CN116629984A - 基于嵌入模型的产品信息推荐方法、装置、设备和介质 - Google Patents
基于嵌入模型的产品信息推荐方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116629984A CN116629984A CN202310907148.2A CN202310907148A CN116629984A CN 116629984 A CN116629984 A CN 116629984A CN 202310907148 A CN202310907148 A CN 202310907148A CN 116629984 A CN116629984 A CN 116629984A
- Authority
- CN
- China
- Prior art keywords
- directed
- product
- node
- isomorphic
- sequence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 51
- 230000009466 transformation Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000005295 random walk Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 239000002699 waste material Substances 0.000 abstract description 7
- 239000000047 product Substances 0.000 description 217
- 230000006399 behavior Effects 0.000 description 120
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical group C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了基于嵌入模型的产品信息推荐方法、装置、设备和介质。该方法的一具体实施方式包括:根据浏览行为信息序列组,构建有向节点对集;根据有向节点对集,构建有向同构子图组;对有向同构子图组中的每个有向同构子图进行权重变换处理,以生成变换有向同构子图,得到变换有向同构子图组;对变换有向同构子图组中的每个变换有向同构子图进行随机游走处理,以生成产品节点序列,得到产品节点序列组;根据产品节点序列组,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型;根据节点嵌入模型和产品特征信息集,向每个用户的用户端推送相关联的相似产品信息。该实施方式避免了推送资源的浪费,避免了用户浏览时间的浪费。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及基于嵌入模型的产品信息推荐方法、装置、设备和介质。
背景技术
产品推送业务规则通常基于领域知识和专家经验,易于理解和解释,有助于提高推荐结果的可信度。目前,在产品推荐领域,为了向用户推送相关的产品(例如理财/基金/物品/文章等产品),通常采用的方式为:通过产品推送业务规则,向用户推送产品信息。
然而,采用上述方式,经常会存在如下技术问题:
第一,随着业务规模和复杂度的增加,维护和更新业务规则可能变得困难和耗时,导致推送的产品信息不符合需求,既浪费了推送资源,又浪费了用户的浏览时间;
第二,业务规则通常基于已有的知识和经验,难以发现潜在的规律和趋势,导致推送的信息较为冗余,浪费了通信资源;
第三,业务规则通常存在一定的主观性,导致推送的信息存在偏差,浪费了通信资源。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了基于嵌入模型的产品信息推荐方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种基于嵌入模型的产品信息推荐方法,该方法包括:采集预设时间段内每个用户的浏览行为信息,得到浏览行为信息集,其中,上述浏览行为信息集中的浏览行为信息包括:产品信息序列与浏览时间序列,上述产品信息序列中的产品信息对应上述浏览时间序列中的浏览时间;对产品集中每个产品的产品信息进行特征提取处理,以生成产品特征信息,得到产品特征信息集;对上述浏览行为信息集进行噪声消除及序列分割处理,得到浏览行为信息序列组;根据上述浏览行为信息序列组,构建有向节点对集,其中,上述有向节点对集中的有向节点对包含两个产品节点;根据上述有向节点对集,构建有向同构子图组,其中,上述有向同构子图组中的有向同构子图包含至少两个产品节点;对上述有向同构子图组中的每个有向同构子图进行权重变换处理,以生成变换有向同构子图,得到变换有向同构子图组;对上述变换有向同构子图组中的每个变换有向同构子图进行随机游走处理,以生成产品节点序列,得到产品节点序列组;根据上述产品节点序列组,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型;根据上述节点嵌入模型和上述产品特征信息集,向每个用户的用户端推送相关联的相似产品信息。
