CN116484105B - 业务处理方法、装置及计算机设备、存储介质、程序产品 - Google Patents
业务处理方法、装置及计算机设备、存储介质、程序产品 Download PDFInfo
- Publication number
- CN116484105B CN116484105B CN202310516669.5A CN202310516669A CN116484105B CN 116484105 B CN116484105 B CN 116484105B CN 202310516669 A CN202310516669 A CN 202310516669A CN 116484105 B CN116484105 B CN 116484105B
- Authority
- CN
- China
- Prior art keywords
- item
- characterization information
- business
- candidate
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 58
- 238000012512 characterization method Methods 0.000 claims abstract description 407
- 230000003993 interaction Effects 0.000 claims abstract description 156
- 238000012545 processing Methods 0.000 claims abstract description 106
- 238000012482 interaction analysis Methods 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims description 118
- 238000000034 method Methods 0.000 claims description 84
- 230000002452 interceptive effect Effects 0.000 claims description 59
- 230000008569 process Effects 0.000 claims description 55
- 230000006978 adaptation Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 16
- 238000010219 correlation analysis Methods 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000012163 sequencing technique Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 9
- 230000008707 rearrangement Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 208000028659 discharge Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种业务处理方法、装置及计算机设备、存储介质、程序产品,该方法包括:获取表征业务对象的对象特征的第一表征信息以及表征多个候选物品中每个候选物品的物品特征的第二表征信息;对业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到业务对象与目标候选物品之间的交互表征信息;基于第一表征信息、目标候选物品的第二表征信息以及交互表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到业务对象对目标候选物品的感兴趣程度;根据业务对象对多个候选物品中每个候选物品的感兴趣程度,对多个候选物品进行兴趣过滤,得到业务对象的感兴趣物品。可以较为准确地确定业务对象的感兴趣物品,提升物品推荐精度。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及人工智能技术领域,具体涉及一种业务处理方法、一种业务处理装置、一种计算机设备、一种计算机可读存储介质、以及一种计算机程序产品。
背景技术
业务场景中常常会涉及到物品消费,例如,在视频点播业务场景中,点播某个视频就是在进行物品消费,又如,在新闻资讯推送业务场景中,浏览某条新闻资讯就是在进行物品消费,又如,点击各类业务场景中推送的广告,也是在进行物品消费。业务场景中物品的点击率和转化率等业务指标,可以反映业务场景中物品的消费情况,物品推荐技术往往被应用于业务场景中,作为提升业务场景中物品的业务指标的有效手段;在物品推荐技术中,精准地抓住业务对象的兴趣点,确定出业务对象的感兴趣物品,有利于提升业务场景中物品的业务指标。因此,如何较为准确地确定业务对象的感兴趣物品,成为物品推荐技术当前的研究热点。
发明内容
本申请实施例提供了一种业务处理方法、装置及计算机设备、存储介质、程序产品,可以较为准确地确定业务对象的感兴趣物品,提升物品推荐精度。
一方面,本申请实施例提供了一种业务处理方法,该业务处理方法包括:
获取用于表征业务对象的对象特征的第一表征信息,以及获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息;
对业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到业务对象与目标候选物品之间的交互表征信息;目标候选物品是多个候选物品中的任一个候选物品,交互表征信息用于表征业务对象的对象特征与目标候选物品的物品特征之间的特征交互情况;
基于第一表征信息、目标候选物品的第二表征信息以及交互表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到业务对象对目标候选物品的感兴趣程度;
根据业务对象对多个候选物品中每个候选物品的感兴趣程度,对多个候选物品进行兴趣过滤,得到业务对象的感兴趣物品。
相应地,本申请实施例提供了一种业务处理装置,该业务处理装置包括:
获取单元,用于获取用于表征业务对象的对象特征的第一表征信息,以及获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息;
处理单元,用于对业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到业务对象与目标候选物品之间的交互表征信息;目标候选物品是多个候选物品中的任一个候选物品,交互表征信息用于表征业务对象的对象特征与目标候选物品的物品特征之间的特征交互情况;
处理单元,还用于基于第一表征信息、目标候选物品的第二表征信息以及交互表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到业务对象对目标候选物品的感兴趣程度;
处理单元,还用于根据业务对象对多个候选物品中每个候选物品的感兴趣程度,对多个候选物品进行兴趣过滤,得到业务对象的感兴趣物品。
在一种实现方式中,处理单元,用于对业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到业务对象与目标候选物品之间的交互表征信息时,具体用于执行如下步骤:
对业务对象的对象特征和目标候选物品的物品特征进行交互分析,得到业务对象与目标候选物品之间的交互特征;
对交互特征进行特征分析,得到业务对象与目标候选物品之间的交互表征信息。
在一种实现方式中,处理单元,用于对业务对象的对象特征和目标候选物品的物品特征进行交互分析,得到业务对象与目标候选物品之间的交互特征时,具体用于执行如下步骤:
获取交互特征构建规则,交互特征构建规则用于定义构建交互特征的对象特征类型和候选物品类型;
根据交互特征构建规则,对业务对象的对象特征与目标候选物品的物品特征进行特征组合,得到交互特征。
在一种实现方式中,处理单元,用于对业务对象的对象特征和目标候选物品的物品特征进行交互分析,得到业务对象与目标候选物品之间的交互特征时,具体用于执行如下步骤:
对业务对象的对象特征和目标候选物品的物品特征进行特征组合,得到业务对象与目标候选物品之间的多个初始特征;
分别对每个初始特征进行适配分析,得到每个初始特征对应的适配信息;任一初始特征对应的适配信息用于指示,组成初始特征的对象特征与物品特征之间交互适配度;
根据每个初始特征对应的适配信息,对多个初始特征进行适配过滤,得到交互特征。
在一种实现方式中,获取单元,用于获取用于表征业务对象的对象特征的第一表征信息时,具体用于执行如下步骤:
获取业务对象的对象特征;
对业务对象的对象特征进行特征分析,得到第一表征信息。
在一种实现方式中,业务对象的对象特征包括N个对象特征空间中的对象特征,N为大于或等于2的整数;获取单元,用于对业务对象的对象特征进行特征分析,得到第一表征信息时,具体用于执行如下步骤:
分别对N个对象特征空间中的每个对象特征空间中的对象特征进行特征分析,得到对应对象特征空间中的对象表征信息;
对N个对象特征空间中的对象表征信息进行共性分析,得到第一表征信息。
在一种实现方式中,获取单元,用于对业务对象的对象特征进行特征分析,得到第一表征信息时,具体用于执行如下步骤:
对业务对象的对象特征进行多维兴趣分析,得到业务对象在多个兴趣维度下的对象表征信息;
对业务对象在多个兴趣维度下的对象表征信息进行关联性分析,得到第一表征信息。
在一种实现方式中,当第二表征信息的获取方式包括离线获取方式时,获取单元用于获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息时,具体用于执行如下步骤:
分别按照多路物品召回策略中的每路物品召回策略,召回每路物品召回策略下的预备物品的物品标识;
合并多路物品召回策略下的预备物品的物品标识,得到多个候选物品的物品标识;
根据多个候选物品的物品标识,在物品缓存空间中查找多个候选物品中每个候选物品的第二表征信息。
在一种实现方式中,当第二表征信息的获取方式包括在线获取方式时,获取单元,用于获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息时,具体用于执行如下步骤:
分别按照多路物品召回策略中的每路物品召回策略,召回每路物品召回策略下的预备物品的物品标识;
合并多路物品召回策略下的预备物品的物品标识,得到多个候选物品的物品标识;
基于多个候选物品的物品标识,从物品库中获取多个候选物品的物品特征;
对多个候选物品中每个候选物品的物品特征进行特征分析,得到相应候选物品的第二表征信息。
在一种实现方式中,处理单元,用于基于表征信息、目标候选物品的第二表征信息以及交互表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到业务对象对目标候选物品的感兴趣程度时,具体用于执行如下步骤:
对第一表征信息、目标候选物品的第二表征信息、以及交互表征信息进行拼接处理,得到拼接表征信息;
从表征信息深度分析角度对拼接表征信息进行学习,得到业务对象与目标候选物品在表征信息深层分析角度下的第一相关性信息;
从表征信息交叉分析角度对拼接表征信息进行学习,得到业务对象与目标候选物品在表征信息交叉分析角度下的第二相关性信息;
根据第一相关性信息和第二相关性信息,预测业务对象对目标候选物品的感兴趣程度。
在一种实现方式中,业务处理方法由业务处理模型执行,业务处理模型包括对象塔、排序塔和物品塔;业务处理模型的训练过程,包括:
获取训练样本数据,训练样本数据包括样本对象的对象特征、样本物品的物品特征、以及样本对象对样本物品的标记访问信息;
调用对象塔对样本对象的对象特征进行特征分析,得到样本对象的对象表征信息;
调用物品塔对样本物品的物品特征进行特征分析,得到样本物品的物品表征信息;
