CN116521977A - 一种产品推荐方法、装置、设备及介质 - Google Patents
一种产品推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116521977A CN116521977A CN202211511720.5A CN202211511720A CN116521977A CN 116521977 A CN116521977 A CN 116521977A CN 202211511720 A CN202211511720 A CN 202211511720A CN 116521977 A CN116521977 A CN 116521977A
- Authority
- CN
- China
- Prior art keywords
- target
- application
- determining
- candidate
- time period
- 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 62
- 239000013598 vector Substances 0.000 claims abstract description 64
- 230000001960 triggered effect Effects 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 101100264195 Caenorhabditis elegans app-1 gene Proteins 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 101100148259 Actinobacillus pleuropneumoniae apxIIA gene Proteins 0.000 description 1
- 101150050411 appA gene Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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)
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种产品推荐方法、装置、设备及介质。其中,所述方法包括:确定预设时间段内在目标设备触发的至少一个目标应用信息;根据目标应用信息确定目标应用的目标特征向量与目标权重;目标特征向量用于表征目标应用;根据目标特征向量与目标权重确定目标设备关联的目标标签特征,目标标签特征用于衡量目标设备上目标应用的被触发频率,目标标签特征与同目标设备产生绑定关系的使用者适配;根据目标标签特征确定目标设备匹配的目标产品,并将目标产品推送至目标设备。通过执行本方案,可以实现对设备中的应用数据进行全面刻画和分析,进而可以提高产品推荐结果的精准性和有效性。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种产品推荐方法、装置、设备及介质。
背景技术
运营商存储着海量的设备应用数据,然而这些设备应用数据维度大,稀疏程度高,一直难以被有效利用。随着大数据技术在运营商中的广泛应用,如何让存储下来的海量数据发挥其应有的价值成为如今大数据在运营商生产环境中的最大发展瓶颈。
相关技术中无法有效地利用设备应用数据,对设备应用数据不能全面地进行分析,不能充分发挥各设备应用数据的价值,使得根据设备应用数据确定的产品推荐结果并不精准,对产品受众的针对性也不强。
发明内容
本发明提供了一种产品推荐方法、装置、设备及介质,可以实现对设备中的应用数据进行全面刻画和分析,进而可以提高产品推荐结果的精准性和有效性。
根据本发明的一方面,提供了一种产品推荐方法,该方法包括:
确定预设时间段内在目标设备触发的至少一个目标应用信息;所述目标应用信息包括目标应用名称和/或所述目标应用在预设时间段内的目标运行时长;所述目标运行时长为所述目标应用在预设时间段内运行时长的总和;
根据所述目标应用信息确定所述目标应用的目标特征向量与目标权重;所述目标特征向量用于表征所述目标应用;
根据所述目标特征向量与目标权重确定所述目标设备关联的目标标签特征,所述目标标签特征用于衡量所述目标设备上目标应用的被触发频率,所述目标标签特征与同所述目标设备产生绑定关系的使用者适配;
根据所述目标标签特征确定所述目标设备匹配的目标产品,并将所述目标产品推送至所述目标设备。
根据本发明的另一方面,提供了一种产品推荐装置,该装置包括:
目标应用信息确定模块,用于确定预设时间段内在目标设备触发的至少一个目标应用信息;所述目标应用信息包括目标应用名称和/或所述目标应用在预设时间段内的目标运行时长;所述目标运行时长为所述目标应用在预设时间段内运行时长的总和;
特征向量与权重确定模块,用于根据所述目标应用信息确定所述目标应用的目标特征向量与目标权重;所述目标特征向量用于表征所述目标应用;
目标标签特征确定模块,用于根据所述目标特征向量与目标权重确定所述目标设备关联的目标标签特征,所述目标标签特征用于衡量所述目标设备上目标应用的被触发频率,所述目标标签特征与同所述目标设备产生绑定关系的使用者适配;
目标产品确定模块,用于根据所述目标标签特征确定所述目标设备匹配的目标产品,并将所述目标产品推送至所述目标设备。根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的产品推荐方法。
根据本发明的另一方面,提供了一种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指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的产品推荐方法。
本发明实施例的技术方案,确定预设时间段内在目标设备触发的至少一个目标应用信息;所述目标应用信息包括目标应用名称和/或所述目标应用在预设时间段内的目标运行时长;所述目标运行时长为所述目标应用在预设时间段内运行时长的总和;根据所述目标应用信息确定所述目标应用的目标特征向量与目标权重;所述目标特征向量用于表征所述目标应用;根据所述目标特征向量与目标权重确定所述目标设备关联的目标标签特征,所述目标标签特征用于衡量所述目标设备上目标应用的被触发频率,所述目标标签特征与同所述目标设备产生绑定关系的使用者适配;根据所述目标标签特征确定所述目标设备匹配的目标产品,并将所述目标产品推送至所述目标设备。通过执行本发明实施例提供的技术方案,可以实现对设备中的应用数据进行全面刻画和分析,进而可以提高产品推荐结果的精准性和有效性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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是本发明实施例提供的一种产品推荐方法的流程图;
图2a是本发明实施例提供的另一种产品推荐方法的流程图;
图2b是本发明实施例提供的目标应用的特征向量的示意图;
图3是本发明实施例提供的一种产品推荐装置的结构示意图;
图4是实现本发明实施例的产品推荐方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
可以理解的是,在使用本发明各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本发明所涉及个人信息的类型、适用范围以及使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本发明技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本发明的实现方式构成限定,其它满足相关法律法规的方式也可应用于本发明的实现方式中。
可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1是本发明实施例提供的产品推荐方法的流程图,本实施例可适用于对设备进行产品推荐的情况,该方法可以由产品推荐装置来执行,该产品推荐装置可以采用硬件和/或软件的形式实现,该产品推荐装置可配置于用于产品推荐的电子设备中。如图1所示,该方法包括:
S110:确定预设时间段内在目标设备触发的至少一个目标应用信息。
所述目标应用信息包括目标应用名称和/或所述目标应用在预设时间段内的目标运行时长;所述目标运行时长为所述目标应用在预设时间段内运行时长的总和。
示例性的,预设时间段可以根据实际需要进行设置,例如可以是一个月。目标设备可以是使用某运营商提供的服务的设备,例如手机。目标应用可以是目标设备上安装的应用软件。目标应用名称可以是应用软件的名称。目标运行时长可以是目标应用在一个月内运行时长的总和。本方案可以确定预设时间段内在目标设备触发的各个目标应用信息。
S120:根据所述目标应用信息确定所述目标应用的目标特征向量与目标权重。
所述目标特征向量用于表征所述目标应用。
其中,本方案可以将目标应用信息中的目标应用名称输入至训练完成的word2vec模型中确定目标应用的特征向量,即目标特征向量。然后将目标应用信息中的目标运行时长输入至G函数中,得到目标应用的权重,即目标权重。G函数可以是以2为底的对数函数,G函数也可以是开根号函数。
word2vec模型可以基于如下方式进行确定:本方案可以分别确定各个目标应用在过去的一个预设历史时间段内的运行总时间,然后对运行总时间进行降序排序,得到该预设历史时间段内目标应用的应用序列,例如(appB,appA,……,appQ)。以此类推得到各个目标应用在多个预设历史时间段的应用序列,将各个应用序列分别输入至word2vec算法中进行训练,并最终得到训练完成的word2vec模型。
S130:根据所述目标特征向量与目标权重确定所述目标设备关联的目标标签特征。
所述目标标签特征用于衡量所述目标设备上目标应用的被触发频率,所述目标标签特征与同所述目标设备产生绑定关系的使用者适配。
其中,目标标签特征既可以包含目标设备触发的目标应用的特异性特征,也使得不同使用时长的目标应用对目标设备特征表现有不同的影响。本方案可以将各目标应用的目标特征向量以及目标权重进行加权求和得到初始标签值;将初始标签值除以目标应用的数量得到目标设备关联的目标标签特征。
S140:根据所述目标标签特征确定所述目标设备匹配的目标产品,并将所述目标产品推送至所述目标设备。
其中,本方案可以将目标标签特征输入预先确定的产品推荐模型中。由于两个相似的设备在嵌入空间中特征向量也会有较高的相关性。根据这点可以将目标标签特征用于推荐中,从而更容易向与目标设备具有绑定关系的使用者推荐其感兴趣的产品。例如实现“猜你喜欢”功能和短视频新闻的实时推荐功能。
或者,本方案还可以将目标标签特征作为随机森林、逻辑斯特回归和神经网络等模型中的样本输入特征进行训练,可以有效提高模型的准确性。根据实际业务场景,这些模型常被用于高价值用户识别、广告推荐、产品营销,风险控制,网络流量预测等领域。同时,特征构建可以取代人工特征工程,大大减少了模型构建过程中在特征工程环节带来的人力成本和时间成本。
本发明实施例的技术方案,确定预设时间段内在目标设备触发的至少一个目标应用信息;目标应用信息包括目标应用名称和/或目标应用在预设时间段内的目标运行时长;目标运行时长为目标应用在预设时间段内运行时长的总和;根据目标应用信息确定目标应用的目标特征向量与目标权重;目标特征向量用于表征目标应用;根据目标特征向量与目标权重确定目标设备关联的目标标签特征,目标标签特征用于衡量目标设备上目标应用的被触发频率,目标标签特征与同目标设备产生绑定关系的使用者适配;根据目标标签特征确定目标设备匹配的目标产品,并将目标产品推送至目标设备。通过执行本发明实施例提供的技术方案,可以实现将设备上触发较为频繁的应用程序筛选出来作为研究对象,可以减少计算量。可以对设备中的应用数据进行全面刻画和分析,进而可以提高产品推荐结果的精准性和有效性。
图2a是本发明实施例提供的产品推荐方法的流程图,本实施例在上述实施例的基础上进行优化。如图2a所示,本发明实施例中的产品推荐方法可以包括:
S210:确定预设时间段内在至少一个目标设备触发的候选应用信息。
所述候选应用信息包括所述候选应用的候选运行时长和候选运行流量;所述候选运行时长为所述候选应用在预设时间段内运行时长的总和;所述候选运行流量为所述候选应用在预设时间段内运行流量的总和。
示例性的,预设时间段可以根据实际需要进行设置,本方案以预设时间段为一个月为例。本方案可以确定一个月内使用某运行商提供的服务的所有目标设备,并确定各目标设备上触发的所有应用软件信息,即候选应用信息。候选应用信息可以根据实际需要进行设置。例如候选应用信息可以是候选应用名称。候选应用信息也可以是候选应用在一个月内的运行流量的总和,即候选运行流量。候选应用信息也可以是候选应用在一个月内的运行时长的总和,即候选运行时间。
本方案可以通过Kafka集群和Flume收集目标设备中候选应用的运行流量与运行时长,并将候选应用的运行流量与运行时长存储至Hadoop集群中,然后基于MapReduce框架确定候选应用信息。
S220:基于网页排名算法分别对各所述候选应用的候选运行时长和候选运行流量进行处理,得到各所述候选应用的降序排序结果。
其中,本方案可以基于网页排名算法对各个候选应用信息进行处理,得到所有候选应用的降序排序结果。
S230:将所述降序排序结果中位置在前的预设数量的候选应用作为目标应用。
其中,预设数量可以根据实际需要进行设置,例如预设数量可以是1000,预设数量可以是1500。
本方案可以从降序排序结果中确定位置在前的预设数量的候选应用作为目标应用。可以实现将设备上触发较为频繁的应用程序筛选出来作为研究对象,可以减少计算量。
另外,本方案还可以从候选运行时长超过1小时的候选应用中,确定设备覆盖率最高的预设数量的目标应用。
S240:确定预设时间段内在目标设备触发的至少一个目标应用信息。
S250:根据所述目标应用信息确定所述目标应用的目标特征向量与目标权重。
在本实施例中,可选的,根据所述目标应用信息确定所述目标应用的目标特征向量,包括:将所述目标应用名称输入至训练完成的word2vec模型中,得到所述目标应用的目标特征向量。
其中,目标特征向量可以是embedding向量,可以表征目标应用。本方案可以将目标应用名称输入至训练完成的word2vec模型中,得到目标应用的特征向量,即目标特征向量,长度为64位。示例性的,目标应用名称app1、app2、app3的目标特征向量如图2b所示。可以实现对应用程序进行特征表示,为后续步骤提供了可靠的数据基础。
在本实施例中,可选的,word2vec模型的训练过程包括:分别确定各所述目标应用在至少一个预设历史时间段内的历史运行时长;将所述预设历史时间段内的历史运行时长进行降序排序得到所述预设历史时间段内各所述目标应用的目标应用序列;将各所述目标应用序列分别输入至word2vec算法中,得到训练完成的word2vec模型。
示例性的,预设历史时间段可以根据实际需要进行设置,例如预设历史时间段可以为一个月。word2vec算法为自然语言处理领域中的常用算法,可以利用神经网络的结构,将序列映射到一个特定长度的向量中。并可以根据应用之间的上下文关系,训练出每种应用的隐含特性。本方案可以分别确定各个目标应用在过去的一个预设历史时间段内总的运行时间,即历史运行时长。然后对该预设历史时间段内的历史运行时长进行降序排序,得到该预设历史时间段内目标应用的应用序列,例如(app1,app3,app2)。以此类推得到各个目标应用在多个预设历史时间段的应用序列,将各个应用序列分别输入至word2vec算法中进行训练,并最终得到训练完成的word2vec模型。
另外,word2vec算法也可以替换为item2vector算法,为word2vec算法的改良版,可以根据应用之间的上下文关系,训练出每种应用的隐含特性。
由此,通过分别确定各目标应用在至少一个预设历史时间段内的历史运行时长;将预设历史时间段内的历史运行时长进行降序排序得到预设历史时间段内各目标应用的目标应用序列;将各目标应用序列分别输入至word2vec算法中,得到训练完成的word2vec模型。可以实现为确定应用的特征向量提供可靠的数据模型。
在一个可行的实施方式中,可选的,根据所述目标应用信息确定所述目标应用的目标权重,包括:将所述目标应用在预设时间段内的目标运行时长输入至对数函数中得到所述目标权重。
示例性的,假设预设时间段为一个月,目标应用的目标运行时长为6000min,本方案可以将appX在一个月内的目标运行时长6000输入至以2为底的对数函数中得到appX的权重,即目标权重。可以实现根据应用的运行时长对应用的权重信息进行确定,可以缩小目标应用使用时长的差异,防止使用时间特别长的目标应用完全决定了目标设备的特征向量,为后续步骤提供了可靠的数据基础。
S260:根据所述目标特征向量与目标权重确定所述目标设备关联的目标标签特征。
在一个可行的实施方式中,可选的,根据所述目标特征向量与目标权重确定所述目标设备关联的目标标签特征,包括:将各所述目标应用的目标特征向量以及目标权重进行加权求和得到初始标签值;将所述初始标签值除以所述目标应用的数量得到所述目标设备关联的目标标签特征。
示例性的,假设目标应用为app1、app2以及app3,app1、app2以及app3的目标特征向量如图2b所示,app1、app2以及app3的目标权重分别为log2(6000)、log2(2000)、log2(5000),本方案可以根据公式
[0.132,0.521,-1.246,0.241,-0.489,……,1.368,0.827]×log2(6000)+
[0.425,-0.273,2.641,-0.268,0.143,……,-0.368,0.497]×log2(2000)+[0.3364,-0.483,1.492,-0.108,0.745,……,-0.339,0.921]×log2(5000)确定初始标签值。然后将初始标签值除以目标应用的数量,例如3,得到目标设备关联的目标标签特征。
由此,通过将各目标应用的目标特征向量以及目标权重进行加权求和得到初始标签值;将初始标签值除以目标应用的数量得到目标设备关联的目标标签特征。可以实现综合根据目标应用的点击频率和使用时长对目标设备进行表示。
S270:根据所述目标标签特征确定所述目标设备匹配的目标产品,并将所述目标产品推送至所述目标设备。
在另一个可行的实施方式中,可选的,根据所述目标标签特征确定所述目标设备匹配的目标产品,包括:将所述目标标签特征输入至预先确定的产品推荐模型中,得到所述目标设备匹配的目标产品。
其中,本方案可以将目标标签特征输入预先确定的产品推荐模型中。由于两个相似的设备在embedding空间中特征向量也会有较高的相关性。根据这点可以将目标标签特征用于推荐中,从而更容易向使用者推荐其感兴趣的产品。例如实现“猜你喜欢”功能和短视频新闻的实时推荐功能。
或者,本方案还可以将目标标签特征作为随机森林、逻辑斯特回归和神经网络等模型中的样本输入特征进行训练,可以有效提高模型的准确性。根据实际业务场景,这些模型常被用于高价值用户识别、广告推荐、产品营销,风险控制,网络流量预测等领域。同时,embedding构建可以取代人工特征工程,大大减少了模型构建过程中在特征工程环节带来的人力成本和时间成本。
本发明实施例提供的技术方案,确定预设时间段内在至少一个目标设备触发的候选应用信息;候选应用信息包括候选应用的候选运行时长和候选运行流量;候选运行时长为候选应用在预设时间段内运行时长的总和;候选运行流量为候选应用在预设时间段内运行流量的总和;基于网页排名算法分别对各候选应用的候选运行时长和候选运行流量进行处理,得到各候选应用的降序排序结果;将降序排序结果中位置在前的预设数量的候选应用作为目标应用;确定预设时间段内在目标设备触发的至少一个目标应用信息;目标应用信息包括目标应用名称和/或目标应用在预设时间段内的目标运行时长;目标运行时长为目标应用在预设时间段内运行时长的总和;根据目标应用信息确定目标应用的目标特征向量与目标权重;目标特征向量用于表征目标应用;根据目标特征向量与目标权重确定目标设备关联的目标标签特征,目标标签特征用于衡量目标设备上目标应用的被触发频率,目标标签特征与同目标设备产生绑定关系的使用者适配;根据目标标签特征确定目标设备匹配的目标产品,并将目标产品推送至目标设备。通过执行本发明实施例提供的技术方案,可以实现将设备上触发较为频繁的应用程序筛选出来作为研究对象,可以减少计算量。可以对设备中的应用数据进行全面刻画和分析,进而可以提高产品推荐结果的精准性和有效性。
图3是本发明实施例提供的产品推荐装置的结构示意图。如图3所示,该装置包括:
目标应用信息确定模块310,用于确定预设时间段内在目标设备触发的至少一个目标应用信息;所述目标应用信息包括目标应用名称和/或所述目标应用在预设时间段内的目标运行时长;所述目标运行时长为所述目标应用在预设时间段内运行时长的总和;
特征向量与权重确定模块320,用于根据所述目标应用信息确定所述目标应用的目标特征向量与目标权重;所述目标特征向量用于表征所述目标应用;
目标标签特征确定模块330,用于根据所述目标特征向量与目标权重确定所述目标设备关联的目标标签特征,所述目标标签特征用于衡量所述目标设备上目标应用的被触发频率,所述目标标签特征与同所述目标设备产生绑定关系的使用者适配;
目标产品确定模块340,用于根据所述目标标签特征确定所述目标设备匹配的目标产品,并将所述目标产品推送至所述目标设备。
可选的,所述装置还包括候选应用信息确定单元,用于在确定预设时间段内在目标设备触发的至少一个目标应用信息之前,确定所述预设时间段内在至少一个目标设备触发的候选应用信息;所述候选应用信息包括所述候选应用的候选运行时长和候选运行流量;所述候选运行时长为所述候选应用在预设时间段内运行时长的总和;所述候选运行流量为所述候选应用在预设时间段内运行流量的总和;降序排序结果确定单元,用于基于网页排名算法分别对各所述候选应用的候选运行时长和候选运行流量进行处理,得到各所述候选应用的降序排序结果;目标应用确定单元,用于将所述降序排序结果中位置在前的预设数量的候选应用作为目标应用。
可选的,特征向量与权重确定模块320,具体用于将所述目标应用名称输入至训练完成的word2vec模型中,得到所述目标应用的目标特征向量。
可选的,word2vec模型的训练过程包括:分别确定各所述目标应用在至少一个预设历史时间段内的历史运行时长;将所述预设历史时间段内的历史运行时长进行降序排序得到所述预设历史时间段内各所述目标应用的目标应用序列;将各所述目标应用序列分别输入至word2vec算法中,得到训练完成的word2vec模型。
可选的,特征向量与权重确定模块320,具体用于将所述目标应用在预设时间段内的目标运行时长输入至对数函数中得到所述目标权重。
可选的,目标标签特征确定模块330,包括初始标签值确定单元,用于将各所述目标应用的目标特征向量以及目标权重进行加权求和得到初始标签值;目标标签特征确定单元,用于将所述初始标签值除以所述目标应用的数量得到所述目标设备关联的目标标签特征。
可选的,目标产品确定模块340,具体用于将所述目标标签特征输入至预先确定的产品推荐模型中,得到所述目标设备匹配的目标产品。
本发明实施例所提供的产品推荐装置可执行本发明任意实施例所提供的产品推荐方法,具备执行方法相应的功能模块和有益效果。
图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备40包括至少一个处理器41,以及与至少一个处理器41通信连接的存储器,如只读存储器(ROM)42、随机访问存储器(RAM)43等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序,来执行各种适当的动作和处理。在RAM 43中,还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45,包括:输入单元46,例如键盘、鼠标等;输出单元47,例如各种类型的显示器、扬声器等;存储单元48,例如磁盘、光盘等;以及通信单元49,例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理,例如产品推荐方法。
在一些实施例中,产品推荐方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元48。在一些实施例中,计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时,可以执行上文描述的产品推荐方法的一个或多个步骤。备选地,在其他实施例中,处理器41可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行产品推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与对象的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向对象显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),对象可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与对象的交互;例如,提供给对象的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自对象的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形对象界面或者网络浏览器的对象计算机,对象可以通过该图形对象界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种产品推荐方法,其特征在于,包括:
确定预设时间段内在目标设备触发的至少一个目标应用信息;所述目标应用信息包括目标应用名称和/或所述目标应用在预设时间段内的目标运行时长;所述目标运行时长为所述目标应用在预设时间段内运行时长的总和;
根据所述目标应用信息确定所述目标应用的目标特征向量与目标权重;所述目标特征向量用于表征所述目标应用;
根据所述目标特征向量与目标权重确定所述目标设备关联的目标标签特征,所述目标标签特征用于衡量所述目标设备上目标应用的被触发频率,所述目标标签特征与同所述目标设备产生绑定关系的使用者适配;
根据所述目标标签特征确定所述目标设备匹配的目标产品,并将所述目标产品推送至所述目标设备。
2.根据权利要求1所述的方法,其特征在于,在确定预设时间段内在目标设备触发的至少一个目标应用信息之前,所述方法还包括:
确定所述预设时间段内在至少一个目标设备触发的候选应用信息;所述候选应用信息包括所述候选应用的候选运行时长和候选运行流量;所述候选运行时长为所述候选应用在预设时间段内运行时长的总和;所述候选运行流量为所述候选应用在预设时间段内运行流量的总和;
基于网页排名算法分别对各所述候选应用的候选运行时长和候选运行流量进行处理,得到各所述候选应用的降序排序结果;
将所述降序排序结果中位置在前的预设数量的候选应用作为目标应用。
3.根据权利要求1所述的方法,其特征在于,根据所述目标应用信息确定所述目标应用的目标特征向量,包括:
将所述目标应用名称输入至训练完成的word2vec模型中,得到所述目标应用的目标特征向量。
4.根据权利要求3所述的方法,其特征在于,word2vec模型的训练过程包括:
分别确定各所述目标应用在至少一个预设历史时间段内的历史运行时长;
将所述预设历史时间段内的历史运行时长进行降序排序得到所述预设历史时间段内各所述目标应用的目标应用序列;
将各所述目标应用序列分别输入至word2vec算法中,得到训练完成的word2vec模型。
5.根据权利要求1所述的方法,其特征在于,根据所述目标应用信息确定所述目标应用的目标权重,包括:
将所述目标应用在预设时间段内的目标运行时长输入至对数函数中得到所述目标权重。
6.根据权利要求1所述的方法,其特征在于,根据所述目标特征向量与目标权重确定所述目标设备关联的目标标签特征,包括:
将各所述目标应用的目标特征向量以及目标权重进行加权求和得到初始标签值;
将所述初始标签值除以所述目标应用的数量得到所述目标设备关联的目标标签特征。
7.根据权利要求1所述的方法,其特征在于,根据所述目标标签特征确定所述目标设备匹配的目标产品,包括:
将所述目标标签特征输入至预先确定的产品推荐模型中,得到所述目标设备匹配的目标产品。
8.一种产品推荐装置,其特征在于,包括:
目标应用信息确定模块,用于确定预设时间段内在目标设备触发的至少一个目标应用信息;所述目标应用信息包括目标应用名称和/或所述目标应用在预设时间段内的目标运行时长;所述目标运行时长为所述目标应用在预设时间段内运行时长的总和;
特征向量与权重确定模块,用于根据所述目标应用信息确定所述目标应用的目标特征向量与目标权重;所述目标特征向量用于表征所述目标应用;
目标标签特征确定模块,用于根据所述目标特征向量与目标权重确定所述目标设备关联的目标标签特征,所述目标标签特征用于衡量所述目标设备上目标应用的被触发频率,所述目标标签特征与同所述目标设备产生绑定关系的使用者适配;
目标产品确定模块,用于根据所述目标标签特征确定所述目标设备匹配的目标产品,并将所述目标产品推送至所述目标设备。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的产品推荐方法。
10.一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指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211511720.5A CN116521977A (zh) | 2022-11-29 | 2022-11-29 | 一种产品推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211511720.5A CN116521977A (zh) | 2022-11-29 | 2022-11-29 | 一种产品推荐方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116521977A true CN116521977A (zh) | 2023-08-01 |
Family
ID=87405237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211511720.5A Pending CN116521977A (zh) | 2022-11-29 | 2022-11-29 | 一种产品推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116521977A (zh) |
-
2022
- 2022-11-29 CN CN202211511720.5A patent/CN116521977A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390408B (zh) | 交易对象预测方法和装置 | |
CN114329201A (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
CN107392259B (zh) | 构建不均衡样本分类模型的方法和装置 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN115204733A (zh) | 数据审计方法、装置、电子设备及存储介质 | |
CN112182370A (zh) | 物品类目信息推送方法、装置、电子设备和介质 | |
CN113378067A (zh) | 基于用户挖掘的消息推荐方法、设备、介质及程序产品 | |
CN116955817A (zh) | 内容推荐方法、装置、电子设备以及存储介质 | |
CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
CN115808993A (zh) | 一种交互方法、装置、电子设备、计算机可读介质 | |
CN115601042A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN116521977A (zh) | 一种产品推荐方法、装置、设备及介质 | |
CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
CN113159810B (zh) | 策略评估方法、装置、设备及存储介质 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN111131354B (zh) | 用于生成信息的方法和装置 | |
CN113327133B (zh) | 数据推荐方法、数据推荐装置、电子设备及可读存储介质 | |
CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 | |
EP4109353A2 (en) | Method and apparatus of generating pre-training model, electronic device, and storage medium | |
CN115858621A (zh) | 用户行为预测方法、装置、电子设备及存储介质 | |
CN115470407A (zh) | 培训内容推荐方法及其装置、设备、介质 | |
CN118134590A (zh) | 一种信息传输方法、装置、设备及存储介质 | |
CN117952709A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN118607656A (zh) | 一种回归计算模型的参数确定方法、装置、设备及介质 | |
CN117633351A (zh) | 一种推荐过程中的实时召回方法、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 |