第二方面,本公开的一些实施例提供了一种基于嵌入模型的产品信息推荐装置,装置包括:采集单元,被配置成采集预设时间段内每个用户的浏览行为信息,得到浏览行为信息集,其中,上述浏览行为信息集中的浏览行为信息包括:产品信息序列与浏览时间序列,上述产品信息序列中的产品信息对应上述浏览时间序列中的浏览时间;提取单元,被配置成对产品集中每个产品的产品信息进行特征提取处理,以生成产品特征信息,得到产品特征信息集;分割单元,被配置成对上述浏览行为信息集进行噪声消除及序列分割处理,得到浏览行为信息序列组;第一构建单元,被配置成根据上述浏览行为信息序列组,构建有向节点对集,其中,上述有向节点对集中的有向节点对包含两个产品节点;第二构建单元,被配置成根据上述有向节点对集,构建有向同构子图组,其中,上述有向同构子图组中的有向同构子图包含至少两个产品节点;变换单元,被配置成对上述有向同构子图组中的每个有向同构子图进行权重变换处理,以生成变换有向同构子图,得到变换有向同构子图组;随机游走单元,被配置成对上述变换有向同构子图组中的每个变换有向同构子图进行随机游走处理,以生成产品节点序列,得到产品节点序列组;训练单元,被配置成根据上述产品节点序列组,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型;推送单元,被配置成根据上述节点嵌入模型和上述产品特征信息集,向每个用户的用户端推送相关联的相似产品信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的基于嵌入模型的产品信息推荐方法,避免了推送资源的浪费,避免了用户浏览时间的浪费。具体来说,既浪费了推送资源,又浪费了用户的浏览时间的原因在于:随着业务规模和复杂度的增加,维护和更新业务规则可能变得困难和耗时,导致推送的产品信息不符合需求,既浪费了推送资源,又浪费了用户的浏览时间。基于此,本公开的一些实施例的基于嵌入模型的产品信息推荐方法,首先,采集预设时间段内每个用户的浏览行为信息,得到浏览行为信息集。其中,上述浏览行为信息集中的浏览行为信息包括:产品信息序列与浏览时间序列,上述产品信息序列中的产品信息对应上述浏览时间序列中的浏览时间。由此,可以根据用户的行为信息,向用户推送感兴趣的产品。其次,对产品集中每个产品的产品信息进行特征提取处理,以生成产品特征信息,得到产品特征信息集;对上述浏览行为信息集进行噪声消除及序列分割处理,得到浏览行为信息序列组。由此,可以去除小概率的行为信息,以避免造成信息推送偏差。接着,根据上述浏览行为信息序列组,构建有向节点对集。其中,上述有向节点对集中的有向节点对包含两个产品节点。之后,根据上述有向节点对集,构建有向同构子图组。其中,上述有向同构子图组中的有向同构子图包含至少两个产品节点。由此,可以利用有向同构子图,确定存在关联的各个产品节点。再之后,对上述有向同构子图组中的每个有向同构子图进行权重变换处理,以生成变换有向同构子图,得到变换有向同构子图组;对上述变换有向同构子图组中的每个变换有向同构子图进行随机游走处理,以生成产品节点序列,得到产品节点序列组。然后,根据上述产品节点序列组,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型。由此,可以利用训练好的节点嵌入模型,确定各个产品之间的关联度。最后,根据上述节点嵌入模型和上述产品特征信息集,向每个用户的用户端推送相关联的相似产品信息。由此,可以向用户推送感兴趣的产品信息,避免了推送资源的浪费,避免了用户浏览时间的浪费。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的基于嵌入模型的产品信息推荐方法的一些实施例的流程图;
图2是根据本公开的基于嵌入模型的产品信息推荐方法中构建的初始有向同构子图的一个示意图;
图3是根据本公开的基于嵌入模型的产品信息推荐装置的一些实施例的结构示意图;
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的基于嵌入模型的产品信息推荐方法的一些实施例的流程100。该基于嵌入模型的产品信息推荐方法,包括以下步骤:
步骤101,采集预设时间段内每个用户的浏览行为信息,得到浏览行为信息集。
在一些实施例中,基于嵌入模型的产品信息推荐方法的执行主体(例如计算设备)可以通过有线连接方式或者无线连接方式采集预设时间段内每个用户的浏览行为信息,得到浏览行为信息集。其中,上述浏览行为信息集中的浏览行为信息包括:产品信息序列与浏览时间序列,上述产品信息序列中的产品信息对应上述浏览时间序列中的浏览时间。其中,上述浏览行为信息集中的浏览行为信息包括:操作次数序列、总操作次数、浏览时长序列,上述浏览时长序列中的浏览时长对应上述产品信息序列中的产品信息。其中,预设时间段可以是预先设定的时间段。产品信息序列中的产品信息可以表示用户在预设时间段内浏览的产品的信息(产品可以表征某一基金/理财产品)。浏览时间可以表示浏览某一产品信息的初始时间。预设时间段的时间粒度可以是1天。操作次数可以是指用户在一个时间粒度内浏览产品的次数。总操作次数可以表示用户在预设时间段内浏览的产品的总次数。浏览时长可以是指用户浏览某一产品信息的时长。产品信息可以包括:产品名称、产品号。产品信息还可以包括:产品的所属类别、上市交易所、产品创建时间,所属行业、产品规模、市场热度等信息。产品创建时间是指产品的上市日期或者成立日期。所属行业是指产品所属的申万行业分类或者Wind行业分类等。产品规模可以是产品的总市值等。市场热度包含但不限于产品购买人数、产品购买笔数、关注人数、搜索人数等。实践中,上述执行主体可以通过有线连接或无线连接的方式从产品管理终端(例如,wind提取行为信息)中采集预设时间段内每个用户的浏览行为信息,得到浏览行为信息集。浏览行为信息还可以包括但不限于对产品的搜索记录、点击记录、浏览记录、关注记录、购买记录、评论记录等。
步骤102,对产品集中每个产品的产品信息进行特征提取处理,以生成产品特征信息,得到产品特征信息集。
