CN116383502A - 基于电子商务的信息推送方法及系统 - Google Patents
基于电子商务的信息推送方法及系统 Download PDFInfo
- Publication number
- CN116383502A CN116383502A CN202310367977.6A CN202310367977A CN116383502A CN 116383502 A CN116383502 A CN 116383502A CN 202310367977 A CN202310367977 A CN 202310367977A CN 116383502 A CN116383502 A CN 116383502A
- Authority
- CN
- China
- Prior art keywords
- commodity
- behavior
- log
- feature extraction
- extraction model
- 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 63
- 230000006399 behavior Effects 0.000 claims abstract description 478
- 238000000605 extraction Methods 0.000 claims abstract description 278
- 230000006978 adaptation Effects 0.000 claims abstract description 86
- 230000000694 effects Effects 0.000 claims abstract description 10
- 229910015234 MoCo Inorganic materials 0.000 claims description 100
- 238000012512 characterization method Methods 0.000 claims description 89
- 238000013441 quality evaluation Methods 0.000 claims description 52
- 238000005457 optimization Methods 0.000 claims description 37
- 239000000969 carrier Substances 0.000 claims description 36
- 108091023037 Aptamer Proteins 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 13
- 230000001502 supplementing effect Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000010365 information processing Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F16/953—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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2358—Change logging, detection, and notification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供的基于电子商务的信息推送方法及系统,基于电商行为统计日志中的关键行为事件与备选商品描述信息进行适配,使得关键行为事件蕴含的深层商品需求信息和商品描述信息的商品信息是适配的,如此从深层信息维度保证电商行为统计日志与商品描述信息的适配结果,此外,抽取表征载体的目标日志特征抽取模型和目标商品特征抽取模型是依据另一方在反复调校时获得的结果进行交错调校获得的,通过结合对照结果进行无监督学习,使得获取的模型拥有优秀的载体表征效果,帮助电商行为统计日志与商品描述信息之间的适配性能得到加强,且适配的准确度高。
Description
技术领域
本申请涉及电商、人工智能领域,具体而言,涉及一种基于电子商务的信息推送方法及系统。
背景技术
在电子商务贸易活动中,电商平台为了提高平台商品的转化率,需要向平台用户进行精准地信息推送。这个过程中,需要将符合平台用户需求的商品信息进行准确识别,常规方式中,电商平台通过收集平台用户的历史订单、购物车内商品品类等进行归纳总结,以推送一样或类似的商品给用户。然而,用户的需求往往并非固定不变,通过已经完成的订单进行商品推送的方式,其实时性和准确性并不能满足电子商务快速变化的环境。平台用户在电商平台的活动中,产生的数据量和维度是非常丰富的,如果能够将其进行有效分析,将会产生巨大的运营价值,如何对这些数据进行分析利用,是电子商务活动中的技术难题。
发明内容
基于此,本发明的目的在于提供一种基于电子商务的信息推送方法及系统,以改善上述问题。
具体地,本申请实施例的实现方式包括:
第一方面,本申请实施例提供了一种基于电子商务的信息推送方法,应用于信息推送云平台,所述方法包括:
获取目标电商用户在目标采集周期中产生的电商行为统计日志,所述电商行为统计日志包含多个用户行为事件;
获取所述电商行为统计日志包括的关键行为事件;
通过目标日志特征抽取模型抽取所述电商行为统计日志包括的用户行为数据的行为表征载体,并通过目标商品特征抽取模型抽取预设的多个备选商品描述信息的商品信息表征载体,其中,所述目标日志特征抽取模型和所述目标商品特征抽取模型各自通过另一方在反复调校时获得的结果进行交错调校获得;
通过所述用户行为数据的行为表征载体和所述多个备选商品描述信息的商品信息表征载体,确定所述关键行为事件和每个所述备选商品描述信息之间的第一适配结果;
通过所述第一适配结果,确定所述电商行为统计日志和所述备选商品描述信息之间的第二适配结果;
通过所述第二适配结果,在所述多个备选商品描述信息中确定目标商品描述信息;
将所述目标商品描述信息推送至所述目标电商用户。
可选地,所述确定所述关键行为事件和每个所述备选商品描述信息之间的第一适配结果,包括:
将所述用户行为数据的行为表征载体和多个所述备选商品描述信息的商品信息表征载体分别执行适配度运算,获得多个第一适配子结果;
通过所述多个第一适配子结果,确定所述关键行为事件和所述多个备选商品描述信息之间的第一适配结果。
可选地,所述通过所述多个第一适配子结果,确定所述关键行为事件和所述多个备选商品描述信息之间的第一适配结果,包括:
获取所述用户行为数据在所述电商行为统计日志中的第一事件发生节点和所述关键行为事件在所述电商行为统计日志中的第二事件发生节点;
通过所述第一事件发生节点和所述第二事件发生节点,确定所述关键行为事件包括的多个目标用户行为数据;
对所述多个目标行为事件对应的第一适配子结果进行均值求解,将求解结果确定为所述关键行为事件和所述备选商品描述信息之间的第一适配结果;
所述将所述用户行为数据的行为表征载体和多个所述备选商品描述信息的商品信息表征载体分别执行适配度运算,包括:
获取通过多个所述备选商品描述信息的商品信息表征载体建立的表征载体序列;
获取每一所述用户行为数据的行为表征载体和所述表征载体序列之间的内积运算结果,获得多个第一适配子结果。
可选地,所述目标日志特征抽取模型和所述目标商品特征抽取模型基于如下步骤进行调校获得:
通过第一商品描述信息模板的商品信息表征载体、第一电商行为统计日志模板的行为表征载体和预设的批注商品描述信息,对原始日志特征抽取模型和MoCo日志特征抽取模型进行第一次优化,获得更新日志特征抽取模型和更新MoCo日志特征抽取模型;
通过第二电商行为统计日志模板的行为表征载体、第二商品描述信息模板的商品信息表征载体和预设的批注商品描述信息,对原始商品特征抽取模型和MoCo商品特征抽取模型进行第一次优化,获得更新商品特征抽取模型和更新MoCo商品特征抽取模型;
通过所述更新MoCo商品特征抽取模型和所述更新日志特征抽取模型对所述更新日志特征抽取模型进行多代优化,直到优化获得的第一质量评估系数小于第一临界系数时,结束优化以获得目标日志特征抽取模型;
通过所述更新MoCo日志特征抽取模型和所述更新商品特征抽取模型,对所述更新商品特征抽取模型进行多代优化,直到优化获得的第二质量评估系数小于第二临界系数时,结束优化以获得目标商品特征抽取模型。
可选地,所述通过第一商品描述信息模板的商品信息表征载体、第一电商行为统计日志模板的行为表征载体和预设的批注商品描述信息,对原始日志特征抽取模型和MoCo日志特征抽取模型进行第一次优化,包括:
通过第一商品描述信息模板的商品信息表征载体、第一电商行为统计日志模板的行为表征载体和预设的批注商品描述信息,获取当前代原始日志特征抽取模型优化的第一质量评估系数,其中,所述第一商品描述信息模板的商品信息表征载体由MoCo商品特征抽取模型输出,所述第一电商行为统计日志模板的行为表征载体由原始日志特征抽取模型输出;
依据所述第一质量评估系数对所述原始日志特征抽取模型和MoCo日志特征抽取模型的模型配置变量分别进行调整,获得更新日志特征抽取模型和更新MoCo日志特征抽取模型。
可选地,所述通过第二电商行为统计日志模板的行为表征载体和第二商品描述信息模板的商品信息表征载体,以及预设的批注商品描述信息,对原始商品特征抽取模型和MoCo商品特征抽取模型进行第一次优化,包括:
通过第二电商行为统计日志模板的行为表征载体、第二商品描述信息模板的商品信息表征载体和预设的批注商品描述信息,获取当前代原始商品特征抽取模型优化的第二质量评估系数,其中,所述行为表征载体由所述更新MoCo日志特征抽取模型输出,所述第二商品描述信息模板的商品信息表征载体由原始商品特征抽取模型输出;
依据所述第二质量评估系数对所述原始商品特征抽取模型和MoCo商品特征抽取模型的模型配置变量分别进行调整,获得更新商品特征抽取模型和更新MoCo商品特征抽取模型;
所述依据所述第一质量评估系数对所述原始日志特征抽取模型和MoCo日志特征抽取模型的模型配置变量分别进行调整,获得更新日志特征抽取模型和更新MoCo日志特征抽取模型,包括:
通过所述第一质量评估系数调整所述原始日志特征抽取模型的模型配置变量,获得更新日志特征抽取模型;
获取所述更新日志特征抽取模型更新前的第一模型配置变量和更新后的第二模型配置变量;
通过所述第一模型配置变量和所述第二模型配置变量的影子值,调整MoCo日志特征抽取模型的模型配置变量,获得更新MoCo日志特征抽取模型。
可选地,所述依据所述第二质量评估系数对所述原始商品特征抽取模型和MoCo商品特征抽取模型的模型配置变量分别进行调整,获得更新商品特征抽取模型和更新MoCo商品特征抽取模型,包括:
通过所述第二质量评估系数调整所述原始商品特征抽取模型的模型配置变量,获得更新商品特征抽取模型;
获取所述更新商品特征抽取模型更新前的第三模型配置变量和更新后的第四模型配置变量;
通过所述第三模型配置变量和所述第四模型配置变量的影子值,调整MoCo商品特征抽取模型的模型配置变量,获得更新MoCo商品特征抽取模型;
所述通过第二电商行为统计日志模板的行为表征载体和第二商品描述信息模板的商品信息表征载体,以及预设的批注商品描述信息,获取当前代原始商品特征抽取模型优化的第二质量评估系数,包括:
获取所述第二电商行为统计日志模板的关键行为事件,并通过所述关键行为事件包括的用户行为数据,确定所述第二电商行为统计日志模板的关键行为表征载体;
将多个所述第二电商行为统计日志模板的关键行为表征载体转存到事件日志存储空间中;
将第二商品描述信息模板输入拟进行优化的原始商品特征抽取模型,获得所述第二商品描述信息模板的商品信息表征载体;
通过所述第二电商行为统计日志模板的关键行为表征载体和所述第二商品描述信息模板的商品信息表征载体,确定所述第二商品描述信息模板和多个所述第二电商行为统计日志模板之间的第二模板适配结果;
通过所述第二模板适配结果,在多个所述第二电商行为统计日志模板中确定目标电商行为统计日志模板,并通过所述目标电商行为统计日志模板和预设的批注商品描述信息获取当前代优化的第二质量评估系数。
可选地,所述将多个所述第二电商行为统计日志模板的关键行为表征载体转存到事件日志存储空间中,包括:
将每一所述第二电商行为统计日志模板对应的关键行为表征载体的数据覆盖范围配置成标准范围,将未达到所述标准范围的数据范围通过补位值进行补位,同时将所述补位值作为失效表征载体;
依据关键行为事件注释序列对所述关键行为表征载体序列中所述关键行为表征载体的效力属性进行注释。
可选地,所述通过所述第一适配结果,确定所述电商行为统计日志和所述备选商品描述信息之间的第二适配结果,包括:
依据所述关键行为事件在所述电商行为统计日志中的参考比重,确定每个所述关键行为事件匹配的偏心变量;
将每一所述关键行为事件匹配的偏心变量和所述关键行为事件对应的第一适配结果执行偏心计算,获得所述电商行为统计日志和所述备选商品描述信息之间的第二适配结果;
所述通过所述第一适配结果,确定所述电商行为统计日志和所述备选商品描述信息之间的第二适配结果,包括:
在所述电商行为统计日志的每个所述关键行为事件对应的第一适配结果中的最大值确定为所述电商行为统计日志和所述备选商品描述信息之间的第二适配结果;
所述方法还包括:
获取拟推送商品描述信息的商品信息表征载体;
确定所述拟推送商品描述信息的商品信息表征载体和预设的多个备选电商行为统计日志的日志表征载体之间的第三适配结果,其中,所述备选电商行为统计日志的日志表征载体通过所述备选电商行为统计日志的关键行为事件的事件表征载体和所述关键行为事件在所述备选电商行为统计日志中的参考比重确定;
通过所述第三适配结果在所述多个备选电商行为统计日志中确定目标电商行为统计日志;
将所述拟推送商品描述信息推送至所述目标电商行为统计日志对应的目标电商用户。
第二方面,本申请实施例还提供了一种信息推送系统,包括客户端和信息推送云平台,所述信息推送云平台包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当信息推送云平台运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行第一方面所述的方法的步骤。
本申请的有益效果至少包括:
本申请实施例通过获取目标电商用户在目标采集周期中产生的电商行为统计日志,该电商行为统计日志包含多个用户行为事件,然后获取电商行为统计日志包括的关键行为事件,通过目标日志特征抽取模型抽取所述电商行为统计日志包括的用户行为数据的行为表征载体,通过目标商品特征抽取模型抽取预设的多个备选商品描述信息的商品信息表征载体,其中,该目标日志特征抽取模型和该目标商品特征抽取模型各自通过另一方在反复调校时获得的结果进行交错调校获得。接着通过该用户行为数据的行为表征载体和该多个备选商品描述信息的商品信息表征载体,确定该关键行为事件和每个该备选商品描述信息之间的第一适配结果,通过该第一适配结果,确定该电商行为统计日志和该备选商品描述信息之间的第二适配结果,通过该第二适配结果,在该多个备选商品描述信息中确定目标商品描述信息,最后将该目标商品描述信息推送至目标电商用户。
本申请实施例基于电商行为统计日志中的关键行为事件与备选商品描述信息进行适配,使得关键行为事件蕴含的深层商品需求信息和商品描述信息的商品信息是适配的,如此从深层信息维度保证电商行为统计日志与商品描述信息的适配结果,此外,抽取表征载体的目标日志特征抽取模型和目标商品特征抽取模型是依据另一方在反复调校时获得的结果进行交错调校获得的,通过结合对照结果进行无监督学习,使得获取的模型拥有优秀的载体表征效果,帮助电商行为统计日志与商品描述信息之间的适配性能得到加强,且适配的准确度高。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,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前提下,还可以根据这些附图获得其他相关的附图。
图1是本申请实施例提供的一种基于电子商务的信息推送方法的流程图。
图2是本申请实施例提供的信息推送装置的功能模块架构示意图。
图3是本申请实施例提供的一种信息推送云平台的组成示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
首先对本申请实施例提供的一种基于电子商务的信息推送方法进行详细介绍,该基于电子商务的信息推送方法应用于信息推送云平台,该信息推送云平台可以为单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云。在一些可能的实现方式中,该基于电子商务的信息推送方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。信息推送云平台与客户端通信连接以构成信息推送系统,信息推送云平台可以接收客户端产生的用户电商行为数据,客户端可以是包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。
本申请实施例提供了一种基于电子商务的信息推送方法,该方法应用于信息推送云平台,如图1所示,该方法包括:
STEP10:获取目标电商用户在目标采集周期中产生的电商行为统计日志,该电商行为统计日志包含多个用户行为事件。
本申请实施例中,电商行为统计日志是电商运营平台根据预设的行为监视器截取的用户在电商程序使用时产生的用户行为事件的统计结果。一个用户行为事件可以包含多个用户行为数据,换言之,多个用户行为数据组成一个用户行为事件。用户行为数据的具体内容本申请实施例并不做限定,其可以根据电商运营商当前的重点分析维度进行事先埋点截取到的数据,举例而言,用户行为数据可以是用户在电商平台进行的诸如商品点击、浏览页面、浏览时长、商品收藏、添加购物车、购买等行为数据。可以理解的是,这些数据可以通过事先为不同的行为配置对应的数值进行记录得到。回到前述用户行为事件的组成的举例,一个用户行为事件例如可以是用户浏览一个商品的事件,其过程中包含的所有用户行为数据,例如点击数据、浏览页面数据、浏览时长数据、页面中产生的互动数据(如咨询、收藏、添加购物车)、优惠券信息关联数据等等。不同的用户行为事件,可以包含不同的用户行为数据,其涉及的粒度、丰度、维度可能不同,具体不做限定。目标采集周期的具体时间长度根据实际需要进行设定,例如1天。
STEP20:获取电商行为统计日志包括的关键行为事件。
关键行为事件即具有高价值的需要重点关注的行为事件,例如商品购买事件、商品收藏事件等,作为一种实施方式,云平台获取到的电商行为统计日志中识别出具有关键行为事件对应的编码时,则确定具有关键行为事件,可以对该关键行为事件进行获取。
STEP30:通过目标日志特征抽取模型抽取所述电商行为统计日志包括的用户行为数据的行为表征载体,并通过目标商品特征抽取模型抽取预设的多个备选商品描述信息的商品信息表征载体,其中,该目标日志特征抽取模型和该目标商品特征抽取模型各自通过另一方在反复调校时获得的结果进行交错调校获得。
本申请实施例提供的方法,备选商品描述信息为事先保存在本地的商品描述信息,商品描述信息是对拟进行推送的商品的描述,例如通过文本描述或通过标签描述,商品信息描述的维度可以包含商品类别、功效、特点、价格区间等,具体不做限定。需要说明的是,要保障关键行为事件和备选商品描述信息的适配结果的准确性更高,备选商品描述信息的数量需要满足一定要求,具体数量不做限定。目标日志特征抽取模型可以是任意可行的机器学习模型,例如CNN、DNN、RNN、LSTM、Bert等,通过对目标模型进行调试得到的目标日志特征抽取模型。目标日志特征抽取模型分别抽取每个用户行为数据的行为表征载体,获得电商行为统计日志的用户行为数据的行为表征载体,用户行为事件的事件表征载体是对应的用户行为事件的特征信息,其通过矢量进行表征,例如向量、矩阵、张量等,在不同的数据基础上,表征载体的表现可能不同,具体不做限定。目标商品特征抽取模型也可以是任意可行的机器学习模型,例如CNN、DNN、RNN、LSTM、Bert等,通过对目标模型进行调试得到的商品特征抽取模型。
在对目标日志特征抽取模型和目标商品特征抽取模型进行优化的过程中,该两个模型的优化是交错完成的,具体而言,通过对比日志-商品差异获得更新MoCo日志特征抽取模型,而更新MoCo日志特征抽取模型用以得到对比商品-日志差异中的行为表征载体,然后,通过对比商品-日志差异获得更新MoCo商品特征抽取模型,而更新MoCo商品特征抽取模型用于下次优化时得到第一商品描述信息模板的商品信息表征载体,以上的过程按序交错执行。因此,目标日志特征抽取模型和目标商品特征抽取模型各自通过另一方在反复调校时获得的结果进行交错调校获得。MoCo日志特征抽取模型是动量对比学习中的中间模型,更新MoCo日志特征抽取模型为优化后的模型,采用MoCo的目的是提高当下关键信息与早期关键信息间的一致性。
STEP40:通过该用户行为数据的行为表征载体和该多个备选商品描述信息的商品信息表征载体,确定该关键行为事件和每个该备选商品描述信息之间的第一适配结果。
例如,分别确定每个用户行为数据的行为表征载体和各个备选商品描述信息的商品信息表征载体之间的适配结果,以及确定每一用户行为数据归属的关键行为事件,通过关键行为事件涵盖的用户行为数据与每一备选商品描述信息的商品信息表征载体之间的适配结果,获得关键行为事件和每一备选商品描述信息之间的第一适配结果。
STEP50:通过该第一适配结果,确定该电商行为统计日志和该备选商品描述信息之间的第二适配结果。
由前述内容可以知道,电商行为统计日志是通过多个关键行为事件组成的,每一关键行为事件与备选商品描述信息的第一适配结果对电商行为统计日志与备选商品描述信息的第二适配结果有直接影响。由于每一关键行为事件在电商行为统计日志中的参考比重的差异,可以通过关键行为事件的参考比重和第一适配结果共同确定电商行为统计日志与备选商品描述信息之间的第二适配结果,如此获得电商行为统计日志与各个备选商品描述信息之间的第二适配结果。
STEP60:通过该第二适配结果,在该多个备选商品描述信息中确定目标商品描述信息。
该目标商品描述信息即适宜和电商行为统计日志匹配的商品描述信息,第二适配结果表示电商行为统计日志的日志表征载体和备选商品描述信息的商品信息表征载体之间的适配程度,其值越高,电商行为统计日志和备选商品描述信息越适配。在实际应用中,可以在各备选商品描述信息对应的第二适配结果中确定出第二适配结果排在前面的多个备选商品描述信息作为与电商行为统计日志适配的目标商品描述信息。
STEP70:将目标商品描述信息推送至目标电商用户。
例如,将该目标商品描述信息推送至目标电商用户登陆的客户终端。
基于此,本申请实施例通过获取电商行为统计日志包括的关键行为事件,确定该关键行为事件和每个该备选商品描述信息之间的第一适配结果,依据该关键行为事件在该电商行为统计日志中的参考比重对该第一适配结果进行优化,获得该电商行为统计日志和该备选商品描述信息之间的第二适配结果,通过该第二适配结果,在该多个备选商品描述信息中确定目标商品描述信息。通过电商行为统计日志中的关键行为事件与备选商品描述信息进行适配,以使关键行为事件对应的深层商品需求信息和商品描述信息的商品信息是适配的,如此从深层信息维度保证电商行为统计日志与商品描述信息的适配结果,此外,抽取表征载体的目标日志特征抽取模型和目标商品特征抽取模型是通过另一方在反复调校时获得的结果进行交错调校获得,通过结合对照结果进行无监督学习,使得获取的模型拥有优秀的载体表征效果,帮助电商行为统计日志与商品描述信息之间的适配性能得到加强,且适配的准确度高。
下面介绍本申请另一实施例提供的基于电子商务的信息推送方法,其具体可以包括如下步骤:
STEP100:获取目标电商用户在目标采集周期中产生的电商行为统计日志,该电商行为统计日志包含多个用户行为事件
STEP200:获取电商行为统计日志包括的关键行为事件。
STEP300:通过目标日志特征抽取模型抽取该电商行为统计日志包括的用户行为数据的行为表征载体,并通过目标商品特征抽取模型抽取预设的多个备选商品描述信息的商品信息表征载体,其中,该目标日志特征抽取模型和该目标商品特征抽取模型各自通过另一方在反复调校时获得的结果进行交错调校获得。
STEP400:将该用户行为数据的行为表征载体和事先得到的多个备选商品描述信息的商品信息表征载体分别执行适配度运算,获得多个第一适配子结果。
作为一种实施方案,用户行为数据的行为表征载体和备选商品描述信息的商品信息表征载体均为向量,可以获取向量间的距离(如L1距离、明式距离、欧式距离等)来作为二者的适配程度,距离越近,适配结果越高,将用户行为数据的行为表征载体分别和每一备选商品描述信息的商品信息表征载体之间的适配程度确定为第一适配子结果。
作为一种实施方案,将该用户行为数据的行为表征载体和事先获得的多个备选商品描述信息的商品信息表征载体分别执行适配度运算,其具体执行过程可以包括:获取通过多个该备选商品描述信息的商品信息表征载体建立的表征载体序列;获取每一该用户行为数据的行为表征载体和该表征载体序列之间的内积运算结果,获得多个第一适配子结果。
其中,多个备选商品描述信息的商品信息表征载体组成一个表征载体序列。依据内积运算结果适配程度去表征电商行为统计日志和备选商品描述信息之间的适配结果,例如,分别获取用户行为数据的行为表征载体和表征载体序列之间的内积运算结果,获得电商行为统计日志的用户行为数据和各个备选商品描述信息对应的第一适配子结果。举例而言,确定用户行为数据A、B、C、D的表征载体与备选商品描述信息1的第一适配子结果分别为0.1、0.2、0.3、0.4,与备选商品描述信息2的第一适配子结果分别为0.5、0.6、0.7、0.8。
STEP500:通过该多个第一适配子结果,确定该关键行为事件和该多个备选商品描述信息之间的第一适配结果。
通过前面记载内容可以知道,关键行为事件通过多个用户行为数据组成,每个用户行为数据分别与一个备选商品描述信息对应第一适配子结果,关键行为事件的多个用户行为数据与一个备选商品描述信息对应多个第一适配子结果,将每个用户行为数据的第一适配子结果进行相加或平均以获得关键行为事件与备选商品描述信息之间的第一适配结果。比如,通过第一适配子结果,关键行为事件AB与备选商品描述信息1的第一适配结果为0.15,关键行为事件AB与备选商品描述信息2的第一适配结果为0.55,那么电商行为统计日志的关键行为事件与备选商品描述信息1的第一适配结果为0.15、0.3、0.4,电商行为统计日志的关键行为事件与备选商品描述信息2的第一适配结果为0.55、0.7、0.8。
作为一种实施方案,通过该多个第一适配子结果确定该关键行为事件和该多个备选商品描述信息之间的第一适配结果的过程具体可以包括:获取该用户行为数据在该电商行为统计日志中的第一事件发生节点和该关键行为事件在该电商行为统计日志中的第二事件发生节点;通过该第一事件发生节点和该第二事件发生节点,确定该关键行为事件包括的多个目标用户行为数据;对该多个目标行为事件对应的第一适配子结果进行均值求解,将求解结果确定为该关键行为事件和该备选商品描述信息之间的第一适配结果。
目标日志特征抽取模型在输出电商行为统计日志的行为表征载体时,还会输出用户行为数据的在电商行为统计日志中的第一事件发生节点,即对应的时间和位置分布。获取关键行为事件时,还得到关键行为事件的第二事件发生节点。通过该两个事件发生节点,能够确定归属于相同关键行为事件的多个用户行为数据,将关键行为事件和用户行为数据对应上。得到关键行为事件包括的目标用户行为数据后,将目标用户行为数据对应的第一适配子结果融合,获得关键行为事件和备选商品描述信息之间的第一适配结果。例如,通过获取第一适配子结果的平均值或者和值来进行融合。
本申请该实施例还可以包括STEP600:通过该关键行为事件在该电商行为统计日志中的参考比重,确定该关键行为事件匹配的偏心变量。
例如,将关键行为事件在电商行为统计日志中的参考比重通过标准化算法进行标准化得到置信分布结果,获得各个关键行为事件在电商行为统计日志中的偏心变量,偏心变量例如是对应的权值数据。
STEP700:将每一该关键行为事件匹配的偏心变量和该关键行为事件对应的第一适配结果执行偏心计算,获得该电商行为统计日志和该备选商品描述信息之间的第二适配结果。
偏心计算是将关键行为事件匹配的偏心变量和第一适配结果进行相乘,然后相加的过程,以进行合理地调节。
STEP800:在该电商行为统计日志的每个该关键行为事件对应的第一适配结果中的最大值确定为该电商行为统计日志和该备选商品描述信息之间的第二适配结果。
第一适配结果中的最大值对应的关键行为事件为与备选商品描述信息适配度最高的关键行为事件,准确率最高。当然,也不局限于此,可以将电商行为统计日志中各个关键行为事件对应的第一适配结果的均值确定为第二适配结果。
STEP900:通过该第二适配结果在该多个备选商品描述信息中确定目标商品描述信息。
第二适配结果表示电商行为统计日志的日志表征载体和备选商品描述信息的商品信息表征载体之间的适配程度。
STEP1000:将目标商品描述信息推送至目标电商用户。
例如,将该目标商品描述信息推送至目标电商用户登陆的客户终端。
上述步骤STEP100~STEP1000涉及的实施例提供的基于电子商务的信息推送方法中,将该用户行为数据的行为表征载体和多个备选商品描述信息的商品信息表征载体分别执行适配度运算,获得多个第一适配子结果,通过该多个第一适配子结果确定该关键行为事件和该多个备选商品描述信息之间的第一适配结果,将电商行为统计日志的日志表征载体下沉到用户行为数据的层级,有利于增加适配的准确性,同时,依据关键行为事件匹配的偏心变量和第一适配结果的偏心计算,将不同关键行为事件的参考比重进行衡量,为关键行为事件的事件表征载体分配合理的偏心变量,使电商行为统计日志和该备选商品描述信息之间第二适配结果更合理,通过最大适配结果确定为电商行为统计日志和该备选商品描述信息之间的第二适配结果,获得的第二适配结果准确性更高,且获取容易,速度快。
下面介绍本申请实施例中涉及到的目标日志特征抽取模型和目标商品特征抽取模型的优化方法,包括如下步骤:
STEP101:通过第一商品描述信息模板的商品信息表征载体、第一电商行为统计日志模板的行为表征载体和预设的批注商品描述信息,对原始日志特征抽取模型和MoCo日志特征抽取模型进行第一次优化,获得更新日志特征抽取模型和更新MoCo日志特征抽取模型。
STEP102:通过第二电商行为统计日志模板的行为表征载体、第二商品描述信息模板的商品信息表征载体和预设的批注商品描述信息,对原始商品特征抽取模型和MoCo商品特征抽取模型进行第一次优化,获得更新商品特征抽取模型和更新MoCo商品特征抽取模型。
STEP103:通过该更新MoCo商品特征抽取模型和该更新日志特征抽取模型,对该更新日志特征抽取模型进行多代优化,直到优化获得的第一质量评估系数小于第一临界系数时,结束优化以获得目标日志特征抽取模型。
STEP104:通过该更新MoCo日志特征抽取模型和该更新商品特征抽取模型,对该更新商品特征抽取模型进行多代优化,直到优化获得的第二质量评估系数小于第二临界系数时,结束优化以获得目标商品特征抽取模型。
其中,第一电商行为统计日志模板和第一商品描述信息模板分别是两个模型优化过程中采用的样本数据,其可以是基于电商平台的历史数据获取得到,此处需要说明,本申请实施例中涉及到的优化用的模板、应用过程中涉及的用户电商行为统计日志等都是在法律法规范围内获取的数据,同时也是在用户知情和默许的前提下采集应用的。
模型的优化过程中,每一次的优化,第一电商行为统计日志模板是一个需要适配的电商行为统计日志模板,第一商品描述信息模板是数量较多的需要和第一电商行为统计日志模板进行适配的商品描述信息模板。将多个第一商品描述信息模板输入MoCo商品特征抽取模型,以及将第一电商行为统计日志模板输入原始日志特征抽取模型,输出和第一电商行为统计日志模板适配的目标商品描述信息样本,将其和批注商品描述信息进行差异分析,获得第一质量评估系数,换言之,质量评估系数是评估模型误差的参量,其可以为损失、代价、误差等形式。通过第一质量评估系数去更新原始日志特征抽取模型和MoCo日志特征抽取模型,获得更新日志特征抽取模型和更新MoCo日志特征抽取模型。接着,通过更新好的更新MoCo日志特征抽取模型执行原始商品特征抽取模型的优化,获得第二质量评估系数,通过第二质量评估系数对原始商品特征抽取模型和MoCo商品特征抽取模型进行优化,通过更新好的更新MoCo日志特征抽取模型执行更新日志特征抽取模型的优化。在最后第一质量评估系数和第二质量评估系数小于相应的第一临界系数和第二临界系数的时候结束优化,此时获得目标日志特征抽取模型和目标商品特征抽取模型。
本申请实施例通过使用原始商品特征抽取模型、MoCo商品特征抽取模型、原始日志特征抽取模型、MoCo日志特征抽取模型进行反复优化验证,获得目标日志特征抽取模型和目标商品特征抽取模型,目标日志特征抽取模型和目标商品特征抽取模型各自通过另一方在反复调校时获得的结果进行交错调校获得,通过结合对照结果进行无监督学习,使得获取的模型拥有优秀的载体表征效果,帮助电商行为统计日志与商品描述信息之间的适配性能得到加强,且适配的准确度高,时效性好。
其中,STEP101,通过第一商品描述信息模板的商品信息表征载体、第一电商行为统计日志模板的行为表征载体和预设的批注商品描述信息,对原始日志特征抽取模型和MoCo日志特征抽取模型进行第一次优化,获得更新日志特征抽取模型和更新MoCo日志特征抽取模型,具体可以包括:通过第一商品描述信息模板的商品信息表征载体、第一电商行为统计日志模板的行为表征载体和预设的批注商品描述信息,获取当前代原始日志特征抽取模型优化的第一质量评估系数,其中,该第一商品描述信息模板的商品信息表征载体由MoCo商品特征抽取模型输出,该第一电商行为统计日志模板的行为表征载体由原始日志特征抽取模型输出;依据该第一质量评估系数对该原始日志特征抽取模型和MoCo日志特征抽取模型的模型配置变量分别进行调整,获得更新日志特征抽取模型和更新MoCo日志特征抽取模型。
本申请实施例中,将第一电商行为统计日志模板输入原始日志特征抽取模型,输出第一电商行为统计日志模板的行为表征载体,其中,原始日志特征抽取模型为拟进行优化的机器学习模型。以及将多个第一商品描述信息模板输入MoCo商品特征抽取模型,输出第一商品描述信息模板的商品信息表征载体,可以将第一商品描述信息模板的商品信息表征载体进行保存,以在后续进行调取使用。
基于与前述内容相似的思路,获取第一电商行为统计日志模板的关键行为事件,通过第一电商行为统计日志模板的行为表征载体和第一商品描述信息模板的商品信息表征载体,确定用户行为数据与商品描述信息模板的适配结果,再通过用户行为数据在第一电商行为统计日志模板中的事件节点,确定关键行为事件和第一商品描述信息模板之间的适配结果,获得第一电商行为统计日志模板和该多个第一商品描述信息模板之间的第一模板适配结果,最后通过第一模板适配结果确定目标商品描述信息样本,将其与事先批注的与第一电商行为统计日志模板最适配的批注商品描述信息进行差异分析,例如将目标商品描述信息样本的表征载体与批注商品描述信息的表征载体进行差异校对,通过校对结果获取当前代优化的第一质量评估系数。判断第一质量评估系数是否小于第一临界系数,如果没有小于,通过第一质量评估系数调整原始日志特征抽取模型的模型配置变量,获得更新日志特征抽取模型;依据第一质量评估系数,调整MoCo日志特征抽取模型的模型配置变量,获得更新MoCo日志特征抽取模型。
STEP102,通过第二电商行为统计日志模板的行为表征载体、第二商品描述信息模板的商品信息表征载体和预设的批注商品描述信息,对原始商品特征抽取模型和MoCo商品特征抽取模型进行第一次优化,获得更新商品特征抽取模型和更新MoCo商品特征抽取模型,具体可以包括:通过第二电商行为统计日志模板的行为表征载体、第二商品描述信息模板的商品信息表征载体和预设的批注商品描述信息,获取当前代原始商品特征抽取模型优化的第二质量评估系数;该行为表征载体由该更新MoCo日志特征抽取模型输出,该第二商品描述信息模板的商品信息表征载体由原始商品特征抽取模型输出;依据该第二质量评估系数对该原始商品特征抽取模型和MoCo商品特征抽取模型的模型配置变量分别进行调整,获得更新商品特征抽取模型和更新MoCo商品特征抽取模型。
其中,通过第二电商行为统计日志模板的行为表征载体、第二商品描述信息模板的商品信息表征载体和预设的批注商品描述信息,获取当前代原始商品特征抽取模型优化的第二质量评估系数。行为表征载体由更新MoCo日志特征抽取模型输出,第二商品描述信息模板的商品信息表征载体由原始商品特征抽取模型输出。判断第二质量评估系数是否小于第二临界系数,如果没有小于,通过第二质量评估系数调整原始商品特征抽取模型的模型配置变量,获得更新商品特征抽取模型;通过第二质量评估系数获得的影子值,调整MoCo商品特征抽取模型的模型配置变量,获得更新MoCo商品特征抽取模型。影子值记录了每个模型配置变量在一段周期内的历史值的平均,可以提升模型的泛化性。影子值具体可以通过计算移动平均值得到。
其中,通过第二电商行为统计日志模板的行为表征载体、第二商品描述信息模板的商品信息表征载体和预设的批注商品描述信息,获取当前代原始商品特征抽取模型优化的第二质量评估系数,具体可以包括:获取该第二电商行为统计日志模板的关键行为事件,并通过该关键行为事件包括的用户行为数据确定该第二电商行为统计日志模板的关键行为表征载体;将多个该第二电商行为统计日志模板的关键行为表征载体转存到事件日志存储空间中;将第二商品描述信息模板输入拟进行优化的原始商品特征抽取模型,获得该第二商品描述信息模板的商品信息表征载体;通过该第二电商行为统计日志模板的关键行为表征载体和该第二商品描述信息模板的商品信息表征载体,确定该第二商品描述信息模板和多个该第二电商行为统计日志模板之间的第二模板适配结果;通过该第二模板适配结果,在多个该第二电商行为统计日志模板中确定目标电商行为统计日志模板,并通过该目标电商行为统计日志模板和预设的批注商品描述信息获取当前代优化的第二质量评估系数。基于此,获取了当前代原始商品特征抽取模型优化的第二质量评估系数。和前述记载内容相同的思路,获取第二电商行为统计日志模板的关键行为事件,通过关键行为事件所包括的用户行为数据,获得关键行为事件的事件表征载体。将关键行为事件的事件表征载体与第二商品描述信息模板的商品信息表征载体进行适配,获得第二模板适配结果。将第二模板适配结果最大的第二电商行为统计日志模板确定为目标电商行为统计日志模板,通过目标电商行为统计日志模板和批注商品描述信息确定第二质量评估系数。此外,本申请实施例将多个该第二电商行为统计日志模板的关键行为表征载体转存到事件日志存储空间中,实现关键行为事件的事件表征载体更下沉级别的信息存储,便于往后利用时提升处理速度。
进一步地,依据该第一质量评估系数对该原始日志特征抽取模型和MoCo日志特征抽取模型的模型配置变量分别进行调整,获得更新日志特征抽取模型和更新MoCo日志特征抽取模型,具体可以包括:通过该第一质量评估系数调整该原始日志特征抽取模型的模型配置变量,获得更新日志特征抽取模型;获取该更新日志特征抽取模型更新前的第一模型配置变量和更新后的第二模型配置变量;通过该第一模型配置变量和该第二模型配置变量的影子值,调整MoCo日志特征抽取模型的模型配置变量,获得更新MoCo日志特征抽取模型。依据该第二质量评估系数对该原始商品特征抽取模型和MoCo商品特征抽取模型的模型配置变量分别进行调整,获得更新商品特征抽取模型和更新MoCo商品特征抽取模型,包括:通过该第二质量评估系数调整该原始商品特征抽取模型的模型配置变量,获得更新商品特征抽取模型;获取该更新商品特征抽取模型更新前的第三模型配置变量和更新后的第四模型配置变量;通过该第三模型配置变量和该第四模型配置变量的影子值,调整MoCo商品特征抽取模型的模型配置变量,获得更新MoCo商品特征抽取模型。
本申请实施例中,出于优化噪声限制时,通过MoCo商品特征抽取模型清除噪音对目标商品特征抽取模型优化障碍的考虑,MoCo商品特征抽取模型的架构和原始商品特征抽取模型相同,但是,MoCo商品特征抽取模型的优化更新是基于影子值进行的。同理,MoCo日志特征抽取模型的架构与原始日志特征抽取模型的架构相同,但是,MoCo日志特征抽取模型的优化更新是基于影子值进行的。
模型优化时,对MoCo商品特征抽取模型、原始商品特征抽取模型、MoCo日志特征抽取模型和原始日志特征抽取模型,四者同时执行优化,其中MoCo商品特征抽取模型和MoCo日志特征抽取模型通过影子值进行优化,其过程中通过过往数据平缓地去修正模型配置变量,原始日志特征抽取模型通过当前数据进行优化。结合普通的模型和MoCo模型一起进行优化,将二者的长处进行结合,不但保持了模型优化的效率,还帮助模型的配置变量调整时能够选择更好的配置变量,二者互相促进。
本申请实施例的一种方案中,将多个该第二电商行为统计日志模板的关键行为表征载体转存到事件日志存储空间,具体可以包括:将每一该第二电商行为统计日志模板对应的关键行为表征载体的数据覆盖范围配置成标准范围,将未达到该标准范围的数据范围通过补位值进行补位,同时将该补位值作为失效表征载体;依据关键行为事件注释序列对该关键行为表征载体序列中该关键行为事件的效力属性进行注释。
其中,将每一第二电商行为统计日志模板的的关键行为表征载体的数据覆盖范围配置成标准范围,即每个第二电商行为统计日志模板的关键行为表征载体的存储数据长度相同,便于数据的抽取。因为第二电商行为统计日志模板的内容量可能不一致,包含的关键行为事件也不一致,则依据关键行为事件注释序列来注释关键行为表征载体序列中的有效表征载体和失效表征载体。例如,关键行为事件注释序列包括Y和N,Y表示有效表征载体,N表示该失效表征载体。一种实施方式中,关键行为事件最大数目为4,当日志的关键行为事件不足4,例如仅2,那么日志的关键行为表征载体中存储MoCo日志特征抽取模型的2个有效表征载体,失效表征载体的对应空间通过补位值0进行补位。
作为本申请实施例中的又一种实施例,还提供通过商品描述信息确定电商行为统计日志,以确定目标电商用户的方法,其具体可以包括如下步骤:
STEP110:获取拟推送商品描述信息的商品信息表征载体。
STEP120:确定该拟推送商品描述信息的商品信息表征载体和预设的多个备选电商行为统计日志的日志表征载体之间的第三适配结果。
该备选电商行为统计日志的日志表征载体通过该备选电商行为统计日志的关键行为事件的事件表征载体和该关键行为事件在该备选电商行为统计日志中的参考比重确定。
STEP130:通过该第三适配结果,在该多个备选电商行为统计日志中确定目标电商行为统计日志。
上述步骤STEP110~STEP130的过程与前述内容场景是相反的,但是内涵逻辑是一致的,还是可以基于上述目标日志特征抽取模型和目标商品特征抽取模型进行相关步骤的实现。
具体而言,依据目标商品特征抽取模型获取拟推送商品描述信息的商品信息表征载体,并基于目标日志特征抽取模型获取备选电商行为统计日志的用户行为数据的行为表征载体,接着,通过用户行为数据的行为表征载体和备选电商行为统计日志的日志表征载体之间的适配结果,获得关键行为事件的事件表征载体和备选电商行为统计日志的日志表征载体之间的适配结果,并将关键行为事件在备选电商行为统计日志中的参考比重进行衡量,获得拟推送商品描述信息的商品信息表征载体和多个备选电商行为统计日志的日志表征载体之间的第三适配结果,最后在第三适配结果较高的备选电商行为统计日志中确定与拟推送商品描述信息最适配的目标电商行为统计日志。其通过获取拟推送商品描述信息的商品信息表征载体,确定该拟推送商品描述信息的商品信息表征载体和预设的多个备选电商行为统计日志的日志表征载体之间的第三适配结果,该备选电商行为统计日志的日志表征载体通过该备选电商行为统计日志的关键行为事件的事件表征载体和该关键行为事件在该备选电商行为统计日志中的参考比重确定,通过该第三适配结果,在该多个备选电商行为统计日志中确定目标电商行为统计日志。基于备选电商行为统计日志中的关键行为事件与拟推送商品描述信息进行适配,使得蕴含的深层商品需求信息和商品描述信息的商品信息是适配的,如此从深层信息维度保证电商行为统计日志与商品描述信息的适配结果。
基于与图1中所示方法相同的原理,本申请实施例中还提供了一种信息推送装置10,如图2所示,该装置10包括:
日志获取模块11,用于获取目标电商用户在目标采集周期中产生的电商行为统计日志,所述电商行为统计日志包含多个用户行为事件;
事件获取模块12,用于获取所述电商行为统计日志包括的关键行为事件;
载体抽取模块13,用于通过目标日志特征抽取模型抽取所述电商行为统计日志包括的用户行为数据的行为表征载体,并通过目标商品特征抽取模型抽取预设的多个备选商品描述信息的商品信息表征载体,其中,所述目标日志特征抽取模型和所述目标商品特征抽取模型各自通过另一方在反复调校时获得的结果进行交错调校获得;
第一适配模块14,用于通过所述用户行为数据的行为表征载体和所述多个备选商品描述信息的商品信息表征载体,确定所述关键行为事件和每个所述备选商品描述信息之间的第一适配结果;
第二适配模块15,用于过所述第一适配结果,确定所述电商行为统计日志和所述备选商品描述信息之间的第二适配结果;
商品确定模块16,用于通过所述第二适配结果,在所述多个备选商品描述信息中确定目标商品描述信息;
信息推送模块17,用于将所述目标商品描述信息推送至所述目标电商用户。
上述实施例从虚拟模块的角度介绍了信息推送装置10,下述从实体模块的角度介绍一种信息推送云平台,具体如下所示:
本申请实施例提供了一种信息推送云平台,请参照图3,信息推送云平台100包括:处理器101和存储器103。其中,处理器101和存储器103相连,如通过总线102相连。可选地,信息推送云平台100还可以包括收发器104。需要说明的是,实际应用中收发器104不限于一个,该信息推送云平台100的结构并不构成对本申请实施例的限定。
处理器101可以是CPU,通用处理器,GPU,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器101也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线102可包括一通路,在上述组件之间传送信息。总线102可以是PCI总线或EISA总线等。总线102可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器103可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器103用于存储执行本申请方案的机器可读指令,并由处理器101来控制执行。处理器101用于执行存储器103中存储的机器可读指令,以实现前述任一方法实施例所示的内容。
本申请实施例提供了一种信息推送云平台,本申请实施例中的信息推送云平台包括:一个或多个处理器;存储器;一个或多个计算机程序,其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序被处理器执行时,实现基于电子商务的信息推送方法。本申请所提供的技术方案,通过电商行为统计日志中的关键行为事件与备选商品描述信息进行适配,使得关键行为事件蕴含的深层商品需求信息和商品描述信息的商品信息是适配的,如此从深层信息维度保证电商行为统计日志与商品描述信息的适配结果,此外,抽取表征载体的目标日志特征抽取模型和目标商品特征抽取模型是依据另一方在反复调校时获得的结果进行交错调校获得的,通过结合对照结果进行无监督学习,使得获取的模型拥有优秀的载体表征效果,帮助电商行为统计日志与商品描述信息之间的适配性能得到加强,且适配的准确度高。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当计算机程序在处理器上运行时,使得处理器可以执行前述方法实施例中相应的内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本公开实施例还提供一种计算机程序产品,该计算机程序产品承载有程序代码,所述程序代码包括的指令可用于执行上述方法实施例中所述的模型训练方法的步骤,具体可参见上述方法实施例,在此不再赘述。
其中,上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software DevelopmentKit,SDK)等等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
若本申请技术方案涉及个人信息,应用本申请技术方案的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本申请技术方案涉及敏感个人信息,应用本申请技术方案的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求。例如,在摄像头等个人信息采集装置处,设置明确显著的标识告知已进入个人信息采集范围,将会对个人信息进行采集,若个人自愿进入采集范围即视为同意对其个人信息进行采集;或者在个人信息处理的装置上,利用明显的标识/信息告知个人信息处理规则的情况下,通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权;其中,个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式、处理的个人信息种类等信息。
以上仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于电子商务的信息推送方法,其特征在于,应用于信息推送云平台,所述方法包括:
获取目标电商用户在目标采集周期中产生的电商行为统计日志,所述电商行为统计日志包含多个用户行为事件;
获取所述电商行为统计日志包括的关键行为事件;
通过目标日志特征抽取模型抽取所述电商行为统计日志包括的用户行为数据的行为表征载体,并通过目标商品特征抽取模型抽取预设的多个备选商品描述信息的商品信息表征载体,其中,所述目标日志特征抽取模型和所述目标商品特征抽取模型各自通过另一方在反复调校时获得的结果进行交错调校获得;
通过所述用户行为数据的行为表征载体和所述多个备选商品描述信息的商品信息表征载体,确定所述关键行为事件和每个所述备选商品描述信息之间的第一适配结果;
通过所述第一适配结果,确定所述电商行为统计日志和所述备选商品描述信息之间的第二适配结果;
通过所述第二适配结果,在所述多个备选商品描述信息中确定目标商品描述信息;
将所述目标商品描述信息推送至所述目标电商用户。
2.如权利要求1所述的方法,其特征在于,所述确定所述关键行为事件和每个所述备选商品描述信息之间的第一适配结果,包括:
将所述用户行为数据的行为表征载体和多个所述备选商品描述信息的商品信息表征载体分别执行适配度运算,获得多个第一适配子结果;
通过所述多个第一适配子结果,确定所述关键行为事件和所述多个备选商品描述信息之间的第一适配结果。
3.如权利要求2所述的方法,其特征在于,所述通过所述多个第一适配子结果,确定所述关键行为事件和所述多个备选商品描述信息之间的第一适配结果,包括:
获取所述用户行为数据在所述电商行为统计日志中的第一事件发生节点和所述关键行为事件在所述电商行为统计日志中的第二事件发生节点;
通过所述第一事件发生节点和所述第二事件发生节点,确定所述关键行为事件包括的多个目标用户行为数据;
对所述多个目标行为事件对应的第一适配子结果进行均值求解,将求解结果确定为所述关键行为事件和所述备选商品描述信息之间的第一适配结果;
所述将所述用户行为数据的行为表征载体和多个所述备选商品描述信息的商品信息表征载体分别执行适配度运算,包括:
获取通过多个所述备选商品描述信息的商品信息表征载体建立的表征载体序列;
获取每一所述用户行为数据的行为表征载体和所述表征载体序列之间的内积运算结果,获得多个第一适配子结果。
4.如权利要求1所述的方法,其特征在于,所述目标日志特征抽取模型和所述目标商品特征抽取模型基于如下步骤进行调校获得:
通过第一商品描述信息模板的商品信息表征载体、第一电商行为统计日志模板的行为表征载体和预设的批注商品描述信息,对原始日志特征抽取模型和MoCo日志特征抽取模型进行第一次优化,获得更新日志特征抽取模型和更新MoCo日志特征抽取模型;
通过第二电商行为统计日志模板的行为表征载体、第二商品描述信息模板的商品信息表征载体和预设的批注商品描述信息,对原始商品特征抽取模型和MoCo商品特征抽取模型进行第一次优化,获得更新商品特征抽取模型和更新MoCo商品特征抽取模型;
通过所述更新MoCo商品特征抽取模型和所述更新日志特征抽取模型对所述更新日志特征抽取模型进行多代优化,直到优化获得的第一质量评估系数小于第一临界系数时,结束优化以获得目标日志特征抽取模型;
通过所述更新MoCo日志特征抽取模型和所述更新商品特征抽取模型,对所述更新商品特征抽取模型进行多代优化,直到优化获得的第二质量评估系数小于第二临界系数时,结束优化以获得目标商品特征抽取模型。
5.如权利要求4所述的方法,其特征在于,所述通过第一商品描述信息模板的商品信息表征载体、第一电商行为统计日志模板的行为表征载体和预设的批注商品描述信息,对原始日志特征抽取模型和MoCo日志特征抽取模型进行第一次优化,包括:
通过第一商品描述信息模板的商品信息表征载体、第一电商行为统计日志模板的行为表征载体和预设的批注商品描述信息,获取当前代原始日志特征抽取模型优化的第一质量评估系数,其中,所述第一商品描述信息模板的商品信息表征载体由MoCo商品特征抽取模型输出,所述第一电商行为统计日志模板的行为表征载体由原始日志特征抽取模型输出;
依据所述第一质量评估系数对所述原始日志特征抽取模型和MoCo日志特征抽取模型的模型配置变量分别进行调整,获得更新日志特征抽取模型和更新MoCo日志特征抽取模型。
6.如权利要求5所述的方法,其特征在于,所述通过第二电商行为统计日志模板的行为表征载体和第二商品描述信息模板的商品信息表征载体,以及预设的批注商品描述信息,对原始商品特征抽取模型和MoCo商品特征抽取模型进行第一次优化,包括:
通过第二电商行为统计日志模板的行为表征载体、第二商品描述信息模板的商品信息表征载体和预设的批注商品描述信息,获取当前代原始商品特征抽取模型优化的第二质量评估系数,其中,所述行为表征载体由所述更新MoCo日志特征抽取模型输出,所述第二商品描述信息模板的商品信息表征载体由原始商品特征抽取模型输出;
依据所述第二质量评估系数对所述原始商品特征抽取模型和MoCo商品特征抽取模型的模型配置变量分别进行调整,获得更新商品特征抽取模型和更新MoCo商品特征抽取模型;
所述依据所述第一质量评估系数对所述原始日志特征抽取模型和MoCo日志特征抽取模型的模型配置变量分别进行调整,获得更新日志特征抽取模型和更新MoCo日志特征抽取模型,包括:
通过所述第一质量评估系数调整所述原始日志特征抽取模型的模型配置变量,获得更新日志特征抽取模型;
获取所述更新日志特征抽取模型更新前的第一模型配置变量和更新后的第二模型配置变量;
通过所述第一模型配置变量和所述第二模型配置变量的影子值,调整MoCo日志特征抽取模型的模型配置变量,获得更新MoCo日志特征抽取模型。
7.如权利要求6所述的方法,其特征在于,所述依据所述第二质量评估系数对所述原始商品特征抽取模型和MoCo商品特征抽取模型的模型配置变量分别进行调整,获得更新商品特征抽取模型和更新MoCo商品特征抽取模型,包括:
通过所述第二质量评估系数调整所述原始商品特征抽取模型的模型配置变量,获得更新商品特征抽取模型;
获取所述更新商品特征抽取模型更新前的第三模型配置变量和更新后的第四模型配置变量;
通过所述第三模型配置变量和所述第四模型配置变量的影子值,调整MoCo商品特征抽取模型的模型配置变量,获得更新MoCo商品特征抽取模型;
所述通过第二电商行为统计日志模板的行为表征载体和第二商品描述信息模板的商品信息表征载体,以及预设的批注商品描述信息,获取当前代原始商品特征抽取模型优化的第二质量评估系数,包括:
获取所述第二电商行为统计日志模板的关键行为事件,并通过所述关键行为事件包括的用户行为数据,确定所述第二电商行为统计日志模板的关键行为表征载体;
将多个所述第二电商行为统计日志模板的关键行为表征载体转存到事件日志存储空间中;
将第二商品描述信息模板输入拟进行优化的原始商品特征抽取模型,获得所述第二商品描述信息模板的商品信息表征载体;
通过所述第二电商行为统计日志模板的关键行为表征载体和所述第二商品描述信息模板的商品信息表征载体,确定所述第二商品描述信息模板和多个所述第二电商行为统计日志模板之间的第二模板适配结果;
通过所述第二模板适配结果,在多个所述第二电商行为统计日志模板中确定目标电商行为统计日志模板,并通过所述目标电商行为统计日志模板和预设的批注商品描述信息获取当前代优化的第二质量评估系数。
8.据权利要求7所述的方法,其特征在于,所述将多个所述第二电商行为统计日志模板的关键行为表征载体转存到事件日志存储空间中,包括:
将每一所述第二电商行为统计日志模板对应的关键行为表征载体的数据覆盖范围配置成标准范围,将未达到所述标准范围的数据范围通过补位值进行补位,同时将所述补位值作为失效表征载体;
依据关键行为事件注释序列对所述关键行为表征载体序列中所述关键行为表征载体的效力属性进行注释。
9.如权利要求1所述的方法,其特征在于,所述通过所述第一适配结果,确定所述电商行为统计日志和所述备选商品描述信息之间的第二适配结果,包括:
依据所述关键行为事件在所述电商行为统计日志中的参考比重,确定每个所述关键行为事件匹配的偏心变量;
将每一所述关键行为事件匹配的偏心变量和所述关键行为事件对应的第一适配结果执行偏心计算,获得所述电商行为统计日志和所述备选商品描述信息之间的第二适配结果;
所述通过所述第一适配结果,确定所述电商行为统计日志和所述备选商品描述信息之间的第二适配结果,包括:
在所述电商行为统计日志的每个所述关键行为事件对应的第一适配结果中的最大值确定为所述电商行为统计日志和所述备选商品描述信息之间的第二适配结果;
所述方法还包括:
获取拟推送商品描述信息的商品信息表征载体;
确定所述拟推送商品描述信息的商品信息表征载体和预设的多个备选电商行为统计日志的日志表征载体之间的第三适配结果,其中,所述备选电商行为统计日志的日志表征载体通过所述备选电商行为统计日志的关键行为事件的事件表征载体和所述关键行为事件在所述备选电商行为统计日志中的参考比重确定;
通过所述第三适配结果在所述多个备选电商行为统计日志中确定目标电商行为统计日志;
将所述拟推送商品描述信息推送至所述目标电商行为统计日志对应的目标电商用户。
10.一种信息推送系统,其特征在于,包括客户端和信息推送云平台,所述信息推送云平台包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当信息推送云平台运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至9任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310367977.6A CN116383502A (zh) | 2023-04-08 | 2023-04-08 | 基于电子商务的信息推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310367977.6A CN116383502A (zh) | 2023-04-08 | 2023-04-08 | 基于电子商务的信息推送方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116383502A true CN116383502A (zh) | 2023-07-04 |
Family
ID=86969006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310367977.6A Pending CN116383502A (zh) | 2023-04-08 | 2023-04-08 | 基于电子商务的信息推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383502A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876015A (zh) * | 2024-03-11 | 2024-04-12 | 南京数策信息科技有限公司 | 一种用户行为数据分析方法、装置及相关设备 |
-
2023
- 2023-04-08 CN CN202310367977.6A patent/CN116383502A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876015A (zh) * | 2024-03-11 | 2024-04-12 | 南京数策信息科技有限公司 | 一种用户行为数据分析方法、装置及相关设备 |
CN117876015B (zh) * | 2024-03-11 | 2024-05-07 | 南京数策信息科技有限公司 | 一种用户行为数据分析方法、装置及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102236851B (zh) | 基于用户赋权的多维信用体系实时计算的方法及系统 | |
CN107464132B (zh) | 一种相似用户挖掘方法及装置,电子设备 | |
CN103678647A (zh) | 一种实现信息推荐的方法及系统 | |
US10515378B2 (en) | Extracting relevant features from electronic marketing data for training analytical models | |
CN111506820A (zh) | 推荐模型、方法、装置、设备及存储介质 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN116383502A (zh) | 基于电子商务的信息推送方法及系统 | |
CN114036405A (zh) | 一种基于图卷积网络的社交推荐方法与系统 | |
CN114417161B (zh) | 基于异构图的虚拟物品时序推荐方法、装置、介质及设备 | |
CN110795613A (zh) | 商品搜索方法、装置、系统及电子设备 | |
CN110851708B (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
CN112989182A (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
CN113327154B (zh) | 基于大数据的电商用户讯息推送方法及系统 | |
CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
US20190188770A1 (en) | Intelligent recommendation system | |
CN112734519B (zh) | 一种基于卷积自编码器网络的商品推荐方法 | |
CN109960777A (zh) | 物品评论个性化推荐方法、系统、电子设备及存储介质 | |
Li et al. | A stochastic composite augmented Lagrangian method for reinforcement learning | |
CN112948681A (zh) | 一种融合多维度特征的时间序列数据推荐方法 | |
CN112036418A (zh) | 用于提取用户特征的方法和装置 | |
CN113297467A (zh) | 推荐方法、装置及计算机存储介质 | |
CN106484747A (zh) | 一种基于交互事件的网页项目推荐方法和装置 | |
Sengottuvelan et al. | An improved session identification approach in web log mining for web personalization | |
CN117891811B (zh) | 一种客户数据采集分析方法、装置及云服务器 | |
CN117076780B (zh) | 一种基于大数据的图书互借阅推荐方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20230704 |
|
WD01 | Invention patent application deemed withdrawn after publication |