调用排序塔获取样本对象与样本物品之间的样本交互表征信息;以及,根据样本对象的对象表征信息、样本物品的物品表征信息和样本交互表征信息,预测样本对象对样本物品的访问情况,得到样本对象对样本物品的预测访问信息;
根据标记访问信息与预测访问信息之间的差异,对业务处理模型进行训练。
相应地,本申请实施例提供一种计算机设备,该计算机设备包括:
处理器,适于实现计算机程序;
计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序适于由处理器加载并执行上述的业务处理方法。
相应地,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被计算机设备的处理器读取并执行时,使得计算机设备执行上述的业务处理方法。
相应地,本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述的业务处理方法。
本申请实施例中,可以基于业务对象的第一表征信息,候选物品的第二表征信息,以及业务对象与候选物品之间的交互表征信息,预测业务对象对候选物品的感兴趣程度;第一表征信息可以用于表征业务对象的对象特征,第二表征信息可以用于表征候选物品的物品特征,如果基于第一表征信息和第二表征信息,预测业务对象对候选物品的感兴趣程度,那么存在因缺少业务对象与候选物品之间直接的特征交互,导致预测的业务对象对候选物品的感兴趣程度不够准确的问题,因此,本申请实施例中引入了业务对象与候选物品之间的交互表征信息,交互表征信息可以用于表征业务对象的对象特征与候选物品的物品特征之间的特征交互情况,也就是说,引入了业务对象与候选物品之间直接的特征交互,这样可以提升预测的业务对象对候选物品的感兴趣程度的准确性,从而,可以基于业务对象对候选物品的感兴趣程度,在候选物品中较为准确地确定业务对象的感兴趣物品,提升物品推荐精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1是本申请实施例提供的一种物品召回技术的原理示意图;
图2是本申请实施例提供的一种业务处理方法的方案原理示意图;
图3是本申请实施例提供的另一种业务处理方法的方案原理示意图;
图4是本申请实施例提供的一种业务处理系统的架构示意图;
图5是本申请实施例提供的一种业务处理方法的流程示意图;
图6是本申请实施例提供的一种业务处理模型的结构示意图;
图7是本申请实施例提供的另一种业务处理方法的流程示意图;
图8是本申请实施例提供的一种业务处理模型的部署方式示意图;
图9是本申请实施例提供的另一种业务处理模型的部署方式示意图;
图10是本申请实施例提供的一种业务处理装置的结构示意图;
图11是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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作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。
本申请实施例涉及物品推荐技术。物品推荐技术是指当业务场景中的业务对象存在物品推荐需求(例如,业务对象在业务场景中输入搜索关键词进行物品搜索,业务对象访问业务场景中的物品推荐功能模块,业务对象刷新业务场景中的物品推荐功能模块,业务对象访问业务场景中的某个物品,等等)时,在业务场景提供的物品中确定出业务对象的感兴趣物品,向业务对象推荐业务对象的感兴趣物品的技术。本申请实施例不对业务场景的类型进行限定,例如,业务场景可以包括但不限于以下任一种:视频点播场景、音频点播场景、新闻资讯浏览场景、以及广告推荐场景。本申请实施例不对物品的类型进行限定,例如,物品可以包括但不限于以下任一种:视频、音频、新闻资讯、文章、帖子以及广告。
物品推荐技术的大致原理可参见图1,物品推荐技术可以包括召回、粗排、精排、以及重排等阶段。其中:召回阶段可以从业务场景的物品库提供的物品中召回业务对象潜在兴趣的物品;粗排阶段可以对召回阶段召回的物品进行粗略排序,在保证一定精度的前提下,从召回阶段召回的物品中筛选业务对象潜在兴趣较高的物品进入精排阶段;精排阶段可以对粗排阶段筛选出的物品进行精准地排序,从粗排阶段筛选出的物品中进一步选取业务对象潜在兴趣较高的物品;重排阶段可以基于一些业务策略(例如,去已读、去重、打散、以及采样,等等)对精排阶段选取的物品进行处理,最终得到向业务对象推荐的感兴趣物品。通常情况下,粗排阶段是为了防止召回阶段召回的物品数量太多,排序环节的效率不高的情况,在召回阶段和精排阶段之间设置的,粗排阶段要求模型轻量化,能够快速对几千至万级召回阶段召回的物品进行排序,同时也要求模型精度尽可能接近精排模型,减少中间环节的误差损失。
基于上述对物品推荐技术的介绍,本申请实施例提出第一种可以应用于物品推荐技术中粗排阶段或精排阶段的业务处理方法,该业务处理方法可以在候选物品中确定业务对象的感兴趣物品。需要说明的是,当业务处理方法应用于粗排阶段时,候选物品为召回阶段召回的物品,粗排阶段输出的物品为业务对象的感兴趣物品;当业务处理方法应用于精排阶段时,候选物品为粗排阶段输出的物品,精排阶段输出的物品为业务对象的感兴趣物品。该业务处理方法的大致流程如图2所示:业务处理模型为双塔模型(Deep StructuredSemantic Models,深度结构语义模型),业务处理模型可以包括对象塔(也可以称为对象子模型)和物品塔(也可以称为物品子模型),对象塔可以用于提取用于表征业务对象的对象特征的第一表征信息,物品塔可用于提取表征候选物品的物品特征的第二表征信息;可以基于第一表征信息和第二表征信息之间的相似度,确定业务对象对候选物品的感兴趣程度,然后,可以基于业务对象对候选物品的感兴趣程度,在候选物品中确定业务对象的感兴趣物品。
在实际应用中,图2所示的业务处理方法中业务对象的第一表征信息和候选物品的第二表征信息均可以离线预先完成计算,线上服务可以直接进行表征信息读取,并完成简单的表征信息之间的相似度计算,大大降低了业务处理的计算量,提升业务处理效率。但是,图2所示的业务处理方法因缺少业务对象与候选物品之间直接的特征交互,所以第一表征信息和第二表征信息之间的相似度不能较为准确地表征业务对象对候选物品的感兴趣程度。
在此基础上,本申请实施例提出第二种可以应用于物品推荐技术中粗排阶段或精排阶段的业务处理方法,该业务处理方法的大致流程如图3所示,业务处理模型为三塔模型,业务处理模型可以包括对象塔(也可以称为对象子模型)、物品塔(也可以称为物品子模型)和排序塔(也可以称为排序子模型);对象塔可以用于提取用于表征业务对象的对象特征的第一表征信息,物品塔可用于提取表征候选物品的物品特征的第二表征信息;排序塔在预测业务对象对候选物品的感兴趣程度的过程中,除第一表征信息和第二表征信息外,还可以引入业务对象与候选物品之间的交互表征信息,交互表征信息可以表征业务对象的对象特征与候选物品的物品特征之间的特征交互情况,也就是说,排序塔在预测业务对象对候选物品的感兴趣程度的过程中,考虑了业务对象与候选物品之间直接的特征交互;因此,图3所示的业务处理方法可以较为准确地预测业务对象对候选物品的感兴趣程度,从而,可以基于业务对象对候选物品的感兴趣程度,在候选物品中较为准确地确定业务对象的感兴趣物品,提升物品推荐的整体精度。除此之外,物品塔还可以离线提取候选物品的第二表征信息,线上服务可以直接读取候选物品的第二表征信息进行感兴趣程度预测,这样可以提升感兴趣程度的预测效率,加速在候选物品中确定业务对象的感兴趣物品的过程,提升物品推荐中粗排阶段或精排阶段的效率,从而提升物品推荐的整体效率。
需要补充的是,在本申请实施例提供的业务处理方法中,表征信息的提取,感兴趣程度的预测等过程可以涉及人工智能技术领域的深度学习技术;特别地,当对象特征为文本特征时,还可以涉及人工智能技术领域的自然语言处理技术,当对象特征为图像或视频特征时,还可以涉及人工智能技术领域的计算机视觉技术,当对象特征为语音特征时,还可以涉及人工智能技术领域的语音技术。
其中:
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统;换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。深度学习(Deep Learning,DL)是机器学习(Machine Learning,ML)领域中一个新的研究方向,深度学习是学习数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助,它的目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。计算机视觉技术(Computer Vision,CV)研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。自然语言处理(Nature Language processing,NLP)研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法,可以用于对文本特征进行语义理解。语音技术(Speech Technology)的关键技术有自动语音识别技术和语音合成技术以及声纹识别技术,语音识别技术可以用于对语音特征进行语义理解。
另外,本申请实施例提供的业务处理方法涉及业务对象的对象特征的使用,本申请实施例中对象特征的收集处理在实例应用时严格根据相关国家法律法规的要求,获取个人信息主体的知情同意或单独同意,并在法律法规及个人信息主体的授权范围内,开展后续使用及处理。
下面结合图4对适于实现本申请实施例提供的业务处理方法的业务处理系统进行介绍。
如图4所示,业务处理系统可以包括终端401和服务器402,本申请实施例不对终端401和服务器402之间的通信连接方式进行限定,终端401和服务器402之间可以通过有线通信的方式建立直接的通信连接,或者,终端401和服务器402之间可以通过无线通信的方式建立间接的通信连接。其中:
(1)终端401:终端可以包括但不限于以下任一种:智能手机、平板电脑、笔记本电脑、台式计算机、智能手表、智能家电、智能车载终端、以及飞行器,等等。终端中可以运行有业务客户端,业务客户端是指具备物品推荐功能的客户端,例如,具备视频推荐功能的视频点播客户端,具备音频推荐功能的音频点播客户端,具备新闻资讯推荐功能的新闻资讯浏览客户端,具备广告推荐功能的各个业务客户端;本申请实施例不对业务客户端的类型进行限定,业务客户端可以包括业务应用程序、业务小程序、业务软件、以及业务网页等类型。业务对象是指业务客户端的注册对象。
(2)服务器402:服务器可以是单个的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器等等,本申请实施例对此不进行限定。服务器具体可以是业务客户端的数据处理服务器,服务器的物品库中存储有业务场景提供的多个物品,服务器可以基于物品推荐技术(包括召回阶段、粗排阶段、精排阶段以及重排阶段),确定业务对象的感兴趣物品。
在由终端401和服务器402组成的业务处理系统中,业务处理方法的大致流程可以参见如下描述:
当业务场景中的业务对象存在物品推荐需求(例如,业务对象在业务场景中输入搜索关键词进行物品搜索,业务对象访问业务场景中的物品推荐功能模块,业务对象刷新业务场景中的物品推荐功能模块,业务对象访问业务场景中的某个物品,等等)时,业务客户端可以通过终端向服务器发送物品推荐请求。
服务器接收到物品推荐请求后,可以基于物品推荐技术确定业务对象的感兴趣物品。具体来说,在召回阶段,服务器可以从业务场景的物品库提供的物品中召回业务对象潜在兴趣的物品。在粗排阶段,召回阶段召回的物品作为粗排阶段的候选物品,服务器可以基于本申请实施例提供的业务处理方法,在候选物品中确定出业务对象在粗排阶段的感兴趣对象输出至精排阶段。在精排阶段,粗排阶段输出的物品可以作为精排阶段的候选物品,服务器可以基于本申请实施例提供的业务处理方法,在候选物品中确定出业务对象在精排阶段的感兴趣对象输出至重排阶段。在重排阶段中,精排阶段输出的物品可以作为重排阶段的候选物品,服务器可以基于一些业务策略(例如,去已读、去重、打散、以及采样,等等)对候选物品进行处理,最终得到业务对象的感兴趣物品。服务器可以将业务对象的感兴趣物品推送至业务客户端。