在一些实施例中,上述执行主体可以对产品集中每个产品的产品信息进行特征提取处理,以生成产品特征信息,得到产品特征信息集。产品集可以是指当前产品管理终端中所管理的各个产品。
实践中,上述执行主体可以通过以下步骤对产品集中每个产品的产品信息进行特征提取处理,以生成产品特征信息:
第一步,对上述产品信息中缺失的数据进行补充,得到补充产品信息。
第二步,对上述补充产品信息中的离散型信息进行独热编码,以及对补充产品信息中的连续型信息进行归一化处理,得到处理后的补充产品信息。离散型信息可以是指所属类别、上市交易所、所属行业。连续型信息可以是指产品创建时间。
第三步,提取出上述处理后的补充产品信息包括的所属类别、上市交易所、产品创建时间、所属行业、产品规模、市场热度等信息作为产品特征信息。
步骤103,对上述浏览行为信息集进行噪声消除及序列分割处理,得到浏览行为信息序列组。
在一些实施例中,上述执行主体可以对上述浏览行为信息集进行噪声消除及序列分割处理,得到浏览行为信息序列组。
实践中,上述执行主体可以通过以下步骤对上述浏览行为信息集进行噪声消除及序列分割处理,得到浏览行为信息序列组:
第一步,去除上述浏览行为信息集中符合第一行为条件的浏览行为信息,以对浏览行为信息集进行更新,得到第一更新浏览行为信息集。其中,上述第一行为条件为:浏览行为信息包括的操作次数序列中任一操作次数大于等于第一预设次数,或浏览行为信息包括的总操作次数大于等于第二预设次数,上述第二预设次数大于上述第一预设次数。
第二步,去除上述第一更新浏览行为信息集中符合第二行为条件的浏览行为信息,以对第一更新浏览行为信息集进行更新,得到第二更新浏览行为信息集。其中,上述第二行为条件为:浏览行为信息包括的操作次数序列中任一操作次数小于等于第三预设次数,或浏览行为信息包括的总操作次数小于等于第四预设次数,上述第四预设次数大于上述第三预设次数。
第三步,对于上述第二更新浏览行为信息集中的每个第二更新浏览行为信息,执行如下处理步骤:去除上述第二更新浏览行为信息中对应的浏览时长小于等于预设时长的产品信息,以对上述第二更新浏览行为信息进行更新,得到第三更新浏览行为信息。
第四步,根据浏览时间,对各个第三更新浏览行为信息进行排序,得到第三更新浏览行为信息序列。实践中,可以按照第三更新浏览行为信息对应的初始浏览时间的先后顺序,对各个第三更新浏览行为信息进行先后排序,得到第三更新浏览行为信息序列。
第五步,根据预设时间间隔,对上述第三更新浏览行为信息序列进行分组,得到第三更新浏览行为信息组序列作为浏览行为信息序列组。其中,上述第三更新浏览行为信息组序列中的第三更新浏览行为信息组对应上述浏览行为信息序列组中的浏览行为信息序列。这里,预设时间间隔可以是随机设定的。例如,可以将第三更新浏览行为信息序列中结束的浏览时间与初始浏览时间大于等于预设时间间隔的两个第三更新浏览行为信息分组。即,每两个第三更新浏览行为信息组之间的结束的浏览时间与初始浏览时间大于等于预设时间间隔。第三更新浏览行为信息组中各个第三更新浏览行为信息之间的结束的浏览时间与初始浏览时间小于预设时间间隔。
上述相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“耗费了较多计算资源”。耗费了较多计算资源的因素往往如下:业务规则通常基于已有的知识和经验,难以发现潜在的规律和趋势,导致推送的信息较为冗余,浪费了通信资源。如果解决了上述因素,就能达到减少计算资源的消耗的效果。为了达到这一效果,首先,去除上述浏览行为信息集中符合第一行为条件的浏览行为信息,以对浏览行为信息集进行更新,得到第一更新浏览行为信息集。其中,上述第一行为条件为:浏览行为信息包括的操作次数序列中任一操作次数大于等于第一预设次数,或浏览行为信息包括的总操作次数大于等于第二预设次数,上述第二预设次数大于上述第一预设次数。其次,去除上述第一更新浏览行为信息集中符合第二行为条件的浏览行为信息,以对第一更新浏览行为信息集进行更新,得到第二更新浏览行为信息集。其中,上述第二行为条件为:浏览行为信息包括的操作次数序列中任一操作次数小于等于第三预设次数,或浏览行为信息包括的总操作次数小于等于第四预设次数,上述第四预设次数大于上述第三预设次数。接着,对于上述第二更新浏览行为信息集中的每个第二更新浏览行为信息,执行如下处理步骤:去除上述第二更新浏览行为信息中对应的浏览时长小于等于预设时长的产品信息,以对上述第二更新浏览行为信息进行更新,得到第三更新浏览行为信息。由此,可以去除有向同构子图中的噪声数据。从而,避免了构建的产品节点图冗余,降低了计算复杂度,减少了计算资源的消耗。
步骤104,根据上述浏览行为信息序列组,构建有向节点对集。
在一些实施例中,上述执行主体可以根据上述浏览行为信息序列组,构建有向节点对集。其中,上述有向节点对集中的有向节点对包含两个产品节点。
实践中,上述执行主体可以通过以下步骤构建有向节点对集:
第一步,对于上述浏览行为信息序列组中的每个浏览行为信息,执行如下处理步骤:将上述浏览行为信息包括的产品信息序列中每两个产品信息对应的产品节点构建为有向节点对,得到有向节点对组。即,可以将每两个产品信息对应的产品标识按照浏览顺序关联在一起,得到有向节点对。即,有向节点对包含两个产品标识,且两个产品标识之间具有指向性。例如,有向节点对可以是<A,B>。
第二步,将所得到的各个有向节点对组合并为有向节点对集。
步骤105,根据上述有向节点对集,构建有向同构子图组。
在一些实施例中,上述执行主体可以根据上述有向节点对集,构建有向同构子图组。其中,上述有向同构子图组中的有向同构子图包含至少两个产品节点。
