CN116680467A - 对象推荐方法、装置、计算机设备和存储介质 - Google Patents
对象推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116680467A CN116680467A CN202210158735.1A CN202210158735A CN116680467A CN 116680467 A CN116680467 A CN 116680467A CN 202210158735 A CN202210158735 A CN 202210158735A CN 116680467 A CN116680467 A CN 116680467A
- Authority
- CN
- China
- Prior art keywords
- conversion
- level
- features
- mapping
- feature
- 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 78
- 238000006243 chemical reaction Methods 0.000 claims abstract description 388
- 238000013507 mapping Methods 0.000 claims abstract description 216
- 238000012545 processing Methods 0.000 claims abstract description 115
- 230000009466 transformation Effects 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 24
- 230000008901 benefit Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003213 activating effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种对象推荐方法、装置、计算机设备和存储介质。所述方法包括:获取目标用户标识所对应的信息特征、以及针对目标用户标识的候选推荐对象所对应的对象特征;将对象特征与信息特征进行共享映射处理,得到与候选推荐对象相匹配的多层级转化任务参数;将各层级的转化任务参数输入贝叶斯网络进行映射处理,基于贝叶斯网络输出的各层级映射参数以及对象特征与信息特征的特征匹配数据,得到与候选推荐对象相匹配的各层级转化预估值,转化预估值与转化任务参数所指示的转化任务一一对应;基于各层级转化预估值所对应的对象推荐概率,向目标用户标识所表征的目标用户进行对象推荐。采用本方法能够提高向用户进行对象推荐的效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种对象推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
背景技术
随着计算机技术的发展,出现了对象推荐系统,以推荐广告为例,在广告推荐系统中,当用户请求到来时,会根据用户对各个候选广告的点击率和转化率预估结果进行广告的排序和自动出价,进而从候选广告集中召回合适的广告投放给用户。例如,针对应用程序下载类广告,其中主要涉及到用户的浅层转化行为和深层转化行为,浅层转化行为如:下载、安装、激活等,深层转化行为如:付费、次日留存等。
然而,作为广告投放的考核指标时,往往会遇到深度转化行为高稀疏、高延迟的情况,从而导致转化率预估结果偏差非常大,进而导致向用户进行对象推荐的效率不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高向用户进行对象推荐的效率的对象推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
一种对象推荐方法,所述方法包括:
获取目标用户标识所对应的信息特征、以及针对所述目标用户标识的候选推荐对象所对应的对象特征;
将所述对象特征与所述信息特征进行共享映射处理,得到与所述候选推荐对象相匹配的多层级转化任务参数;
将各层级的转化任务参数输入贝叶斯网络进行映射处理,基于所述贝叶斯网络输出的各层级映射参数以及所述对象特征与所述信息特征的特征匹配数据,得到与所述候选推荐对象相匹配的各层级转化预估值,所述转化预估值与所述转化任务参数所指示的转化任务一一对应;
基于所述各层级转化预估值所对应的对象推荐概率,向所述目标用户标识所表征的目标用户进行对象推荐。
一种对象推荐装置,所述装置包括:
特征获取模块,用于获取目标用户标识所对应的信息特征、以及针对所述目标用户标识的候选推荐对象所对应的对象特征;
参数确定模块,用于将所述对象特征与所述信息特征进行共享映射处理,得到与所述候选推荐对象相匹配的多层级转化任务参数;
计算处理模块,用于将各层级的转化任务参数输入贝叶斯网络进行映射处理,基于所述贝叶斯网络输出的各层级映射参数以及所述对象特征与所述信息特征的特征匹配数据,得到与所述候选推荐对象相匹配的各层级转化预估值,所述转化预估值与所述转化任务参数所指示的转化任务一一对应;
对象推荐模块,用于基于所述各层级转化预估值所对应的对象推荐概率,向所述目标用户标识所表征的目标用户进行对象推荐。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述对象推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,在获取目标用户标识所对应的信息特征、以及针对目标用户标识的候选推荐对象所对应的对象特征后,通过将对象特征与信息特征进行共享映射处理,得到与候选推荐对象相匹配的多层级转化任务参数,可以使得每一层级的转化任务之间共享底层参数,缓解了高层级转化任务的数据稀疏问题,从而纠正数据处理偏差。通过构建贝叶斯网络进行对多层级转化任务参数进行数据处理,并基于对象特征与信息特征的特征匹配数据,得到与候选推荐对象相匹配的各层级转化预估值,可以将多层级转化任务之间进行关联,提高确定的各层级转化预估值的准确性。通过基于各层级转化预估值所对应的对象推荐概率,向目标用户标识所表征的目标用户进行对象推荐,能够有效避免重复推荐相似的对象,从而提高对象推荐效率。
附图说明
图1为一个实施例中对象推荐方法的应用环境图;
图2为一个实施例中对象推荐方法的流程示意图;
图3为一个实施例中对象匹配模型和对象排序模型的示意图;
图4为一个具体实施例中对象推荐方法的流程示意图;
图5为一个具体实施例中广告匹配模型和广告排序模型的示意图;
图6为一个实施例中对象推荐装置的结构框图;
图7为一个实施例中计算机设备的内部结构图;