业务客户端在接收到服务器推送的业务对象的感兴趣物品后,可以在业务客户端向业务对象呈现业务对象的感兴趣物品。基于本申请实施例提供的业务处理方法,粗排阶段可以较为准确地确定出业务对象在粗排阶段中的感兴趣物品输出至精排阶段,精排阶段可以较为准确地确定出业务对象在精排阶段中的感兴趣物品输出至重排阶段,从而可以提升物品推荐的整体精度。
可以理解的是,本申请实施例描述的业务处理系统是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着系统架构的演变(例如,终端和服务器可以集成于同一个设备(例如,终端和服务器可以统一集成于终端中)中,也就是说,终端可以独立地完成物品推荐)和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
下面结合本申请实施例提供的附图,对本申请实施例提供的业务处理方法进行详细介绍。
本申请实施例提供一种业务处理方法,该业务处理方法主要介绍业务处理模型的结构、业务处理模型的业务处理流程、第一表征信息的获取过程、以及交互表征信息的获取过程。该业务处理方法可以由计算机设备执行,计算机设备具体可以是终端或服务器,本申请实施例以计算机设备是服务器进行举例说明。如图5所示,该业务处理方法可以包括但不限于以下步骤S501-步骤S505:
S501,获取用于表征业务对象的对象特征的第一表征信息。
本申请实施例提供的业务处理方法中,预测业务对象对候选物品的感兴趣程度的过程由业务处理模型执行,在对本申请实施例中的步骤S501-步骤S502进行介绍之前,在此先对业务处理模型的模型结构进行介绍。如图6所示,业务处理模型可以包括对象塔、物品塔、排序塔和特征交互模块;对象塔、物品塔、特征交互模块和排序塔之间独立解耦,独立解耦可以理解为,对象塔、物品塔、特征交互模块和排序塔分别执行各自的任务,互不影响。其中:
(1)对象塔:
对象塔可以用于对业务对象的对象特征进行特征分析,得到业务对象的第一表征信息。更为详细地,对象塔可以包括特征输入层、嵌入层(Embedding层)和深度神经网络层(DNN层);输入层可以用于输入业务对象的对象特征;嵌入层可以用于对业务对象的对象特征进行嵌入表示,得到业务对象的初始表征信息,业务对象的初始表征信息可以理解为是业务对象的初始稠密特征向量;深度神经网络层可以用于对业务对象的初始表征信息进行特征提取,得到业务对象的第一表征信息,深度神经网络层在抽取业务对象的初始表征信息中有用特征信息的同时,可以将第一表征信息的维度压缩至固定维度(例如,固定维度可以是200维),业务对象的第一表征信息可以理解为是业务对象的低维度稠密特征向量。
对象塔中的深度神经网络层采用的深度神经网络模型可以根据业务场景的特点进行灵活选择,例如,深度神经网络可以包括但不限于以下任一种或多种的组合:多层的MLP(Multi-Layer Perceptron,多层感知机)网络、CNN(Convolutional Neural Networks,卷积神经网络)、以及Transformer(变换)网络,等等。
值得注意的是,对象特征具备实时性,也就是说,对象特征可以随时间变化发生一定的改变,基于对象特征的实时性特点,对象塔可以采用线上部署的方式,由于对象塔、物品塔和对象塔之间独立解耦,当需要预测业务对象对多个候选物品的感兴趣程度时,业务对象的对象特征不需要和多个候选物品的物品特征输入模型多次,换句话说,对象特征的特征分析不需要重复多次,只需进行一次特征分析,预测业务对象对多个候选物品的感兴趣程度均采用相同的业务对象的第一表征信息,这样可以降低线上预测业务对象对候选物品的感兴趣程度时的计算量,提升物品推荐的整体效率。
(2)物品塔:
物品塔与对象塔类似,物品塔可以用于对物品的物品特征进行特征分析,得到物品的第二表征信息。更为详细地,物品塔可以包括特征输入层、嵌入层(Embedding层)和深度神经网络层(DNN层);输入层可以用于输入物品的物品特征;嵌入层可以用于对物品的物品特征进行嵌入表示,得到物品的初始表征信息,物品的初始表征信息可以理解为是物品的初始稠密特征向量;深度神经网络层可以用于对物品的初始表征信息进行特征提取,得到物品的第二表征信息,深度神经网络层在抽取物品的初始表征信息中有用特征信息的同时,可以将第二表征信息的维度压缩至固定维度(例如,固定维度可以是200维),物品的第二表征信息可以理解为是物品的低维度稠密特征向量。
物品塔中的深度神经网络层采用的深度神经网络模型可以根据业务场景的特点进行灵活选择,例如,深度神经网络可以包括但不限于以下任一种或多种的组合:多层的MLP网络、CNN、以及Transformer网络,等等。
值得注意的是,物品特征具备稳定性,也就是说,物品特征随时间变化较不容易发生改变,基于物品特征的稳定性特征,物品塔可以采用在线部署或离线部署的方式;所谓的在线部署是指在确定候选物品后,在线实时计算候选物品的物品特征的第二表征信息;所谓的离线部署是指离线计算业务场景提供的所有物品的物品特征的第二表征信息,并基于KV(Key(键)-Value(值))存储的方式存储在物品缓存空间(Redis缓存)中,物品标识作为Key(键),第二表征信息作为Value(值),在确定候选物品后,可以直接从物品缓存空间中读取候选物品的第二表征信息。物品塔离线部署时,模型计算耗时没有严格的限制,物品塔的深度神经网络层可以采用更加复杂的深度神经网络模型结构,从而能够进一步提升第二表征信息对物品特征的表征能力,换句话说,第二表征信息能够更准地表征物品的物品特征。
(3)特征交互模块:
特征交互模块可以用于对业务对象与候选物品之间的交互特征进行特征分析,得到业务对象与候选物品之间的交互表征信息,业务对象与候选物品之间的交互特征可以是基于业务对象的对象特征和候选物品的物品特征构建的。更为详细地,特征交互模块可以包括输入层、嵌入层(Embedding层)和拼接层(Concate层);输入层可以用于输入交互特征;嵌入层可以用于对业务对象与候选物品之间的交互特征进行嵌入表示,得到业务对象与候选物品之间的初始表征信息,业务对象与候选物品之间的初始表征信息,可以理解为是业务对象与候选物品之间的初始稠密特征向量;交互特征的数量可以为多个,交互特征对应的初始表征信息的数量可以为多个,拼接层可以用于对多个交互特征对应的初始表征信息进行拼接处理,得到业务对象与候选物品之间的交互表征信息。
(4)排序塔(排序子模型):
排序塔可以基于第一表征信息、候选物品的第二表征信息以及交互表征信息,对业务对象与候选物品之间的相关性进行预测,得到业务对象对目标候选物品的感兴趣程度。更为详细地,排序塔可以包括拼接层(Concate层)、相关性分析层和输出层;拼接层可以用于对第一表征信息、候选物品的第二保证信息和交互表征信息进行拼接处理,得到拼接表征信息;相关性分析层可以用于基于拼接表征信息,对业务对象与候选物品之间的相关性进行预测,得到相关性预测信息;输出层可以采用激活函数(例如,可以是sigmoid函数)对相关性预测信息进行激活处理,得到业务对象对候选物品的感兴趣程度。
排序塔中的相关性分析层所采用的模型可以根据业务场景的特点进行灵活选择,例如,相关性分析层采用的模型可以包括但不限于以下任一种或多种的组合:DCN(DeepCross Network,深度交叉网络)、FM(Factorization Machines,因子分解机)网络、以及Transformer网络。
基于上述对业务处理模型的模型结构的介绍,下面以目标候选物品(任一个候选物品)为例,对业务处理模型下预测业务对象对目标候选物品的感兴趣程度的过程进行介绍:
①获取业务对象的对象特征Xu、目标候选物品的物品特征Xi、以及业务对象与目标候选物品之间的交互特征Xc。
②将以上特征分别输入业务处理模型的对象塔、物品塔和特征交互模块,经过嵌入层转换生成初始表征信息,即生成业务对象的初始表征信息Eu=W·Xu,目标候选物品的初始表征信息Ei=W·Xi,以及业务对象与目标候选物品之间的初始表征信息Ec=W·Xc。特别地,对象塔、物品塔和特征交互模块可以采用共享的嵌入层,这样可以减少业务处理模型的模型参数冗余。
③业务对象的初始表征信息输入对象塔的深度神经网络层进行特征提取,得到业务对象的第一表征信息Hu=DNN(Eu);目标候选物品的初始表征信息输入物品塔的深度神经网络层进行特征提取,得到目标候选物品的第二表征信息Hi=DNN(Ei);业务对象与目标候选物品表征信息之间的初始表征信息输入特征交互模块的拼接层进行拼接处理,得到业务对象与目标候选物品之间的交互表征信息Hc=Concate(Ec)。
④将业务对象的第一表征信息、目标候选物品的第二表征信息和交互表征信息输入排序塔的拼接层进行拼接处理后,将拼接处理得到的拼接表征信息输入排序塔的相关性分析层进行相关性预测后,将相关性预测信息输入输出层进行激活处理,得到业务对象对目标候选物品的感兴趣程度Scorei=Sigmoid(DCN(Hu,Hi,Hc))。
以上内容介绍了业务处理模型的模型结构以及业务处理模型下业务处理方法的整体流程,下面结合步骤S501-步骤S505,对业务处理方法中各个步骤的详细流程进行介绍。
在步骤S501中,业务对象的第一表征信息,可以是对业务对象的对象特征进行特征分析得到的;业务对象的对象特征可以包括:业务对象的属性信息、业务对象的兴趣标签、业务对象的兴趣分类信息、业务对象在业务客户端中的关注(例如,点赞、收藏,等等)物品类型、以及业务对象在业务客户端中的历史物品访问情况(例如,历史访次数最多的物品类型、历史访问时间最长的物品类型,等等),等等。业务对象的对象特征的特征分析过程,可以包括以下任一种:
第一种,直接对业务对象的对象特征进行特征分析。如前述对业务处理模型的模型结构的描述,在获取到业务对象的对象特征后,可以调用对象塔中的嵌入层对业务对象的对象特征进行嵌入表示,得到业务对象的初始表征信息,然后,可以调用对象塔中的深度神经网络层对业务对象的初始表征信息进行特征提取,得到业务对象的第一表征信息。在该方式下,得到的第一表征信息的数量为一个,业务对象的第一表征信息能够在一定程度上准确地表征业务对象的对象特征。
第二种,分析业务对象在不同对象特征空间下的对象特征之间的共性。业务对象的对象特征可以包括N个对象特征空间中的对象特征,N为大于或等于2的整数。在此情况下,可以分别对N个对象特征空间中的每个对象特征空间中的对象特征进行特征分析,得到对应对象特征空间中的对象表征信息;具体来说,可以调用对象塔中的嵌入层分别对N个对象特征空间中的每个对象特征空间中的对象特征进行嵌入表示,得到对应对象特征空间中的初始表征信息,然后,可以调用对象塔中的深度神经网络层分别对N个对象特征空间中的每个对象特征空间中的初始表征信息进行特征提取,得到对应对象特征空间中的对象表征信息,任一个对象特征空间中的对象表征信息,可以用于表征对应对象特征空间中的对象特征。在此基础上,对象塔中还可以包括共性分析层,共性分析层可以用于对N个对象特征空间中的对象表征信息进行共性分析,得到第一表征信息。在此方式下,N个对象特征空间可以从N个不同的特征维度描述对象特征,也就是说,N个对象特征空间中的对象特征属于不同的特征维度,例如,一个对象特征空间可以从属性角度描述对象特征,另一个对象特征空间可以从兴趣标签角度描述对象特征,该方式通过挖掘不同对象特征空间下的对象特征的共性,可以提升第一表征信息对业务对象的对象特征的表征能力,从而使得第一表征信息可以较为准确地表征业务对象的对象特征。