实践中,上述执行主体可以通过以下步骤构建有向同构子图组:
第一步,对上述有向节点对集进行去重处理,得到去重有向节点对集作为备选有向节点对组。即,可以将对上述有向节点对集中重复的有向节点对去重。
第二步,根据上述有向节点对集,确定上述备选有向节点对组中每个备选有向节点对的数量。即,确定上述有向节点对集中与上述备选有向节点对相同的有向节点对的数量。
第三步,将每个备选有向节点对的数量确定为上述备选有向节点对的权重。
第四步,去除上述备选有向节点对组中权重小于等于预设阈值的备选有向节点对,以对备选有向节点对组进行更新,得到目标有向节点对组。这里,对于预设阈值的设定,不作限制。例如,预设阈值可以是5。
第五步,根据上述目标有向节点对组,构建初始有向同构子图组。
实践中,首先,可以对上述目标有向节点对组进行划分,得到目标有向节点对序列组。例如,可以按照浏览行为信息序列组的划分标准,对上述目标有向节点对组进行划分。
然后, 对于目标有向节点对序列组中的每个目标有向节点对序列,执行如下处理步骤:
第一子步骤,可以将上述目标有向节点对序列包含的各个目标有向节点对按照产品节点的指向性与关联性进行连接,得到至少一个初始有向同构子图。例如,目标有向节点对序列可以是:<A,B>;<B,C>;<C,A>;<C,D>;<E,F>。构建的至少一个初始有向同构子图可以如图2所示例,其中,ABCD构成了一个初始有向同构子图,ABCD分别表示一个产品节点。EF构成了一个初始有向同构子图。
最后,将所得到的各个初始有向同构子图确定为初始有向同构子图组。
第六步,将上述初始有向同构子图组中每个初始有向同构子图包括的产品节点的数量确定为节点数量。
第七步,去除上述初始有向同构子图组中节点数量小于等于预设数量的初始有向同构子图,以对初始有向同构子图组进行更新,得到更新有向同构子图组。这里,对于预设数量的设定,不做限制。例如, 预设数量为2。如图2所示例,EF构成的初始有向同构子图的节点数量小于等于预设数量,即,去除EF构成的初始有向同构子图。
第八步,对于上述更新有向同构子图组中的每个更新有向同构子图,将上述更新有向同构子图中的每个产品节点添加上对应的产品特征信息,以对更新有向同构子图进行更新。
第九步,将更新后的各个更新有向同构子图确定为有向同构子图组。
上述相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题三“耗费了较多计算资源”。耗费了较多计算资源的因素往往如下:业务规则通常存在一定的主观性,导致推送的信息存在偏差,浪费了通信资源。如果解决了上述因素,就能达到减少计算资源的消耗的效果。为了达到这一效果,首先,对上述有向节点对集进行去重处理,得到去重有向节点对集作为备选有向节点对组。其次,根据上述有向节点对集,确定上述备选有向节点对组中每个备选有向节点对的数量。再其次,将每个备选有向节点对的数量确定为上述备选有向节点对的权重。由此,便于根据节点对的权重,去除小概率事件的产品节点,即去除权重较低的产品节点。接着,去除上述备选有向节点对组中权重小于等于预设阈值的备选有向节点对,以对备选有向节点对组进行更新,得到目标有向节点对组。由此,可以去除小概率事件的产品节点。再接着,根据上述目标有向节点对组,构建初始有向同构子图组。之后,将上述初始有向同构子图组中每个初始有向同构子图包括的产品节点的数量确定为节点数量。再之后,去除上述初始有向同构子图组中节点数量小于等于预设数量的初始有向同构子图,以对初始有向同构子图组进行更新,得到更新有向同构子图组。由此,可以去除节点数量较少的有向同构子图。从而,可以降低计算资源的消耗。
步骤106,对上述有向同构子图组中的每个有向同构子图进行权重变换处理,以生成变换有向同构子图,得到变换有向同构子图组。
在一些实施例中,上述执行主体可以对上述有向同构子图组中的每个有向同构子图进行权重变换处理,以生成变换有向同构子图,得到变换有向同构子图组。
实践中,上述执行主体可以通过以下步骤对上述有向同构子图组中的每个有向同构子图进行权重变换处理,以生成变换有向同构子图:
第一步,将上述有向同构子图中对应的权重大于等于预设权重的产品节点的权重替换为目标权重,以对上述有向同构子图进行更新,得到第一更新有向同构子图。这里,对于目标权重的设定,不作限制。例如,目标权重可以是1000。
第二步,对上述第一更新有向同构子图中的各个产品节点对应的权重进行对数变换处理,以生成变换有向同构子图。即,可以对上述第一更新有向同构子图中的各个产品节点对应的权重进行取对数运算,以生成变换有向同构子图。
步骤107,对上述变换有向同构子图组中的每个变换有向同构子图进行随机游走处理,以生成产品节点序列,得到产品节点序列组。
在一些实施例中,上述执行主体可以对上述变换有向同构子图组中的每个变换有向同构子图进行随机游走处理,以生成产品节点序列,得到产品节点序列组。实践中,上述执行主体可以通过node2vec模型(图游走算法)随机游走变换有向同构子图中的产品节点,得到产品节点序列。
步骤108,根据上述产品节点序列组,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型。
在一些实施例中,上述执行主体可以根据上述产品节点序列组,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型。
实践中,上述执行主体可以通过以下步骤对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型:
第一步,对于上述产品节点序列组中的每个产品节点序列,生成对应上述产品节点序列的节点对序列。即,可以依次将上述产品节点序列中每两个产品节点组合为节点对,得到节点对序列。
