CN116541587A - 热点信息的处理方法、装置、服务器和可读存储介质 - Google Patents
热点信息的处理方法、装置、服务器和可读存储介质 Download PDFInfo
- Publication number
- CN116541587A CN116541587A CN202210092682.8A CN202210092682A CN116541587A CN 116541587 A CN116541587 A CN 116541587A CN 202210092682 A CN202210092682 A CN 202210092682A CN 116541587 A CN116541587 A CN 116541587A
- Authority
- CN
- China
- Prior art keywords
- information
- hot spot
- preset
- article
- application scene
- 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
- 238000003672 processing method Methods 0.000 title abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 62
- 239000013598 vector Substances 0.000 claims description 100
- 230000011218 segmentation Effects 0.000 claims description 70
- 238000012512 characterization method Methods 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 51
- 230000006399 behavior Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 9
- 230000002265 prevention Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000013461 design Methods 0.000 description 10
- 238000005065 mining Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001954 sterilising effect Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 241000219496 Alnus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种热点信息的处理方法、装置、服务器和可读存储介质,涉及数字营销技术领域,其中,该方法包括:获取第一网站的热点物品,确定所述热点物品对应的应用场景信息,从第二网站中获取热点信息,在所述热点信息中确定出与所述应用场景信息相关联的目标热点信息,根据所述目标热点信息和所述应用场景信息,获取潜在物品需求。该技术方案中,通过获取第一网站中关注度较高的热门物品,并从其他网络站点获取热点信息,在这些热点信息中找到与热点物品的购物场景关联度高的目标热点,分析出潜在的物品需求,不需要人工实时监测其他网络站点的热点信息以及在购物网站中凭主观臆测选择热点物品集合,降低人工成本。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种热点信息的处理方法、装置、服务器和可读存储介质。
背景技术
随着互联网技术的发展,越来越多的用户在网上商城购物。用户在浏览网上商城时,网上商城可以推送各种各样的物品给用户。网上商城的物品种类很多,通常会从中选择出一些用户感兴趣的物品,推送给用户,例如基于当前网络上的一些热议话题/热点事件,为用户推荐相关的物品。
现有技术中,在基于网络热议话题/热点事件进行物品推送时,主要是由人工预先获取网络上的热点信息,基于热点信息筛选出相关的物品集合,然后再从物品集合中选取出物品推送给用户。
但是,现有技术的这种方式需要人工实时监测热点信息,并由人工筛选物品,整个过程费时费力,涉及到的人工成本高。
发明内容
本申请提供一种热点信息的处理方法、装置、服务器和可读存储介质,用于解决现有物品推送过程中,人工成本高的问题。
第一方面,本申请实施例提供一种热点信息的处理方法,包括:
获取第一网站的热点物品,确定所述热点物品对应的应用场景信息,所述热点物品为所述第一网站中用户关注度达到预设阈值的物品;
从第二网站中获取热点信息,在所述热点信息中确定出与所述应用场景信息相关联的目标热点信息;
根据所述目标热点信息和所述应用场景信息,获取潜在物品需求,所述潜在物品需求用于指示用户在所述第一网站中感兴趣的物品。
在第一方面的一种可能设计中,所述获取第一网站的热点物品,包括:
获取所述用户对所述第一网站中物品的历史行为,所述历史行为包括浏览行为、搜索行为、下单行为和收藏行为中的至少一种;
根据所述历史行为的次数和所述预设阈值,从所述第一网站的物品中选取出热点物品。
在第一方面的另一种可能设计中,所述确定所述热点物品对应的应用场景信息,包括:
获取所述热点物品的物品信息,所述物品信息包括标题信息和属性信息;
根据所述标题信息和属性信息,获取所述热点物品的应用场景信息。
在第一方面的再一种可能设计中,所述根据所述标题信息和属性信息,获取所述热点物品的应用场景信息,包括:
从所述标题信息中提取得到场景分词,所述场景分词为描述所述热点物品的应用场景的词语;
获取所述属性信息中的预设属性,得到所述预设属性对应的属性值;
将所述场景分词与所述属性值进行组合,得到所述应用场景信息。
在第一方面的又一种可能设计中,所述在所述热点信息中确定出与所述应用场景信息相关联的目标热点信息,包括:
根据所述热点信息和所述应用场景信息,对预设模型进行训练得到第一目标模型;
根据所述第一目标模型,从所述热点信息中确定出与所述应用场景信息关联的目标热点信息。
在第一方面的又一种可能设计中,所述根据所述热点信息和所述关联信息,对预设模型进行训练得到第一目标模型,包括:
对所述热点信息进行向量化,得到所述热点信息的表征向量;
对所述应用场景信息进行向量化,得到应用场景信息的表征向量;
获取所述热点信息的表征向量与所述应用场景信息的表征向量的距离;
根据所述距离,确定所述预设模型的正样本和负样本,所述正样本和负样本用于作为所述预设模型的训练数据;
根据所述预设模型的训练数据,对所述预设模型进行训练得到第一目标模型。
在第一方面的又一种可能设计中,所述对所述热点信息进行向量化,得到所述热点信息的表征向量,包括:
对所述热点信息进行分词得到至少一个热点分词;
对每个热点分词进行向量化,得到每个热点分词对应的分词向量;
根据每个热点分词对应的分词向量,获取所述热点信息的表征向量。
在第一方面的又一种可能设计中,所述对所述应用场景信息进行向量化,得到应用场景信息的表征向量,包括:
获取所述应用场景信息的场景名称和所述应用场景信息中包含的物品,所述应用场景信息中包含有至少一个物品信息;
对所述场景名称进行向量化,得到所述场景名称的表征向量;
对所述物品信息进行向量化,所述物品信息的表征向量;
根据所述场景名称的表征向量和所述物品信息的表征向量,得到所述应用场景信息的表征向量。
在第一方面的又一种可能设计中,所述根据所述距离,确定所述预设模型的正样本和负样本,包括:
获取所述距离大于预设距离的热点信息,作为所述预设模型的正样本;
选取所述距离小于或等于预设距离的热点信息,作为所述预设模型的负样本。
在第一方面的又一种可能设计中,所述根据所述预设模型的训练数据,对所述预设模型进行训练得到第一目标模型,包括:
根据所述预设模型的正样本和负样本,对所述预设模型进行训练得到初始模型;
根据所述初始模型对距离小于或等于预设距离的热点信息进行打分,得到每个距离小于或等于预设距离的热点信息对应的得分;
从距离小于或等于预设距离的热点信息中选取出得分大于预设分数阈值的热点信息,更新至所述正样本中;
从距离小于或等于预设距离的热点信息中选取出得分小于或等于预设分数的热点信息,更新至所述负样本中;
根据所述更新之后的正样本和负样本,对所述初始模型进行训练,得到所述第一目标模型。
在第一方面的又一种可能设计中,所述根据所述目标热点信息和所述应用场景信息,获取潜在物品需求,包括:
根据所述应用场景信息,在所述第二网站获取与所述应用场景信息关联的热点信息集合;
根据所述热点信息集合,对预设分类模型进行训练得到第二目标模型;
根据所述目标热点信息、所述应用场景信息和所述第二目标模型,获取所述潜在物品需求。
第二方面,本申请实施例提供一种热点信息的处理装置,包括:
物品获取模块,用于获取第一网站的热点物品,确定所述热点物品对应的应用场景信息,所述热点物品为所述第一网站中用户关注度达到预设阈值的物品;
信息关联模块,用于从第二网站中获取热点信息,在所述热点信息中确定出与所述应用场景信息相关联的目标热点信息;
需求获取模块,用于根据所述目标热点信息和所述应用场景信息,获取潜在物品需求,所述潜在物品需求用于指示用户在所述第一网站中感兴趣的物品。
第三方面,本申请实施例提供一种服务器,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如上所述的方法。
第四方面,本申请实施例提供一种可读存储介质,所述可读存储介质中存储有计算机指令,所述计算机指令被处理器执行时用于实现如上述的方法。
第五方面,本申请实施例提供一种程序产品,包括计算机指令,该计算机指令被处理器执行时实现如上所述的方法。
本申请实施例提供的热点信息的处理方法、装置、服务器和可读存储介质,通过获取第一网站中关注度较高的热门物品,并从其他网络站点获取热点信息,在这些热点信息中找到与热点物品的购物场景关联度高的目标热点,分析出潜在的物品需求,不需要人工实时监测其他网络站点的热点信息以及在购物网站中凭主观臆测选择热点物品集合,降低人工成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理;
图1为本申请实施例提供的热点信息的处理方法的场景示意图;
图2为本申请实施例提供的热点信息的处理方法实施例一流程示意图;
图3为本申请实施例提供的热点信息的处理方法实施例二的流程示意图;
图4为本申请实施例提供的热点信息的处理装置的结构示意图;
图5为本申请实施例提供的服务器的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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。
首先对本申请所涉及的名词进行解释:
热点:是指指的是比较受广大群众关注,或者欢迎的新闻或者信息,或指某时期引人注目的地方或问题。如“社会热点”、“绵山成为旅游的热点”。
图1为本申请实施例提供的热点信息的处理方法的场景示意图。本申请的应用场景可以是用户在网站购物所处场景。如图1所示,用户可以通过移动终端10(例如个人电脑)登录到网站上,浏览、点击、收藏和下单网站上展示的物品。用户根据其个人的兴趣会对不同的物品产生不同的关注度。例如用户会关注当前生活中的热点信息,如果用户发现热点信息中潜在有一些物品需求,就可能会到网站下单这些物品。而网站为了能够提高用户的体验,也可以主动的去搜索当前生活中的热点信息,然后从中找到一些用户可能需要的物品,展示在页面上。
但是在实际生活应用中,需要网站的维护人员人工去获取热点信息,然后根据主观臆测的方式,结合热点信息从网站中筛选出一些用户可能需求的物品,组成物品集合上传到网站的服务器11,然后由服务器11将这些物品分配推送给各个用户。这种方式需要大量的人工成本,而且对热点信息的响应速度不够快。为了能够降低人工成本,还有另外一种方法,其主要是通过算法从其它网站服务器12中爬取舆情信息,然后输入到预测模型中预测出哪些舆情属于热点舆情,哪些属于非热点舆情。这种方法通过算法挖掘热点舆情不具备可解释性,容易导致历史经验无法复用,而且只能够确定出解决热点舆情的人工获取过程,无法解决后续从热点信息中找打关联的物品过程。
针对上述问题,本申请实施例提供了一种热点信息的处理方法、装置、服务器和可读存储介质,利用用户对网站上不同的物品的关注度,找到关注度较高的热点物品和该热点物品对应的应用场景信息,然后再从其它网站获取热点信息,确定出哪些热点信息是与应用场景信息关联度较高的目标热点信息,最后根据目标热点信息和应用场景信息,分析出用户的潜在物品需求,整个过程可以免除掉人工挖掘热点信息的工作量,能够实现目标热点信息的自动识别,并且降低人工筛选关联物品的成本,增强热点信息的可解释性,最终推理出用户潜在的物品需求,提高用户对网站的使用体验。
下面,通过具体实施例对本申请的技术方案进行详细说明。需要说明的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为本申请实施例提供的热点信息的处理方法实施例一流程示意图,该方法可以应用于本地计算机设备,在实际应用中也可以应用于云端的服务器中。如图2所示,该方法具体可以包括如下步骤:
S201、获取第一网站的热点物品,确定热点物品对应的应用场景信息。
其中,热点物品为第一网站中用户关注度达到预设阈值的物品。
在本实施例中,第一网站可以是指供用户浏览、搜索、下单物品的网站,例如现有的一些购物网站。这些网站中通常包含有海量的物品信息,网站由于受显示界面的限制,一般只会从海量的物品中选取出部分物品,展示在显示界面上,而如果这些展示在显示界面上的物品都不是用户感兴趣的物品,则用户还需要再通过浏览、搜索等方式才能够找到自己感兴趣的物品。
其中,当第一网站的用户群体较大时,如果不同的用户均对某一个物品的有关注,例如均对某一个物品产生了点击、搜索、下单等行为,则该物品的关注度就会超过预设阈值,该物品就可以称为热点物品。示例性的,服务器可以以一段时间(例如一个月)作为时间周期,每一个时间周期内统计一次各个物品的关注度,来确定出该时间周期内的哪些物品属于热点物品。
在本实施例中,热点物品通常都携带有物品信息以方便用户查阅和了解该物品,具体可以是标题信息和属性信息等。其中,标题信息通常是对物品的重要特征进行文字介绍,而属性信息则是对物品的详细属性进行文字介绍。
示例性的,热点物品的物品信息可以如下表1:
表1
其中,属性信息就包含有物品毛重、物品产地、物品标识、所属类别和适用事件。
在本实施例中,应用场景信息可以从标题信息和属性信息中提取得到。例如以表1为例,应用场景信息可以为“学生_户外_复工、、学生_户外_开学、学生_户外_防疫、学生_户外_急救”。
S202、从第二网站中获取热点信息,在热点信息中确定出与应用场景信息相关联的目标热点信息。
示例性的,第二网站可以是除第一网站之外的一些网络站点,例如社交网络站点、资讯网络站点、游戏论坛等等。
在本实施例中,热点信息通常是近期引起社会广泛关注和讨论的话题,热点信息通常由简单的一句话组成。示例性的,热点信息可以是#最强寒潮来了#、#户外新旅行#、#霍金去世#。
其中,有些热点信息能够与应用场景信息产生关联关系,则这些热点信息会被作为目标热点信息。具体的,可以将应用场景信息和热点信息分别进行向量化,然后得出应用场景信息与热点信息之间的向量距离,然后根据距离来确定哪些热点信息与应用场景信息存在关联关系。
示例性的,热点信息#最强寒潮来了#与应用场景信息“补水_户外_御寒”存在关联关系,而#霍金去世#则没有与之相关的应用场景信息。
S203、根据目标热点信息和应用场景信息,获取潜在物品需求。
其中,潜在物品需求用于指示用户在第一网站中感兴趣的物品,示例性的,用户感兴趣的物品可以是户外背包、口罩等等。
在本实施例中,可以将目标热点信息与应用场景信息相关联,找到一些关联性较强的应用场景信息,从中推理得到潜在物品需求。示例性的,以关联的应用场景信息为“男生_秋冬季_户外_旅行”为例,则可以从该应用场景信息中分析得到户外背包、秋冬季外套、旅行帐篷等物品。
进一步的,当得到用于指示用户感兴趣的物品的潜在物品需求之后,可以将这些用户感兴趣的物品展示到第一网站的页面上,供用户查阅。如此就能够实现根据当前的热点信息,来推送与之相关的物品给用户,提高物品的下单成功率。
本申请实施例通过从第一网站获取热点物品和热点物品对应的应用场景信息,然后从第二网站中筛选得到与应用场景信息相关联的目标热点信息,不需要人工挖掘和筛选热点,降低了人工成本。同时还能够根据目标热点信息与应用场景信息推理得到潜在物品需求,精准的找到用户感兴趣的物品,最终能够实现物品的准确推送,提高物品的购买转化率。
在一些实施例中,上述步骤S201“获取第一网站的热点物品”具体可以通过如下步骤实现:
获取用户对第一网站中物品的历史行为;
根据历史行为的次数和预设阈值,从第一网站的物品中选取出热点物品。
其中,历史行为包括浏览行为、搜索行为、下单行为和收藏行为中的至少一种。
在本实施例中,历史行为可以是用户近期(例如一个月)在第一网站上的行为,热点物品是指用户的历史行为的次数达到某一个频次以上的物品。其中,预设阈值可以是经验值。
示例性的,可以将用户近一个月总浏览超过一百万次的物品作为热点物品。
本申请实施例通过利用用户在网站上的历史行为,挖掘出网站中的哪些物品为热点物品,避免使用人工挖掘以及人工主观臆测热点物品,使得热点物品具有可解释性,同时也减少人工成本的同时还能够提高热点物品的挖掘效率。
在一些实施例中,上述步骤S201中“确定热点物品对应的应用场景信息”,具体可以通过如下步骤实现:
获取热点物品的物品信息;
根据标题信息和属性信息,获取热点物品的应用场景信息。
其中,物品信息包括标题信息和属性信息。
在本实施例中,属性信息还可以包括物品的适用季节、适用人群、适用事件等属性,不同的属性对应有不同的属性值。示例性的,参考上表1,上述表1中属性信息包括有适用事件,其中,适用事件对应的属性值为防疫、急救。
本申请实施例通过对物品信息拆分为标题信息和属性信息,通过标题信息和属性信息中来得到热门物品的应用场景信息,能够使得到的应用场景信息更加的准确。
进一步的,在上述实施例的基础上,在一些实施例中,上述步骤“根据标题信息和属性信息,获取热点物品的应用场景信息”可以通过如下步骤实现:
从标题信息中提取得到场景分词;
获取属性信息中的预设属性,得到预设属性对应的属性值;
将场景分词与属性值进行组合,得到应用场景信息。
其中,场景分词为描述热点物品的应用场景的词语。
在本实施例中,对于标题信息,可以基于序列标注模型识别标题信息中的场景分词。示例性的,序列标注模型包括但不限于概率图模型和深度学习模型。其中,概率图模型可以是条件随机场(conditional random field algorithm,CRF)、隐马尔可夫模型(Hidden Markov Model,HMM),深度学习模型可以是长短期记忆人工神经网络模型(Bi-directional Long Short-Term Memory conditional random field algorithm,BiLSTM-CRF)。