第三种,分析业务对象的对象特征在不同兴趣维度下的关联性。上述第一种业务对象的对象特征的特征分析方式中,得到的第一表征信息的数量为一个,对于兴趣广泛的业务对象,第一表征信息可能无法充分地表征业务对象不同兴趣维度的对象特征。基于此,可以对业务对象的对象特征进行多维兴趣分析,得到业务对象在多个兴趣维度下的对象表征信息,然后,可以分析业务对象在多个兴趣维度下的对象表征信息之间关联性,得到第一表征信息。具体来说,可以采用多维信息挖掘网络层替换对象塔中的深度学习网络层,多维信息挖掘网络层采用的模型例如可以是MIND(Multi-Interest Network with DynamicRouting,基于动态路由的多兴趣网络)模型,多维信息挖掘网络层后可以连接关联分析层,关联分析层采用的模型例如可以是Self-Attention(自注意力机制)模型。在调用对象塔中的嵌入层对业务对象的对象特征进行嵌入表示,得到业务对象的初始表征信息后,可以调用对象塔中的多维信息挖掘网络层对业务对象的初始表征信息进行多维兴趣分析,得到业务对象在多个兴趣维度下的对象表征信息;然后,可以调用对象塔中的关联分析层对业务对象在多个兴趣维度下对象表征信息进行关联性分析,得到第一表征信息;关联性分析具体是指,针对任一个兴趣维度下的对象表征信息,可以分析这个兴趣维度下的对象表征信息与各个兴趣维度下的对象表征信息之间的关联性(包括自身),得到各个兴趣维度下的对象表征信息的权重,关联性越高,权重与大,然后,可以基于各个兴趣维度下的对象表征信息的权重,对各个兴趣维度下的对象表征信息进行加权求和处理,得到这个兴趣维度下的第一表征信息。在此方式下,可以挖掘业务对象在不同兴趣维度下的对象表征信息,通过关联性分析,可以筛选各个兴趣维度下的对象表征信息中的有效信息,这样可以提升第一表征信息对业务对象的对象特征的表征能力,从而使得第一表征信息可以较为准确地表征业务对象的对象特征。
S502,获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息。
当业务处理方法应用于粗排阶段时,多个候选物品可以是召回阶段从物品库中召回的物品;具体来说,召回阶段可以按照多路物品召回策略从物品库中召回预备物品,合并每路物品召回策略下召回的预备物品,可以得到多个候选物品。其中,物品召回策略定义了从物品库中召回物品的方式,多路物品召回策略可以但不限于以下至少两种:热点召回策略,标签召回策略,模型匹配召回策略,热点召回策略是指召回物品库中被访问程度较高(例如,被访问次数较多、被访问时间较长,等等)的物品,标签召回策略是指召回物品库中物品标签与对象标签相匹配的物品,模型匹配召回策略是指通过神经网络模型召回物品库中物品类型与对象兴趣类型相匹配的物品。多路物品召回策略的物品召回过程可以是并行的,这样可以提升候选物品的整体召回速度,通过多路召回合并,多路召回结果统一由业务处理模型进行感兴趣程度预测,重复考虑了业务对象的兴趣和物品的特点,能够充分挖掘出多路召回结果中的业务对象的感兴趣物品。
当业务处理方法应用于精排阶段时,多个候选物品可以是业务对象在粗排阶段的感兴趣物品,换句话说,多个候选物品是粗排阶段的输出结果。
候选物品的物品特征可以包括:候选物品的物品标识,候选物品的物品类型(例如,候选物品的一级分类类型、候选物品的二级分类类型,等等)、候选物品的发布来源信息(例如,候选物品的发布者信息、候选物品的发布者的发布物品领域信息,等等)、候选物品的发布时间信息、候选物品的物品标签、以及候选物品的被访问情况信息(例如,被访问次数、被访问时长、以及被关注次数,等等),等等。
S503,对业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到业务对象与目标候选物品之间的交互表征信息。
候选物品的数量为多个,需要对业务对象的对象特征与每个候选物品的物品特征进行特征交互分析,得到业务对象与相应候选物品之间的交互表征信息,以多个候选物品中的任一个候选物品(可以表示为目标候选物品)为例,需要对业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到业务对象与目标候选物品之间的交互表征信息,业务对象与目标候选物品之间的交互表征信息可以用于表征业务对象的对象特征与目标候选物品的物品特征之间的特征交互情况。对业务对象的对象特征与目标候选物品的物品特征进行特征交互分析的过程,具体可以包括:对业务对象的对象特征和目标候选物品的物品特征进行交互分析,得到业务对象与目标候选物品之间的交互特征;对交互特征进行特征分析,得到业务对象与目标候选物品之间的交互表征信息。交互特征的特征分析过程,具体可以包括:可以调用特征交互模块中的嵌入层对业务对象与目标候选物品之间的交互特征进行嵌入表示,得到业务对象与目标候选物品之间的初始表征信息,交互特征的数量可以为多个,交互特征对应的初始表征信息的数量可以为多个;然后,可以调用特征交互模块中的拼接层对多个交互特征对应的初始表征信息进行拼接处理,得到业务对象与目标候选物品之间的交互表征信息。
业务对象与目标候选物品之间的交互表征信息,表征业务对象的对象特征与目标候选物品的物品特征之间的特征交互情况的准确性,是由业务对象的对象特征与目标候选物品的物品特征之间的交互合理性决定的。交互特征具体是指M阶交互特征,M阶交互特征是指交互特征中包含的对象特征和物品特征的数量一共为M个,M为大于或等于2的整数;例如,二阶交互特征是指交互特征中包含的对象特征和物品特征的数量一共为两个,二阶交互特征中对象特征和物品特征的组合形式可以包括:对象特征+物品特征;又如,三阶交互特征是指交互特征中包含的对象特征和物品特征的数量一共为三个,三阶交互特征中对象特征和物品特征的组合形式可以为包括但不限于以下任一种:对象特征+物品特征+对象特征、对象特征+物品特征+物品特征、物品特征+对象特征+物品特征、以及对象特征+对象特征+物品特征。下面对业务对象的对象特征与目标候选物品的物品特征之间的交互分析方式进行介绍:
在一种实现方式中,业务对象的对象特征与目标候选物品的物品特征之间的交互分析,可以是基于交互特征构建规则实现的。具体来说:可以获取交互特征构建规则,交互特征构建规则用于可以定义构建交互特征的对象特征类型和候选物品类型;交互特征构建规则可以是业务客户端的设计者根据经验设计的,业务客户端的设计者根据经验,可以知晓什么对象特征类型下的对象特征和什么物品特征类型下的物品特征之间可以构建出合理的交互特征;例如,业务对象的兴趣标签+候选物品的物品类型可以组合得到的交互特征,业务对象的属性信息+候选物品的物品类型可以组合得到的交互特征,前者的合理性明显高于后者。然后,可以根据交互特征构建规则,对业务对象的对象特征与目标候选物品的物品特征进行特征组合,得到交互特征。通过这种方式,基于根据经验设计的交互特征构建规则,可以合理地构建业务对象与目标候选物品之间的交互特征,这样可以使得基于交互特征提取的交互表征信息,能够较为准确地表征业务对象的对象特征与目标候选物品的物品特征之间的特征交互情况。
在另一种实现方式中,交互特征可以在适配分析后获得。具体来说:首先,可以对业务对象的对象特征和目标候选物品的物品特征进行特征组合,得到业务对象与目标候选物品之间的多个初始特征。其次,可以分别对每个初始特征进行适配分析,得到每个初始特征对应的适配信息;任一初始特征对应的适配信息可以用于指示,组成初始特征的对象特征与物品特征之间交互适配度,换句话说,可以用于指示组成初始特征的对象特征与物品特征之间的交互合理性。然后,可以根据每个初始特征对应的适配信息,对多个初始特征进行适配过滤,得到交互特征;适配过滤是指过滤掉多个初始特征中交互适配度较低的初始特征,筛选出多个初始特征中交互适配度较高的初始特征作为交互特征,交互特征可以是多个初始特征中,适配信息大于适配阈值(适配阈值可以是业务客户端的设计者根据经验设置的)的初始特征;或者,可以按照适配信息由高至低的顺序,对多个初始特征进行排序,可以选择排列于前Y位(即topY)的初始特征作为交互特征,Y为大于1的整数。通过这种方式,通过对初始特征进行适配分析,可以将交互适配度较高的初始特征作为交互特征,交互适配度较高的初始特征包括的对象特征和物品特征之间的组合较为合理,从而,可以合理地构建业务对象与目标候选物品之间的交互特征,这样可以使得基于交互特征提取的交互表征信息,能够较为准确地表征业务对象的对象特征与目标候选物品的物品特征之间的特征交互情况。
S504,基于第一表征信息、目标候选物品的第二表征信息以及交互表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到业务对象对目标候选物品的感兴趣程度。
本申请实施例中,步骤S504可以是调用业务处理模型中的排序塔执行的,首先,可以调用排序塔中的拼接层对第一表征信息、目标候选物品的第二保证信息和交互表征信息进行拼接处理,得到拼接表征信息;其次,可以调用排序塔中的相关性分析层基于拼接表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到相关性预测信息;然后,可以调用排序塔中的输出层采用激活函数对相关性预测信息进行激活处理,得到业务对象对目标候选物品的感兴趣程度。
由前述内容可知,相关性分析层采用的模型可以包括但不限于以下任一种或多种的组合:DCN、FM网络、以及Transformer网络。在此以相关性分析层采用的模型是DCN为例介绍业务对象与目标候选物品之间的相关性预测的过程,DCN可以从表征信息深度分析角度和表征信息交叉分析角度,对业务对象与目标候选物品之间的相关性进行预测。具体来说,调用排序塔中的相关性分析层基于拼接表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到相关性预测信息,可以包括:从表征信息深度分析角度对拼接表征信息进行学习,得到业务对象与目标候选物品在表征信息深层分析角度下的第一相关性信息;从表征信息交叉分析角度对拼接表征信息进行学习,得到业务对象与目标候选物品在表征信息交叉分析角度下的第二相关性信息,也就是说,相关性预测信息可以包括第一相关性信息和第二相关性信息。基于此,调用排序塔中的输出层采用激活函数对相关性预测信息进行激活处理,得到业务对象对目标候选物品的感兴趣程度,可以包括:调用排序塔中的输出层采用激活函数对第一相关性信息和第二相关性信息进行激活处理,得到业务对象对目标候选物品的感兴趣程度。
S505,根据业务对象对多个候选物品中每个候选物品的感兴趣程度,对多个候选物品进行兴趣过滤,得到业务对象的感兴趣物品。
在确定业务对象对多个候选物品中每个候选物品的感兴趣程度后,可以根据业务对象对多个候选物品中每个候选物品的感兴趣程度,对多个候选物品进行兴趣过滤,得到业务对象的感兴趣物品;兴趣过滤是指过滤掉多个候选物品中感兴趣程度较低的候选物品,筛选出多个候选物品中感兴趣程度较高的候选物品作为业务对象的感兴趣物品。具体来说,感兴趣程度可以采用感兴趣评分进行表示,感兴趣评分越高,表示感兴趣程度越高;感兴趣物品可以是多个候选物品中,感兴趣评分大于评分阈值(评分阈值可以是业务客户端的设计者根据经验设置的)的初始特征;或者,可以按照感兴趣评分由高至低的顺序,对多个候选物品进行排序,可以选择排列于前Z位(即topZ)的候选物品作为感兴趣物品,Z为大于1的整数。
当业务处理方法应用于粗排阶段时,业务对象的感兴趣物品可以作为业务对象在粗排阶段的感兴趣物品输出至精排阶段;当业务处理方法应用于精排阶段时,业务对象的感兴趣物品可以作为业务对象在精排阶段的感兴趣物品输出至重排阶段。
本申请实施例中,可以基于业务对象的第一表征信息,候选物品的第二表征信息,以及业务对象与候选物品之间的交互表征信息,预测业务对象对候选物品的感兴趣程度;第一表征信息可以用于表征业务对象的对象特征,第二表征信息可以用于表征候选物品的物品特征,如果基于第一表征信息和第二表征信息,预测业务对象对候选物品的感兴趣程度,那么存在因缺少业务对象与候选物品之间直接的特征交互,导致预测的业务对象对候选物品的感兴趣程度不够准确的问题,因此,本申请实施例中引入了业务对象与候选物品之间的交互表征信息,交互表征信息可以用于表征业务对象的对象特征与候选物品的物品特征之间的特征交互情况,也就是说,引入了业务对象与候选物品之间直接的特征交互,这样可以提升预测的业务对象对候选物品的感兴趣程度的准确性,从而,可以基于业务对象对候选物品的感兴趣程度,在候选物品中较为准确地确定业务对象的感兴趣物品,提升物品推荐精度。