第二步,将所生成的各个节点对序列确定为训练样本集。
第三步,根据上述训练样本集,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型。初始节点嵌入模型可以是指EGES模型(Enhanced Graph Embedding with SideInformation)。
实践中,上述执行主体可以通过以下步骤对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型:
第一子步骤,确定上述初始节点嵌入模型的网络结构以及初始化上述初始节点嵌入模型的网络参数。
第二子步骤,将上述训练样本集作为上述初始节点嵌入模型的输入,将上述训练样本集对应的样本向量标签作为上述初始节点嵌入模型的期望输出,利用深度学习方法训练上述初始节点嵌入模型。
第三子步骤,将训练得到的上述初始节点嵌入模型确定为上述训练后的节点嵌入模型。
步骤109,根据上述节点嵌入模型和上述产品特征信息集,向每个用户的用户端推送相关联的相似产品信息。
在一些实施例中,上述执行主体可以根据上述节点嵌入模型和上述产品特征信息集,向每个用户的用户端推送相关联的相似产品信息。这里,节点嵌入模型可以是训练完成的EGES模型,用于输出产品节点向量。
实践中,上述执行主体可以通过以下步骤向每个用户的用户端推送相关联的相似产品信息:
第一步,将上述产品特征信息集中的每个产品特征信息输入至上述节点嵌入模型中,以生成产品特征向量,得到产品特征向量集。
第二步,确定上述产品特征向量集中每两个产品特征向量之间的相似度。即,可以通过欧式距离公式确定上述产品特征向量集中每两个产品特征向量之间的相似度。
第三步,将上述用户当前浏览的产品信息确定为目标产品信息。
第四步,对上述目标产品信息对应的各个相似度进行降序排序,得到相似度序列。即,确定上述目标产品信息对应的产品节点。在确定上述产品节点对应的各个相似度。
第五步,将上述相似度序列中前预设数目个相似度对应的基于嵌入模型的产品信息推荐至上述用户的用户端。
上述相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“造成存储资源消耗较大”。 造成存储资源消耗较大的因素往往如下:逐一对价值数据表中的数据进行数据存储,可能导致存储的数据不完整,存储效率较低。如果解决了上述因素,就能达到减少存储资源的消耗的效果。为了达到这一效果,首先,响应于确定上述信息读取结果集中存在表征存储失败的信息读取结果,确定表征存储失败的至少一个信息读取结果。由此,可以通过信息读取结果集了解数据存储情况,便于对表征存储失败的信息读取结果进行重新存储,保证数据的完整性。然后,对于上述至少一个信息读取结果中的每个信息读取结果,根据上述信息读取结果对应的存储消息,执行以下重新读取步骤:确定上述存储消息对应的读取次数;对上述信息读取结果对应的存储消息重新进行读取,得到信息重新读取结果;响应于确定上述信息重新读取结果表征存储成功,以及上述读取次数大于等于预设执行次数,将上述存储消息发送至预设终端。最后,响应于确定上述信息重新读取结果表征存储失败,以及读取次数小于上述预设执行次数,再次执行上述重新读取步骤。由此,可以利用存储消息的生成和读取,对价值信息表和多个子价值信息表中的数据进行数据存储,从而提高数据存储的完整性和效率,以减少存储资源的消耗。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种基于嵌入模型的产品信息推荐装置的一些实施例,这些基于嵌入模型的产品信息推荐装置实施例与图1所示的那些方法实施例相对应,该基于嵌入模型的产品信息推荐装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的基于嵌入模型的产品信息推荐装置300包括:采集单元301、提取单元302、分割单元303、第一构建单元304、第二构建单元305、变换单元306、随机游走单元307、训练单元308和推送单元309。其中,采集单元301,被配置成采集预设时间段内每个用户的浏览行为信息,得到浏览行为信息集,其中,上述浏览行为信息集中的浏览行为信息包括:产品信息序列与浏览时间序列,上述产品信息序列中的产品信息对应上述浏览时间序列中的浏览时间;提取单元302,被配置成对产品集中每个产品的产品信息进行特征提取处理,以生成产品特征信息,得到产品特征信息集;分割单元303,被配置成对上述浏览行为信息集进行噪声消除及序列分割处理,得到浏览行为信息序列组;第一构建单元304,被配置成根据上述浏览行为信息序列组,构建有向节点对集,其中,上述有向节点对集中的有向节点对包含两个产品节点;第二构建单元305,被配置成根据上述有向节点对集,构建有向同构子图组,其中,上述有向同构子图组中的有向同构子图包含至少两个产品节点;变换单元306,被配置成对上述有向同构子图组中的每个有向同构子图进行权重变换处理,以生成变换有向同构子图,得到变换有向同构子图组;随机游走单元307,被配置成对上述变换有向同构子图组中的每个变换有向同构子图进行随机游走处理,以生成产品节点序列,得到产品节点序列组;训练单元308,被配置成根据上述产品节点序列组,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型;推送单元309,被配置成根据上述节点嵌入模型和上述产品特征信息集,向每个用户的用户端推送相关联的相似产品信息。
可以理解的是,基于嵌入模型的产品信息推荐装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于基于嵌入模型的产品信息推荐装置300及其中包含的单元,在此不再赘述。