图8为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,本申请实施例提供的对象推荐方法,可以应用于如图1所示的应用环境中,该应用环境可以同时涉及终端102和服务器104。在另一些实施例中,该应用环境还可以涉及终端106。其中,终端102、终端106通过网络与服务器104进行通信,数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他服务器上。
具体地,服务器104可以从终端102获取目标用户标识,从而,确定目标用户标识所对应的信息特征、以及针对目标用户标识的候选推荐对象所对应的对象特征。在服务器104中,可以将对象特征与信息特征进行共享映射处理,得到与候选推荐对象相匹配的多层级转化任务参数,然后,将各层级的转化任务参数输入贝叶斯网络进行映射处理,基于贝叶斯网络输出的各层级映射参数以及对象特征与信息特征的特征匹配数据,得到与候选推荐对象相匹配的各层级转化预估值,其中,转化预估值与转化任务参数所指示的转化任务一一对应。最后,服务器104通过计算确定各层级转化预估值所对应的对象推荐概率,并基于各层级转化预估值所对应的对象推荐概率,向终端102、终端106推送最终确定的目标推荐对象,以实现向目标用户标识所表征的目标用户进行对象推荐。
在一个实施例中,在终端102、终端106的数据处理能力满足数据处理要求的情况下,本申请实施例提供的对象推荐方法,其应用环境可以仅涉及终端102或终端106。具体地,终端102或终端106直接获取目标用户标识所对应的信息特征、以及针对目标用户标识的候选推荐对象所对应的对象特征,将对象特征与信息特征进行共享映射处理,得到与候选推荐对象相匹配的多层级转化任务参数,然后,将各层级的转化任务参数输入贝叶斯网络进行映射处理,基于贝叶斯网络输出的各层级映射参数以及对象特征与信息特征的特征匹配数据,得到与候选推荐对象相匹配的各层级转化预估值,其中,转化预估值与转化任务参数所指示的转化任务一一对应。终端102或终端106基于各层级转化预估值所对应的对象推荐概率,显示最终确定的目标推荐对象,实现向目标用户标识所表征的目标用户进行对象推荐。
其中,终端102、终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能电视、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
随着计算机技术的发展,出现了对象推荐系统,以该对象是广告,向用户推荐广告为例。对于一条广告,其效益可以体现在曝光、点击、转化等过程中。当用户的访问请求到来时,例如,用户打开了某个网页或者应用程序,广告推荐系统需从候选广告集中召回合适的广告投放给用户。广告推荐系统会根据该用户对各个候选广告的点击率和转化率预估结果进行广告的排序和自动出价,如针对应用程序下载类广告,其中涉及不同阶段转化行为,主要包括浅层转化行为如:下载、安装、激活等,深层转化行为如:付费、次日留存等。然而,作为广告投放的考核指标时,往往会遇到深度转化行为高稀疏、高延迟的情况,从而导致转化率预估结果偏差非常大。例如,对于浅层转化行为如激活,其转化率相对深度转化行为较高,并且广告主转化数据当天能够完成回传,而对于深层转化行为如付费,其转化率非常低,并且广告主最新数据回传延迟很久,通常需要一周以上。
传统技术中,预估广告的点击率和转化率的通常做法是使用深度学习模型分别训练得到点击率预估模型、浅层转化率预估模型和深层转化率预估模型。每当有用户的访问请求到来时,分别预估用户对该广告的点击率、浅层转化率和深层转化率。但是,因为浅层转化率预估模型训练时使用的是点击到浅层转化的样本,深层转化率预估模型训练时使用的是浅层转化到深层转化的样本。而浅层转化率预估模型和深层转化率预估模型在每条用户的访问请求到来做转化率的预估时,使用的是曝光的广告进行预估,因此,导致转化率预估模型的训练样本和预测样本分布不一致,使得转化率预估的偏差很大。
针对上述问题,在一个实施例中,如图2所示,提供了一种对象推荐方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤S202,获取目标用户标识所对应的信息特征、以及针对目标用户标识的候选推荐对象所对应的对象特征。
其中,目标用户是指需要进行对象推荐的用户。目标用户标识是可以表征该目标用户的标识,具体可以根据实际技术需要进行设置。例如,若目标用户通过终端访问某一页面,则目标用户标识可以是目标用户所使用的终端对应的终端标识,或其他任何可能表征该目标用户的标识。候选推荐对象是指待确定是否需要推荐给该目标用户的对象,候选推荐对象包括多个。候选推荐对象的类型包括但不限于是广告、资讯、视频、应用程序等。
一个实施例中,预先设置有候选推荐对象数据集,在该候选推荐对象数据集中包括多个候选推荐对象。当接收到访问请求时,获取目标用户标识,进而,可以根据目标用户标识,从该候选推荐对象数据集中匹配确定针对目标用户标识的候选推荐对象。例如,在候选推荐对象数据集中存储有多个候选推荐对象的对象信息,且对象信息与用户标识对应。在获取目标用户标识后,可以将获取的目标用户标识与存储的多个对象信息相匹配,确定匹配的对象信息,通过将匹配的对象信息所对应的候选推荐对象进行召回,从而确定针对目标用户标识的候选推荐对象。其中,匹配以及召回的方式可以根据实际技术需要进行设置,在此不做限制。
一个实施例中,在获取目标用户标识、以及针对目标用户标识的候选推荐对象后,获取目标用户标识所对应的信息特征、以及针对目标用户标识的候选推荐对象所对应的对象特征。其中,目标用户标识所对应的信息特征,包括但不限于是目标用户的基础属性特征、行为兴趣特征等。例如,基础属性特征包括姓名、性别、年龄、所在城市特征等特征,行为兴趣特征包括浏览行为兴趣特征、点击行为兴趣特征等。候选推荐对象所对应的对象特征,包括但不限于是推荐对象标识(id)、推荐对象所有者标识(id)、推荐对象所对应的物品特征,物品特征包括但不限于是推荐对象所属的类目以及包含的语义特征、图像特征等。在一些实施例中,对象特征还包括上下文特征,上下文特征包括但不限于是当前访问请求的上下文、以及终端设备特征等。例如,上下文特征包括目标用户访问的会话控制(session)上下文语义、终端设备类型、终端设备地址、当前访问的页面的文本特征和图像特征等特征。
步骤S204,将对象特征与信息特征进行共享映射处理,得到与候选推荐对象相匹配的多层级转化任务参数。
一个实施例中,由于可能存在一些信息特征或对象特征为高维度特征,因此,为了提高数据处理效率,在将对象特征与信息特征进行共享映射处理之前,还包括:将获取的对象特征与信息特征分别映射为第一预设维度的对象特征与第二预设维度的信息特征。其中,第一预设维度和第二预设维度为低维度,具体可以根据实际技术需要进行设置,例如,可以将第一预设维度与第二预设维度设置为相等的维度。映射方式也可以根据实际技术需要进行设置。
例如,采用特征映射处理层进行上述的映射处理,特征映射处理层可以是嵌入(embedding)层,则处理后得到的对象特征为第一预设维度的embedding特征,信息特征为第二预设维度的embedding特征。