本申请实施例提供一种业务处理方法,该业务处理方法主要介绍业务处理模型的部署方式、业务处理模型的训练过程以及候选物品的第二表征信息的获取过程(在线获取或离线获取)。该业务处理方法可以由计算机设备执行,计算机设备具体可以是终端或服务器,本申请实施例以计算机设备是服务器进行举例说明。如图7所示,该动画角色的创建方法可以包括但不限于以下步骤S701-步骤S708:
S701,获取用于表征业务对象的对象特征的第一表征信息。
本申请实施例中,步骤S701的执行过程与上述图5所示实施例中步骤S501的执行过程相同,具体可以参见上述图5所示实施例中步骤S501的相关描述,在此不再赘述。
S702,获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息。
候选物品的物品特征的第二表征信息可以是离线获取的,或者可以是在线获取的,下面分别对候选物品的物品特征的第二表征信息的这两种获取方式进行介绍:
(1)离线获取方式:
候选物品的物品特征的第二表征信息可以是离线获取的,所谓的离线获取是指物品塔离线计算业务场景提供的所有物品的物品特征的第二表征信息,并将计算得到的第二表征信息存储在物品缓存空间中,在确定候选物品后,可以直接从物品缓存空间中获取候选物品的第二表征信息。具体来说,可以分别按照多路物品召回策略中的每路物品召回策略,召回每路物品召回策略下的预备物品的物品标识,通过合并多路物品召回策略下的预备物品的物品标识,得到多个候选物品的物品标识,多路物品召回策略具体可以参见上述图5所示实施例中步骤S502的描述;然后,可以根据多个候选物品的物品标识,在物品缓存空间中查找多个候选物品中每个候选物品的第二表征信息。
第二表征信息的离线获取方式,对应于业务处理模型中物品塔的离线部署方式,图8示出了物品塔离线部署方式下业务处理模型的整体部署逻辑:业务处理模型中的对象塔、物品塔、特征交互模块、以及排序塔各自独立部署,其中,对象塔、特征交互模块和排序塔在线部署,物品塔离线部署;对象塔由对象塔服务调用,物品塔由物品塔服务调用,排序塔和特征交互模块由排序塔服务调用,对象塔服务、物品塔服务和排序塔服务均由物品推荐服务调用。在图8所示部署方式下,业务处理方法的执行流程可参见如下描述:
①物品塔服务搭建离线计算任务,调用物品塔分别对业务场景提供物品库中每个物品的物品特征进行特征分析,得到各个物品的第二表征信息,并基于KV存储的方式将各个物品的第二表征信息存储在物品缓存空间中,KV存储的方式即在物品缓存空间中将物品标识和对应的第二表征信息进行关联存储。②物品推荐服务通过多路物品召回策略获取多个候选物品的物品标识。③物品推荐服务调用对象塔服务获取业务对象的第一表征信息,对象塔服务调用对象塔输入业务对象的对象特征,对业务对象的对象特征进行特征分析,得到业务对象的第一表征信息,并将业务对象的第一表征信息和业务对象的对象特征返回至物品推荐服务。值的注意的是,对象塔的调用和多路物品召回策略召回候选物品的物品标识可以并发执行,这样业务对象的第一表征信息的计算不会额外增加候选物品的物品标识召回的耗时,提升物品推荐的整体效率。④物品推荐服务调用排序塔服务,调用请求中携带多个候选物品的物品标识、业务对象的对象特征、以及业务对象的第一表征信息;排序塔服务首先可以基于多个候选物品的物品标识在物品缓存空间中查询多个候选物品的第二表征信息,以及多个候选物品的物品特征;其次,针对任一个候选物品(可以表示为目标候选物品),排序塔服务可以调用特征交互模块根据业务对象的对象特征和目标候选物品的物品特征,构建业务对象和目标候选物品之间的交互特征,并对业务对象和目标候选物品之间的交互特征进行特征分析,得到业务对象和目标候选物品之间的交互表征信息;然后,排序塔服务可以调用排序塔基于第一表征信息、目标候选物品的第二表征信息以及交互表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到业务对象对目标候选物品的感兴趣程度,并将业务对象对目标候选物品的感兴趣程度返回物品推荐服务。⑤物品推荐服务可以根据业务对象对多个候选物品中每个候选物品的感兴趣程度,在多个候选物品中确定业务对象的感兴趣物品。
通过这种方式,候选物品的第二表征信息的计算过程离线完成,线上预测业务对象对候选物品的感兴趣程度时,可以直接读取已计算完成的候选物品的第二表征信息,减少线上预测的计算耗时,提高线上预测的整体效率。并且,在图8所示的部署方式中,只有排序塔的计算会额外增加了业务处理模型的耗时,而由于输入排序塔的表征信息的参数量较低(例如,输入的表征信息为固定维度200维),使得线上预测的耗时非常低。以新闻资讯预览业务场景为例,预测业务对象对1000个候选物品的感兴趣程度时,平均耗时只有16毫秒,能够较好地满足粗排阶段高计算效率的需求。
(2)在线获取方式:
候选物品的物品特征的第二表征信息可以是在线获取的,所谓的在线获取是指实时获取候选物品的物品特征,实时计算候选物品的物品特征的第二表征信息。具体来说,可以分别按照多路物品召回策略中的每路物品召回策略,召回每路物品召回策略下的预备物品的物品标识,通过合并多路物品召回策略下的预备物品的物品标识,得到多个候选物品的物品标识,多路物品召回策略具体可以参见上述图5所示实施例中步骤S502的描述;然后,可以基于多个候选物品的物品标识,从物品库中获取候选物品的物品特征,对多个候选物品中每个候选物品的物品特征进行特征分析,得到相应候选物品的第二表征信息。
第二表征信息的在线获取方式,对应于业务处理模型物品塔的在线部署方式,图9示出了物品塔在线部署方式下业务处理模型的整体部署逻辑:业务处理模型中的对象塔、物品塔、特征交互模块、以及排序塔各自独立在线部署;对象塔由对象塔服务调用,物品塔由物品塔服务调用,排序塔和特征交互模块由排序塔服务调用,对象塔服务、物品塔服务和排序塔服务均由物品推荐服务调用。在图9所示部署方式下,业务处理方法的执行流程可参见如下描述:
①物品推荐服务通过多路物品召回策略获取多个候选物品的物品标识。②物品推荐服务调用对象塔服务获取业务对象的第一表征信息,对象塔服务调用对象塔输入业务对象的对象特征,对业务对象的对象特征进行特征分析,得到业务对象的第一表征信息,并将业务对象的第一表征信息和业务对象的对象特征返回至物品推荐服务。值的注意的是,对象塔的调用和多路物品召回策略召回候选物品的物品标识可以并发执行,这样业务对象的第一表征信息的计算不会额外增加候选物品的物品标识召回的耗时,提升物品推荐的整体效率。③物品推荐服务调用物品塔服务,调用请求中携带多个候选物品的物品标识;物品塔服务调用物品塔基于多个候选物品的物品标识,从物品库中获取候选物品的物品特征,对多个候选物品中每个候选物品的物品特征进行特征分析,得到相应候选物品的第二表征信息,并将多个候选物品的物品特征和多个候选物品的第二表征信息返回物品推荐服务。④物品推荐服务调用排序塔服务,调用请求中携带多个候选物品的第二表征信息、多个候选物品的物品特征、业务对象的对象特征、以及业务对象的第一表征信息;针对任一个候选物品(可以表示为目标候选物品),排序塔服务可以调用特征交互模块根据业务对象的对象特征和目标候选物品的物品特征,构建业务对象和目标候选物品之间的交互特征,并对业务对象和目标候选物品之间的交互特征进行特征分析,得到业务对象和目标候选物品之间的交互表征信息;然后,排序塔服务可以调用排序塔基于第一表征信息、目标候选物品的第二表征信息以及交互表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到业务对象对目标候选物品的感兴趣程度,并将业务对象对目标候选物品的感兴趣程度返回物品推荐服务。⑤物品推荐服务可以根据业务对象对多个候选物品中每个候选物品的感兴趣程度,在多个候选物品中确定业务对象的感兴趣物品。
通过这种方式,线上实时计算候选物品的第二表征信息,当候选物品的物品特征发生变化时,候选物品的第二表征信息能够实时表征候选物品最新的物品特征,这样可以提升候选物品的第二表征信息表征候选物品的物品特征的准确性。
需要说明的是,无论是上述在线获取候选物品的第二表征信息的方式,还是上述离线获取候选物品的第二表征信息的方式,都涉及对物品的物品特征进行特征分析的过程;对物品的物品特征进行特征分析的过程,与对业务对象的对象特征进行特征分析的过程类似,可以包括以下任一种:直接对物品的物品特征进行特征分析(类似于直接对业务对象的对象特征进行特征分析)、分析物品在不同物品特征空间下的物品特征之间的共性(类似于分析业务对象在不同对象特征空间下的对象特征之间的共性)、以及分析物品的物品特征在不同特征维度下的关联性(类似于分析业务对象的对象特征在不同兴趣维度下的关联性);具体可以参见上述图5所示实施例中步骤S502的描述,在此不再赘述。
S703,对业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到业务对象与目标候选物品之间的交互表征信息。
本申请实施例中,步骤S703的执行过程与上述图5所示实施例中步骤S503的执行过程相同,具体可以参见上述图5所示实施例中步骤S503的相关描述,在此不再赘述。
S704,对第一表征信息、目标候选物品的第二表征信息、以及交互表征信息进行拼接处理,得到拼接表征信息。
S705,从表征信息深度分析角度对拼接表征信息进行学习,得到业务对象与目标候选物品在表征信息深层分析角度下的第一相关性信息。
表征信息深度分析角度的学习具体可以是由DCN中的深度网络执行的,深度网络中可以包括多个深度层,多个深度层从表征信息深度分析角度对拼接表征信息进行学习的过程,可以包括:调用第一个深度层对拼接表征信息进行深度学习,得到第一个深度层的深度学习结果,调用第二个深度层对第一个深度层的深度学习结果进行深度学习,得到第二个深度层的深度学习结果,以此类推,直至得到最后一个深度层的深度学习结果,可以将最后一个深度层的深度学习结果作为业务对象与目标候选物品在表征信息深层分析角度下的第一相关性信息。
S706,从表征信息交叉分析角度对拼接表征信息进行学习,得到业务对象与目标候选物品在表征信息交叉分析角度下的第二相关性信息。
表征信息深度分析角度的学习具体可以是由DCN中的交叉网络执行的,交叉网络中可以包括多个交叉层,多个交叉层从表征信息交叉分析角度对拼接表征信息进行学习的过程,可以包括:调用第一个交叉层对在两个拼接表征信息之间进行交叉学习,得到第一个交叉层的交叉学习结果,调用第二个交叉层在拼接表征信息和第一个交叉层的交叉学习结果之间进行交叉学习,得到第二个交叉层的交叉学习结果,以此类推,直至得到最后一个交叉层的深度学习结果,可以将最后一个交叉层的深度学习结果作为业务对象与目标候选物品在表征信息交叉分析角度下的第二相关性信息。
S707,根据第一相关性信息和第二相关性信息,预测业务对象对目标候选物品的感兴趣程度。
在得到第一相关性信息和第二相关性信息后,可以对第一相关性信息和第二相关性信息进行拼接处理,然后可以对拼接结果进行激活处理,得到业务对象对目标候选物品的感兴趣程度。
S708,根据业务对象对多个候选物品中每个候选物品的感兴趣程度,对多个候选物品进行兴趣过滤,得到业务对象的感兴趣物品。
本申请实施例中,步骤S708的执行过程与上述图5所示实施例中步骤S505的执行过程相同,具体可以参见上述图5所示实施例中步骤S505的相关描述,在此不再赘述。
以上步骤S701-步骤S708的内容详细介绍了业务处理模型在实际应用时,在预测业务对象对候选物品的感兴趣程度的过程。下面对业务处理模型的训练过程进行介绍,业务处理模型的训练过程可以包括:首先,可以获取训练样本数据,训练样本数据包括样本对象的对象特征、样本物品的物品特征、以及样本对象对样本物品的标记访问信息(可以理解为,样本对象对样本物品的实际访问情况)。其次,可以调用对象塔对样本对象的对象特征进行特征分析,得到样本对象的对象表征信息;调用物品塔对样本物品的物品特征进行特征分析,得到样本物品的物品表征信息;调用排序塔获取样本对象与所述样本物品之间的样本交互表征信息;以及,根据样本对象的对象表征信息、样本物品的物品表征信息和样本交互表征信息,预测样本对象对样本物品的访问情况,得到样本对象对样本物品的预测访问信息(可以理解为,预测的样本对象对样本物品的访问情况);需要说明的是,在业务处理模型的训练过程中,对象特征的特征分析、物品特征的特征分析、以及对象与物品之间的相关性预测等过程,与业务处理模型的实际应用中的相应过程是类似的,具体可以参见上述图5和图7所示实施例中的相关描述,在此不再赘述。然后,可以根据标记访问信息与预测访问信息之间的差异,对业务处理模型进行训练。