下面参考图4,其示出了适于用来实现本公开的一些实施例的电子设备400(例如计算设备)的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置401(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM402被安装。在该计算机程序被处理装置401执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:采集预设时间段内每个用户的浏览行为信息,得到浏览行为信息集,其中,上述浏览行为信息集中的浏览行为信息包括:产品信息序列与浏览时间序列,上述产品信息序列中的产品信息对应上述浏览时间序列中的浏览时间;对产品集中每个产品的产品信息进行特征提取处理,以生成产品特征信息,得到产品特征信息集;对上述浏览行为信息集进行噪声消除及序列分割处理,得到浏览行为信息序列组;根据上述浏览行为信息序列组,构建有向节点对集,其中,上述有向节点对集中的有向节点对包含两个产品节点;根据上述有向节点对集,构建有向同构子图组,其中,上述有向同构子图组中的有向同构子图包含至少两个产品节点;对上述有向同构子图组中的每个有向同构子图进行权重变换处理,以生成变换有向同构子图,得到变换有向同构子图组;对上述变换有向同构子图组中的每个变换有向同构子图进行随机游走处理,以生成产品节点序列,得到产品节点序列组;根据上述产品节点序列组,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型;根据上述节点嵌入模型和上述产品特征信息集,向每个用户的用户端推送相关联的相似产品信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括:采集单元、提取单元、分割单元、第一构建单元、第二构建单元、变换单元、随机游走单元、训练单元和推送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,推送单元还可以被描述为“根据上述节点嵌入模型和上述产品特征信息集,向每个用户的用户端推送相关联的相似产品信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种基于嵌入模型的产品信息推荐方法,包括:
采集预设时间段内每个用户的浏览行为信息,得到浏览行为信息集,其中,所述浏览行为信息集中的浏览行为信息包括:产品信息序列与浏览时间序列,所述产品信息序列中的产品信息对应所述浏览时间序列中的浏览时间;
对产品集中每个产品的产品信息进行特征提取处理,以生成产品特征信息,得到产品特征信息集;
对所述浏览行为信息集进行噪声消除及序列分割处理,得到浏览行为信息序列组;
根据所述浏览行为信息序列组,构建有向节点对集,其中,所述有向节点对集中的有向节点对包含两个产品节点;
根据所述有向节点对集,构建有向同构子图组,其中,所述有向同构子图组中的有向同构子图包含至少两个产品节点;
对所述有向同构子图组中的每个有向同构子图进行权重变换处理,以生成变换有向同构子图,得到变换有向同构子图组;
对所述变换有向同构子图组中的每个变换有向同构子图进行随机游走处理,以生成产品节点序列,得到产品节点序列组;
根据所述产品节点序列组,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型;
根据所述节点嵌入模型和所述产品特征信息集,向每个用户的用户端推送相关联的相似产品信息。
2.根据权利要求1所述的方法,其中,所述根据所述浏览行为信息序列组,构建有向节点对集,包括:
对于所述浏览行为信息序列组中的每个浏览行为信息,执行如下处理步骤:
将所述浏览行为信息包括的产品信息序列中每两个产品信息对应的产品节点构建为有向节点对,得到有向节点对组;
将所得到的各个有向节点对组合并为有向节点对集。
3.根据权利要求1所述的方法,其中,所述对所述有向同构子图组中的每个有向同构子图进行权重变换处理,以生成变换有向同构子图,包括:
将所述有向同构子图中对应的权重大于等于预设权重的产品节点的权重替换为目标权重,以对所述有向同构子图进行更新,得到第一更新有向同构子图;
对所述第一更新有向同构子图中的各个产品节点对应的权重进行对数变换处理,以生成变换有向同构子图。
4.根据权利要求1所述的方法,其中,所述根据所述产品节点序列组,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型,包括:
对于所述产品节点序列组中的每个产品节点序列,生成对应所述产品节点序列的节点对序列;
将所生成的各个节点对序列确定为训练样本集;
根据所述训练样本集,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型。
5.一种基于嵌入模型的产品信息推荐装置,包括:
采集单元,被配置成采集预设时间段内每个用户的浏览行为信息,得到浏览行为信息集,其中,所述浏览行为信息集中的浏览行为信息包括:产品信息序列与浏览时间序列,所述产品信息序列中的产品信息对应所述浏览时间序列中的浏览时间;
提取单元,被配置成对产品集中每个产品的产品信息进行特征提取处理,以生成产品特征信息,得到产品特征信息集;
分割单元,被配置成对所述浏览行为信息集进行噪声消除及序列分割处理,得到浏览行为信息序列组;
第一构建单元,被配置成根据所述浏览行为信息序列组,构建有向节点对集,其中,所述有向节点对集中的有向节点对包含两个产品节点;
第二构建单元,被配置成根据所述有向节点对集,构建有向同构子图组,其中,所述有向同构子图组中的有向同构子图包含至少两个产品节点;
变换单元,被配置成对所述有向同构子图组中的每个有向同构子图进行权重变换处理,以生成变换有向同构子图,得到变换有向同构子图组;
随机游走单元,被配置成对所述变换有向同构子图组中的每个变换有向同构子图进行随机游走处理,以生成产品节点序列,得到产品节点序列组;
训练单元,被配置成根据所述产品节点序列组,对初始节点嵌入模型进行训练,得到训练后的节点嵌入模型;
推送单元,被配置成根据所述节点嵌入模型和所述产品特征信息集,向每个用户的用户端推送相关联的相似产品信息。
6.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907148.2A CN116629984B (zh) | 2023-07-24 | 2023-07-24 | 基于嵌入模型的产品信息推荐方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907148.2A CN116629984B (zh) | 2023-07-24 | 2023-07-24 | 基于嵌入模型的产品信息推荐方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629984A true CN116629984A (zh) | 2023-08-22 |
CN116629984B CN116629984B (zh) | 2024-02-06 |
Family
ID=87610253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310907148.2A Active CN116629984B (zh) | 2023-07-24 | 2023-07-24 | 基于嵌入模型的产品信息推荐方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629984B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413870A (zh) * | 2018-12-18 | 2019-11-05 | 北京沃东天骏信息技术有限公司 | 商品推荐方法、装置及服务器 |
CN112395506A (zh) * | 2020-12-04 | 2021-02-23 | 上海帜讯信息技术股份有限公司 | 一种资讯推荐方法、装置、电子设备和存储介质 |
CN113010788A (zh) * | 2021-03-19 | 2021-06-22 | 成都欧珀通信科技有限公司 | 信息推送方法及装置、电子设备、计算机可读存储介质 |
CN113807926A (zh) * | 2021-09-26 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 推荐信息生成方法、装置、电子设备和计算机可读介质 |
CN113886885A (zh) * | 2021-10-21 | 2022-01-04 | 平安科技(深圳)有限公司 | 数据脱敏方法、数据脱敏装置、设备及存储介质 |
CN114254204A (zh) * | 2021-12-23 | 2022-03-29 | 震坤行工业超市(上海)有限公司 | 数据处理方法、装置、介质及电子设备 |
CN115393098A (zh) * | 2022-08-29 | 2022-11-25 | 中国银行股份有限公司 | 理财产品信息推荐方法及装置 |
CN115392992A (zh) * | 2021-05-07 | 2022-11-25 | 中国联合网络通信集团有限公司 | 商品推荐方法、终端设备及计算机可读存储介质 |
CN115982463A (zh) * | 2022-12-29 | 2023-04-18 | 科大讯飞股份有限公司 | 资源推荐方法、装置、设备及存储介质 |
CN116150125A (zh) * | 2023-02-20 | 2023-05-23 | 中移信息技术有限公司 | 结构化数据生成模型的训练方法、装置、设备及存储介质 |
CN116385081A (zh) * | 2023-04-17 | 2023-07-04 | 苏州创旅天下信息技术有限公司 | 一种推荐物品的方法、装置、设备及存储介质 |
CN116401379A (zh) * | 2023-04-27 | 2023-07-07 | 中国工商银行股份有限公司 | 金融产品数据推送方法、装置、设备及存储介质 |
CN116433388A (zh) * | 2023-06-09 | 2023-07-14 | 中信证券股份有限公司 | 数据存储资源划分方法、装置、电子设备和计算机介质 |
CN116451128A (zh) * | 2022-01-05 | 2023-07-18 | 北京沃东天骏信息技术有限公司 | 虚假交易对象的检测方法、装置及服务器 |
-
2023
- 2023-07-24 CN CN202310907148.2A patent/CN116629984B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413870A (zh) * | 2018-12-18 | 2019-11-05 | 北京沃东天骏信息技术有限公司 | 商品推荐方法、装置及服务器 |
CN112395506A (zh) * | 2020-12-04 | 2021-02-23 | 上海帜讯信息技术股份有限公司 | 一种资讯推荐方法、装置、电子设备和存储介质 |
CN113010788A (zh) * | 2021-03-19 | 2021-06-22 | 成都欧珀通信科技有限公司 | 信息推送方法及装置、电子设备、计算机可读存储介质 |
CN115392992A (zh) * | 2021-05-07 | 2022-11-25 | 中国联合网络通信集团有限公司 | 商品推荐方法、终端设备及计算机可读存储介质 |
CN113807926A (zh) * | 2021-09-26 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 推荐信息生成方法、装置、电子设备和计算机可读介质 |
CN113886885A (zh) * | 2021-10-21 | 2022-01-04 | 平安科技(深圳)有限公司 | 数据脱敏方法、数据脱敏装置、设备及存储介质 |
CN114254204A (zh) * | 2021-12-23 | 2022-03-29 | 震坤行工业超市(上海)有限公司 | 数据处理方法、装置、介质及电子设备 |
CN116451128A (zh) * | 2022-01-05 | 2023-07-18 | 北京沃东天骏信息技术有限公司 | 虚假交易对象的检测方法、装置及服务器 |
CN115393098A (zh) * | 2022-08-29 | 2022-11-25 | 中国银行股份有限公司 | 理财产品信息推荐方法及装置 |
CN115982463A (zh) * | 2022-12-29 | 2023-04-18 | 科大讯飞股份有限公司 | 资源推荐方法、装置、设备及存储介质 |
CN116150125A (zh) * | 2023-02-20 | 2023-05-23 | 中移信息技术有限公司 | 结构化数据生成模型的训练方法、装置、设备及存储介质 |
CN116385081A (zh) * | 2023-04-17 | 2023-07-04 | 苏州创旅天下信息技术有限公司 | 一种推荐物品的方法、装置、设备及存储介质 |
CN116401379A (zh) * | 2023-04-27 | 2023-07-07 | 中国工商银行股份有限公司 | 金融产品数据推送方法、装置、设备及存储介质 |
CN116433388A (zh) * | 2023-06-09 | 2023-07-14 | 中信证券股份有限公司 | 数据存储资源划分方法、装置、电子设备和计算机介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116629984B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200293905A1 (en) | Method and apparatus for generating neural network | |
CN110633423B (zh) | 目标账号识别方法、装置、设备及存储介质 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN112819512B (zh) | 一种文本处理方法、装置、设备及介质 | |
CN115757400B (zh) | 数据表处理方法、装置、电子设备和计算机可读介质 | |
CN111857720B (zh) | 用户界面状态信息的生成方法、装置、电子设备及介质 | |
CN110457325B (zh) | 用于输出信息的方法和装置 | |
CN117131281B (zh) | 舆情事件处理方法、装置、电子设备和计算机可读介质 | |
CN113919320A (zh) | 异构图神经网络的早期谣言检测方法、系统及设备 | |
CN113807926A (zh) | 推荐信息生成方法、装置、电子设备和计算机可读介质 | |
CN116629984B (zh) | 基于嵌入模型的产品信息推荐方法、装置、设备和介质 | |
CN113946648B (zh) | 结构化信息生成方法、装置、电子设备和介质 | |
CN112801053B (zh) | 视频数据处理方法、装置 | |
CN115292436A (zh) | 碳排放信息生成方法、装置、电子设备、介质和程序产品 | |
CN111382365B (zh) | 用于输出信息的方法和装置 | |
CN114926234A (zh) | 物品信息推送方法、装置、电子设备和计算机可读介质 | |
CN115700548A (zh) | 用户行为预测的方法、设备和计算机程序产品 | |
CN112685516A (zh) | 一种多路召回推荐方法、装置、电子设备及介质 | |
CN112860999A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN111797263A (zh) | 图像标签生成方法、装置、设备和计算机可读介质 | |
CN113704596A (zh) | 用于生成召回信息集合的方法和装置 | |
CN117493688B (zh) | 基于用户画像的教学信息推荐方法、装置、电子设备 | |
CN114040014B (zh) | 内容推送方法、装置、电子设备及计算机可读存储介质 | |
CN116170497B (zh) | 用户行为信息推送方法、装置、电子设备和计算机介质 | |
CN116881997B (zh) | 城市规划界面展示方法、装置、电子设备和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |