载与计算开销。
根据本公开的实施例,逻辑回归层可以是基于相关技术中的逻辑回归算法
根据本公开的实施例,营销增益值包括表征候选对象具有营销偏好属性的第一营销增益值,以及表征候选对象具有非营销偏好属性的第二营销增益值。
操作S330中,根据营销增益值,确定营销偏好属性数据可以包括如下操作。
基于第一营销增益值和第二营销增益值之差,确定营销偏好属性数据。
根据本公开的实施例,营销偏好属性可以是表征候选对象对于营销资源信息的敏感程度较稿的属性,例如可以包括候选对象响应营销资源信息进行消费行为的属性,或者还可以包括候选对象没有被推送营销资源信息且没有进行消费行为的属性。非营销偏好属性可以表征候选对象对于营销资源信息的敏感程度较低的属性,例如可以包括候选对象在没有被推送营销资源信息而进行对应消费行为的属性,或者还可以包括候选对象在被推送了营销资源信息而没有进行对应的消费行为的属性。
相应地,第一营销增益值可以是表征候选对象具有营销偏好属性的概率值或指标数值,第二营销增益值可以是表征候选对象具有非营销偏好属性的概率值或指标数值。可以基于第一营销增益值与第二营销增益值的差,来确定候选对象针对营销资源信息的营销偏好属性,从而简化计算流程的同时对营销偏好属性进行量化表示,有助于后续准确地确定目标对象。
图4示意性示出了根据本公开另一实施例的信息推荐方法的流程图。
如图4所示,在根据营销增益值,确定营销偏好属性数据之前,该实施例的信息推荐方法还可以包括操作S410~S420。
在操作S410,根据候选对象特征,对候选对象进行资源消费属性检测,得到资源消费属性数据。
在操作S420,根据资源消费属性数据、营销资源成本数据和营销资源收益数据确定营销资源平衡参数。
根据本公开的实施例,操作S330中,根据营销增益值,确定营销偏好属性数据可以包括如下操作。
基于预设算法处理营销资源平衡参数和营销增益值,得到营销偏好属性数据。
根据本公开的实施例,资源消费属性数据可以是从候选对象是否会进行与营销资源信息对应的消费行为的维度,来表征候选对象的消费概率或消费指标。可以基于相关技术中的深度学习算法来处理候选对象特征,从而得到资源消费属性数据。例如可以基于人工神经网络模型来处理候选对象特征,输出候选对象会进行消费行为的第一概率值,以及不会进行消费行为的第二概率值,通过第一概率值Q1和第二概率值Q2来表征资源消费属性数据,以实现对候选对象进行资源消费属性检测。
需要说明的是,输出资源消费属性数据的深度学习模型可以是利用样本对象的样本对象特征和样本对象是否进行消费行为的正标签和负标签来训练得到的,可以基于相关技术中任意类型的训练方法,来训练得到用于预测资源消费属性数据的深度学习模型,例如梯度下降算法等,本公开的实施例对训练得到用于预测资源消费属性数据的深度学习模型的具体方法不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,营销资源成本数据可以表征推送营销资源信息的经济成本、时间成本等推送成本信息。营销资源收益数据可以表征候选对象在响应于营销资源信息进行消费行为所产生的收益。
通过根据资源消费属性数据、营销资源成本数据和营销资源收益数据确定营销资源平衡参数,可以使营销资源平衡参数从多维度表征向候选对象推荐营销资源信息所实现的收益情况,这样再根据营销资源平衡参数和营销增益值确定营销偏好属性数据,可以使营销偏好属性数据更精准地表征针对候选对象进行营销资源推送所产生的收益情况,从而可以使预测得到的目标对象具有营销资源偏好属性的同时,为营销资源信息带来更多的收益,提升产品正向收益的整体概率。
在本公开的一个实施例中,可以通过如下公式(1)来计算营销资源平衡参数。
K=Q1×I-Q2×C; (1)
公式(1)中,K表示营销资源平衡参数,Q1表示预测候选对象会进行消费行为的第一概率值Q1,Q2表示预测候选对象不会进行消费行为的第二概率值,C表示营销资源成本数据(或称产品试用数据),I表示营销资源收益数据。
同时,可以结合公式(1)和公式(2)来确定营销偏好属性数据。
U=P1×K-P2; (2)
公式(2)中,U表示营销偏好属性数据,P1表示第一营销增益值,P2表示第二营销增益值。
图5A示意性示出了根据本公开实施例的信息推荐方法的应用场景图。
如图5A所示,该应用场景500中,可以根据样本目标对象特征从初始对象数据集中确定候选对象数据,该候选对象数据可以包括候选对象的操作行为图像511和候选对象特征512。
操作行为图像511可以包含有表征候选对象的候选对象节点N511,以及表征与候选对象具有操作行为关系的信息对象节点N512、N513、N514、N515和N516。例如可以通过连接线来表征候选对象节点N511与信息对象节点N512、N513、N514、N515和N516之间的操作行为关系。
将操作行为图像511输入至基于图神经网络模型520中,该图神经网络模型520可以是基于Node2VEC模型构建得到的,以精确地提取操作行为图像511中候选对象与信息对象之间的操作行为关系特征。
图神经网络模型520输出的操作行为图像特征513与候选对象特征512可以输入至深度学习模型530的营销增益检测层531,该营销增益检测层531可以是基于决策树模型构建得到的。相应地,营销增益检测层531可以输出表征候选对象具有营销偏好属性的第一营销增益值,以及表征候选对象具有非营销偏好属性的第二营销增益值。第一营销增益值和第二营销增益值可以输入至营销偏好属性数据输出层532,营销偏好属性数据输出层532可以基于第一营销增益值和第二营销增益值的差值计算得到营销偏好属性数据523,简化计算流程的同时对营销偏好属性进行量化表示。在营销偏好属性数据523大于预设阈值的情况下,将候选对象确定为目标对象,以便于向目标对象推送营销资源信息。
图5B示意性示出了根据本公开另一实施例的信息推荐方法的应用场景图。
如图5B所示,在本公开的一个实施例中,可以在获取相关用户对象授权的情况下,获取用户对象集合中用户对象各自的候选对象特征和操作行为图像,并基于本公开实施例提供的信息推荐方法处理候选对象特征和操作行为图像,得到用户对象各自的营销偏好属性数据。将多个用户对象按照各自的营销偏好属性数据由高至低进行排序,得到营销偏好属性数据序列。按照营销偏好属性数据序列中,排序前10%、排序前20%、......、排序前90%和排序100%的营销偏好属性数据,分别构建营销偏好属性数据子序列,营销偏好属性数据子序列可以对应有子序列标识10%、20%、......90%和100%。同时计算每个营销偏好属性数据子序列各自的营销偏好属性数据均值。根据各个营销偏好属性数据子序列对应的营销偏好属性数据均值,构建如图5B所示的柱状图。
如图5B所示的柱状图中,X轴可以表示子序列标识,Y轴可以表示营销偏好属性数据子序列各自的营销偏好属性数据均值。参考柱状对象Z510可知,营销偏好属性数据序列中,排序前50%的营销偏好属性数据均值可以达到峰值。因此,可以基于多个用户对象各自的营销偏好属性数据的排序结果,向营销偏好属性数据排序前50%的用户对象推送营销资源信息,以提升营销资源信息的转化效果。
根据本公开的实施例,目标对象具有目标对象标识。
操作S250中,向目标对象推荐营销资源信息可以包括如下操作。
向与目标对象标识相对应的目标终端发送营销资源信息。
根据本公开的实施例,营销资源信息可以是任意类型的数据信息,例如可以是短信消息、服务应用通知消息、营销资源视频等数据信息,本公开的实施例对营销资源信息的具体类型不做限定。
根据本公开的实施例,在发送营销资源信息后,还可以根据目标对象针对营销资源信息产生的消费结果,即消费行为产生的消费金额、消费产品数量、消费产品等级等消费结果来生成新的样本数据,即生成新的样本目标对象特征,并根据新的样本目标对象特征更新已有的样本目标对象特征,实现样本目标对象的不断迭代更新,以提升后续确定新的目标对象的预测精度。
图6A示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图。
如图6A所示,该方法包括操作S610~S630。
在操作S610,获取训练样本,其中,训练样本包括样本数据和样本标签,样本数据包括样本目标对象的样本目标对象特征和样本操作行为图像。
在操作S620,提取样本操作行为图像的样本图像特征,得到样本操作行为图像特征。
在操作S630,利用样本标签、样本目标对象特征和样本操作行为图像特征训练初始深度学习模型,得到训练后的深度学习模型。
根据本公开的实施例,样本目标对象特征可以表征对于营销资源信息对应的产品,具有较高消费概率的对象群体所具有的属性特征。
需要说明的是,本公开的实施例对样本目标对象特征的确定方式不做限定,样本目标对象特征可以是基于专家经验筛选得到的,但不仅限于此,或者还可以是对历史营销数据和历史消费数据进行统计分析后得到的,领域技术人员可以基于实际需求确定获取样本目标对象特征的具体方式。
根据本公开的实施例,样本操作行为图像可以是基于样本目标对象针对图片、文本、链接等任意类型的样本信息对象执行样本操作行为生成的图像信息。样本操作行为可以包括浏览操作、分享操作、收藏操作等任意类型的操作,本公开的实施例对样本操作行为的具体类型不做限定。样本操作行为图像可以表征样本目标对象与被操作的信息对象之间的操作关系,从而可以通过样本操作行为图像中,样本目标对象与被操作的样本信息对象之间的样本操作关系来直观地反映样本目标对象的兴趣或偏好。
根据本公开的实施例,样本操作行为图像特征可以是表征样本操作行为图像中样本目标对象与被操作的样本信息对象之间的样本操作关系的特征数据。可以基于相关技术中任意类型的算法来提取得到样本操作行为图像特征,例如可以基于卷积神经网络算法来提取得到操作行为图像特征,但不仅限于此,还可以基于循环神经网络算法等其他类型的算法来得到操作行为图像特征,本公开的实施例对提取得到样本操作行为图像特征的具体方法不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,初始深度学习模型可以输出预测营销偏好属性数据,预测营销偏好属性数据可以是表征样本目标对象对于营销资源信息的偏爱程度的数值或向量,在预测营销偏好属性数据为数值的情况下,可以通过预测营销偏好属性的数值大小来表征候选对象被营销资源信息说服进行消费的概率。相应地,样本标签可以是与预测营销偏好属性数据具有相同或相应属性的样本营销偏好属性数据,基于相关技术中的训练方法,可以得到训练后的深度学习模型。
需要说明的是,根据本公开实施例提供的深度学习模型的训练方法得到的深度学习模型,可以应用于上述信息推荐方法中。例如可以基于本公开实施例提供的训练方法得到训练后的深度学习模型,来对候选对象进行营销增益检测,得到营销增益值。或者还可以基于训练后的深度学习模型处理候选对象特征和操作行为图像特征,得到营销偏好属性数据。
根据本公开的实施例,通过提取样本操作行为图像的图像特征,并根据提取得到的样本操作行为图像特征和样本目标对象特征来训练得到深度学习模型,可以实现从多个样本数据维度对深度学习模型进行训练,是训练后的深度学习模型在学习到候选对象的兴趣或偏好的情况下,更精确地输出表征对象营销偏好程度的数据,从而实现提升深度学习模型针对目标对象预测的精准度,提升深度学习模型的鲁棒性,减少识别到对营销资源信息不感兴趣的目标对象的概率,进而减少冗余的营销资源信息发送量,实现降低相关营销资源信息推送设备负载的技术效果。
需要说明的是,在本公开任意的实施例中,对样本数据进行处理之前均取得相关用户或对象的授权,或者通过其他合法合规的方式获取到样本数据的授权后进行相关样本数据处理过程,或者通过从公开样本数据库中获取到的样本数据,提取图像特征的过程,或者训练深度学习模型的过程符合相关法规或相关标准要求,且不会对样本目标对象造成负面影响。同时生成的数据的用途符合相关法律法规的要求,且不违背公序良俗。
根据本公开的实施例,深度学习模型的训练方法还可以包括如下操作。
根据样本对象集中,样本对象各自的样本对象特征和样本资源消费结果,确定与样本对象特征对应的样本资源消费权重;以及根据样本资源消费权重,从样本对象各自的样本对象特征中确定样本目标对象特征。
根据本公开的实施例,样本资源消费结果可以是样本对象针对与样本营销资源对应的产品进行消费后确定的。样本资源消费权重可以是衡量该样本对象特征对应的样本对象群体对样本资源消费的强势程度。
例如,可以通过TGI(Target Group Index,目标群体指数)来作为样本资源消费权重,以性别特征作为样本对象特征。通过统计样本对象集中样本对象的性别特征以及样本对象的样本资源消费结果,可以确定样本对象集中具有男性特征的样本对象的目标群体指数为60,具有女性特征的样本对象的目标群体指数为140,从而可以将女性特征确定为样本目标对象特征。即具有女性特征的对象对于营销资源信息对应的产品的偏爱程度较高,更容易根据营销资源信息来进行消费。
根据本公开的实施例,在样本对象特征包括多个的情况下,还可以基于样本对象特征对应的样本对象数量、样本资源消费权重属性等等其他的筛选条件来确定样本目标对象特征。例如,在样本对象包括100个,样本资源消费权重大于资源消费权重阈值的数量为80个的情况下,可以基于相关技术中的样本目标对象特征筛选工具来确定样本目标对象特征,例如基于grouping set工具来设定样本目标对象特征的筛选条件,从而快速地筛选出多个样本目标对象特征。
根据本公开的实施例,深度学习模型的训练方法还包括如下操作。
根据针对样本目标对象的样本营销资源信息发送结果,以及样本目标对象的样本资源消费结果,确定与样本目标对象对应的样本标签。
根据本公开的实施例,样本资源消费结果可以包括样本目标对象进行了消费行为,或者样本目标对象没有进行消费行为。相应地,样本营销资源信息发送结果可以包括向样本目标对象发送了样本营销资源信息,或者没有发送样本营销资源信息。可以综合样本资源消费结果和样本营销资源信息发送结果的具体情况来对样本目标对象进行标注后,得到样本标签。
在本公开的一个实施例中,可以将被发送了样本营销资源信息,且进行消费行为的样本目标对象标注为正标签1,将被发送了样本营销资源信息,而没有进行消费行为的样本目标对象标注为正标签0,将没有被发送样本营销资源信息,且没有进行消费行为的样本目标对象标注为正标签1,将没有被发送样本营销资源信息,而进行消费行为的样本目标对象标注为正标签0。通过该实施例提供的标注方式来确定样本标签,可以使样本标签表征样本目标对象对于样本营销资源信息的敏感属性,或被样本营销资源信息说服的属性,从而使训练得到的深度学习模型可以准确地预测对象被营销资源信息说服进行消费的概率,提升针对目标对象预测的精准程度。
根据本公开的实施例,样本标签包括表征样本目标对象具有营销偏好属性的正标签,以及表征样本目标对象具有非营销偏好属性的负标签。
操作S630中,利用样本标签、样本目标对象特征和样本操作行为图像特征训练初始深度学习模型可以包括如下操作。
将样本目标对象特征和样本操作行为图像特征,输入至初始深度学习模型的初始营销增益检测层,输出与正标签对应的预测第一营销增益值,以及与负标签对应的预测第二营销增益值;将预测第一营销增益值、预测第二营销增益值、正标签和负标签输入至损失函数,输出损失值;根据损失值调整初始营销增益检测层的参数,直至损失函数收敛;将损失函数收敛的情况下对应的初始营销增益检测层确定为训练后的营销增益检测层;以及将与训练后的营销增益检测层对应的初始深度学习模型确定为训练后的深度学习模型。
根据本公开的实施例,营销偏好属性可以是表征样本目标对象对于样本营销资源信息的敏感程度较稿的属性,非营销偏好属性可以表征与样本目标对象对于样本营销资源信息的敏感程度较低的属性。
根据本公开的实施例,具有营销偏好属性的样本目标对象可以包括被发送了样本营销资源信息,且进行消费行为的样本目标对象,以及没有被发送样本营销资源信息,且没有进行消费行为的样本目标对象。相应地,具有非营销偏好属性的样本目标对象可以包括被发送了样本营销资源信息,而没有进行消费行为的样本目标对象,没有被发送样本营销资源信息,而进行消费行为的样本目标对象。
根据本公开的实施例,预测第一营销增益值可以是表征样本目标对象具有营销偏好属性的概率值或指标数值,预测第二营销增益值可以是表征样本目标对象具有非营销偏好属性的概率值或指标数值。相应地,正标签可以是与预测第一营销增益值相对应的样本标签,负标签可以是与预测第二营销增益值相对应的样本标签。
应该理解的是,可以通过对正标签标注为1,对负标签标注为0,从而将预测第一营销增益值、预测第二营销增益值、正标签和负标签输入至损失函数,实现对初始营销增益检测层的训练。
根据本公开的实施例,营销增益检测层包括以下至少一项:
逻辑回归层、决策树层、神经网络层。
根据本公开的实施例,深度学习模型中营销增益检测层的数量可以是一个或多个,例如在营销增益检测层为多个的情况下,每个营销增益检测层各自可以输出具有相应属性的营销增益值,以提升针对该属性的营销增益值的检测精度。或者,还可以由一个营销增益检测层输出一个或多个营销增益值,以简化深度学习模型的算法复杂度,降低计算设备的计算负载与计算开销。
根据本公开的实施例,深度学习模型还包括营销偏好属性数据检测层。
营销偏好属性数据检测层适用于根据营销增益检测层输出的第一营销增益值和第二营销增益值,确定营销偏好属性数据。
根据本公开的实施例,可以基于第一营销增益值与第二营销增益值的差,来确定候选对象针对营销资源信息的营销偏好属性,从而简化计算流程的同时对营销偏好属性进行量化表示,有助于后续准确地确定目标对象。
根据本公开的实施例,还可以基于资源消费属性数据、营销资源成本数据和营销资源收益数据等其他营销相关属性数据来确定营销资源平衡参数,进而根据营销资源平衡参数、第一营销增益值和第二营销增益值来确定营销偏好属性数据。
图6B示意性示出了根据本公开实施例的深度学习模型的训练方法的训练效果示意图。
如图6B所示,其中X轴表示训练得到深度学习模型的训练迭代频次,Y轴表示深度学习模型的预测准确度。例如,可以利用测试测试样本与样本标签之间的差异来确定深度学习模型的预测准确度。
通过图6B所示的曲线610可知,训练后的深度学习模型的预测准确度可以稳定在0.8以上,且训练后的深度学习模型的最高预测准确度可以达到0.87。相较于相关技术中的信息推荐算法,本公开实时提供的深度学习模型的训练方法训练得到深度学习模型,可以提升针营销偏好属性数据的预测精度,能够实现精准预测目标对象,进而减少冗余的营销资源信息发送量,实现降低相关营销资源信息推送设备负载的技术效果。
图6C示意性示出了根据本公开另一实施例的深度学习模型的训练方法的训练效果示意图。
如图6C所示,其中X轴表示训练得到深度学习模型的训练迭代频次,Y轴表示损失函数的损失值。通过图6C中的曲线620可知,训练深度学习模型的过程中可以实现损失函数的快速收敛,提升了深度学习模型的训练效率。
图7示意性示出了根据本公开实施例的信息推荐装置的框图。
如图7所示,信息推荐装置700包括:候选对象数据确定模块710、图像特征提取模块720、营销偏好属性数据确定模块730、目标对象确定模块740和推荐模块750。
候选对象数据确定模块710,用于从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据,其中,候选对象数据包括候选对象的候选对象特征和操作行为图像。
图像特征提取模块720,用于提取操作行为图像的图像特征,得到操作行为图像特征。
营销偏好属性数据确定模块730,用于根据候选对象特征和操作行为图像特征,确定候选对象的营销偏好属性数据。
目标对象确定模块740,用于根据营销偏好属性数据,将候选对象确定为目标对象。
推荐模块750,用于向目标对象推荐营销资源信息。
根据本公开的实施例,营销偏好属性数据确定模块包括:候选对象偏好特征确定子模块、营销增益检测子模块和营销偏好属性数据确定子模块。
候选对象偏好特征确定子模块,用于根据候选对象特征和操作行为图像特征,确定候选对象偏好特征。
营销增益检测子模块,用于根据候选对象偏好特征,对候选对象进行营销增益检测,得到营销增益值。
营销偏好属性数据确定子模块,用于根据营销增益值,确定营销偏好属性数据。
根据本公开的实施例,营销增益值包括表征候选对象具有营销偏好属性的第一营销增益值,以及表征候选对象具有非营销偏好属性的第二营销增益值。
其中,营销偏好属性数据确定子模块包括:第一营销偏好属性数据确定单元。
第一营销偏好属性数据确定单元,用于基于第一营销增益值和第二营销增益值之差,确定营销偏好属性数据。
根据本公开的实施例,信息推荐装置还包括:资源消费属性检测模块和营销资源平衡参数确定模块。
资源消费属性检测模块,用于根据候选对象特征,对候选对象进行资源消费属性检测,得到资源消费属性数据。
营销资源平衡参数确定模块,用于根据资源消费属性数据、营销资源成本数据和营销资源收益数据确定营销资源平衡参数。
其中,营销偏好属性数据确定子模块包括:第二营销偏好属性数据确定单元。
第二营销偏好属性数据确定单元,用于基于预设算法处理营销资源平衡参数和营销增益值,得到营销偏好属性数据。
根据本公开的实施例,营销增益检测子模块包括营销增益检测单元。
营销增益检测单元,用于将候选对象偏好特征输入至深度学习模型的营销增益检测层,输出营销增益值,其中,营销增益检测层包括以下至少一项:逻辑回归层、决策树层、神经网络层。
根据本公开的实施例,信息推荐装置还包括:样本资源消费权重确定模块和样本目标对象特征确定模块。
样本资源消费权重确定模块,用于根据样本对象集中,样本对象各自的样本对象特征和样本资源消费结果,确定与样本对象特征对应的样本资源消费权重。
样本目标对象特征确定模块,用于根据样本资源消费权重,从样本对象各自的样本对象特征中确定样本目标对象特征。
根据本公开的实施例,图像特征提取模块包括图像特征提取子模块。
图像特征提取子模块,用于将操作行为图像输入至图像特征提取模型,输出操作行为图像特征。
其中,图像特征提取模型包括以下至少一项:卷积神经网络模型、图神经网络模型。
根据本公开的实施例,目标对象具有目标对象标识。
其中,推荐模块包括营销资源信息发送子模块。
营销资源信息发送子模块,用于向与目标对象标识相对应的目标终端发送营销资源信息。
根据本公开的实施例,初始对象数据包括多个初始对象特征。
其中,候选对象数据确定模块包括:对象特征匹配子模块和候选对象数据确定子模块。
对象特征匹配子模块,用于利用样本目标对象特征,与初始对象数据中的多个初始对象特征进行匹配,得到特征匹配结果。
候选对象数据确定子模块,用于在特征匹配结果表征样本目标对象特征,与多个初始对象特征中的至少一个相匹配的情况下,将初始对象数据确定为候选对象数据。
图8示意性示出了根据本公开实施例的深度学习模型的训练装置的框图。
如图8所示,深度学习模型的训练装置800包括:训练样本获取模块810、样本图像特征提取模块820和训练模块830。
训练样本获取模块810,用于获取训练样本,其中,训练样本包括样本数据和样本标签,样本数据包括样本目标对象的样本目标对象特征和样本操作行为图像。
样本图像特征提取模块820,用于提取样本操作行为图像的样本图像特征,得到样本操作行为图像特征。
训练模块830,用于利用样本标签、样本目标对象特征和样本操作行为图像特征训练初始深度学习模型,得到训练后的深度学习模型。
根据本公开的实施例,样本标签包括表征样本目标对象具有营销偏好属性的正标签,以及表征样本目标对象具有非营销偏好属性的负标签。
其中,训练模块包括:预测营销增益值确定子模块、损失值确定子模块、训练子模块、营销增益检测层确定子模块和深度学习模型确定子模块。
预测营销增益值确定子模块,用于将样本目标对象特征和样本操作行为图像特征,输入至初始深度学习模型的初始营销增益检测层,输出与正标签对应的预测第一营销增益值,以及与负标签对应的预测第二营销增益值。
损失值确定子模块,用于将预测第一营销增益值、预测第二营销增益值、正标签和负标签输入至损失函数,输出损失值。
训练子模块,用于根据损失值调整初始营销增益检测层的参数,直至损失函数收敛。
营销增益检测层确定子模块,用于将损失函数收敛的情况下对应的初始营销增益检测层确定为训练后的营销增益检测层。
深度学习模型确定子模块,用于将与训练后的营销增益检测层对应的初始深度学习模型确定为训练后的深度学习模型。
根据本公开的实施例,营销增益检测层包括以下至少一项:逻辑回归层、决策树层、神经网络层。
根据本公开的实施例,深度学习模型的训练装置还包括样本标签确定模块。
样本标签确定模块,用于根据针对样本目标对象的样本营销资源信息发送结果,以及样本目标对象的样本资源消费结果,确定与样本目标对象对应的样本标签。
根据本公开的实施例,深度学习模型的训练装置还包括:样本资源消费权重确定模块和样本目标对象特征确定模块。
样本资源消费权重确定模块,用于根据样本对象集中,样本对象各自的样本对象特征和样本资源消费结果,确定与样本对象特征对应的样本资源消费权重。
样本目标对象特征确定模块,用于根据样本资源消费权重,从样本对象各自的样本对象特征中确定样本目标对象特征。
根据本公开的实施例,深度学习模型还包括营销偏好属性数据检测层。
营销偏好属性数据检测层适用于根据营销增益检测层输出的第一营销增益值和第二营销增益值,确定营销偏好属性数据。
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。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上所述的方法。
根据本公开的实施例,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,计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上所述的方法。
图9示出了可以用来实施本公开的实施例的示例电子设备900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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如信息推荐方法或者深度学习模型的训练方法。例如,在一些实施例中,信息推荐方法或者深度学习模型的训练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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的信息推荐方法或者深度学习模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行信息推荐方法或者深度学习模型的训练方法。
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)和互联网。
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,也可以是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。
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 (33)
1.一种信息推荐方法,包括:
从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据,其中,所述候选对象数据包括候选对象的候选对象特征和操作行为图像;
提取所述操作行为图像的图像特征,得到操作行为图像特征;
根据所述候选对象特征和所述操作行为图像特征,确定所述候选对象的营销偏好属性数据;
根据所述营销偏好属性数据,将所述候选对象确定为目标对象;以及
向所述目标对象推荐营销资源信息。
2.根据权利要求1所述的方法,其中,所述根据所述候选对象特征和所述操作行为图像特征,确定所述候选对象的营销偏好属性数据包括:
根据所述候选对象特征和所述操作行为图像特征,确定候选对象偏好特征;
根据所述候选对象偏好特征,对所述候选对象进行营销增益检测,得到所述营销增益值;以及
根据所述营销增益值,确定所述营销偏好属性数据。
3.根据权利要求2所述的方法,其中,所述营销增益值包括表征所述候选对象具有营销偏好属性的第一营销增益值,以及表征所述候选对象具有非营销偏好属性的第二营销增益值;
其中,所述根据所述营销增益值,确定所述营销偏好属性数据包括:
基于所述第一营销增益值和所述第二营销增益值之差,确定所述营销偏好属性数据。
4.根据权利要求2所述的方法,其中,在所述根据所述营销增益值,确定营销偏好属性数据之前,所述信息推荐方法还包括:
根据所述候选对象特征,对所述候选对象进行资源消费属性检测,得到资源消费属性数据;以及
根据所述资源消费属性数据、营销资源成本数据和营销资源收益数据确定营销资源平衡参数;
其中,所述根据所述营销增益值,确定所述营销偏好属性数据包括:
基于预设算法处理所述营销资源平衡参数和所述营销增益值,得到所述营销偏好属性数据。
5.根据权利要求2所述的方法,其中,所述根据所述候选对象偏好特征,对所述候选对象进行营销增益检测,得到所述营销增益值包括:
将所述候选对象偏好特征输入至深度学习模型的营销增益检测层,输出所述营销增益值,其中,所述营销增益检测层包括以下至少一项:
逻辑回归层、决策树层、神经网络层。
6.根据权利要求1所述的方法,其中,在所述从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据之前,所述信息推荐方法还包括:
根据样本对象集中,样本对象各自的样本对象特征和样本资源消费结果,确定与所述样本对象特征对应的样本资源消费权重;以及
根据所述样本资源消费权重,从所述样本对象各自的样本对象特征中确定样本目标对象特征。
7.根据权利要求1所述的方法,其中,所述提取所述操作行为图像的图像特征,得到操作行为图像特征包括:
将所述操作行为图像输入至图像特征提取模型,输出所述操作行为图像特征;
其中,所述图像特征提取模型包括以下至少一项:
卷积神经网络模型、图神经网络模型。
8.根据权利要求1所述的方法,其中,所述目标对象具有目标对象标识;
其中,所述向所述目标对象推荐营销资源信息包括:
向与所述目标对象标识相对应的目标终端发送所述营销资源信息。
9.根据权利要求1所述的方法,其中,所述初始对象数据包括多个初始对象特征;
其中,所述从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据包括:
利用所述样本目标对象特征,与所述初始对象数据中的多个所述初始对象特征进行匹配,得到特征匹配结果;以及
在所述特征匹配结果表征所述样本目标对象特征,与多个所述初始对象特征中的至少一个相匹配的情况下,将所述初始对象数据确定为所述候选对象数据。
10.一种深度学习模型的训练方法,包括:
获取训练样本,其中,所述训练样本包括样本数据和样本标签,所述样本数据包括样本目标对象的样本目标对象特征和样本操作行为图像;
提取所述样本操作行为图像的样本图像特征,得到样本操作行为图像特征;以及
利用所述样本标签、所述样本目标对象特征和所述样本操作行为图像特征训练初始深度学习模型,得到训练后的深度学习模型。
11.根据权利要求10所述的训练方法,其中,所述样本标签包括表征所述样本目标对象具有营销偏好属性的正标签,以及表征所述样本目标对象具有非营销偏好属性的负标签;
其中,所述利用所述样本标签、所述样本目标对象特征和所述样本操作行为图像特征训练初始深度学习模型包括:
将所述样本目标对象特征和所述样本操作行为图像特征,输入至所述初始深度学习模型的初始营销增益检测层,输出与所述正标签对应的预测第一营销增益值,以及与所述负标签对应的预测第二营销增益值;
将所述预测第一营销增益值、所述预测第二营销增益值、所述正标签和所述负标签输入至损失函数,输出损失值;
根据所述损失值调整所述初始营销增益检测层的参数,直至所述损失函数收敛;
将所述损失函数收敛的情况下对应的初始营销增益检测层确定为训练后的营销增益检测层;以及
将与训练后的所述营销增益检测层对应的初始深度学习模型确定为训练后的所述深度学习模型。
12.根据权利要求10所述的训练方法,其中,所述营销增益检测层包括以下至少一项:
逻辑回归层、决策树层、神经网络层。
13.根据权利要求10所述的训练方法,还包括:
根据针对所述样本目标对象的样本营销资源信息发送结果,以及所述样本目标对象的样本资源消费结果,确定与所述样本目标对象对应的样本标签。
14.根据权利要求10所述的训练方法,还包括:
根据样本对象集中,样本对象各自的样本对象特征和样本资源消费结果,确定与所述样本对象特征对应的样本资源消费权重;以及
根据所述样本资源消费权重,从所述样本对象各自的样本对象特征中确定样本目标对象特征。
15.根据权利要求11所述的训练方法,其中,所述深度学习模型还包括营销偏好属性数据检测层;
所述营销偏好属性数据检测层适用于根据营销增益检测层输出的所述第一营销增益值和第二营销增益值,确定营销偏好属性数据。
16.一种信息推荐装置,包括:
候选对象数据确定模块,用于从初始对象数据集中确定与样本目标对象特征相匹配的候选对象数据,其中,所述候选对象数据包括候选对象的候选对象特征和操作行为图像;
图像特征提取模块,用于提取所述操作行为图像的图像特征,得到操作行为图像特征;
营销偏好属性数据确定模块,用于根据所述候选对象特征和所述操作行为图像特征,确定所述候选对象的营销偏好属性数据;
目标对象确定模块,用于根据所述营销偏好属性数据,将所述候选对象确定为目标对象;以及
推荐模块,用于向所述目标对象推荐营销资源信息。
17.根据权利要求16所述的装置,其中,所述营销偏好属性数据确定模块包括:
候选对象偏好特征确定子模块,用于根据所述候选对象特征和所述操作行为图像特征,确定候选对象偏好特征;
营销增益检测子模块,用于根据所述候选对象偏好特征,对所述候选对象进行营销增益检测,得到所述营销增益值;以及
营销偏好属性数据确定子模块,用于根据所述营销增益值,确定所述营销偏好属性数据。
18.根据权利要求17所述的装置,其中,所述营销增益值包括表征所述候选对象具有营销偏好属性的第一营销增益值,以及表征所述候选对象具有非营销偏好属性的第二营销增益值;
其中,所述营销偏好属性数据确定子模块包括:
第一营销偏好属性数据确定单元,用于基于所述第一营销增益值和所述第二营销增益值之差,确定所述营销偏好属性数据。
19.根据权利要求17所述的装置,其中,所述信息推荐装置还包括:
资源消费属性检测模块,用于根据所述候选对象特征,对所述候选对象进行资源消费属性检测,得到资源消费属性数据;以及
营销资源平衡参数确定模块,用于根据所述资源消费属性数据、营销资源成本数据和营销资源收益数据确定营销资源平衡参数;
其中,所述营销偏好属性数据确定子模块包括:
第二营销偏好属性数据确定单元,用于基于预设算法处理所述营销资源平衡参数和所述营销增益值,得到所述营销偏好属性数据。
20.根据权利要求17所述的装置,其中,所述营销增益检测子模块包括:
营销增益检测单元,用于将所述候选对象偏好特征输入至深度学习模型的营销增益检测层,输出所述营销增益值,其中,所述营销增益检测层包括以下至少一项:
逻辑回归层、决策树层、神经网络层。
21.根据权利要求16所述的装置,其中,所述信息推荐装置还包括:
样本资源消费权重确定模块,用于根据样本对象集中,样本对象各自的样本对象特征和样本资源消费结果,确定与所述样本对象特征对应的样本资源消费权重;以及
样本目标对象特征确定模块,用于根据所述样本资源消费权重,从所述样本对象各自的样本对象特征中确定样本目标对象特征。
22.根据权利要求16所述的装置,其中,所述图像特征提取模块包括:
图像特征提取子模块,用于将所述操作行为图像输入至图像特征提取模型,输出所述操作行为图像特征;
其中,所述图像特征提取模型包括以下至少一项:
卷积神经网络模型、图神经网络模型。
23.根据权利要求16所述的装置,其中,所述目标对象具有目标对象标识;
其中,所述推荐模块包括:
营销资源信息发送子模块,用于向与所述目标对象标识相对应的目标终端发送所述营销资源信息。
24.根据权利要求16所述的装置,其中,所述初始对象数据包括多个初始对象特征;
其中,所述候选对象数据确定模块包括:
对象特征匹配子模块,用于利用所述样本目标对象特征,与所述初始对象数据中的多个所述初始对象特征进行匹配,得到特征匹配结果;以及
候选对象数据确定子模块,用于在所述特征匹配结果表征所述样本目标对象特征,与多个所述初始对象特征中的至少一个相匹配的情况下,将所述初始对象数据确定为所述候选对象数据。
25.一种深度学习模型的训练装置,包括:
训练样本获取模块,用于获取训练样本,其中,所述训练样本包括样本数据和样本标签,所述样本数据包括样本目标对象的样本目标对象特征和样本操作行为图像;
样本图像特征提取模块,用于提取所述样本操作行为图像的样本图像特征,得到样本操作行为图像特征;以及
训练模块,用于利用所述样本标签、所述样本目标对象特征和所述样本操作行为图像特征训练初始深度学习模型,得到训练后的深度学习模型。
26.根据权利要求25所述的训练装置,其中,所述样本标签包括表征所述样本目标对象具有营销偏好属性的正标签,以及表征所述样本目标对象具有非营销偏好属性的负标签;
其中,所述训练模块包括:
预测营销增益值确定子模块,用于将所述样本目标对象特征和所述样本操作行为图像特征,输入至所述初始深度学习模型的初始营销增益检测层,输出与所述正标签对应的预测第一营销增益值,以及与所述负标签对应的预测第二营销增益值;
损失值确定子模块,用于将所述预测第一营销增益值、所述预测第二营销增益值、所述正标签和所述负标签输入至损失函数,输出损失值;
训练子模块,用于根据所述损失值调整所述初始营销增益检测层的参数,直至所述损失函数收敛;
营销增益检测层确定子模块,用于将所述损失函数收敛的情况下对应的初始营销增益检测层确定为训练后的营销增益检测层;以及
深度学习模型确定子模块,用于将与训练后的所述营销增益检测层对应的初始深度学习模型确定为训练后的所述深度学习模型。
27.根据权利要求25所述的训练装置,其中,所述营销增益检测层包括以下至少一项:
逻辑回归层、决策树层、神经网络层。
28.根据权利要求25所述的训练装置,还包括:
样本标签确定模块,用于根据针对所述样本目标对象的样本营销资源信息发送结果,以及所述样本目标对象的样本资源消费结果,确定与所述样本目标对象对应的样本标签。
29.根据权利要求25所述的训练装置,还包括:
样本资源消费权重确定模块,用于根据样本对象集中,样本对象各自的样本对象特征和样本资源消费结果,确定与所述样本对象特征对应的样本资源消费权重;以及
样本目标对象特征确定模块,用于根据所述样本资源消费权重,从所述样本对象各自的样本对象特征中确定样本目标对象特征。
30.根据权利要求26所述的训练装置,其中,所述深度学习模型还包括营销偏好属性数据检测层;
所述营销偏好属性数据检测层适用于根据营销增益检测层输出的所述第一营销增益值和第二营销增益值,确定营销偏好属性数据。
31.一种电子设备,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至15中任一项所述的方法。
32.一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至15中任一项所述的方法。
33.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至15中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310198341.3A CN116342183A (zh) | 2023-03-01 | 2023-03-01 | 信息推荐方法、训练方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310198341.3A CN116342183A (zh) | 2023-03-01 | 2023-03-01 | 信息推荐方法、训练方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116342183A true CN116342183A (zh) | 2023-06-27 |
Family
ID=86886893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310198341.3A Pending CN116342183A (zh) | 2023-03-01 | 2023-03-01 | 信息推荐方法、训练方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342183A (zh) |
-
2023
- 2023-03-01 CN CN202310198341.3A patent/CN116342183A/zh active Pending
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 | |
CN112559800B (zh) | 用于处理视频的方法、装置、电子设备、介质和产品 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN113628005A (zh) | 基于电商会话大数据的推送更新方法及大数据ai系统 | |
CN115632874A (zh) | 一种实体对象的威胁检测方法、装置、设备及存储介质 | |
CN113205189B (zh) | 训练预测模型的方法、预测方法及装置 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN116578925B (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
CN114169418B (zh) | 标签推荐模型训练方法及装置、标签获取方法及装置 | |
CN116597443A (zh) | 素材标签处理方法、装置、电子设备及介质 | |
CN114692778B (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
CN115619245A (zh) | 一种基于数据降维方法的画像构建和分类方法及系统 | |
CN116342183A (zh) | 信息推荐方法、训练方法、装置、电子设备以及存储介质 | |
CN113869904A (zh) | 可疑数据识别方法、装置、电子设备、介质和计算机程序 | |
CN112148976A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN116151392B (zh) | 训练样本生成方法、训练方法、推荐方法以及装置 | |
CN117574146B (zh) | 文本分类标注方法、装置、电子设备和存储介质 | |
CN117668351A (zh) | 推荐方法、模型的训练方法、装置、电子设备及存储介质 | |
CN117851546A (zh) | 资源检索方法、训练方法、装置、电子设备、存储介质及程序产品 | |
CN118035551A (zh) | 资源推送方法、装置、电子设备、存储介质及程序产品 | |
CN117851582A (zh) | 资源检索方法、训练方法、装置、电子设备、存储介质及程序产品 | |
CN117454204A (zh) | Api请求功能的确定方法、装置、设备及存储介质 | |
CN117851653A (zh) | 对象匹配方法、装置、电子设备、存储介质及程序产品 | |
CN118035557A (zh) | 资源推送方法、装置、电子设备、存储介质及程序产品 |
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 |