在业务处理模型的训练过程中,业务处理模型的模型参可以根据不同的业务场景需求进行灵活设置;例如,对象塔和物品塔中深度神经网络层所采用的模型可以为2层的用户和物品塔均采用了2层的MLP网络进行特征提取,输出的表征信息的维度可以设置为固定维度200维;而排序塔中相关性分析层所采用的模型可以为3层DCN。在对业务处理模型训练结束后,还可以获取测试样本数据对业务处理模型进行测试,以对业务处理模型进行离线评估和对比,业务处理模型的测试过程与业务处理模型的训练过程类似,在此不再赘述。在业务处理模型的离线评估中,以新闻资讯浏览业务场景为例,本申请实施例提供的业务处理模型执行业务处理方法,可以带来新闻资讯浏览业务场景的平均精度(Mean AveragePrecision,MAP)指标提升18.3%,而在业务处理模型的线上评估中,可以带来新闻资讯浏览业务场景的点击率(Click-Through Rate,CTR)指标提升15.4%。
特别地,当采用分析业务对象在不同对象特征空间下的对象特征之间的共性这种方式获取业务对象的第一表征信息时,可以采用自监督的对比学习(ContrastiveLearning)机制对对象塔进行训练。类似地,当采用分析物品在不同物品特征空间下的物品特征之间的共性这种方式获取物品的第二表征信息时,可以采用自监督的对比学习(Contrastive Learning)机制对物品塔进行训练。
本申请实施例中,可以基于业务对象的第一表征信息,候选物品的第二表征信息,以及业务对象与候选物品之间的交互表征信息,预测业务对象对候选物品的感兴趣程度;第一表征信息可以用于表征业务对象的对象特征,第二表征信息可以用于表征候选物品的物品特征,如果基于第一表征信息和第二表征信息,预测业务对象对候选物品的感兴趣程度,那么存在因缺少业务对象与候选物品之间直接的特征交互,导致预测的业务对象对候选物品的感兴趣程度不够准确的问题,因此,本申请实施例中引入了业务对象与候选物品之间的交互表征信息,交互表征信息可以用于表征业务对象的对象特征与候选物品的物品特征之间的特征交互情况,也就是说,引入了业务对象与候选物品之间直接的特征交互,这样可以提升预测的业务对象对候选物品的感兴趣程度的准确性,从而,可以基于业务对象对候选物品的感兴趣程度,在候选物品中较为准确地确定业务对象的感兴趣物品,提升物品推荐精度。
上述详细阐述了本申请实施例的方法,为了便于更好地实施本申请实施例的上述方案,相应地,下面提供了本申请实施例的装置。
请参见图10,图10是本申请实施例提供的一种业务处理装置的结构示意图,该业务处理装置可以设置于本申请实施例提供的计算机设备中,计算机设备可以是终端或服务器。图10所示的业务处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),该业务处理装置可以用于执行图5或图7所示的方法实施例中的部分或全部步骤。请参见图10,该业务处理装置可以包括如下单元:
获取单元1001,用于获取用于表征业务对象的对象特征的第一表征信息,以及获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息;
处理单元1002,用于对业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到业务对象与目标候选物品之间的交互表征信息;目标候选物品是多个候选物品中的任一个候选物品,交互表征信息用于表征业务对象的对象特征与目标候选物品的物品特征之间的特征交互情况;
处理单元1002,还用于基于第一表征信息、目标候选物品的第二表征信息以及交互表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到业务对象对目标候选物品的感兴趣程度;
处理单元1002,还用于根据业务对象对多个候选物品中每个候选物品的感兴趣程度,对多个候选物品进行兴趣过滤,得到业务对象的感兴趣物品。
在一种实现方式中,处理单元1002,用于对业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到业务对象与目标候选物品之间的交互表征信息时,具体用于执行如下步骤:
对业务对象的对象特征和目标候选物品的物品特征进行交互分析,得到业务对象与目标候选物品之间的交互特征;
对交互特征进行特征分析,得到业务对象与目标候选物品之间的交互表征信息。
在一种实现方式中,处理单元1002,用于对业务对象的对象特征和目标候选物品的物品特征进行交互分析,得到业务对象与目标候选物品之间的交互特征时,具体用于执行如下步骤:
获取交互特征构建规则,交互特征构建规则用于定义构建交互特征的对象特征类型和候选物品类型;
根据交互特征构建规则,对业务对象的对象特征与目标候选物品的物品特征进行特征组合,得到交互特征。
在一种实现方式中,处理单元1002,用于对业务对象的对象特征和目标候选物品的物品特征进行交互分析,得到业务对象与目标候选物品之间的交互特征时,具体用于执行如下步骤:
对业务对象的对象特征和目标候选物品的物品特征进行特征组合,得到业务对象与目标候选物品之间的多个初始特征;
分别对每个初始特征进行适配分析,得到每个初始特征对应的适配信息;任一初始特征对应的适配信息用于指示,组成初始特征的对象特征与物品特征之间交互适配度;
根据每个初始特征对应的适配信息,对多个初始特征进行适配过滤,得到交互特征。
在一种实现方式中,获取单元1001,用于获取用于表征业务对象的对象特征的第一表征信息时,具体用于执行如下步骤:
获取业务对象的对象特征;
对业务对象的对象特征进行特征分析,得到第一表征信息。
在一种实现方式中,业务对象的对象特征包括N个对象特征空间中的对象特征,N为大于或等于2的整数;获取单元1001,用于对业务对象的对象特征进行特征分析,得到第一表征信息时,具体用于执行如下步骤:
分别对N个对象特征空间中的每个对象特征空间中的对象特征进行特征分析,得到对应对象特征空间中的对象表征信息;
N个对象特征空间中的对象表征信息进行共性分析,得到第一表征信息。
在一种实现方式中,获取单元1001,用于对业务对象的对象特征进行特征分析,得到第一表征信息时,具体用于执行如下步骤:
对业务对象的对象特征进行多维兴趣分析,得到业务对象在多个兴趣维度下的对象表征信息;
业务对象在多个兴趣维度下的对象表征信息进行关联性分析,得到第一表征信息。
在一种实现方式中,当第二表征信息的获取方式包括离线获取方式时,获取单元1001用于获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息时,具体用于执行如下步骤:
分别按照多路物品召回策略中的每路物品召回策略,召回每路物品召回策略下的预备物品的物品标识;
合并多路物品召回策略下的预备物品的物品标识,得到多个候选物品的物品标识;
根据多个候选物品的物品标识,在物品缓存空间中查找多个候选物品中每个候选物品的第二表征信息。
在一种实现方式中,当第二表征信息的获取方式包括在线获取方式时,获取单元1001,用于获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息时,具体用于执行如下步骤:
分别按照多路物品召回策略中的每路物品召回策略,召回每路物品召回策略下的预备物品的物品标识;
合并多路物品召回策略下的预备物品的物品标识,得到多个候选物品的物品标识;
基于多个候选物品的物品标识,从物品库中获取多个候选物品的物品特征;
对多个候选物品中每个候选物品的物品特征进行特征分析,得到相应候选物品的第二表征信息。
在一种实现方式中,处理单元1002,用于基于表征信息、目标候选物品的第二表征信息以及交互表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到业务对象对目标候选物品的感兴趣程度时,具体用于执行如下步骤:
对第一表征信息、目标候选物品的第二表征信息、以及交互表征信息进行拼接处理,得到拼接表征信息;
从表征信息深度分析角度对拼接表征信息进行学习,得到业务对象与目标候选物品在表征信息深层分析角度下的第一相关性信息;
从表征信息交叉分析角度对拼接表征信息进行学习,得到业务对象与目标候选物品在表征信息交叉分析角度下的第二相关性信息;
根据第一相关性信息和第二相关性信息,预测业务对象对目标候选物品的感兴趣程度。
在一种实现方式中,业务处理方法由业务处理模型执行,业务处理模型包括对象塔、排序塔和物品塔;业务处理模型的训练过程,包括:
获取训练样本数据,训练样本数据包括样本对象的对象特征、样本物品的物品特征、以及样本对象对样本物品的标记访问信息;
调用对象塔对样本对象的对象特征进行特征分析,得到样本对象的对象表征信息;
调用物品塔对样本物品的物品特征进行特征分析,得到样本物品的物品表征信息;
调用排序塔获取样本对象与样本物品之间的样本交互表征信息;以及,根据样本对象的对象表征信息、样本物品的物品表征信息和样本交互表征信息,预测样本对象对样本物品的访问情况,得到样本对象对样本物品的预测访问信息;
根据标记访问信息与预测访问信息之间的差异,对业务处理模型进行训练。
根据本申请的另一个实施例,图10所示的业务处理装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其它实施例中,业务处理装置也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图5或图7所示的部分或全部方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图10中所示的业务处理装置,以及来实现本申请实施例的业务处理方法。计算机程序可以记载于例如计算机可读存储介质上,并通过计算机可读存储介质装载于上述计算设备中,并在其中运行。
本申请实施例中,可以基于业务对象的第一表征信息,候选物品的第二表征信息,以及业务对象与候选物品之间的交互表征信息,预测业务对象对候选物品的感兴趣程度;第一表征信息可以用于表征业务对象的对象特征,第二表征信息可以用于表征候选物品的物品特征,如果基于第一表征信息和第二表征信息,预测业务对象对候选物品的感兴趣程度,那么存在因缺少业务对象与候选物品之间直接的特征交互,导致预测的业务对象对候选物品的感兴趣程度不够准确的问题,因此,本申请实施例中引入了业务对象与候选物品之间的交互表征信息,交互表征信息可以用于表征业务对象的对象特征与候选物品的物品特征之间的特征交互情况,也就是说,引入了业务对象与候选物品之间直接的特征交互,这样可以提升预测的业务对象对候选物品的感兴趣程度的准确性,从而,可以基于业务对象对候选物品的感兴趣程度,在候选物品中较为准确地确定业务对象的感兴趣物品,提升物品推荐精度。
基于上述方法以及装置实施例,本申请实施例提供了一种计算机设备。请参见图11,图11是本申请实施例提供的一种计算机设备的结构示意图。图11所示的计算机设备至少包括处理器1101、输入接口1102、输出接口1103以及计算机可读存储介质1104。其中,处理器1101、输入接口1102、输出接口1103以及计算机可读存储介质1104可通过总线或其他方式连接。
计算机可读存储介质1104可以存储在计算机设备的存储器中,计算机可读存储介质1104用于存储计算机程序,计算机程序包括计算机指令,处理器1101用于执行计算机可读存储介质1104存储的程序指令。处理器1101(或称CPU(Central Processing Unit,中央处理器))是计算机设备的计算核心以及控制核心,其适于实现一条或多条计算机指令,具体适于加载并执行一条或多条计算机指令从而实现相应方法流程或相应功能。
本申请实施例还提供了一种计算机可读存储介质(Memory),计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了计算机设备的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或多条的计算机指令,这些计算机指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(Non-VolatileMemory),例如至少一个磁盘存储器;可选的还可以是至少一个位于远离前述处理器的计算机可读存储介质。
在一些实施例中,计算机设备可以是终端或服务器,可由处理器1101加载并执行计算机可读存储介质1104中存放的一条或多条计算机指令,以实现上述有关图5或图7所示的业务处理方法的相应步骤。具体实现中,计算机可读存储介质1104中的计算机指令由处理器1101加载并执行如下步骤:
获取用于表征业务对象的对象特征的第一表征信息,以及获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息;
对业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到业务对象与目标候选物品之间的交互表征信息;目标候选物品是多个候选物品中的任一个候选物品,交互表征信息用于表征业务对象的对象特征与目标候选物品的物品特征之间的特征交互情况;
基于第一表征信息、目标候选物品的第二表征信息以及交互表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到业务对象对目标候选物品的感兴趣程度;
根据业务对象对多个候选物品中每个候选物品的感兴趣程度,对多个候选物品进行兴趣过滤,得到业务对象的感兴趣物品。
在一种实现方式中,计算机可读存储介质1104中的计算机指令由处理器1101加载并执行对业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到业务对象与目标候选物品之间的交互表征信息时,具体用于执行如下步骤:
对业务对象的对象特征和目标候选物品的物品特征进行交互分析,得到业务对象与目标候选物品之间的交互特征;
对交互特征进行特征分析,得到业务对象与目标候选物品之间的交互表征信息。
在一种实现方式中,计算机可读存储介质1104中的计算机指令由处理器1101加载并执行对业务对象的对象特征和目标候选物品的物品特征进行交互分析,得到业务对象与目标候选物品之间的交互特征时,具体用于执行如下步骤:
获取交互特征构建规则,交互特征构建规则用于定义构建交互特征的对象特征类型和候选物品类型;
根据交互特征构建规则,对业务对象的对象特征与目标候选物品的物品特征进行特征组合,得到交互特征。
在一种实现方式中,计算机可读存储介质1104中的计算机指令由处理器1101加载并执行对业务对象的对象特征和目标候选物品的物品特征进行交互分析,得到业务对象与目标候选物品之间的交互特征时,具体用于执行如下步骤:
对业务对象的对象特征和目标候选物品的物品特征进行特征组合,得到业务对象与目标候选物品之间的多个初始特征;
分别对每个初始特征进行适配分析,得到每个初始特征对应的适配信息;任一初始特征对应的适配信息用于指示,组成初始特征的对象特征与物品特征之间交互适配度;
根据每个初始特征对应的适配信息,对多个初始特征进行适配过滤,得到交互特征。
在一种实现方式中,计算机可读存储介质1104中的计算机指令由处理器1101加载并执行获取用于表征业务对象的对象特征的第一表征信息时,具体用于执行如下步骤:
获取业务对象的对象特征;
对业务对象的对象特征进行特征分析,得到第一表征信息。
在一种实现方式中,业务对象的对象特征包括N个对象特征空间中的对象特征,N为大于或等于2的整数;计算机可读存储介质1104中的计算机指令由处理器1101加载并执行对业务对象的对象特征进行特征分析,得到第一表征信息时,具体用于执行如下步骤:
分别对N个对象特征空间中的每个对象特征空间中的对象特征进行特征分析,得到对应对象特征空间中的对象表征信息;
N个对象特征空间中的对象表征信息进行共性分析,得到第一表征信息。
在一种实现方式中,计算机可读存储介质1104中的计算机指令由处理器1101加载并执行对业务对象的对象特征进行特征分析,得到第一表征信息时,具体用于执行如下步骤:
对业务对象的对象特征进行多维兴趣分析,得到业务对象在多个兴趣维度下的对象表征信息;
对业务对象在多个兴趣维度下的对象表征信息进行关联性分析,得到第一表征信息。
在一种实现方式中,当第二表征信息的获取方式包括离线获取方式时,计算机可读存储介质1104中的计算机指令由处理器1101加载并执行获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息时,具体用于执行如下步骤:
分别按照多路物品召回策略中的每路物品召回策略,召回每路物品召回策略下的预备物品的物品标识;
合并多路物品召回策略下的预备物品的物品标识,得到多个候选物品的物品标识;
根据多个候选物品的物品标识,在物品缓存空间中查找多个候选物品中每个候选物品的第二表征信息。
在一种实现方式中,当第二表征信息的获取方式包括在线获取方式时,计算机可读存储介质1104中的计算机指令由处理器1101加载并执行获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息时,具体用于执行如下步骤:
分别按照多路物品召回策略中的每路物品召回策略,召回每路物品召回策略下的预备物品的物品标识;
合并多路物品召回策略下的预备物品的物品标识,得到多个候选物品的物品标识;
基于多个候选物品的物品标识,从物品库中获取多个候选物品的物品特征;
对多个候选物品中每个候选物品的物品特征进行特征分析,得到相应候选物品的第二表征信息。
在一种实现方式中,计算机可读存储介质1104中的计算机指令由处理器1101加载并执行基于表征信息、目标候选物品的第二表征信息以及交互表征信息,对业务对象与目标候选物品之间的相关性进行预测,得到业务对象对目标候选物品的感兴趣程度时,具体用于执行如下步骤:
对第一表征信息、目标候选物品的第二表征信息、以及交互表征信息进行拼接处理,得到拼接表征信息;
从表征信息深度分析角度对拼接表征信息进行学习,得到业务对象与目标候选物品在表征信息深层分析角度下的第一相关性信息;
从表征信息交叉分析角度对拼接表征信息进行学习,得到业务对象与目标候选物品在表征信息交叉分析角度下的第二相关性信息;
根据第一相关性信息和第二相关性信息,预测业务对象对目标候选物品的感兴趣程度。
在一种实现方式中,业务处理方法由业务处理模型执行,业务处理模型包括对象塔、排序塔和物品塔;业务处理模型的训练过程,包括:
获取训练样本数据,训练样本数据包括样本对象的对象特征、样本物品的物品特征、以及样本对象对样本物品的标记访问信息;
调用对象塔对样本对象的对象特征进行特征分析,得到样本对象的对象表征信息;
调用物品塔对样本物品的物品特征进行特征分析,得到样本物品的物品表征信息;
调用排序塔获取样本对象与样本物品之间的样本交互表征信息;以及,根据样本对象的对象表征信息、样本物品的物品表征信息和样本交互表征信息,预测样本对象对样本物品的访问情况,得到样本对象对样本物品的预测访问信息;
根据标记访问信息与预测访问信息之间的差异,对业务处理模型进行训练。
本申请实施例中,可以基于业务对象的第一表征信息,候选物品的第二表征信息,以及业务对象与候选物品之间的交互表征信息,预测业务对象对候选物品的感兴趣程度;第一表征信息可以用于表征业务对象的对象特征,第二表征信息可以用于表征候选物品的物品特征,如果基于第一表征信息和第二表征信息,预测业务对象对候选物品的感兴趣程度,那么存在因缺少业务对象与候选物品之间直接的特征交互,导致预测的业务对象对候选物品的感兴趣程度不够准确的问题,因此,本申请实施例中引入了业务对象与候选物品之间的交互表征信息,交互表征信息可以用于表征业务对象的对象特征与候选物品的物品特征之间的特征交互情况,也就是说,引入了业务对象与候选物品之间直接的特征交互,这样可以提升预测的业务对象对候选物品的感兴趣程度的准确性,从而,可以基于业务对象对候选物品的感兴趣程度,在候选物品中较为准确地确定业务对象的感兴趣物品,提升物品推荐精度。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选方式中提供的业务处理方法。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (15)
1.一种业务处理方法,其特征在于,包括:
获取用于表征业务对象的对象特征的第一表征信息,以及获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息;
对所述业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到所述业务对象与所述目标候选物品之间的交互表征信息;所述目标候选物品是所述多个候选物品中的任一个候选物品,所述交互表征信息用于表征所述业务对象的对象特征与所述目标候选物品的物品特征之间的特征交互情况;
基于所述第一表征信息、所述目标候选物品的第二表征信息以及所述交互表征信息,对所述业务对象与所述目标候选物品之间的相关性进行预测,得到所述业务对象对所述目标候选物品的感兴趣程度;
根据所述业务对象对所述多个候选物品中每个候选物品的感兴趣程度,对所述多个候选物品进行兴趣过滤,得到所述业务对象的感兴趣物品。
2.如权利要求1所述的方法,其特征在于,所述对所述业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到所述业务对象与所述目标候选物品之间的交互表征信息,包括:
对所述业务对象的对象特征和所述目标候选物品的物品特征进行交互分析,得到所述业务对象与所述目标候选物品之间的交互特征;
对所述交互特征进行特征分析,得到所述业务对象与所述目标候选物品之间的交互表征信息。
3.如权利要求2所述的方法,其特征在于,所述对所述业务对象的对象特征和所述目标候选物品的物品特征进行交互分析,得到所述业务对象与所述目标候选物品之间的交互特征,包括:
获取交互特征构建规则,所述交互特征构建规则用于定义构建所述交互特征的对象特征类型和候选物品类型;
根据所述交互特征构建规则,对所述业务对象的对象特征与所述目标候选物品的物品特征进行特征组合,得到所述交互特征。
4.如权利要求2所述的方法,其特征在于,所述对所述业务对象的对象特征和所述目标候选物品的物品特征进行交互分析,得到所述业务对象与所述目标候选物品之间的交互特征,包括:
对所述业务对象的对象特征和所述目标候选物品的物品特征进行特征组合,得到所述业务对象与所述目标候选物品之间的多个初始特征;
分别对每个所述初始特征进行适配分析,得到每个所述初始特征对应的适配信息;任一所述初始特征对应的适配信息用于指示,组成所述初始特征的对象特征与物品特征之间交互适配度;
根据每个所述初始特征对应的适配信息,对多个所述初始特征进行适配过滤,得到所述交互特征。
5.如权利要求1所述的方法,其特征在于,所述获取用于表征业务对象的对象特征的第一表征信息,包括:
获取所述业务对象的对象特征;
对所述业务对象的对象特征进行特征分析,得到所述第一表征信息。
6.如权利要求5所述的方法,其特征在于,所述业务对象的对象特征包括N个对象特征空间中的对象特征,N为大于或等于2的整数;所述对所述业务对象的对象特征进行特征分析,得到所述第一表征信息,包括:
分别对所述N个对象特征空间中的每个对象特征空间中的对象特征进行特征分析,得到对应对象特征空间中的对象表征信息;
对所述N个对象特征空间中的对象表征信息进行共性分析,得到所述第一表征信息。
7.如权利要求5所述的方法,其特征在于,所述对所述业务对象的对象特征进行特征分析,得到所述第一表征信息,包括:
对所述业务对象的对象特征进行多维兴趣分析,得到所述业务对象在多个兴趣维度下的对象表征信息;
对所述业务对象在多个兴趣维度下的对象表征信息进行关联性分析,得到所述第一表征信息。
8.如权利要求1所述的方法,其特征在于,当所述第二表征信息的获取方式包括离线获取方式时,所述获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息,包括:
分别按照多路物品召回策略中的每路物品召回策略,召回每路物品召回策略下的预备物品的物品标识;
合并所述多路物品召回策略下的预备物品的物品标识,得到所述多个候选物品的物品标识;
根据所述多个候选物品的物品标识,在物品缓存空间中查找所述多个候选物品中每个候选物品的第二表征信息。
9.如权利要求1所述的方法,其特征在于,当所述第二表征信息的获取方式包括在线获取方式时,所述获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息,包括:
分别按照多路物品召回策略中的每路物品召回策略,召回每路物品召回策略下的预备物品的物品标识;
合并所述多路物品召回策略下的预备物品的物品标识,得到所述多个候选物品的物品标识;
基于所述多个候选物品的物品标识,从物品库中获取所述多个候选物品的物品特征;
对所述多个候选物品中每个候选物品的物品特征进行特征分析,得到相应候选物品的第二表征信息。
10.如权利要求1所述的方法,其特征在于,所述基于所述第一表征信息、所述目标候选物品的第二表征信息以及所述交互表征信息,对所述业务对象与所述目标候选物品之间的相关性进行预测,得到所述业务对象对所述目标候选物品的感兴趣程度,包括:
对所述第一表征信息、所述目标候选物品的第二表征信息、以及所述交互表征信息进行拼接处理,得到拼接表征信息;
从表征信息深度分析角度对所述拼接表征信息进行学习,得到所述业务对象与所述目标候选物品在所述表征信息深层分析角度下的第一相关性信息;
从表征信息交叉分析角度对所述拼接表征信息进行学习,得到所述业务对象与所述目标候选物品在所述表征信息交叉分析角度下的第二相关性信息;
根据所述第一相关性信息和所述第二相关性信息,预测所述业务对象对所述目标候选物品的感兴趣程度。
11.如权利要求1所述的方法,其特征在于,所述业务处理方法由业务处理模型执行,所述业务处理模型包括对象塔、排序塔和物品塔;所述业务处理模型的训练过程,包括:
获取训练样本数据,所述训练样本数据包括样本对象的对象特征、样本物品的物品特征、以及所述样本对象对所述样本物品的标记访问信息;
调用所述对象塔对所述样本对象的对象特征进行特征分析,得到所述样本对象的对象表征信息;
调用所述物品塔对所述样本物品的物品特征进行特征分析,得到所述样本物品的物品表征信息;
调用所述排序塔获取所述样本对象与所述样本物品之间的样本交互表征信息;以及,根据所述样本对象的对象表征信息、所述样本物品的物品表征信息和所述样本交互表征信息,预测所述样本对象对所述样本物品的访问情况,得到所述样本对象对所述样本物品的预测访问信息;
根据所述标记访问信息与所述预测访问信息之间的差异,对所述业务处理模型进行训练。
12.一种业务处理装置,其特征在于,包括:
获取单元,用于获取用于表征业务对象的对象特征的第一表征信息,以及获取用于表征多个候选物品中每个候选物品的物品特征的第二表征信息;
处理单元,用于对所述业务对象的对象特征与目标候选物品的物品特征进行特征交互分析,得到所述业务对象与所述目标候选物品之间的交互表征信息;所述目标候选物品是所述多个候选物品中的任一个候选物品,所述交互表征信息用于表征所述业务对象的对象特征与所述目标候选物品的物品特征之间的特征交互情况;
所述处理单元,还用于基于所述第一表征信息、所述目标候选物品的第二表征信息以及所述交互表征信息,对所述业务对象与所述目标候选物品之间的相关性进行预测,得到所述业务对象对所述目标候选物品的感兴趣程度;
所述处理单元,还用于根据所述业务对象对所述多个候选物品中每个候选物品的感兴趣程度,对所述多个候选物品进行兴趣过滤,得到所述业务对象的感兴趣物品。
13.一种计算机设备,其特征在于,所述计算机设备包括:
处理器,适于实现计算机程序;
计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-11任一项所述的业务处理方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序适于由处理器加载并执行如权利要求1-11任一项所述的业务处理方法。
15.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机指令,所述计算机指令被处理器执行时实现如权利要求1-11任一项所述的业务处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310516669.5A CN116484105B (zh) | 2023-05-08 | 2023-05-08 | 业务处理方法、装置及计算机设备、存储介质、程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310516669.5A CN116484105B (zh) | 2023-05-08 | 2023-05-08 | 业务处理方法、装置及计算机设备、存储介质、程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484105A CN116484105A (zh) | 2023-07-25 |
CN116484105B true CN116484105B (zh) | 2024-06-07 |
Family
ID=87225043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310516669.5A Active CN116484105B (zh) | 2023-05-08 | 2023-05-08 | 业务处理方法、装置及计算机设备、存储介质、程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484105B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117672266B (zh) * | 2023-12-05 | 2024-06-07 | 绍兴大明电力建设有限公司 | 一种基于dcn深度交叉网络的声纹识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079015A (zh) * | 2019-12-17 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种推荐方法、装置、计算机设备和存储介质 |
CN111159564A (zh) * | 2019-12-31 | 2020-05-15 | 联想(北京)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
CN115238191A (zh) * | 2022-08-15 | 2022-10-25 | 浙江网商银行股份有限公司 | 对象推荐方法以及装置 |
CN115439770A (zh) * | 2021-06-04 | 2022-12-06 | 腾讯科技(深圳)有限公司 | 一种内容召回方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902233A (zh) * | 2019-02-28 | 2019-06-18 | 百度在线网络技术(北京)有限公司 | 智能对象推荐方法、装置、设备和存储介质 |
-
2023
- 2023-05-08 CN CN202310516669.5A patent/CN116484105B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079015A (zh) * | 2019-12-17 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种推荐方法、装置、计算机设备和存储介质 |
CN111159564A (zh) * | 2019-12-31 | 2020-05-15 | 联想(北京)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
CN115439770A (zh) * | 2021-06-04 | 2022-12-06 | 腾讯科技(深圳)有限公司 | 一种内容召回方法、装置、设备及存储介质 |
CN115238191A (zh) * | 2022-08-15 | 2022-10-25 | 浙江网商银行股份有限公司 | 对象推荐方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116484105A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111966914B (zh) | 基于人工智能的内容推荐方法、装置和计算机设备 | |
CN105210064B (zh) | 使用深度网络将资源分类 | |
CN111444428A (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN114780831A (zh) | 基于Transformer的序列推荐方法及系统 | |
CN116521906B (zh) | 元描述生成方法及其装置、设备、介质 | |
US11809506B1 (en) | Multivariant analyzing replicating intelligent ambience evolving system | |
CN116484105B (zh) | 业务处理方法、装置及计算机设备、存储介质、程序产品 | |
CN114186013A (zh) | 实体识别模型热更新方法及其装置、设备、介质、产品 | |
CN117609479B (zh) | 一种模型处理方法、装置、设备、介质及产品 | |
CN112749330A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN115545832A (zh) | 商品搜索推荐方法及其装置、设备、介质 | |
CN112364184A (zh) | 多媒体数据的排序方法、装置、服务器及存储介质 | |
CN114691828A (zh) | 数据处理方法、装置、设备以及介质 | |
CN118093962A (zh) | 数据检索方法、装置、系统、电子设备及可读存储介质 | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
CN114490923A (zh) | 相似文本匹配模型的训练方法、装置、设备及存储介质 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN112989182A (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
US20230214676A1 (en) | Prediction model training method, information prediction method and corresponding device | |
CN116541592A (zh) | 向量生成方法、信息推荐方法、装置、设备及介质 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN114820134A (zh) | 一种商品信息召回方法、装置、设备和计算机存储介质 | |
Zhang et al. | Big data fusion method based on Internet of Things collection | |
CN114417875B (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40088017 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |