CN116401652A - 一种验证方式的推荐方法、装置、设备及可读存储介质 - Google Patents
一种验证方式的推荐方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116401652A CN116401652A CN202310261886.4A CN202310261886A CN116401652A CN 116401652 A CN116401652 A CN 116401652A CN 202310261886 A CN202310261886 A CN 202310261886A CN 116401652 A CN116401652 A CN 116401652A
- Authority
- CN
- China
- Prior art keywords
- verification
- verification mode
- user
- model
- recommended position
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 280
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims description 64
- 238000004590 computer program Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种验证方式的推荐方法、装置、设备及可读存储介质,通过根据用户数据确定用户对各推荐位置的第一偏好程度,以及各验证方式展示在各推荐位置时,用户对各验证方式分别对应的第二偏好程度,来确定各验证方式分别对应的最终偏好程度,进而根据各验证方式分别对应的最终偏好程度来确定目标验证方式推荐给用户。本申请确定出的目标验证方式更符合用户预期,避免了因为目标验证方式与用户预期不符导致用户执行业务失败或终止执行业务的情况出现,保证了业务执行效率和业务执行的成功率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种验证方式的推荐方法、装置、设备及可读存储介质。
背景技术
随着计算机技术的发展和人们对自身隐私的关注,在用户执行业务的过程中,对用户进行身份验证,并根据验证结果来执行业务已经成为目前较为常见的业务执行方式之一。
一般的,在对用户进行身份验证的过程中,通常需由服务提供方向用户推荐一种身份验证方式,如果该种身份验证方式不合适,则用户可在验证方式列表中选择其他身份验证方式,并在选择后进行身份验证。
但现有技术中常会出现由于服务提供方推荐给用户身份验证方式并不符合用户预期,导致业务执行失败或用户终止执行业务的情况,降低了业务执行的效率。
基于此,本申请提供一种验证方式的推荐方法。
发明内容
本申请提供一种验证方式的推荐方法、装置、设备及可读存储介质,以部分的解决现有技术存在的上述问题。
本申请采用下述技术方案:
本说明书提供一种验证方式的推荐方法,包括:
获取用户的用户数据;
针对用于展示验证方式的每个推荐位置,将所述用户数据输入训练完成的第一模型中,得到所述第一模型输出的所述用户对该推荐位置的偏好程度,作为该推荐位置对应的第一偏好程度;
将该推荐位置和所述用户数据输入训练完成的第二模型中,得到所述第二模型输出的各验证方式在该推荐位置时分别对应的第二偏好程度,所述第二偏好程度为在所述各验证方式展示在该推荐位置的条件下所述用户对所述各验证方式分别对应的偏好程度;
针对每个验证方式,根据该验证方式在各推荐位置时分别对应的第二偏好程度,以及所述各推荐位置分别对应的第一偏好程度,得到该验证方式的最终偏好程度;
根据所述各验证方式的最终偏好程度,确定目标验证方式,并向所述用户推荐。
本说明书提供一种验证方式的推荐装置,包括:
获取模块,用于获取用户的用户数据;
第一确定模块,用于针对用于展示验证方式的每个推荐位置,将所述用户数据输入训练完成的第一模型中,得到所述第一模型输出的所述用户对该推荐位置的偏好程度,作为该推荐位置对应的第一偏好程度;
第二确定模块,用于将该推荐位置和所述用户数据输入训练完成的第二模型中,得到所述第二模型输出的各验证方式在该推荐位置时分别对应的第二偏好程度,所述第二偏好程度为在所述各验证方式展示在该推荐位置的条件下所述用户对所述各验证方式分别对应的偏好程度;
无偏模块,用于针对每个验证方式,根据该验证方式在各推荐位置时分别对应的第二偏好程度,以及所述各推荐位置分别对应的第一偏好程度,得到该验证方式的最终偏好程度;
推荐模块,用于根据所述各验证方式的无偏点击率,确定目标验证方式,并向所述用户推荐。
本申请提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述验证方式的推荐方法。
本申请提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述验证方式的推荐方法。
本申请采用的上述至少一个技术方案能够达到以下有益效果:
本申请提供的验证方式的推荐方法中,通过根据用户数据确定用户对各推荐位置的第一偏好程度,以及各验证方式展示在各推荐位置时,用户对各验证方式分别对应的第二偏好程度,来确定各验证方式分别对应的最终偏好程度,进而根据各验证方式分别对应的最终偏好程度来确定目标验证方式推荐给用户。
本申请基于最终偏好程度确定目标验证方式,确定出的目标验证方式更符合用户预期,避免了因为目标验证方式与用户预期不符导致用户执行业务失败或终止执行业务的情况出现,保证了业务执行效率和业务执行的成功率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请中一种验证方式的推荐方法的流程示意图;
图2为本申请提供的验证方式的推荐方法的流程示意图;
图3为本申请提供的第一模型和第二模型的训练过程的流程示意图;
图4为本申请提供的一种验证方式的推荐装置的示意图;
图5为本申请提供的对应于图1的电子设备示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
随着计算机技术的发展和人们对自身隐私的关注,在用户执行过程中对用户进行身份验证,以根据验证结果来执行业务已经是目前较为常见的业务执行方式之一。而在对用户进行身份验证的过程中,通常需基于用户的用户数据,向用户推荐符合用户预期的目标验证方式,以使用户通过目标验证方式进行身份验证,并根据验证结果来执行业务。
而在基于用户数据向用户推荐目标验证方式的过程中,存在预先基于样本用户的用户数据和样本用户历史上选择的验证方式训练推荐模型,在需对用户推荐目标验证方式时,将用户的用户数据输入推荐模型,得到推荐模型输出的目标推荐方式的情况。
但对于用户执行成功的一次验证事件来说,用户选择的验证方式可能仅为可以接受的,而不是最符合用户预期的。因此,基于用户历史上选择的验证方式确定出的训练样本的标注存在偏差,这也就导致基于用户历史上选择的验证方式训练得到的推荐模型的准确性较低。
基于此,本申请提供一种验证方式的推荐方法,确定用户对各推荐位置的偏好程度,以及各验证方式展示在各推荐位置时,用户对各验证方式的偏好程度,再基于因果推断,得到用户对各验证方式的最终偏好程度,进而基于最终偏好程度,确定目标验证方式向用户进行推荐。推荐得到的目标验证方式更符合用户预期,提高了业务执行效率和成功率。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请提供的一种验证方式的推荐方法的流程示意图。
S100:获取用户的用户数据。
本申请实施例中提供一种验证方式的推荐方法,其中涉及到的第一模型和第二模型可以是经预先训练得到的。该验证方式的推荐方法的执行过程可由用于执行业务的服务器等电子设备执行。执行该第一模型和第二模型的训练过程的电子设备与执行该验证方式的推荐方法的服务器可为相同服务器,也可为不同服务器,本申请对此不做限定。为了便于描述,下面仅以服务器为执行主体,对本申请提供的验证方式的推荐方法进行详细说明。
在本申请实施例中,该服务器可接收推荐请求。该推荐请求中携带有用于推荐验证方式的用户的用户数据。于是,该服务器可对推荐请求进行解析,确定用户的用户数据。
其中,该用户数据可为用户历史上执行业务时服务提供方记录的数据。具体可为用户的画像信息、用户的历史行为数据以及根据用户的历史行为数据确定出的用户执行过的指定操作等数据中的至少一种。该指定操作可为点击、删除、收藏等操作。该用户数据可对应于不同类型,此处的类型具体可包括文本序列、多媒体(图像、视频)数据、统计数据等现有的各类型的数据。当然,用户数据包含的数据的类型还可以是其他现有的类型,如包含文本的图像、包含文本的视频等,并不限于上述类型,本申请对待识别业务数据包含的数据的类型不做限定。
当然,该服务器还可直接接收推荐任务,同样,该推荐任务中携带有用户数据或用户标识,该服务器可对推荐任务进行解析确定用户数据,或对推荐任务进行解析确定用户标识,根据用户标识确定用户数据。或者,该服务器还可直接接收用户数据,并根据该用户数据执行后续步骤。具体如何确定用户数据可根据需要进行设置,本申请对此进行设置。
S102:针对用于展示验证方式的每个推荐位置,将所述用户数据输入训练完成的第一模型中,得到所述第一模型输出的所述用户对该推荐位置的偏好程度,作为该推荐位置对应的第一偏好程度。
在本申请提供的一个或多个实施例中,如前所述的,本申请中的该验证方式的推荐方法,其目的是确定出用户对于推荐位置的偏好程度,以及在各验证方式展示在各推荐位置时,用户对各验证方式的偏好程度后。通过因果推断的方式,从在各验证方式展示在各推荐位置时,用户对各验证方式的偏好程度中,将用户对于推荐位置的偏好程度剔除,从而确定用户仅对于各验证方式的最终偏好程度。因此,该服务器可首先确定用户对于各推荐位置的偏好程度。其中,该偏好程度可为用户选择该验证方式进行验证的概率,也可为用户对该验证方式的点击率,还可为用户是否选择该验证方式进行验证等。具体如何表征该偏好程度可根据需要进行设置,本申请对此不做限制。
具体的,在本申请中,该服务器可在不同的推荐位置上展示验证方式。如,在用户需进行验证业务时,向用户首先推荐的验证方式所在的位置可作为一号推荐位置,而在用户拒绝使用在一号推荐位置展示的验证方式后,向用户展示的验证方式列表中各验证方式所在的位置可作为其他推荐位置。或者,在用户进行验证业务时,将向用户展示的验证方式列表中各验证方式分别对应的位置作为各推荐位置。具体推荐位置在页面中的何种位置,以及如何确定推荐位置可根据需要进行设置,本申请对此不做限制。
于是,针对每个用于展示验证方式的推荐位置,该服务器可将用户数据作为输入,输入预先训练完成的第一模型中,得到该第一模型输出的用户对该推荐位置的偏好程度,作为各推荐位置分别对应的第一偏好程度。其中,该第一模型用于确定用户对各推荐位置分别对应的偏好程度。该第一偏好程度可为将同一验证方式展示在各推荐位置时,用户选择展示在该推荐位置上的验证方式进行验证的概率,也可为用户对该推荐位置的点击率,还可为用户是否会选择该推荐位置上的验证方式进行验证等。具体如何表征该第一偏好程度可根据需要进行设置,本申请对此不做限制。
S104:将该推荐位置和所述用户数据输入训练完成的第二模型中,得到所述第二模型输出的各验证方式在该推荐位置分别对应的第二偏好程度,所述第二偏好程度为在所述各验证方式展示在该推荐位置的条件下所述用户对所述各验证方式分别对应的偏好程度。
在本申请提供的一个或多个实施例中,该验证方式的推荐方法需基于用户对推荐位置的偏好程度和用户对于展示在各推荐位置上的各验证方式的偏好程度,来消除掉推荐位置对用户选择推荐方式的影响。因此,该服务器可确定用户对于展示在推荐位置上的各验证方式的偏好程度。
具体的,针对每个推荐位置,该服务器可将该推荐位置和用户数据进行组合,并将组合结果作为输入,输入训练完成的第二模型中。其中,该第二模型用于确定用于对于展示在各推荐位置下的各验证方式分别对应的偏好程度。
于是,该服务器可接收该第二模型输出的各验证方式在该推荐位置时分别对应的第二偏好程度。其中,针对每个验证方式,该验证方式的第二偏好程度为在该验证方式展示在该推荐位置的条件下,该用户对于该验证方式的偏好程度。该第二偏好程度可为在该验证方式展示在该推荐位置的条件下,用户选择该验证方式进行验证的概率,也可为用户对该验证方式的点击率,还可为用户是否选择该验证方式进行验证等。具体如何表征该第二偏好程度可根据需要进行设置,本申请对此不做限制。
另外,上述将推荐位置和用户数据进行组合的方式,可为服务器将推荐位置和用户数据分别进行特征提取,并将得到的位置特征和用户特征进行融合,将融合特征输入作为第二模型的输入数据的方式。还可为该服务器将推荐内容和用户数据先进行组合,并将组合结果进行特征提取,将得到的组合特征作为第二模型的输入数据的方式。具体如何将推荐位置和用户数据进行组合并输入第二模型可根据需要进行设置,本申请对此不做限制。
S106:针对每个验证方式,根据该验证方式在各推荐位置时分别对应的第二偏好程度,以及所述各推荐位置分别对应的第一偏好程度,得到该验证方式的最终偏好程度。
在本申请提供的一个或多个实施例中,该推荐方式的验证方法,需确定出在消除掉各推荐位置对用户选择验证方式的干扰的条件下,用户仅对应于各验证方式的偏好程度。才可根据用户仅对应于各验证方式的偏好程度,确定出向用户进行推荐的目标验证方式。基于此,该服务器可确定各验证方式分别对应的最终偏好程度。
具体的,可针对每个验证方式,该服务器可确定该验证方式在各推荐位置时的第二偏好程度,以及各推荐位置分别对应的第一偏好程度。
然后,该服务器可针对每个推荐位置,确定该验证方式在该推荐位置时的第二偏好程度和该推荐位置时的第一偏好程度的差值,作为该推荐位置的中间偏好程度。其中,该中间偏好程度为在去除该推荐位置的第一偏好程度的影响下,所述用户对该推荐位置展示的该验证方式的偏好程度。
以推荐位置a的第一偏好程度为P(1),该验证方式在该推荐位置时的第二偏好程度为P(2)为例,该验证方式在该推荐位置时的中间偏好程度为P(2)―P(1)。
最后,该服务器可根据该验证方式在各推荐位置时的中间偏好程度,确定该验证方式的最终偏好程度。
S108:根据所述各验证方式的最终偏好程度,确定目标验证方式,并向所述用户推荐。
在本申请提供的一个或多个实施例中,该验证方式的推荐方法,其目的是向用户推荐符合用户预期的目标验证方式。因此,在确定出各验证方式的最终偏好程度后,该服务器可确定目标验证方式并推荐。
具体的,该服务器可根据各验证方式分别对应的最终偏好程度,对各验证方式进行排序,并从该排序中,选择最终偏好程度对应的数值最高的验证方式,作为目标验证方式。
于是,该服务器可将该目标验证方式推荐给用户,以使用户根据该目标验证方式进行验证,并根据验证结果来执行后续业务。
如图1所示的验证方式的推荐方法,通过根据用户数据确定用户对各推荐位置的第一偏好程度,以及各验证方式展示在各推荐位置时,用户对各验证方式分别对应的第二偏好程度,来确定各验证方式分别对应的最终偏好程度,进而根据各验证方式分别对应的最终偏好程度来确定目标验证方式推荐给用户。本申请确定出的目标验证方式更符合用户预期,避免了因为目标验证方式与用户预期不符导致用户执行业务失败或终止执行业务的情况出现,保证了业务执行效率和业务执行的成功率。
进一步的,在A事件已经发生的条件下,若已知A事件发生的概率,以及A事件和B事件同时发生的概率,则可确定B事件发生的概率。基于相同思路,针对每个验证方式,若已知用户对某推荐位置的偏好程度,且已知将该验证方式展示在该推荐位置时的偏好程度,则可确定出用户对该验证方式的偏好程度。因此,在步骤S106中,该服务器可基于同样思路确定各验证方式分别对应的最终偏好程度。
具体的,该服务器可针对每个验证方式,确定该验证方式在各推荐位置时的第二偏好程度,以及各推荐位置分别对应的第一偏好程度。
然后,该服务器可针对每个推荐位置,确定该验证方式在该推荐位置时的第二偏好程度和该推荐位置的第一偏好程度的比值,作为该验证方式在该推荐位置时的第三偏好程度;
最后,该服务器可根据该验证方式在各推荐位置时的第三偏好程度,确定该验证方式的最终偏好程度。
更进一步的,在确定最终偏好程度时,该服务器可从该验证方式在各推荐位置时的中间偏好程度中,选择各中间偏好程度的数值中的中位数对应的中间偏好程度,作为该验证方式的最终偏好程度。或者,该服务器可确定该验证方式在各推荐位置时的中间偏好程度的均值,作为该验证方式的最终偏好程度。具体如何基于中间偏好程度确定验证方式的最终偏好程度可根据需要进行设置,本申请对此不做限制。
同样的,该服务器也可基于该验证方式在各推荐位置时的第三偏好程度的中位数,确定最终偏好程度,或者,基于该验证方式在各推荐位置时的第三偏好程度的均值,确定最终偏好程度。具体如何基于第三偏好程度确定验证方式的最终偏好程度可根据需要进行设置,本申请对此不做限制。
基于同样思路,本申请提供一种验证方式的推荐方法的流程示意图。如图2所示。
图2为本申请提供的验证方式的推荐方法的流程示意图,服务器将用户数据作为输入,输入第一模型中,得到各推荐位置的第一偏好程度。同时,该服务器针对每个推荐位置,将该推荐位置和用户数据进行组合,并将组合结果输入第二模型中,得到各验证方式在该推荐位置的第二偏好程度。接着,该服务器可确定各验证方式分别对应的最终偏好程度,并基于最终偏好程度确定目标推荐方式进行推荐。
另外,在步骤S102中使用的第一模型可采用下述方式训练得到:
首先,该服务器可获取样本用户的用户数据,作为第一训练样本。其中,该样本用户的用户数据可为该服务器从预先存储的各用户数据中,随机选择任一用户数据,作为该样本用户的用户数据。
其次,该服务器可根据样本用户的用户数据,确定该样本用户历史上执行验证业务时选择的样本验证方式的推荐位置,作为该第一训练样本的标注。其中,该样本用户历史上执行验证业务时选择的样本验证方式的推荐位置,可为样本用户历史上执行一次验证业务时选择的样本验证方式的推荐位置,还可为样本用户历史上执行多次验证业务时选择的样本验证方式的推荐位置的概率分布。
然后,该服务器可将该第一训练样本作为输入,输入待训练的第一模型中,得到该第一模型输出的各推荐位置分别对应的第一偏好程度,作为第一预测结果。
最后,该服务器可根据该第一训练样本的第一预测结果及其标注,确定该第一模型的损失,并根据该第一模型的损失调整该第一模型的模型参数,以完成对该第一模型的训练过程。
进一步的,步骤S104中采用的第二模型可采用下述方式训练得到:
首先,该服务器可获取样本用户的用户数据。
其次,该第二模型用于根据用户数据和推荐位置,确定在将各验证方式展示在该推荐位置上时,用户数据对应的用户对各验证方式的偏好程度。因此,该服务器可针对每个推荐位置,将该推荐位置和该样本用户的用户数据进行组合,作为第二训练样本。
然后,该服务器可根据该样本用户历史上执行业务时选择的样本验证方式以及展示该样本验证方式的推荐位置,确定第二训练样本的标注。其中,该样本用户历史上执行验证业务时选择的样本验证方式以及展示该样本验证方式的推荐位置,可为样本用户历史上执行一次验证业务时选择的样本验证方式,以及执行该次验证业务时选择的样本验证方式的推荐位置。当然,该服务器还可直接确定样本用户历史上通过展示在该推荐位置上的各验证方式执行业务的情况下,用户点击各验证方式的概率分布作为该第二训练样本的标注。
之后,该服务器可将该第二训练样本输入待训练的第二模型中,得到该第二模型输出的预设的各验证方式在该推荐位置时的偏好程度,作为各第二预测结果。
最后,该服务器可根据各第二训练样本的第二预测结果及其标注,确定该第二模型的损失,并根据该第二模型的损失调整该第二模型的模型参数,以完成对该第二模型的训练过程。
更进一步的,该第一模型和该第二模型还可采用联合训练的方式训练得到。
具体的,该服务器可获取样本用户的用户数据,作为第一训练样本。并针对每个推荐位置,将该推荐位置和该样本用户的用户数据组合,作为第二训练样本。
其次,该服务器可确定该样本用户历史上执行验证业务时候选择的样本验证方式的类型,作为该样本用户的标注。
然后,该服务器可将该第一训练样本输入待训练的第一模型,得到该第一模型输出的该第一预测结果,并将各第二训练样本输入待训练的第二模型中,得到该第二模型输出的各第二训练样本分别对应的第二预测结果。
之后,该服务器可根据该第一预测结果和各第二预测结果,确定各验证方式分别对应的最终偏好程度。
最后,该服务器可根据各验证方式分别对应的最终偏好程度和该样本用户的标注,确定第一损失,并根据该第一损失,训练该第一模型和该第二模型。
另外,针对每个验证方式,若该验证方式的各中间偏好程度之间的差距过大,则表征确定出的中间偏好程度还是受到推荐位置的影响。因此,在训练该第一模型和第二模型时,该服务器还可以验证方式对应的各中间偏好程度之间的差距不能太大为约束。
具体的,针对每个验证方式,该服务器可根据该第一预测结果和各第二预测结果,确定该验证方式在各推荐位置时分别对应的中间偏好程度。
然后,该服务器可根据该验证方式在各推荐位置分别对应的中间偏好程度之间的差距,确定第二差距。
最后,该服务器可根据各验证方式分别对应的第二差距,确定第二损失,并根据该第一损失和该第二损失,训练该第一模型和该第二模型。
基于同样思路,本申请提供一种第一模型和第二模型的训练过程的流程示意图。如图3所示。
图3为本申请提供的第一模型和第二模型的训练过程的流程示意图,服务器根据样本用户的用户数据确定第一训练样本,并针对每个推荐位置,将该推荐位置和样本用户的用户数据进行组合,确定第二训练样本。以及确定该样本用户的标注。然后,将第一训练样本输入第一模型,得到第一预测结果,将第二训练样本输入第二模型,得到第二预测结果。接着,根据第一预测结果和各第二预测结果,确定各验证方式的最终偏好程度。最后,根据各验证方式的最终偏好程度和该样本用户的标注确定第一损失,并根据第一损失对第一模型和第二模型进行训练。
图4为本申请提供的一种验证方式的推荐装置示意图,其中:
获取模块200,用于获取用户的用户数据。
第一确定模块202,用于针对用于展示验证方式的每个推荐位置,将所述用户数据输入训练完成的第一模型中,得到所述第一模型输出的所述用户对该推荐位置的偏好程度,作为该推荐位置对应的第一偏好程度。
第二确定模块204,用于将该推荐位置和所述用户数据输入训练完成的第二模型中,得到所述第二模型输出的各验证方式在该推荐位置时分别对应的第二偏好程度,所述第二偏好程度为在所述各验证方式展示在该推荐位置的条件下所述用户对所述各验证方式分别对应的偏好程度。
无偏模块206,用于针对每个验证方式,根据该验证方式在各推荐位置时分别对应的第二偏好程度,以及所述各推荐位置分别对应的第一偏好程度,得到该验证方式的最终偏好程度。
推荐模块208,用于根据所述各验证方式的无偏点击率,确定目标验证方式,并向所述用户推荐。
可选地,无偏模块206,用于针对每个推荐位置,将该验证方式在该推荐位置时对应的第二偏好程度与该推荐位置的第一偏好程度的差值,确定为该验证方式在该推荐位置的中间偏好程度,根据该验证方式在所述各推荐位置分别对应的中间偏好程度,确定该验证方式的最终偏好程度。
可选地,无偏模块206,用于将该验证方式在所述各推荐位置分别对应的中间偏好程度的均值,确定为该验证方式的最终偏好程度。
可选地,第一确定模块202,用于采用下述方式训练得到所述第一模型:获取样本用户的用户数据,作为第一训练样本,以及确定所述样本用户历史上执行验证业务时选择的样本验证方式的推荐位置,作为所述第一训练样本的标注,将所述第一训练样本输入待训练的第一模型中,得到所述第一模型输出的所述各推荐位置分别对应的第一偏好程度,作为第一预测结果,根据所述第一训练样本的第一预测结果及其标注,对所述待训练的第一模型进行训练。
可选地,第二确定模块204,用于采用下述方式训练得到所述第二模型:获取样本用户的用户数据,并针对每个推荐位置,将该推荐位置和所述样本用户的用户数据组合,作为第二训练样本,根据所述样本用户历史上执行验证业务时选择的样本验证方式以及展示所述样本验证方式的推荐位置,确定所述第二训练样本的标注,将所述第二训练样本输入待训练的第二模型中,得到所述第二模型输出的预设的各验证方式在该推荐位置时的偏好程度,作为各第二预测结果,根据所述第二训练样本的各第二预测结果及其标注,对所述待训练的第二模型进行训练。
可选地,第二确定模块204,用于采用下述方式训练得到所述第一模型和所述第二模型:获取样本用户的用户数据,作为第一训练样本,并针对每个推荐位置,将该推荐位置和所述样本用户的用户数据组合,作为第二训练样本,以及确定所述样本用户历史上执行验证业务时候选择的样本验证方式的类型,作为所述样本用户的标注,将所述第一训练样本输入待训练的第一模型,得到所述第一模型输出的所述第一预测结果,将各第二训练样本输入待训练的第二模型中,得到所述第二模型输出的所述各第二训练样本分别对应的第二预测结果,根据所述第一预测结果和各第二预测结果,确定所述各验证方式分别对应的最终偏好程度,根据所述各验证方式分别对应的最终偏好程度和所述样本用户的标注,确定第一损失,并根据所述第一损失,训练所述第一模型和所述第二模型。
可选地,第二确定模块204,用于针对每个验证方式,根据所述第一预测结果和各第二预测结果,确定该验证方式在所述各推荐位置时分别对应的中间偏好程度,根据该验证方式在所述各推荐位置分别对应的中间偏好程度之间的差距,确定第二差距,根据所述各验证方式分别对应的第二差距,确定第二损失,并根据所述第一损失和所述第二损失,训练所述第一模型和所述第二模型。
本申请还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1所示的验证方式的推荐方法。
本申请还提供了图5所示的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所示的验证方式的推荐方法。当然,除了软件实现方式之外,本申请并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种验证方式的推荐方法,所述方法包括:
获取用户的用户数据;
针对用于展示验证方式的每个推荐位置,将所述用户数据输入训练完成的第一模型中,得到所述第一模型输出的所述用户对该推荐位置的偏好程度,作为该推荐位置对应的第一偏好程度;
将该推荐位置和所述用户数据输入训练完成的第二模型中,得到所述第二模型输出的各验证方式在该推荐位置时分别对应的第二偏好程度,所述第二偏好程度为在所述各验证方式展示在该推荐位置的条件下所述用户对所述各验证方式分别对应的偏好程度;
针对每个验证方式,根据该验证方式在各推荐位置时分别对应的第二偏好程度,以及所述各推荐位置分别对应的第一偏好程度,得到该验证方式的最终偏好程度;
根据所述各验证方式的最终偏好程度,确定目标验证方式,并向所述用户推荐。
2.如权利要求1所述的方法,针对每个验证方式,根据该验证方式在各推荐位置时分别对应的第二偏好程度,以及所述各推荐位置分别对应的第一偏好程度,得到该验证方式的最终偏好程度,具体包括:
针对每个推荐位置,将该验证方式在该推荐位置时对应的第二偏好程度与该推荐位置的第一偏好程度的差值,确定为该验证方式在该推荐位置的中间偏好程度;
根据该验证方式在所述各推荐位置分别对应的中间偏好程度,确定该验证方式的最终偏好程度。
3.如权利要求2所述的方法,根据该验证方式在所述各推荐位置分别对应的中间偏好程度,确定该验证方式的最终偏好程度,具体包括:
将该验证方式在所述各推荐位置分别对应的中间偏好程度的均值,确定为该验证方式的最终偏好程度。
4.如权利要求1所述的方法,所述第一模型采用下述方式训练得到:
获取样本用户的用户数据,作为第一训练样本,以及确定所述样本用户历史上执行验证业务时选择的样本验证方式的推荐位置,作为所述第一训练样本的标注;
将所述第一训练样本输入待训练的第一模型中,得到所述第一模型输出的所述各推荐位置分别对应的第一偏好程度,作为第一预测结果;
根据所述第一训练样本的第一预测结果及其标注,对所述待训练的第一模型进行训练。
5.如权利要求1所述的方法,所述第二模型采用下述方式训练得到:
获取样本用户的用户数据,并针对每个推荐位置,将该推荐位置和所述样本用户的用户数据组合,作为第二训练样本;
根据所述样本用户历史上执行验证业务时选择的样本验证方式以及展示所述样本验证方式的推荐位置,确定所述第二训练样本的标注;
将所述第二训练样本输入待训练的第二模型中,得到所述第二模型输出的预设的各验证方式在该推荐位置时的偏好程度,作为各第二预测结果;
根据所述第二训练样本的各第二预测结果及其标注,对所述待训练的第二模型进行训练。
6.如权利要求1所述的方法,所述第一模型和所述第二模型采用下述方式训练得到:
获取样本用户的用户数据,作为第一训练样本,并针对每个推荐位置,将该推荐位置和所述样本用户的用户数据组合,作为第二训练样本,以及确定所述样本用户历史上执行验证业务时候选择的样本验证方式的类型,作为所述样本用户的标注;
将所述第一训练样本输入待训练的第一模型,得到所述第一模型输出的所述第一预测结果;
将各第二训练样本输入待训练的第二模型中,得到所述第二模型输出的所述各第二训练样本分别对应的第二预测结果;
根据所述第一预测结果和各第二预测结果,确定所述各验证方式分别对应的最终偏好程度;
根据所述各验证方式分别对应的最终偏好程度和所述样本用户的标注,确定第一损失,并根据所述第一损失,训练所述第一模型和所述第二模型。
7.如权利要求6所述的方法,根据所述第一损失,训练所述第一模型和所述第二模型,具体包括:
针对每个验证方式,根据所述第一预测结果和各第二预测结果,确定该验证方式在所述各推荐位置时分别对应的中间偏好程度;
根据该验证方式在所述各推荐位置分别对应的中间偏好程度之间的差距,确定第二差距;
根据所述各验证方式分别对应的第二差距,确定第二损失,并根据所述第一损失和所述第二损失,训练所述第一模型和所述第二模型。
8.一种验证方式的推荐装置,所述装置包括:
获取模块,用于获取用户的用户数据;
第一确定模块,用于针对用于展示验证方式的每个推荐位置,将所述用户数据输入训练完成的第一模型中,得到所述第一模型输出的所述用户对该推荐位置的偏好程度,作为该推荐位置对应的第一偏好程度;
第二确定模块,用于将该推荐位置和所述用户数据输入训练完成的第二模型中,得到所述第二模型输出的各验证方式在该推荐位置时分别对应的第二偏好程度,所述第二偏好程度为在所述各验证方式展示在该推荐位置的条件下所述用户对所述各验证方式分别对应的偏好程度;
无偏模块,用于针对每个验证方式,根据该验证方式在各推荐位置时分别对应的第二偏好程度,以及所述各推荐位置分别对应的第一偏好程度,得到该验证方式的最终偏好程度;
推荐模块,用于根据所述各验证方式的无偏点击率,确定目标验证方式,并向所述用户推荐。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310261886.4A CN116401652A (zh) | 2023-03-10 | 2023-03-10 | 一种验证方式的推荐方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310261886.4A CN116401652A (zh) | 2023-03-10 | 2023-03-10 | 一种验证方式的推荐方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116401652A true CN116401652A (zh) | 2023-07-07 |
Family
ID=87009482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310261886.4A Pending CN116401652A (zh) | 2023-03-10 | 2023-03-10 | 一种验证方式的推荐方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116401652A (zh) |
-
2023
- 2023-03-10 CN CN202310261886.4A patent/CN116401652A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674408A (zh) | 业务平台、训练样本的实时生成方法及装置 | |
CN110390182B (zh) | 一种确定小程序类目的方法、系统及设备 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN115828162A (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN113079201B (zh) | 一种信息的处理系统、方法、装置及设备 | |
CN110968483B (zh) | 业务数据采集方法、装置及电子设备 | |
CN110322139B (zh) | 策略推荐方法及装置 | |
CN116188023A (zh) | 一种风险识别模型训练的方法、装置、存储介质及设备 | |
CN116401652A (zh) | 一种验证方式的推荐方法、装置、设备及可读存储介质 | |
CN115526058A (zh) | 指挥决策系统 | |
CN116246276A (zh) | 一种信息识别方法、装置、设备及可读存储介质 | |
CN115545353A (zh) | 一种业务风控的方法、装置、存储介质及电子设备 | |
CN113343085B (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN110704742B (zh) | 一种特征提取方法及装置 | |
CN111241395B (zh) | 认证服务的推荐方法及装置 | |
CN110502589B (zh) | 一种节点血缘关系确定方法、装置以及电子设备 | |
CN110502551A (zh) | 数据读写方法、系统及架构组件 | |
CN117591217A (zh) | 一种信息展示方法、装置、设备及存储介质 | |
CN115795342B (zh) | 一种业务场景分类的方法、装置、存储介质及电子设备 | |
CN115828171B (zh) | 一种端云协同执行业务的方法、装置、介质及设备 | |
CN115688130B (zh) | 数据处理方法、装置及设备 | |
CN117592102A (zh) | 一种业务执行方法、装置、设备及存储介质 | |
CN117177002A (zh) | 一种视频播放的方法、装置、介质及设备 | |
CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 |
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 |