具体地,如图3所示为本申请实施例中的对象匹配模型与对象排序模型的示意图,其中,在对象排序模型中可以进行上述的映射处理,得到多层级转化任务参数,并进行后续的计算处理。如图3中的对象排序模型的特征层所示,特征层中的箭头的方向为数据传输的方向,即在获取了信息特征与对象特征后,先采用特征映射处理层对信息特征与对象特征进行映射处理,进而再确定后续的多层级转化任务参数。
一个实施例中,在向目标用户进行最终的对象推荐之前,为了提高推荐效率,需要先预估候选推荐对象所对应的多种类型转化行为的概率。其中,每一种类型的转化行为对应于一个层级的转化任务,即候选推荐对象存在多层级转化任务,具体可以称为第一层级转化任务、第二层级转化任务等,以此类推。其中,层级的数目可以根据实际技术需要确定,例如,根据候选推荐对象对应的类型确定。
例如,以推荐广告、且该广告具有三个层级的转化任务为例,转化任务具体包括:从广告曝光到点击所对应的第一层级转化任务、从点击到浅层转化所对应的第二层级转化任务、以及从浅层转化至深层转化所对应的第三层级转化任务。需要说明的是,若该广告还存在更新深层转化,则该广告存在从深层转化至更深层转化所对应的第四层级转化任务,在此不做限制。
一个实施例中,由于高层级转化是在低层级转化的基础上进行,因此,相对于低层级的转化任务,高层级的转化任务的转化任务参数会更加稀疏、延迟更高。因此,为了缓解高层级的转化任务参数稀疏、延迟高的问题,将获取的对象特征与信息特征进行共享映射处理,以使得多层级的转化任务之间共享底层参数。
一个实施例中,共享映射处理是指对象特征与信息特征通过同一个共享特征映射处理层进行映射处理,最终得到与候选推荐对象相匹配的多层级转化任务参数,即每一层级的转化预估任务均可使用该多层级转化任务参数。其中,共享特征映射处理层可以根据实际技术需要进行选择。例如,采用共享的多层感知神经网络(Multilayer Perceptron,MLP)进行映射处理。其中,本申请实施例所涉及的多层感知神经网络的训练方式,可以是采用任意一种可实现的训练方式进行,包括但不限于是反向传播或者伪逆学习的训练方式等,在此不做限制。
一个实施例中,将对象特征与信息特征进行共享映射处理,得到与候选推荐对象相匹配的多层级转化任务参数,可以包括以下步骤S2041至步骤S2042:
步骤S2041,将对象特征与信息特征进行共享映射处理,获得对象特征对应的共享对象特征、以及信息特征对应的共享信息特征。
一个实施例中,通过共享特征映射处理层将对象特征与信息特征进行共享映射处理,将映射处理后的对象特征称为共享对象特征,将映射处理后的信息特征称为共享信息特征,即可获得对象特征对应的共享对象特征、以及信息特征对应的共享信息特征。由于对象特征与信息特征为embedding特征,因此,共享对象特征与共享信息特征也是embedding特征。如图3中的对象排序模型的参数共享层所示,参数共享层中的箭头的方向为数据传输的方向。即信息特征与对象特征通过特征映射处理层连接至共享特征处理层,经过共享特征映射处理层后获得对象特征对应的共享对象特征、以及信息特征对应的共享信息特征。
步骤S2042,按照各层级的转化任务,将与转化任务相匹配的共享对象特征与共享信息特征进行运算处理,得到每一层级各自对应的转化任务参数。
一个实施例中,预先确定了与各层级的转化任务相匹配的共享对象特征与共享信息特征。具体地,可以先按照各层级的转化任务,确定与转化任务相匹配的共享对象特征和共享信息特征,再将与转化任务相匹配的共享对象特征与共享信息特征进行一系列的运算处理,得到每一层级各自对应的转化任务参数。其中,运算处理的方式可以根据实际技术需要进行设置。
一个实施例中,按照各层级的转化任务,将与转化任务相匹配的共享对象特征与共享信息特征进行运算处理,得到每一层级各自对应的转化任务参数,包括以下步骤S20421至步骤S20422:
步骤S20421,按照各层级的转化任务,将与转化任务相匹配的共享对象特征与共享信息特征进行拼接,分别获得与转化任务相匹配的拼接特征。
一个实施例中,由于共享信息特征和共享对象特征存在多种,而生成不同层级的转化任务参数时需要使用不同的共享信息特征和共享对象特征,因此,通过设置共享门结构(Gate),对输入的共享对象特征与共享信息特征数据进行控制,其中,共享门的数量可以根据实际技术需要进行设置,因此,不同层级的转化任务可以通过开启不同的共享门控制输入不同的数据。
以具有三个层级的转化任务为例,如图3中的对象排序模型的参数共享层所示,设置了五个共享门结构,对于第一层级转化任务,其生成转化任务参数时输入的数据为第一共享门和第二共享门的数据,对于第二层级转化任务,其生成转化任务参数时输入的数据为第一共享门、第二共享门、第三共享门和第四共享门的数据,对于第三层级转化任务,其生成转化任务参数时输入的数据为第一共享门、第三共享门、第四共享门和第五共享门的数据。
一个实施例中,可以将与转化任务相匹配的共享对象特征与共享信息特征进行拼接,分别获得与转化任务相匹配的拼接特征。例如,假设共享对象特征和共享信息特征的embedding长度都为n,则将共享对象特征与共享信息特征进行拼接,得到一个embedding长度为2n的拼接特征。
步骤S20422,对各拼接特征进行特征处理,得到每一层级各自对应的转化任务参数。
其中,对各拼接特征进行的特征处理的方式,可以根据实际技术需要进行设置。一个实施例中,特征处理的方式包括归一化处理与特征映射处理,即对各拼接特征进行归一化处理,获得处理后拼接特征,将处理后拼接特征通过每一层级各自的转化任务参数处理模型进行特征映射处理,得到每一层级各自对应的转化任务参数。
具体地,转化任务参数处理模型的类型和结构可以根据实际技术需要进行设置,一个实施例中,转化任务参数处理模型选择多层感知神经网络(MLP)。即通过每一层级各自具有的转化任务参数处理模型,学习确定各个转化任务对应的转化任务参数。
以具有三个层级的转化任务为例,如图3中的对象排序模型的参数共享层所示,对于每一层级的转化任务,在分别获得与转化任务相匹配的拼接特征后,对拼接特征进行归一化处理,然后,通过每一层级各自具有的第一层级转化任务参数处理模型、第二层级转化任务参数处理模型、第三层级转化任务参数处理模型进行进一步处理,最终分别输出每一层级各自对应的转化任务参数。
步骤S206,将各层级的转化任务参数输入贝叶斯网络进行映射处理,基于贝叶斯网络输出的各层级映射参数以及对象特征与信息特征的特征匹配数据,得到与候选推荐对象相匹配的各层级转化预估值,转化预估值与转化任务参数所指示的转化任务一一对应。
其中,贝叶斯网络是一种用于描述变量间不确定性因果关系的图形网络模型,贝叶斯网络由节点、有向连线和节点概率表组成,有向连线可以代表节点间的因果依赖关系。因此,为了体现各层级的转化任务之间的关系,并提高预估各层级的转化任务的结果的准确性,其中,将该预估的该结果称为转化预估值,可以通过构建贝叶斯网络,进而对各层级的转化任务参数进行处理,最终得到与候选推荐对象相匹配的各层级转化预估值。
一个实施例中,可以根据实际技术需要确定贝叶斯网络中的节点的类型、数量和有向连线的方向。具体地,节点的数量与候选推荐对象所对应的层级的数目相同,有向连线的方向可以是由一方指向被影响的另一方。本申请实施例中构建的贝叶斯网络,一个节点可以对应于一个层级的转化任务所采用的映射处理模型,并将该贝叶斯网络的节点称为映射节点,即贝叶斯网络中的一个映射节点用于表示一个层级的转化任务映射处理模型。其中,转化任务映射处理模型可以根据实际技术需要进行设置,一个实施例中,可以选择为多层感知神经网络(MLP)。
进一步地,由于高层级的转化任务在低层级的转化任务的基础上进行,因此,有向连线的方向为低层级的转化任务的映射节点指向高层级的转化任务的映射节点,即贝叶斯网络中的上一层级转化任务的映射节点与下一层级转化任务的映射节点之间有向连接。
一个实施例中,在分别确定每一层级的转化任务参数后,可以将各层级的转化任务参数输入贝叶斯网络进行映射处理,分别得到各层级映射参数。进而,可以基于贝叶斯网络输出的各层级映射参数以及对象特征与信息特征的特征匹配数据,得到与候选推荐对象相匹配的各层级转化预估值。具体地,包括以下步骤S2061至步骤S2062:
步骤S2061,分别对每一层级的转化任务参数进行映射处理,获得每一层级的映射参数;其中,贝叶斯网络中的上一层级转化任务的映射节点与下一层级转化任务的映射节点之间有向连接,每一映射节点的输入数据包括当前层级转化任务参数和上一层级的映射参数。
一个实施例中,在贝叶斯网络中,通过采用每一层级各自的转化任务映射处理模型,分别对每一层级的转化任务参数进行映射处理,将处理后的得到的数据称为映射参数。具体地,可以将各层级映射参数表示为logitn,其中,n表示层级,n大于0。例如,第一层级的映射参数可以表示为logit1、第二层级的映射参数可以表示为logit2、第三层级的映射参数可以表示为logit3,以此类推。
需要说明的是,由于贝叶斯网络中的上一层级转化任务的映射节点与下一层级转化任务的映射节点之间有向连接,因此,每一映射节点的输入数据包括当前层级转化任务参数和上一层级的映射参数。例如,若候选推荐对象具有三个层级的转化任务,对于第一层级,其不存在上一层级,即第一层级转化任务的映射节点的输入数据为第一层级转化任务参数,对于第二层级,其上一层级为第一层级,则第二层级转化任务的映射节点的输入数据为第一层级的映射参数以及第二层级转化任务参数,第三层级转化任务的映射节点的输入数据为第二层级的映射参数以及第三层级转化任务参数,以此类推。
一个实施例中,为了有效结合当前层级转化任务参数和上一层级的映射参数这两种类型的参数,上一层级转化任务的映射节点还通过下一层级转化任务的连接层,有向连接至下一层级转化任务的映射节点。具体地,上一层级转化任务的映射节点、下一层级转化任务的连接层、下一层级转化任务的映射节点之间的有向连接方式为:上一层级转化任务的映射节点有向连接至下一层级转化任务的连接层和下一层级转化任务的映射节点,下一层级转化任务的连接层有向连接至下一层级转化任务的映射节点,下一层级转化任务自身的转化任务参数通过下一层级转化任务的连接层输入。
以具有三个层级的转化任务为例,如图3中的对象排序模型的贝叶斯网络所示,贝叶斯网络中包含三个映射节点,且箭头的方向为有向连接的方向,每一层级的转化任务映射处理模型对应于一个映射节点。第一层级转化任务的映射节点的输入数据包括第一层级转化任务参数。第一层级转化任务的映射节点有向连接至第二层级转化任务的连接层、以及第二层级转化任务的映射节点。第二层级转化任务的映射节点的输入数据包括第二层级转化任务参数、以及第一层级的映射参数。第二层级转化任务的映射节点有向连接至第三层级转化任务的连接层、以及第三层级转化任务的映射节点。第三层级转化任务的映射节点的输入数据包括第三层级转化任务参数、以及第二层级的映射参数。通过第一层级转化任务映射处理模型对第一层级转化任务的映射节点的输入数据进行映射处理,获得第一层级映射参数,通过第二层级转化任务映射处理模型对第二层级转化任务的映射节点的输入数据进行映射处理,获得第二层级映射参数,通过第三层级转化任务映射处理模型对第三层级转化任务的映射节点的输入数据进行映射处理,获得第三层级映射参数。
采用上述实施例方式,相当于将第一层级转化任务的数据共享给了第二层级转化任务,把第二层级转化任务的数据共享给了第三层级转化任务,缓解了高层级转化任务的数据稀疏问题,从而纠正数据处理偏差。
步骤S2062,根据每一层级的映射参数、以及对象特征与信息特征的特征匹配数据,得到与候选推荐对象相匹配的各层级转化预估值。
一个实施例中,在确定每一层级的映射参数后,可以根据每一层级的映射参数、以及对象特征与信息特征的特征匹配数据,得到与候选推荐对象相匹配的各层级转化预估值,其中,转化预估值与转化任务参数所指示的转化任务一一对应。从而,根据各层级转化预估值进行后续的对象推荐。具体地,可以将各层级转化预估值中的第一层级转化预估值表示为ctr,各层级转化预估值中的其他层级转化预估值表示为cvrn-1,其中,n表示层级,n大于1。例如,第二层级转化预估值表示为cvr1、第三层级转化预估值表示为cvr2,以此类推。
以具有三个层级的转化任务为例,如图3中的对象排序模型所示,通过贝叶斯网络分别获得了第一层级映射参数、第二层级映射参数、以及第三层级映射参数。通过一个连接层,将各层级的映射参数分别与对象特征与信息特征的特征匹配数据相结合,最终得到与候选推荐对象相匹配的各层级转化预估值,即第一层级转化预估值、第二层级转化预估值和第三层级转化预估值。
其中,对象特征与信息特征的特征匹配数据可以用于表征该目标用户对于该候选推荐对象的兴趣度。一个实施例中,对象特征与信息特征的特征匹配数据的确定方式,包括以下步骤S2063至步骤S2064:
步骤S2063,分别将对象特征与信息特征进行映射处理,获得对象映射特征和用户映射特征。
一个实施例中,分别将对象特征与信息特征进行映射处理,映射处理的方式可以根据实际技术需要进行设置。在确定对象特征与信息特征的特征匹配数据时,并不存在层级关系,因此,为了提高数据处理效率,可以直接采用对象特征对应的对象特征映射模型对对象特征进行映射处理,获得对象映射特征。采用信息特征对应的信息特征映射模型对信息特征进行映射处理,获得用户映射特征。其中,对象特征映射模型和信息特征映射模型的模型类型和模型结构可以分别根据实际技术需要进行设置,一个实施例中,可以采用多层感知神经网络(MLP)。
需要说明的是,用户映射特征与对象映射特征可以是embedding特征,即此处的用户映射特征和对象映射特征,与多层级的转化任务所使用的特征类型一致,从而提高最终计算确定的各层级转化预估值的准确性。
步骤S2064,将对象映射特征与用户映射特征进行点积运算,确定对象特征与信息特征的特征匹配数据。
一个实施例中,可以通过将对象映射特征与用户映射特征进行点积运算,确定对象特征与信息特征的特征匹配数据。其中,在将对象映射特征与用户映射特征进行点积运算后,还可以将点积运算结果接入至映射处理模型,将该映射处理模型最终输出的数据确定为对象特征与信息特征的特征匹配数据。其中,该映射处理模型引入了激活函数。映射处理模型及其激活函数的类型可以根据实际技术需要进行设置,一个实施例中采用的是映射处理模型可以为多层感知神经网络(MLP),激活函数可以设置为sigmoid函数。
具体地,可以将特征匹配数据表示为logit0,计算公式表示为:
logit0=P(match_score|x,H)
其中,x表示信息特征和对象特征,H表示映射处理模型的参数。
采用上述的实施例,通过将非线性的激活函数引入映射处理模型中,可以强化该映射处理模型的学习能力,从而可以提高确定的对象特征与信息特征的特征匹配数据的准确性。
具体地,如图3所示为本申请实施例中的对象匹配模型与对象排序模型的示意图,其中,在对象匹配模型中可以进行上述的点积处理,得到对象特征与信息特征的特征匹配数据。如图3中的对象匹配模型所示,其模型结构为双塔结构,输入对象特征与信息特征,分别将对象特征与信息特征采用各自的对象特征映射模型与信息特征映射模型进行映射处理,获得对象映射特征和用户映射特征。将对象映射特征与用户映射特征进行点积运算,将点积运算结果接入至映射处理模型,最终确定对象特征与信息特征的特征匹配数据。
一个实施例中,以具有三个层级的转化任务为例,通过贝叶斯网络进行处理,对象排序模型最终输出的与候选推荐对象相匹配的各层级转化预估值表示为:
P(ctr,cvr1,cvr2|x,H,logit0)=P(ctr|x,H,logit0)*P(cvr1|ctr,X,H,logit0)*P(cvr2|ctr,cvr1,X,H,logit0)
其中,P(ctr|x,H,logit0)表示第一层级转化预估值,P(cvr1|ctr,X,H,logit0)表示第二层级转化预估值,P(cvr2|ctr,cvr1,X,H,logit0)表示第三层级转化预估值,x表示输入的对象特征与信息特征,H表示各层级的转化任务在贝叶斯网络中所对应使用的模型的参数,logit0为信息特征和对象特征的特征匹配数据。
一个实施例中,对上述的公式取负对数似然值(log-likelihood),则对象排序模型的损失函数L(x,H)表示为:
L(x,H)=-log(P(ctr,cvr1,cvr2x,H,logit0))
=-(log P(ctr|x,H,logit0)+log P(cvr1|ctr,X,H,logit0)+log P(cvr2|ctr,cvr1,X,H,logit0))
其中,-log P(ctr|x,H,logit0)表示第一层级转化任务对应的损失函数,-log P(cvr1|ctr,X,H,logit0)表示第二层级转化任务对应的损失函数,-log P(cvr2|ctr,cvr1,X,H,logit0)表示第三层级转化任务对应的损失函数。
一个实施例中,在考虑损失函数的权重时,上述损失函数L(x,H)表示为:
L(x,H)=-(W1*log P(ctr|x,H,logit0)+W2*log P(cvr1|ctr,X,H,logit0)+W3*logP(cvr2|ctr,cvr1,X,H,logit0)]
其中,W1、W2、W3分别为第一层级转化任务、第二层级转化任务、第三层级转化任务对应的损失函数的权重。
需要说明的是,本申请的上述实施例中的数据处理过程为训练好的对象匹配模型与对象排序模型的在使用时的数据处理过程,对象匹配模型与对象排序模型的在训练时的数据处理过程与上述在使用时的数据处理过程是相互对应的。
一个实施例中,在得到与候选推荐对象相匹配的各层级转化预估值后,即可通过计算确定各层级转化预估值所对应的对象推荐概率,以便根据对象推荐概率确定是否向该目标用户推荐该候选推荐对象。具体地,确定各层级转化预估值所对应的对象推荐概率的方式,包括以下步骤S2065至步骤S2066:
步骤S2065,确定各层级转化预估值中的第一层级转化预估值、以及各层级转化预估值中除第一层级转化预估值之外的最大转化预估值。
一个实施例中,由于高层级转化是在低层级转化的基础上进行,因此,需要先确定各层级转化预估值中的第一层级转化预估值,再确定各层级转化预估值中除第一层级转化预估值之外的最大转化预估值。例如,以具有三个层级的转化任务为例,在确定第一层级转化预估值后,从第二层级转化预估值和第三层级转化预估值中确定一个最大转化预估值,以便进行后续处理。
步骤S2066,根据第一层级转化预估值、最大转化预估值和最大转化预估值所对应的候选推荐对象的推荐效益,确定候选推荐对象的对象推荐概率。
一个实施例中,候选推荐对象的对象推荐概率为第一层级转化预估值、最大转化预估值和最大转化预估值所对应的候选推荐对象的推荐效益之间的乘积。其中,候选推荐对象的推荐效益,可以是指该后续推荐对象所对应的出价。例如,以具有三个层级的转化任务为例,若最大转化预估值为第二层级转化预估值,则该最大转化预估值所对应的候选推荐对象的推荐效益为第二层级转化的出价。若最大转化预估值为第三层级转化预估值,则该最大转化预估值所对应的候选推荐对象的推荐效益为第三层级转化的出价。
一个实施例中,将对象推荐概率表示为ecpm,其计算公式表示为:
ecpm=ctr*cvrmax*bidmax
其中,ctr表示第一层级转化预估值,cvrmax表示各层级转化预估值中除第一层级转化预估值之外的最大转化预估值,bidmax表示最大转化预估值所对应的候选推荐对象的推荐效益。
步骤S208,基于各层级转化预估值所对应的对象推荐概率,向目标用户标识所表征的目标用户进行对象推荐。
一个实施例中,在根据候选推荐对象的各层级转化预估值,确定各层级转化预估值所对应的对象推荐概率之后,即可基于对象推荐概率,向目标用户标识所表征的目标用户进行对象推荐。具体地,包括以下步骤S2081至步骤S2082:
步骤S2081,基于各候选推荐对象的对象推荐概率,从候选推荐对象中筛选出对象推荐概率符合推荐条件的目标推荐对象。
其中,可以基于各候选推荐对象的对象推荐概率,从候选推荐对象中筛选出对象推荐概率符合推荐条件的目标推荐对象,以便向目标用户进行对象推荐。推荐条件可以根据实际技术需要进行设置。
例如,推荐条件可以设置为对象推荐概率大于或等于预设概率。此时,可以从各候选推荐对象中筛选出对象推荐概率大于或等于预设概率的一个或多个候选推荐对象,并将筛选确定的推荐对象确定为目标推荐对象。推荐条件还可以设置为各对象推荐概率中的最大概率。此时,可以从各候选推荐对象中筛选出对象推荐概率为最大的一个候选推荐对象,并将筛选确定的推荐对象确定为目标推荐对象。
步骤S2082,将目标推荐对象向目标用户标识所表征的目标用户进行对象推荐。
一个实施例中,可以采用任意一种可实现方式将目标推荐对象推送给目标用户标识所表征的目标用户。例如,将确定的目标推荐对象曝光在目标用户标识所表征的目标用户的当前访问的页面上,以实现该目标用户的对象推荐。
上述对象推荐方法,在获取目标用户标识所对应的信息特征、以及针对目标用户标识的候选推荐对象所对应的对象特征后,通过将对象特征与信息特征进行共享映射处理,得到与候选推荐对象相匹配的多层级转化任务参数,可以使得每一层级的转化任务之间共享底层参数,缓解了高层级转化任务的数据稀疏问题,从而纠正数据处理偏差。通过构建贝叶斯网络进行对多层级转化任务参数进行数据处理,并基于对象特征与信息特征的特征匹配数据,得到与候选推荐对象相匹配的各层级转化预估值,可以将多层级转化任务之间进行关联,提高确定的各层级转化预估值的准确性。通过基于各层级转化预估值所对应的对象推荐概率,向目标用户标识所表征的目标用户进行对象推荐,能够有效避免重复推荐相似的对象,从而提高对象推荐效率,还可以进一步提升用户体验。
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及一个具体实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
一个具体实施例中,以对象为广告,向用户推荐广告为例。例如,针对应用程序下载类广告,其效益可以体现在曝光、点击、转化等过程中,上述过程中涉及不同阶段转化行为,主要包括浅层转化行为如:下载、安装、激活等,深层转化行为如:付费、次日留存等。为了方便描述,以下具体实施例以该广告具有三个转化任务为例,其中,转化任务具体包括:从广告曝光到点击所对应的第一层级转化任务、从点击到浅层转化所对应的第二层级转化任务、以及从浅层转化至深层转化所对应的第三层级转化任务。如图4所示为对象推荐方法的流程示意图,对象推荐方法的步骤如下:
若用户通过终端访问服务器中的某一页面,服务器在接收到用户的访问请求时,获取目标用户标识所对应的信息特征,并根据目标用户标识,从预先设置的候选广告数据集中匹配确定针对目标用户标识的候选广告;其中,目标用户标识可以是目标用户所使用的终端对应的终端标识,候选广告包括一个以上。
针对每一个候选广告,执行下述处理:
获取目标用户标识所对应的信息特征、以及针对目标用户标识的候选广告所对应的广告特征;其中,信息特征主要包括用户的基础属性、行为兴趣特征,广告特征主要包括广告id、广告主id、广告对应的物品特征以及上下文特征等,物品特征主要包括广告中包含的物品的类目、语义特征、图像特征等,上下文特征主要包括当前访问请求的上下文、以及终端设备特征等;其中,对于广告id类高维度特征,可以采用嵌入(embedding)层把高维度特征映射为低维度特征。具体地,每个广告id可以通过哈希(hash)函数转换,将哈希值(hash id)作为键(key),对应的特征embedding值作为值(value)存储到查询表(embeddingtable)中。在本申请实施例的模型训练前会初始化所有的embedding值,模型训练的过程中会根据反向梯度更新embedding table中的值。
在获取信息特征与广告特征后,采用广告匹配模型计算出信息特征与广告特征的特征匹配数据,特征匹配数据用于表征该目标用户对该候选广告的兴趣度。如图5中的广告匹配模型所示,其模型结构为双塔结构,输入广告特征与信息特征,分别将广告特征与信息特征采用各自的广告特征映射模型与信息特征映射模型进行映射处理,获得广告映射特征和用户映射特征。将广告映射特征与用户映射特征进行点积运算,再将点积运算结果接入至映射处理模型,最终确定广告特征与信息特征的特征匹配数据;其中,广告特征映射模型、信息特征映射模型、映射处理模型可以采用多层感知神经网络(MLP)。可以将特征匹配数据表示为logit0,计算公式表示为:
logit0=P(match_score|x,H)
其中,x表示信息特征和广告特征,H表示映射处理模型的参数。
在获取信息特征与广告特征后,基于上述确定的特征匹配数据,并采用广告排序模型预估出该候选广告的三个层级的转化任务的转化预估值。如图5中的广告排序模型所示,广告排序模型包括:特征层、参数共享层和贝叶斯网络。
在广告排序模型的特征层中,输入信息特征与广告特征(包括图示的物品特征与上下文特征),采用特征映射处理层对输入的特征数据进行映射处理;其中,特征映射处理层可以采用embedding层,即对应得到的是embedding特征。
然后,通过特征映射处理层连接至共享特征映射处理层,通过共享特征映射处理层将对象特征与信息特征进行共享映射处理,获得对象特征对应的共享对象特征、以及信息特征对应的共享信息特征。其中,共享特征映射处理层可以采用共享的多层感知神经网络(MLP)。
然后,按照各层级的转化任务,将与转化任务相匹配的共享对象特征与共享信息特征进行拼接,分别获得与转化任务相匹配的拼接特征,对各拼接特征进行特征处理,得到每一层级各自对应的转化任务参数。具体地,在参数共享层中,设置了五个共享门结构,分别表示为Gate_1、Gate_2、Gate_3、Gate_4、Gate_5、对于第一层级转化任务,其生成转化任务参数时输入的数据为Gate_1和Gate_2的数据,对于第二层级转化任务,其生成转化任务参数时输入的数据为Gate_1、Gate_2、Gate_3和Gate_4的数据,对于第三层级转化任务,其生成转化任务参数时输入的数据为Gate_1、Gate_3、Gate_4和Gate_5的数据。
然后,分别将与转化任务相匹配的共享对象特征与共享信息特征进行拼接,即可分别获得与转化任务相匹配的拼接特征。进而,通过每一层级各自具有的第一层级转化任务参数处理模型、第二层级转化任务参数处理模型、第三层级转化任务参数处理模型进行进一步处理,最终分别输出每一层级各自对应的转化任务参数;其中,各层级转化任务参数处理模型可以选择多层感知神经网络(MLP)。
将每一层级各自对应的转化任务参数输入至贝叶斯网络进行映射处理,其中,分别对每一层级的转化任务参数进行映射处理,获得每一层级的映射参数,其中,贝叶斯网络中的上一层级转化任务的映射节点与下一层级转化任务的映射节点之间通过连接层有向连接,每一映射节点的输入数据包括当前层级转化任务参数和上一层级的映射参数。具体地,第一层级转化任务的映射节点的输入数据为第一层级转化任务参数,第二层级转化任务的映射节点的输入数据为第一层级的映射参数以及第二层级转化任务参数,第三层级转化任务的映射节点的输入数据为第二层级的映射参数以及第三层级转化任务参数。其中,第一层级的映射参数可以表示为logit1、第二层级的映射参数可以表示为logit2、第三层级的映射参数可以表示为logit3。
基于贝叶斯网络输出的各层级映射参数以及对象特征与信息特征的特征匹配数据,得到与候选推荐对象相匹配的各层级转化预估值,其中,转化预估值与转化任务参数所指示的转化任务一一对应。具体地,将各层级转化预估值中的第一层级转化预估值表示为ctr,也称为点击率预估值,第二层级转化预估值表示为cvr1,也称为浅层转化率预估值,第三层级转化预估值表示为cvr2,也称为深层转化率预估值。广告排序模型最终输出的与候选广告相匹配的各层级转化预估值表示为:
ctr=P(ctr|x,H,logit0)
cvr1=P(cvr1|ctr,X,H,logit0)
cvr2=P(cvr2|ctr,cvr1,X,H,logit0)
基于候选广告的各层级转化预估值,确定候选广告所对应的广告推荐概率,以普通类型广告为例,其仅存在从广告曝光到点击所对应的第一层级转化任务、从点击到浅层转化所对应的第二层级转化任务这两个转化任务,其对应的广告推荐概率ecpm表示为:
ecpm=ctr*cvr1*bid
以多目标类型广告为例,其存在上述的三个层级的转化任务,当cvr1>cvr2时,其对应的广告推荐概率ecpm表示为:
ecpm=ctr*cvr1*bid1
否则,其对应的广告推荐概率ecpm表示为:
ecpm=ctr*cvr2*bid2
其中,bid表示公式中相乘的除第一层级转化预估值之外的最大转化预估值,所对应的层级的推荐效益,推荐效益可以是出价,例如,bid1表示候选广告的浅层出价,bid2表示候选广告的深层出价。
在计算确定各候选广告的广告推荐概率后,从候选广告中筛选出广告推荐概率符合推荐条件的目标广告,其中,推荐条件可以根据实际技术需要进行设置,一个实施例中设置为取广告推荐概率最高的候选广告作为目标广告。
向目标用户标识所表征的目标用户进行该目标广告推荐,曝光给目标用户。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的对象推荐方法的对象推荐装置600。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个对象推荐装置600实施例中的具体限定可以参见上文中对于对象推荐方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种对象推荐装置600,包括:特征获取模块610、参数确定模块620、计算处理模块630和对象推荐模块640,其中:
特征获取模块610,用于获取目标用户标识所对应的信息特征、以及针对所述目标用户标识的候选推荐对象所对应的对象特征。
参数确定模块620,用于将所述对象特征与所述信息特征进行共享映射处理,得到与所述候选推荐对象相匹配的多层级转化任务参数。
计算处理模块630,用于将各层级的转化任务参数输入贝叶斯网络进行映射处理,基于所述贝叶斯网络输出的各层级映射参数以及所述对象特征与所述信息特征的特征匹配数据,得到与所述候选推荐对象相匹配的各层级转化预估值,所述转化预估值与所述转化任务参数所指示的转化任务一一对应。
对象推荐模块640,用于基于所述各层级转化预估值所对应的对象推荐概率,向所述目标用户标识所表征的目标用户进行对象推荐。
在一个实施例中,所述参数确定模块620,用于将所述对象特征与所述信息特征进行共享映射处理,获得所述对象特征对应的共享对象特征、以及所述信息特征对应的共享信息特征;按照各层级的转化任务,将与所述转化任务相匹配的所述共享对象特征与所述共享信息特征进行运算处理,得到每一层级各自对应的转化任务参数。
在一个实施例中,所述参数确定模块620,用于按照各层级的转化任务,将与所述转化任务相匹配的所述共享对象特征与所述共享信息特征进行拼接,分别获得与所述转化任务相匹配的拼接特征;对各所述拼接特征进行特征处理,得到每一层级各自对应的转化任务参数。
在一个实施例中,所述对象推荐装置600,还包括:特征匹配数据确定单元;所述特征匹配数据确定单元,用于分别将所述对象特征与所述信息特征进行映射处理,获得对象映射特征和用户映射特征;将所述对象映射特征与所述用户映射特征进行点积运算,确定所述对象特征与所述信息特征的特征匹配数据。
在一个实施例中,所述计算处理模块630,用于分别对每一层级的转化任务参数进行映射处理,获得每一层级的映射参数;其中,所述贝叶斯网络中的上一层级转化任务的映射节点与下一层级转化任务的映射节点之间有向连接,每一所述映射节点的输入数据包括当前层级转化任务参数和上一层级的映射参数;根据每一层级的所述映射参数、以及所述对象特征与所述信息特征的特征匹配数据,得到与所述候选推荐对象相匹配的各层级转化预估值。
在一个实施例中,所述对象推荐装置600,还包括:对象推荐概率确定单元;所述对象推荐概率确定单元,用于确定所述各层级转化预估值中的第一层级转化预估值、以及所述各层级转化预估值中除所述第一层级转化预估值之外的最大转化预估值;根据所述第一层级转化预估值、所述最大转化预估值和所述最大转化预估值所对应的所述候选推荐对象的推荐效益,确定所述候选推荐对象的对象推荐概率。
在一个实施例中,所述对象推荐模块640,用于基于各所述候选推荐对象的对象推荐概率,从所述候选推荐对象中筛选出对象推荐概率符合推荐条件的目标推荐对象;将所述目标推荐对象向所述目标用户标识所表征的目标用户进行对象推荐。
上述对象推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储对象推荐数据,例如,信息特征、对象特征、多层级转化任务参数、特征匹配数据、各层级转化预估值、对象推荐概率等等。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种对象推荐方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种对象推荐方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置,显示屏可以是液晶显示屏或电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7和图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述的对象推荐方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的对象推荐方法步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的对象推荐方法的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于标识信息、特征信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种对象推荐方法,其特征在于,所述方法包括:
获取目标用户标识所对应的信息特征、以及针对所述目标用户标识的候选推荐对象所对应的对象特征;
将所述对象特征与所述信息特征进行共享映射处理,得到与所述候选推荐对象相匹配的多层级转化任务参数;
将各层级的转化任务参数输入贝叶斯网络进行映射处理,基于所述贝叶斯网络输出的各层级映射参数以及所述对象特征与所述信息特征的特征匹配数据,得到与所述候选推荐对象相匹配的各层级转化预估值,所述转化预估值与所述转化任务参数所指示的转化任务一一对应;
基于所述各层级转化预估值所对应的对象推荐概率,向所述目标用户标识所表征的目标用户进行对象推荐。
2.根据权利要求1所述的方法,其特征在于,所述将所述对象特征与所述信息特征进行共享映射处理,得到与所述候选推荐对象相匹配的多层级转化任务参数,包括:
将所述对象特征与所述信息特征进行共享映射处理,获得所述对象特征对应的共享对象特征、以及所述信息特征对应的共享信息特征;
按照各层级的转化任务,将与所述转化任务相匹配的所述共享对象特征与所述共享信息特征进行运算处理,得到每一层级各自对应的转化任务参数。
3.根据权利要求2所述的方法,其特征在于,所述按照各层级的转化任务,将与所述转化任务相匹配的所述共享对象特征与所述共享信息特征进行运算处理,得到每一层级各自对应的转化任务参数,包括:
按照各层级的转化任务,将与所述转化任务相匹配的所述共享对象特征与所述共享信息特征进行拼接,分别获得与所述转化任务相匹配的拼接特征;
对各所述拼接特征进行特征处理,得到每一层级各自对应的转化任务参数。
4.根据权利要求1所述的方法,其特征在于,所述对象特征与所述信息特征的特征匹配数据的确定方式,包括:
分别将所述对象特征与所述信息特征进行映射处理,获得对象映射特征和用户映射特征;
将所述对象映射特征与所述用户映射特征进行点积运算,确定所述对象特征与所述信息特征的特征匹配数据。
5.根据权利要求1所述的方法,其特征在于,所述将各层级的转化任务参数输入贝叶斯网络进行映射处理,基于所述贝叶斯网络输出的各层级映射参数以及所述对象特征与所述信息特征的特征匹配数据,得到与所述候选推荐对象相匹配的各层级转化预估值,包括:
分别对每一层级的转化任务参数进行映射处理,获得每一层级的映射参数;其中,所述贝叶斯网络中的上一层级转化任务的映射节点与下一层级转化任务的映射节点之间有向连接,每一所述映射节点的输入数据包括当前层级转化任务参数和上一层级的映射参数;
根据每一层级的所述映射参数、以及所述对象特征与所述信息特征的特征匹配数据,得到与所述候选推荐对象相匹配的各层级转化预估值。
6.根据权利要求1所述的方法,其特征在于,确定所述各层级转化预估值所对应的对象推荐概率的方式,包括:
确定所述各层级转化预估值中的第一层级转化预估值、以及所述各层级转化预估值中除所述第一层级转化预估值之外的最大转化预估值;
根据所述第一层级转化预估值、所述最大转化预估值和所述最大转化预估值所对应的所述候选推荐对象的推荐效益,确定所述候选推荐对象的对象推荐概率。
7.根据权利要求6所述的方法,其特征在于,所述基于所述各层级转化预估值所对应的对象推荐概率,向所述目标用户标识所表征的目标用户进行对象推荐,包括:
基于各所述候选推荐对象的对象推荐概率,从所述候选推荐对象中筛选出对象推荐概率符合推荐条件的目标推荐对象;
将所述目标推荐对象向所述目标用户标识所表征的目标用户进行对象推荐。
8.一种对象推荐装置,其特征在于,所述装置包括:
特征获取模块,用于获取目标用户标识所对应的信息特征、以及针对所述目标用户标识的候选推荐对象所对应的对象特征;
参数确定模块,用于将所述对象特征与所述信息特征进行共享映射处理,得到与所述候选推荐对象相匹配的多层级转化任务参数;
计算处理模块,用于将各层级的转化任务参数输入贝叶斯网络进行映射处理,基于所述贝叶斯网络输出的各层级映射参数以及所述对象特征与所述信息特征的特征匹配数据,得到与所述候选推荐对象相匹配的各层级转化预估值,所述转化预估值与所述转化任务参数所指示的转化任务一一对应;
对象推荐模块,用于基于所述各层级转化预估值所对应的对象推荐概率,向所述目标用户标识所表征的目标用户进行对象推荐。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210158735.1A CN116680467A (zh) | 2022-02-21 | 2022-02-21 | 对象推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210158735.1A CN116680467A (zh) | 2022-02-21 | 2022-02-21 | 对象推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116680467A true CN116680467A (zh) | 2023-09-01 |
Family
ID=87782379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210158735.1A Pending CN116680467A (zh) | 2022-02-21 | 2022-02-21 | 对象推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116680467A (zh) |
-
2022
- 2022-02-21 CN CN202210158735.1A patent/CN116680467A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021047593A1 (zh) | 推荐模型的训练方法、预测选择概率的方法及装置 | |
CN109919316B (zh) | 获取网络表示学习向量的方法、装置和设备及存储介质 | |
US11109083B2 (en) | Utilizing a deep generative model with task embedding for personalized targeting of digital content through multiple channels across client devices | |
US10354184B1 (en) | Joint modeling of user behavior | |
JP7160980B2 (ja) | 情報提供装置、情報提供方法、およびプログラム | |
CN111783810B (zh) | 用于确定用户的属性信息的方法和装置 | |
CN115905687A (zh) | 基于元学习图神经网络面向冷启动的推荐系统及方法 | |
CN115879508A (zh) | 一种数据处理方法及相关装置 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
CN112150184A (zh) | 点击率预估方法及其系统、计算机系统及计算机可读介质 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN113822734A (zh) | 用于生成信息的方法和装置 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN116680467A (zh) | 对象推荐方法、装置、计算机设备和存储介质 | |
CN114219184A (zh) | 产品交易数据预测方法、装置、设备、介质和程序产品 | |
CN116777529B (zh) | 一种对象推荐的方法、装置、设备、存储介质及程序产品 | |
CN116701972B (zh) | 业务数据处理方法、装置、设备以及介质 | |
CN113538030B (zh) | 一种内容推送方法、装置及计算机存储介质 | |
CN111626805B (zh) | 信息展示方法和装置 | |
CN116861071A (zh) | 资讯推送方法、装置、计算机设备、存储介质和程序产品 | |
CN116881543A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
CN113744004A (zh) | 推送内容的确定方法、装置及设备 | |
CN117573973A (zh) | 资源推荐方法、装置、电子设备以及存储介质 | |
CN117436972A (zh) | 资源对象推荐方法、装置、计算机设备和存储介质 |
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 |