其中,序列标注模型对应的词性类别可以定义为四种:适用事件、适用地点、适用人群和适用时间。通过四个词性,从标题信息中提取得到场景分词。
示例性的,以表1中的标题“AL-NASR/阿尔纳斯防疫包复工防疫套装学生开学防疫包户外杀菌套装便携随身防疫用品学生消毒套餐便携防疫包(家庭包)”为例,其提取得到的场景分词如下表2所示:
场景分词 | 词性 |
复工 | 适用事件 |
学生 | 适用人群 |
开学 | 适用事件 |
户外 | 适用地点 |
防疫 | 适用事件 |
表2
在本实施例中,在提取得到场景分词和属性值之后,通常场景分词和属性值至少都分别会包含有一个词语,示例性的,表2中的场景分词就包括有5个词语。示例性的,应用场景信息的格式可以定义为适用人群_适用地点_适用事件。可以按照应用场景的格式,将对应的场景分词和属性值填入进去,即得到了应用场景信息。
示例性的,以适用人群对应的场景分词为学生,适用地点对应的场景分词为户外,适用事件对应的场景分词为复工、开学、防疫,以及表1中适用事件对应的属性值为防疫、急救为例,则排列组合得到的应用场景信息包括:学生_户外_复工、学生_户外_开学、学生_户外_防疫、学生_户外_急救。
本申请实施例通过提取标题信息中的场景分词和预设属性对应的属性值,能够组合得到更加准确的应用场景信息,方便后续准确的找到潜在物品需求。
在一些实施例中,上述步骤S202中“在热点信息中确定出与应用场景信息相关联的目标热点信息”具体可以通过如下步骤实现:
根据热点信息和应用场景信息,对预设模型进行训练得到第一目标模型;
根据第一目标模型,从热点信息中确定出与应用场景信息关联的目标热点信息。
在本实施例中,预设模型可以是基于场景的机器学习二分类模型,包括但不限于逻辑回归、gbdt、朴素贝叶斯等方法。预设模型的训练数据可以是从第二网站中获取的热点信息。
示例性的,在获取热点信息的过程中,还可以基于已经得到的热点信息,对热点信息进行数据增强。具体的,基于已经得到的热点信息,从第二网站继续查找与该热点信息的相关信息,其中,相关信息可以是与热点信息相关的话题以及话题下的讨论内容。例如以#最强寒潮来了#为热点信息为例,相关话题可以是与该热点信息相关的讨论信息,例如“#最强寒潮来了#朋友们~来分享一下御寒装备呀”、“霸王级寒潮来了!皮肤严重缺水怎么办?”。
在本实施例中,在得到热点信息之后,可以对热点信息进行自动打标,找到与应用场景信息相关的热点信息作为正样本,其它剩余热点信息作为负样本,以对后续第一目标模型的训练。
本申请实施例通过对热点信息进行数据增强,能够找到热点信息对应的潜在物品需求,同时为后续第一目标模型的训练可以积累更多的训练数据。提高第一目标模型的预测效果,能够利用第一目标模型自动从任意信息中甄别出与物品相关的热点信息,不需要人工从网络站点来爬取热点信息,并确定出哪些热点信息与物品相关,减少人工成本,同时也能够提高对热点信息的反应速度,避免热点信息过时。
进一步的,在上述实施例的基础上,在一些实施例中,上述步骤“根据热点信息和关联信息,对预设模型进行训练得到第一目标模型”具体可以通过如下步骤实现:
对热点信息进行向量化,得到热点信息的表征向量;
对应用场景信息进行向量化,得到应用场景信息的表征向量;
获取热点信息的表征向量与应用场景信息的表征向量的距离;
根据距离,确定预设模型的正样本和负样本;
根据预设模型的训练数据,对预设模型进行训练得到第一目标模型。
其中,正样本和负样本用于作为预设模型的训练数据。
在本实施例中,可以将热点信息使用语义向量进行表征,示例性的,可以基于快速文本(fasttext)等向量工具为热点信息生成对应的语义向量,以此来表征热点信息。同理,应用场景信息也可以使用语义向量进行表征。
在本实施例中,可以计算热点信息的表征向量与应用场景信息的表征向量的向量距离,示例性的,向量距离包括但不限于余弦距离、欧式距离等。具体的,以余弦距离为例,可以设置距离阈值(例如0.95),选取向量距离大于距离阈值的热点信息作为与应用场景信息强相关的,而向量距离小于或等于距离阈值的热点信息作为与应用场景信息弱相关的。
其中,与应用场景信息强相关的热点信息为正样本,与应用场景信息弱相关的热点信息为负样本。
本申请实施例通过利用向量距离,选取出正样本和负样本作为预设模型的训练数据,训练得到第一目标模型,能够实现突发舆情自动识别,极大地提升了购物网站针对时效的热点信息的反应速度,为用户推送与热点信息相关的物品,以提高物品的购买转化率。
进一步的,在上述实施例的基础上,在一些实施例中,上述步骤“对热点信息进行向量化,得到热点信息的表征向量”,具体可以通过如下步骤实现:
对热点信息进行分词得到至少一个热点分词;
对每个热点分词进行向量化,得到每个热点分词对应的分词向量;
根据每个热点分词对应的分词向量,获取热点信息的表征向量。
在本实施例中,热点信息为一段简短的句子,热点信息需要分词得到若干个热点分词,并计算每一个热点分词对应的分词向量,最后将每一个热点分词的分词向量整合,得到该热点信息的表征向量。
示例性的,以热点信息为#最强寒潮来了#为例,其进行数据增强之后得到了相关信息“#最强寒潮来了#朋友们~来分享一下御寒装备呀”和“霸王级寒潮来了!皮肤严重缺水怎么办?”。对其进行分词的过程可以参见表3:
表3
其中,在对热点信息进行分词的过程中可以采用结巴分词等分词工具,然后为各个分词生活曾对应的语义向量,最终得到热点信息的表征向量。
示例性的,若一个热点信息T包含若干热点分词,即T={w1,w2,,,wn},其中wn为第n个热点分词(n为不小于1的正整数)。则可以得到分词向量其中,为第n个热点分词对应分词向量。热点信息的表征向量为:
上式中,VecT为热点信息的表征向量。
在上述实施例的基础上,在一些实施例中,上述步骤“对应用场景信息进行向量化,得到应用场景信息的表征向量”,具体可以通过如下步骤实现:
获取应用场景信息的场景名称和应用场景信息中包含的物品;
对场景名称进行向量化,得到场景名称的表征向量;
对物品信息进行向量化,物品信息的表征向量;
根据场景名称的表征向量和物品信息的表征向量,得到应用场景信息的表征向量。
其中,应用场景信息中包含有至少一个物品信息。示例性的,以下表4为例,表4中的应用场景信息的场景名称为学生_户外_防疫,可以通过应用场景信息的场景名称查询得到对应的三个物品。
表4
在本实施例中,可以先获取场景名称的分词集合和物品名称的分词集合,然后对场景名称和物品名称集的分词集合进行向量化,得到场景名称的表征向量和物品信息的表征向量,然后再结合得到应用场景信息的表征向量。
示例性的,若应用场景信息的场景名称为学生_户外_防疫,则场景名称的分词集合为{学生,户外,防疫}。
示例性的,用Sname表示场景名称的分词集合,其包括分词Sname={C1,C2,,,Cn},Cn表示第n个场景名称的分词。可以得到每个场景名称对应的分词向量集合表示第n个场景名称的分词向量,则场景名称的表征向量为:
上式中,表示场景名称的表征向量。
在获取物品信息的表征向量时,可以设任意物品信息的分词集合为Ssku,Ssku={S1,S2,,,Sn},其中,Sn为任意物品信息的第n个分词。任意物品信息对应的分词向量集合为示例性的,任意物品信息的分词集合来源于物品的标题名称和物品的属性信息。由此可以得到所有物品信息的向量表征为:
上式中,k表示应用场景信息中包含有k个物品信息,表示第j个物品信息对应的分词向量集合,/>表示购物场景下第j个商品对应的第i个分词对应的向量。
本实施例中,通过结合前述场景名称的表征向量和物品信息的表征向量可以得到应用场景信息的表征向量为
在上述实施例的基础上,在一些实施例中,上述步骤“根据距离,确定预设模型的正样本和负样本”,具体可以通过如下步骤实现:
获取距离大于预设距离的热点信息,作为预设模型的正样本;
选取距离小于或等于预设距离的热点信息,作为预设模型的负样本。
在本实施例中,可以以余弦距离为例,向量距离的计算公式如下:
上式中,dis表示热点信息的表征向量与应用场景信息的表征向量的距离,Vecscene表示应用场景信息的表征向量,VecT表示热点信息的表征向量。
示例性的,可以设置预设距离为0.95,当热点信息的表征向量与应用场景信息的表征向量大于预设距离,则该热点信息会作为正样本。而剩余的热点信息则会作为负样本。
进一步的,在一些实施例中,上述步骤“根据预设模型的训练数据,对预设模型进行训练得到第一目标模型”,具体可以通过如下步骤实现:
根据预设模型的正样本和负样本,对预设模型进行训练得到初始模型;
根据初始模型对距离小于或等于预设距离的热点信息进行打分,得到每个距离小于或等于预设距离的热点信息对应的得分;
从距离小于或等于预设距离的热点信息中选取出得分大于预设分数阈值的热点信息,更新至正样本中;
从距离小于或等于预设距离的热点信息中选取出得分小于或等于预设分数的热点信息,更新至负样本中;
根据更新之后的正样本和负样本,对初始模型进行训练,得到第一目标模型。
在本实施例中,在通过正样本和负样本对第一目标模型进行训练得到了初版的初始模型。后续可以利用该初始模型从原负样本预测出相关性分数,然后选取出分数较高的添加至原正样本中,以对原正样本进行更新得到更新之后的正样本,而将剩余的作为负样本,对原负样本进行更新。之后通过更新之后的正样本和负样本,对初始模型进行训练,得到第一目标模型。
示例性的,选取出分数超过预设分数阈值的添加至原正样本中。其中,相关性分数是指初始模型的预测结果,其表征的是热点信息与应用场景信息之间的相关性程度。
示例性的,以“最强寒潮来了”以及相关讨论“#最强寒潮来了#朋友们~来分享一下御寒装备呀”、“霸王级寒潮来了!皮肤严重缺水怎么办?”作为热点信息为例,这些热点信息都与应用场景信息“御寒_补水”相关,可以加入到正样本中。
本实施例中,可以对初始模型进行n次迭代训练,即每一次迭代训练之后,都对上一次的正样本和负样本进行更新,在n次迭代训练之后,得到一批带有批注的正样本和负样本。其中,n值可由经验阈值确定。在得到最带有批注的正负样本后,基于初始模型的模型结构,重新训练最新版本的模型,从而得到最终的第一目标模型。
本申请实施例通过在每一次迭代训练之后,对正样本和负样本进行一次更新,能够增强第一目标模型的泛化能力,使得第一目标模型可以应用于更加广泛的数据场景中,另一方面也可以用来挖掘热点信息的潜在物品需求。
在一些实施例中,上述步骤S203具体可以通过如下步骤实现:
根据应用场景信息,在第二网站获取与应用场景信息关联的热点信息集合;
根据热点信息集合,对预设分类模型进行训练得到第二目标模型;
根据目标热点信息、应用场景信息和第二目标模型,获取潜在物品需求。
在本实施例中,可以基于应用场景信息,以搜索词的方法在第二网站上进行检索,得到每个应用场景信息相关的热点信息。示例性的,以应用场景信息为“男生_秋冬季_户外_旅行”为例,则搜索词为“男生秋冬季户外旅行”,可以在第二网站上检索得到与应用场景信息相关的#漠河生哥户外旅行网#、#我的旅行装备#等热点信息,作为训练数据来训练预设分类模型。
其中,训练数据即热点信息需要进行向量化,得到表征向量,之后作为预设分类模型的输入,训练得到第二目标模型。在得到第二目标模型之后,可以从第二网站上爬取任意热点信息,来预测其是否包含有潜在物品需求。
示例性的,预设分类模型可以是机器学习多分类模型,比如朴素贝叶斯模型、决策树等,也可以基于深度学习,比如常见的双塔模型。
图3为本申请实施例提供的热点信息的处理方法实施例二的流程示意图,如图3所示,该方法包括步骤:
S301、热点事件库构建。
S302、相关热点识别。
S303、基于热点信息推理潜在物品需求。
在本实施例中,可以利用购物网站的物品库中包含的应用场景信息和用户近期的行为日志,构建得到热点事件库。相关热点可以是指与应用场景信息相关的热点信息。通过构建热点事件库,一方面可以免去人工挖掘热点的工作量,另一方面使得热点具有可解释性。相关热点识别则可以从任意数据来源的热点信息中甄别出与购物网站相关的热点信息,有效的降低人工筛选成本。潜在物品需求推理则可以实现热点信息与物品的自动化关联,准确的找到用户背后的物品需求,提升购物网站的物品点击率和转化率。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图4为本申请实施例提供的热点信息的处理装置的结构示意图,该热点信息的处理装置可以集成在服务器上,也可以独立于服务器且与服务器协同实现本方案。如图4所示,该热点信息的处理装置40包括物品获取模块41、信息关联模块42和需求获取模块43。
其中,物品获取模块41用于获取第一网站的热点物品,确定热点物品对应的应用场景信息。信息关联模块42用于从第二网站中获取热点信息,在热点信息中确定出与应用场景信息相关联的目标热点信息。需求获取模块43用于根据目标热点信息和应用场景信息,获取潜在物品需求。
其中,热点物品为第一网站中用户关注度达到预设阈值的物品,潜在物品需求用于指示用户在第一网站中感兴趣的物品。
在一些实施例中,上述物品获取模块41具体可以用于:
获取用户对第一网站中物品的历史行为;
根据历史行为的次数和预设阈值,从第一网站的物品中选取出热点物品。
其中,历史行为包括浏览行为、搜索行为、下单行为和收藏行为中的至少一种。
在一些实施例中,上述物品获取模块41具体可以用于:
获取热点物品的物品信息;
根据标题信息和属性信息,获取热点物品的应用场景信息。
其中,物品信息包括标题信息和属性信息。
可选的,在一些实施例中,上述物品获取模块41具体可以用于:
从标题信息中提取得到场景分词;
获取属性信息中的预设属性,得到预设属性对应的属性值;
将场景分词与属性值进行组合,得到应用场景信息。
其中,场景分词为描述热点物品的应用场景的词语。
在一些实施例中,信息关联模块42具体可以用于:
根据热点信息和应用场景信息,对预设模型进行训练得到第一目标模型;
根据第一目标模型,从热点信息中确定出与应用场景信息关联的目标热点信息。
可选的,在一些实施例中,信息关联模块42具体可以用于:
对热点信息进行向量化,得到热点信息的表征向量;
对应用场景信息进行向量化,得到应用场景信息的表征向量;
获取热点信息的表征向量与应用场景信息的表征向量的距离;
根据距离,确定预设模型的正样本和负样本;
根据预设模型的训练数据,对预设模型进行训练得到第一目标模型。
其中,正样本和负样本用于作为预设模型的训练数据。
可选的,在一些实施例中,信息关联模块42具体可以用于:
对热点信息进行分词得到至少一个热点分词;
对每个热点分词进行向量化,得到每个热点分词对应的分词向量;
根据每个热点分词对应的分词向量,获取热点信息的表征向量。
可选的,在一些实施例中,信息关联模块42具体可以用于:
获取应用场景信息的场景名称和应用场景信息中包含的物品;
对场景名称进行向量化,得到场景名称的表征向量;
对物品信息进行向量化,物品信息的表征向量;
根据场景名称的表征向量和物品信息的表征向量,得到应用场景信息的表征向量。
其中,应用场景信息中包含有至少一个物品信息。
可选的,在一些实施例中,信息关联模块42具体可以用于:
获取距离大于预设距离的热点信息,作为预设模型的正样本;
选取距离小于或等于预设距离的热点信息,作为预设模型的负样本。
可选的,在一些实施例中,信息关联模块42具体可以用于:
根据预设模型的正样本和负样本,对预设模型进行训练得到初始模型;
根据初始模型对距离小于或等于预设距离的热点信息进行打分,得到每个距离小于或等于预设距离的热点信息对应的得分;
从距离小于或等于预设距离的热点信息中选取出得分大于预设分数阈值的热点信息,更新至正样本中;
从距离小于或等于预设距离的热点信息中选取出得分小于或等于预设分数的热点信息,更新至负样本中;
根据更新之后的正样本和负样本,对初始模型进行训练,得到第一目标模型。
在一些实施例中,需求获取模块43具体可以用于:
根据应用场景信息,在第二网站获取与应用场景信息关联的热点信息集合;
根据热点信息集合,对预设分类模型进行训练得到第二目标模型;
根据目标热点信息、应用场景信息和第二目标模型,获取潜在物品需求。
本申请实施例提供的装置,可用于执行上述实施例中的方法,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现例如,物品获取模块可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上物品获取模块的功能。其它模块的实现与之类似。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘solid state disk(SSD))等。
图5为本申请实施例提供的服务器的结构示意图。如图5所示,该服务器50包括:至少一个处理器51、存储器52、总线53及通信接口54。
其中:处理器51、通信接口54以及存储器52通过总线53完成相互间的通信。
通信接口54,用于与其它设备进行通信。示例性的,该通信接口54可以与第二网站的服务器进行通信,以从第二网站获取热点信息。
处理器51,用于执行存储器52中存储的计算机执行指令,具体可以执行上述实施例中所描述的方法中的相关步骤。
处理器可能是中央处理器。服务器包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器,用于存放计算机执行指令。存储器可能包含高速RAM存储器,也可能还包括非易失性存储器,例如至少一个磁盘存储器。
本实施例还提供一种可读存储介质,可读存储介质中存储有计算机指令,当服务器的至少一个处理器执行该计算机指令时,服务器执行上述的各种实施方式提供的热点信息的处理方法。
本实施例还提供一种程序产品,该程序产品包括计算机指令,该计算机指令存储在可读存储介质中。服务器的至少一个处理器可以从可读存储介质读取该计算机指令,至少一个处理器执行该计算机指令使得服务器实施上述的各种实施方式提供的热点信息的处理方法。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系;在公式中,字符“/”,表示前后关联对象是一种“相除”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中,a,b,c可以是单个,也可以是多个。
可以理解的是,在本申请实施例中涉及的各种数字编号仅为描述方便进行的区分,并不用来限制本申请的实施例的范围。在本申请的实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请的实施例的实施过程构成任何限定。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (15)
1.一种热点信息的处理方法,其特征在于,包括:
获取第一网站的热点物品,确定所述热点物品对应的应用场景信息,所述热点物品为所述第一网站中用户关注度达到预设阈值的物品;
从第二网站中获取热点信息,在所述热点信息中确定出与所述应用场景信息相关联的目标热点信息;
根据所述目标热点信息和所述应用场景信息,获取潜在物品需求,所述潜在物品需求用于指示用户在所述第一网站中感兴趣的物品。
2.根据权利要求1所述的方法,其特征在于,所述获取第一网站的热点物品,包括:
获取所述用户对所述第一网站中物品的历史行为,所述历史行为包括浏览行为、搜索行为、下单行为和收藏行为中的至少一种;
根据所述历史行为的次数和所述预设阈值,从所述第一网站的物品中选取出热点物品。
3.根据权利要求1所述的方法,其特征在于,所述确定所述热点物品对应的应用场景信息,包括:
获取所述热点物品的物品信息,所述物品信息包括标题信息和属性信息;
根据所述标题信息和属性信息,获取所述热点物品的应用场景信息。
4.根据权利要求3所述的方法,其特征在于,所述根据所述标题信息和属性信息,获取所述热点物品的应用场景信息,包括:
从所述标题信息中提取得到场景分词,所述场景分词为描述所述热点物品的应用场景的词语;
获取所述属性信息中的预设属性,得到所述预设属性对应的属性值;
将所述场景分词与所述属性值进行组合,得到所述应用场景信息。
5.根据权利要求1所述的方法,其特征在于,所述在所述热点信息中确定出与所述应用场景信息相关联的目标热点信息,包括:
根据所述热点信息和所述应用场景信息,对预设模型进行训练得到第一目标模型;
根据所述第一目标模型,从所述热点信息中确定出与所述应用场景信息关联的目标热点信息。
6.根据权利要求5所述的方法,其特征在于,所述根据所述热点信息和所述关联信息,对预设模型进行训练得到第一目标模型,包括:
对所述热点信息进行向量化,得到所述热点信息的表征向量;
对所述应用场景信息进行向量化,得到应用场景信息的表征向量;
获取所述热点信息的表征向量与所述应用场景信息的表征向量的距离;
根据所述距离,确定所述预设模型的正样本和负样本,所述正样本和负样本用于作为所述预设模型的训练数据;
根据所述预设模型的训练数据,对所述预设模型进行训练得到第一目标模型。
7.根据权利要求6所述的方法,其特征在于,所述对所述热点信息进行向量化,得到所述热点信息的表征向量,包括:
对所述热点信息进行分词得到至少一个热点分词;
对每个热点分词进行向量化,得到每个热点分词对应的分词向量;
根据每个热点分词对应的分词向量,获取所述热点信息的表征向量。
8.根据权利要求6所述的方法,其特征在于,所述对所述应用场景信息进行向量化,得到应用场景信息的表征向量,包括:
获取所述应用场景信息的场景名称和所述应用场景信息中包含的物品,所述应用场景信息中包含有至少一个物品信息;
对所述场景名称进行向量化,得到所述场景名称的表征向量;
对所述物品信息进行向量化,所述物品信息的表征向量;
根据所述场景名称的表征向量和所述物品信息的表征向量,得到所述应用场景信息的表征向量。
9.根据权利要求6所述的方法,其特征在于,所述根据所述距离,确定所述预设模型的正样本和负样本,包括:
获取所述距离大于预设距离的热点信息,作为所述预设模型的正样本;
选取所述距离小于或等于预设距离的热点信息,作为所述预设模型的负样本。
10.根据权利要求9所述的方法,其特征在于,所述根据所述预设模型的训练数据,对所述预设模型进行训练得到第一目标模型,包括:
根据所述预设模型的正样本和负样本,对所述预设模型进行训练得到初始模型;
根据所述初始模型对距离小于或等于预设距离的热点信息进行打分,得到每个距离小于或等于预设距离的热点信息对应的得分;
从距离小于或等于预设距离的热点信息中选取出得分大于预设分数阈值的热点信息,更新至所述正样本中;
从距离小于或等于预设距离的热点信息中选取出得分小于或等于预设分数的热点信息,更新至所述负样本中;
根据所述更新之后的正样本和负样本,对所述初始模型进行训练,得到所述第一目标模型。
11.根据权利要求1所述的方法,其特征在于,所述根据所述目标热点信息和所述应用场景信息,获取潜在物品需求,包括:
根据所述应用场景信息,在所述第二网站获取与所述应用场景信息关联的热点信息集合;
根据所述热点信息集合,对预设分类模型进行训练得到第二目标模型;
根据所述目标热点信息、所述应用场景信息和所述第二目标模型,获取所述潜在物品需求。
12.一种热点信息的处理装置,其特征在于,包括:
物品获取模块,用于获取第一网站的热点物品,确定所述热点物品对应的应用场景信息,所述热点物品为所述第一网站中用户关注度达到预设阈值的物品;
信息关联模块,用于从第二网站中获取热点信息,在所述热点信息中确定出与所述应用场景信息相关联的目标热点信息;
需求获取模块,用于根据所述目标热点信息和所述应用场景信息,获取潜在物品需求,所述潜在物品需求用于指示用户在所述第一网站中感兴趣的物品。
13.一种服务器,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-11中任一项所述的方法。
14.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机指令,所述计算机指令被处理器执行时用于实现如权利要求1-11任一项所述的方法。
15.一种程序产品,包括计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-11任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092682.8A CN116541587A (zh) | 2022-01-26 | 2022-01-26 | 热点信息的处理方法、装置、服务器和可读存储介质 |
PCT/CN2022/113119 WO2023142448A1 (zh) | 2022-01-26 | 2022-08-17 | 热点信息的处理方法、装置、服务器和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092682.8A CN116541587A (zh) | 2022-01-26 | 2022-01-26 | 热点信息的处理方法、装置、服务器和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116541587A true CN116541587A (zh) | 2023-08-04 |
Family
ID=87449370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210092682.8A Pending CN116541587A (zh) | 2022-01-26 | 2022-01-26 | 热点信息的处理方法、装置、服务器和可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116541587A (zh) |
WO (1) | WO2023142448A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401937A (zh) * | 2020-02-26 | 2020-07-10 | 平安科技(深圳)有限公司 | 数据推送方法、装置及存储介质 |
CN113744011A (zh) * | 2020-06-17 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 物品搭配方法和物品搭配装置 |
CN113743973B (zh) * | 2020-11-30 | 2024-07-16 | 北京沃东天骏信息技术有限公司 | 分析市场热点趋势的方法和装置 |
CN113821718A (zh) * | 2021-02-01 | 2021-12-21 | 北京沃东天骏信息技术有限公司 | 一种物品信息推送方法和装置 |
CN112925986B (zh) * | 2021-04-08 | 2024-07-16 | 国网数字科技控股有限公司 | 商品对象推荐方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-26 CN CN202210092682.8A patent/CN116541587A/zh active Pending
- 2022-08-17 WO PCT/CN2022/113119 patent/WO2023142448A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023142448A1 (zh) | 2023-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20160170982A1 (en) | Method and System for Joint Representations of Related Concepts | |
CN108885624B (zh) | 信息推荐系统及方法 | |
CN109684538A (zh) | 一种基于用户个人特征的推荐方法及推荐系统 | |
Mirani et al. | Sentiment analysis of isis related tweets using absolute location | |
JP7451747B2 (ja) | コンテンツを検索する方法、装置、機器及びコンピュータ読み取り可能な記憶媒体 | |
TW201044298A (en) | Hot video prediction system based on user interests social network | |
CN110264277B (zh) | 由计算设备执行的数据处理方法及装置、介质和计算设备 | |
US20170140301A1 (en) | Identifying social business characteristic user | |
CN103309869A (zh) | 数据对象的展示关键词推荐方法及系统 | |
CN111737558A (zh) | 一种资讯推荐方法、装置及计算机可读存储介质 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
US11106878B2 (en) | Generating hypotheses in data sets | |
CN113569118B (zh) | 自媒体推送方法、装置、计算机设备及存储介质 | |
CN112182390B (zh) | 一种函件推送方法、装置、计算机设备及存储介质 | |
Clarizia et al. | A sentiment analysis approach for evaluation of events in field of cultural heritage | |
US20150235138A1 (en) | System, method, and storage medium for generating hypotheses in data sets | |
Seilsepour et al. | 2016 olympic games on twitter: Sentiment analysis of sports fans tweets using big data framework | |
CN113065067A (zh) | 一种物品推荐方法、装置、计算机设备及存储介质 | |
CN112434126B (zh) | 一种信息处理方法、装置、设备和存储介质 | |
Ali et al. | Identifying and Profiling User Interest over time using Social Data | |
CN116431895A (zh) | 安全生产知识个性化推荐方法及系统 | |
CN116541587A (zh) | 热点信息的处理方法、装置、服务器和可读存储介质 | |
CN114048294A (zh) | 相似人群扩展模型训练方法、相似人群扩展方法和装置 | |
CN116150470A (zh) | 内容推荐方法、装置、设备、存储介质及程序产品 | |
Ferdous et al. | Assortment of bangladeshi e-commerce site reviews using machine learning approaches |
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 |