CN116701765A - 一种对象推荐方法、装置、服务器及存储介质 - Google Patents
一种对象推荐方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN116701765A CN116701765A CN202310729827.5A CN202310729827A CN116701765A CN 116701765 A CN116701765 A CN 116701765A CN 202310729827 A CN202310729827 A CN 202310729827A CN 116701765 A CN116701765 A CN 116701765A
- Authority
- CN
- China
- Prior art keywords
- recommended
- behavior prediction
- user
- behavior
- prediction result
- 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 51
- 230000003993 interaction Effects 0.000 claims abstract description 51
- 230000007246 mechanism Effects 0.000 claims abstract description 25
- 230000006399 behavior Effects 0.000 claims description 160
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 18
- 239000000047 product Substances 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (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
本申请提供了一种对象推荐方法、装置、服务器及存储介质,可应用于大数据领域或金融领域,该方法包括:获取用户针对至少一个待推荐对象的第一交互数据;将第一交互数据输入行为预测模型,获得用户针对至少一个待推荐对象的行为预测结果,行为预测模型包括编码器encoder,encoder包括自注意力机制网络和多层感知机;根据用户针对至少一个待推荐对象的行为预测结果,确定至少一个待推荐对象的对象推荐策略。该方法能够提升行为预测模型特征提取的准确性,同时解决非线性问题,从而提升模型预测结果的准确性。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种对象推荐方法、装置、服务器及存储介质。
背景技术
应用的提供商或者运营商可以在应用客户端中为用户进行对象推荐。在不同的应用中,待推荐对象可以不同。例如,在手机银行客户端中,待推荐对象可以包括基金、理财、保险等银行产品。
由于待推荐对象的数量较多,业界通常采用通用的推荐算法进行对象推荐。然而,上述方法难以针对不同用户进行有针对性的推荐,难以满足不同业务的需求。
发明内容
本申请提供了一种对象推荐方法,该方法能够针对不同用户进行有针对性的对象推荐,满足业务需求,同时提升用户体验。本申请还提供了上述方法对应的装置、服务器及存储介质。
第一方面,本申请提供了一种对象推荐方法。所述方法包括:
获取用户针对至少一个待推荐对象的第一交互数据;
将所述第一交互数据输入行为预测模型,获得所述用户针对所述至少一个待推荐对象的行为预测结果,所述行为预测模型包括编码器encoder,所述encoder包括自注意力机制网络和多层感知机;
根据所述用户针对所述至少一个待推荐对象的行为预测结果,确定所述至少一个待推荐对象的对象推荐策略。
在一些可能的实现方式中,所述行为预测模型还包括激活函数,所述将所述第一交互数据输入行为预测模型,获得所述用户针对所述至少一个待推荐对象的行为预测结果,包括:
将所述第一交互数据输入行为预测模型,基于所述encoder,获得所述用户针对所述至少一个待推荐对象的初始行为预测结果;
基于所述激活函数,将所述初始行为预测结果转换为行为预测值,以获得所述用户针对所述至少一个待推荐对象的行为预测结果。
在一些可能的实现方式中,所述行为预测结果以行为预测值表征,所述根据所述用户针对所述至少一个待推荐对象的行为预测结果,确定所述至少一个待推荐对象的对象推荐策略,包括:
从所述至少一个待推荐对象中,确定所述行为预测值大于预设阈值的候选待推荐对象;
根据所述候选待推荐对象的行为预测值,对所述候选待推荐对象进行排序,获得所述候选待推荐对象的排序结果;
根据所述排序结果,确定所述候选待推荐对象的对象推荐策略。
在一些可能的实现方式中,所述方法还包括:
获取样本数据,所述样本数据包括标注有用户行为的所述用户针对所述至少一个待推荐对象的第二交互数据;
利用所述行为预测模型,对所述样本数据进行预测,获得所述样本数据的行为预测结果,所述行为预测模型包括编码器encoder,所述encoder包括自注意力机制网络和多层感知机;
根据所述样本数据的行为预测结果和所述样本数据的用户行为,更新所述自注意力机制网络和所述多层感知机的参数。
在一些可能的实现方式中,所述获取样本数据,包括:
获取原始数据;
过滤所述原始数据,获得所述用户针对所述至少一个待推荐对象的第二交互数据;
针对所述第二交互数据,提取多个特征,以获取样本数据,所述多个特征包括用户行为。
在一些可能的实现方式中,所述获取原始数据,包括:
采集所述用户在所述至少一个待推荐对象所处的界面的日志信息,将所述日志信息作为原始数据。
在一些可能的实现方式中,所述多个特征还包括:用户属性和产品属性。
第二方面,本申请提供了一种对象推荐装置。所述装置包括:
获取模块,用于获取用户针对至少一个待推荐对象的第一交互数据;
预测模块,用于将所述第一交互数据输入行为预测模型,获得所述用户针对所述至少一个待推荐对象的行为预测结果,所述行为预测模型包括编码器encoder,所述encoder包括自注意力机制网络和多层感知机;
确定模块,用于根据所述用户针对所述至少一个待推荐对象的行为预测结果,确定所述至少一个待推荐对象的对象推荐策略。
在一些可能的实现方式中,所述行为预测模型还包括激活函数,所述预测模块具体用于:
将所述第一交互数据输入行为预测模型,基于所述encoder,获得所述用户针对所述至少一个待推荐对象的初始行为预测结果;
基于所述激活函数,将所述初始行为预测结果转换为行为预测值,以获得所述用户针对所述至少一个待推荐对象的行为预测结果。
在一些可能的实现方式中,所述行为预测结果以行为预测值表征,所述确定模块具体用于:
从所述至少一个待推荐对象中,确定所述行为预测值大于预设阈值的候选待推荐对象;
根据所述候选待推荐对象的行为预测值,对所述候选待推荐对象进行排序,获得所述候选待推荐对象的排序结果;
根据所述排序结果,确定所述候选待推荐对象的对象推荐策略。
在一些可能的实现方式中,所述装置还包括:
训练模块,用于获取样本数据,所述样本数据包括标注有用户行为的所述用户针对所述至少一个待推荐对象的第二交互数据;利用所述行为预测模型,对所述样本数据进行预测,获得所述样本数据的行为预测结果,所述行为预测模型包括编码器encoder,所述encoder包括自注意力机制网络和多层感知机;根据所述样本数据的行为预测结果和所述样本数据的用户行为,更新所述自注意力机制网络和所述多层感知机的参数。
在一些可能的实现方式中,所述训练模块具体用于:
获取原始数据;
过滤所述原始数据,获得所述用户针对所述至少一个待推荐对象的第二交互数据;
针对所述第二交互数据,提取多个特征,以获取样本数据,所述多个特征包括用户行为。
在一些可能的实现方式中,所述训练模块具体用于:
采集所述用户在所述至少一个待推荐对象所处的界面的日志信息,将所述日志信息作为原始数据。
在一些可能的实现方式中,所述多个特征还包括:用户属性和产品属性。
第三方面,本申请提供了一种服务器。所述服务器包括处理器和存储器,所述存储器中存储有指令,所述处理器执行所述指令,以使所述服务器执行如本申请第一方面或第一方面的任一种实现方式所述的方法。
第四方面,本申请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中存储有指令,当其在服务器上运行时,使得服务器执行上述第一方面或第一方面的任一种实现方式所述的方法。
第五方面,本申请提供了一种计算机程序产品。所述计算机程序产品包括计算机可读指令,当其在服务器上运行时,使得所述服务器执行上述第一方面或第一方面的任一种实现方式所述的方法。
本申请在上述各方面提供的实现方式的基础上,还可以进行进一步组合以提供更多实现方式。
基于上述内容描述,可知本申请的技术方案具有如下有益效果:
具体地,该方法首先获取用户针对至少一个待推荐对象的第一交互数据,接着将第一交互数据输入行为预测模型,获得用户针对至少一个待推荐对象的行为预测结果,其中,行为预测模型包括编码器encoder,encoder包括自注意力机制网络和多层感知机,然后根据用户针对至少一个待推荐对象的行为预测结果,确定至少一个待推荐对象的对象推荐策略。
该方法通过行为预测模型预测用户针对待推荐对象的行为,以向用户进行对象推荐,其中,行为预测模型中的编码器encoder包括自注意力机制网络和多层感知机,从而能够提升特征提取的准确性,同时解决非线性问题,从而提升模型预测结果的准确性。
附图说明
结合附图并参考以下具体实施方式,本申请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,原件和元素不一定按照比例绘制。
图1为本申请实施例提供的一种对象推荐方法的流程示意图;
图2为本申请实施例提供的一种对象推荐装置的结构示意图;
图3为本申请实施例提供的一种实现对象推荐的服务器的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例,然而应当理解的是,本申请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申请。应当理解的是,本申请的附图及实施例仅用于示例性作用,并非用于限制本申请的保护范围。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本申请中提及的“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,本申请中提及的“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”。
为了便于理解本申请的技术方案,下面对本申请中具体的应用场景进行说明。
应用的提供商或者运营商可以在应用客户端中为用户进行对象推荐。在不同的应用中,待推荐对象可以不同。例如,在手机银行客户端中,待推荐对象可以包括基金、理财、保险等银行产品。
待推荐对象的数量众多,用户难以在短时间内找到感兴趣且符合自身需求的待推荐对象,可能导致对象推荐的效果不佳,用户丧失对待推荐对象的购买兴趣。因此,业界通常采用通用的推荐算法进行对象推荐,例如是根据待推荐对象的销量进行对象推荐。然而,上述方法难以针对不同用户进行有针对性的推荐,难以满足不同业务的需求。
基于此,本申请实施例提供了一种对象推荐方法。具体地,该方法首先获取用户针对至少一个待推荐对象的第一交互数据,接着将第一交互数据输入行为预测模型,获得用户针对至少一个待推荐对象的行为预测结果,其中,行为预测模型包括编码器encoder,encoder包括自注意力机制网络和多层感知机,然后根据用户针对至少一个待推荐对象的行为预测结果,确定至少一个待推荐对象的对象推荐策略。
该方法通过行为预测模型预测用户针对待推荐对象的行为,以向用户进行对象推荐,其中,行为预测模型中的编码器encoder包括自注意力机制网络和多层感知机,从而能够提升特征提取的准确性,同时解决非线性问题,从而提升模型预测结果的准确性。
接下来,结合附图对本申请实施例提供的对象推荐方法进行详细说明。
参见图1所示的一种对象推荐方法的流程示意图,该方法可以由服务器执行,具体包括如下步骤:
S101:服务器获取用户针对至少一个待推荐对象的第一交互数据。
其中,第一交互数据可以是用户实时针对至少一个待推荐对象的交互数据。例如,服务器可以通过采集(如通过flink组件)用户在至少一个待推荐对象所处的界面的日志信息,再根据日志信息,获取第一交互数据。
S102:服务器将第一交互数据输入行为预测模型,获得用户针对至少一个待推荐对象的行为预测结果。
其中,行为预测模型是在transformer模型基础上进行改进获得的模型。具体地,由于针对用户的行为预测属于二分类,即购买或不购买,行为预测模型中包括编码器encoder,而无需包括解码器decoder。进一步地,该encoder中包括自注意力机制网络和多层感知机,换言之,将transformer模型的encoder中的多头注意力机制替换为自注意力机制网络,同时将前馈网络替换为多层感知机。
下面,将对本申请实施例中行为预测模型的训练过程进行说明。
服务器获取样本数据,其中,样本数据包括标注有用户行为的用户针对至少一个待推荐对象的第二交互数据,接着利用行为预测模型,对样本数据进行预测,获得样本数据的行为预测结果,根据样本数据的行为预测结果和样本数据的用户行为,更新自注意力机制网络和多层感知机的参数。
其中,样本数据可以包括训练集和测试集。通过训练集训练行为预测模型,以及通过测试集更新行为预测模型的参数,以实现模型训练。其中,行为预测模型中的自注意力机制网络可以获取各个特征之间的关联,分配给不同的特征不同的权重值,从而筛选出对行为预测更重要的特征。多层感知机能够解决非线性问题,提升模型训练效率。
在一些实施例中,获取样本数据具体包括如下步骤:获取原始数据,过滤原始数据,获得用户针对至少一个待推荐对象的第二交互数据,针对第二交互数据提取多个特征,以获取样本数据,多个特征包括用户行为。例如,用户行为可以包括浏览行为、购买行为、收藏行为等。
其中,原始数据可以为在历史时间段内,采集的用户在至少一个待推荐对象所处的界面的日志信息。如此,便于训练人员收集行为预测模型训练时所需的样本数据。
进一步地,多个特征可以还包括用户属性和产品属性。例如,用户属性可以包括用户标识、用户性别、用户年龄、用户资产、用户历史购买记录等,产品属性可以包括产品类别、产品标识、产品所属管理部门、起购门槛等。如此,可以通过提取的多个特征对模型进行训练,提升模型的训练效果。
进一步地,服务器还可以对提取的多个特征进行筛选,例如是通过分布分析的方式进行特征分析,将与行为预测相关度较低的特征过滤,并对缺失值进行补充或置空,再进行归一化处理,从而获得样本数据。
在本申请实施例中,通过针对原始数据进行一系列的处理获得样本数据,使得样本数据能够在行为预测模型的训练过程中具有更好的表现,如此,减少模型训练时间,提升模型训练效率。
进一步地,行为预测模型还包括激活函数。在利用行为预测模型对用户行为进行预测时,服务器可以将第一交互数据输入行为预测模型,基于该encoder,获得用户针对至少一个待推荐对象的初始行为预测结果,接着基于激活函数,将初始行为预测结果转换为行为预测值,以获得用户针对至少一个待推荐对象的行为预测结果。
例如,激活函数可以用于将初始行为预测结果转换为位于0至1之间的行为预测值,行为预测值越高,表示用户购买该待推荐对象的可能性越大。如此,通过设置激活函数,可以将行为预测结果转换为能够直观比较的行为预测值。
S103:服务器根据用户针对至少一个待推荐对象的行为预测结果,确定至少一个待推荐对象的对象推荐策略。
其中,对象推荐策略可以用于描述至少一个待推荐对象的推荐优先级。在一些实施例中,服务器可以从至少一个待推荐对象中,确定行为预测值大于预设阈值的候选待推荐对象,根据候选待推荐对象的行为预测值,对候选待推荐对象进行排序,获得候选待推荐对象的排序结果,根据该排序结果,确定候选待推荐对象的对象推荐策略。
其中,预设阈值可以用于描述用户对待推荐对象的行为。具体地,若行为预测值大于预设阈值,表明用户可能购买该待推荐对象,若行为预测值小于或等于预设阈值,表明用户不会购买该待推荐对象。因此,服务器可以针对用户可能购买的候选待推荐对象进行排序,如此,提升用户感兴趣、满足用户需求的待推荐对象的优先级,提高待推荐对象的销量,同时提升用户的使用体验。
该方法首先获取用户针对至少一个待推荐对象的第一交互数据,接着将第一交互数据输入行为预测模型,获得用户针对至少一个待推荐对象的行为预测结果,其中,行为预测模型包括编码器encoder,encoder包括自注意力机制网络和多层感知机,然后根据用户针对至少一个待推荐对象的行为预测结果,确定至少一个待推荐对象的对象推荐策略。
该方法通过行为预测模型预测用户针对待推荐对象的行为,以向用户进行对象推荐,其中,行为预测模型中的编码器encoder包括自注意力机制网络和多层感知机,从而能够提升特征提取的准确性,同时解决非线性问题,从而提升模型预测结果的准确性。
基于本申请实施例提供的上述方法,本申请实施例还提供了与上述方法对应的对象推荐装置。描述于本申请实施例中所涉及到的单元/模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元/模块的名称在某种情况下并不构成对该单元/模块本身的限定。
参见图2所示的对象推荐装置的结构示意图,该装置200包括:
获取模块201,用于获取用户针对至少一个待推荐对象的第一交互数据;
预测模块202,用于将所述第一交互数据输入行为预测模型,获得所述用户针对所述至少一个待推荐对象的行为预测结果,所述行为预测模型包括编码器encoder,所述encoder包括自注意力机制网络和多层感知机;
确定模块203,用于根据所述用户针对所述至少一个待推荐对象的行为预测结果,确定所述至少一个待推荐对象的对象推荐策略。
在一些可能的实现方式中,所述行为预测模型还包括激活函数,所述预测模块202具体用于:
将所述第一交互数据输入行为预测模型,基于所述encoder,获得所述用户针对所述至少一个待推荐对象的初始行为预测结果;
基于所述激活函数,将所述初始行为预测结果转换为行为预测值,以获得所述用户针对所述至少一个待推荐对象的行为预测结果。
在一些可能的实现方式中,所述行为预测结果以行为预测值表征,所述确定模块203具体用于:
从所述至少一个待推荐对象中,确定所述行为预测值大于预设阈值的候选待推荐对象;
根据所述候选待推荐对象的行为预测值,对所述候选待推荐对象进行排序,获得所述候选待推荐对象的排序结果;
根据所述排序结果,确定所述候选待推荐对象的对象推荐策略。
在一些可能的实现方式中,所述装置还包括:
训练模块,用于获取样本数据,所述样本数据包括标注有用户行为的所述用户针对所述至少一个待推荐对象的第二交互数据;利用所述行为预测模型,对所述样本数据进行预测,获得所述样本数据的行为预测结果,所述行为预测模型包括编码器encoder,所述encoder包括自注意力机制网络和多层感知机;根据所述样本数据的行为预测结果和所述样本数据的用户行为,更新所述自注意力机制网络和所述多层感知机的参数。
在一些可能的实现方式中,所述训练模块具体用于:
获取原始数据;
过滤所述原始数据,获得所述用户针对所述至少一个待推荐对象的第二交互数据;
针对所述第二交互数据,提取多个特征,以获取样本数据,所述多个特征包括用户行为。
在一些可能的实现方式中,所述训练模块具体用于:
采集所述用户在所述至少一个待推荐对象所处的界面的日志信息,将所述日志信息作为原始数据。
在一些可能的实现方式中,所述多个特征还包括:用户属性和产品属性。
根据本申请实施例的对象推荐装置200可对应于执行本申请实施例中描述的方法,并且对象推荐装置200的各个模块/单元的上述和其它操作和/或功能分别为了实现图1所示实施例中的各个方法的相应流程,为了简洁,在此不再赘述。
本发明提供的一种对象推荐方法、装置、服务器及存储介质可用于大数据领域或金融领域,上述仅为示例,并不对本发明提供的一种对象推荐方法、装置、服务器及存储介质的应用领域进行限定。
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。参见图3所示的实现对象推荐的服务器300的结构示意图,需要说明的是,图3所示的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图3所示,服务器300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中,还存储有服务器300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305: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306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许服务器300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的服务器300,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。
本申请还提供一种计算机可读存储介质,也称作机器可读介质。在本申请的上下文中,机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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。
需要说明的是,本申请上述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。在本申请中,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。而在本申请中,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。
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服务器执行时,使得服务器:获取用户针对至少一个待推荐对象的第一交互数据;将所述第一交互数据输入行为预测模型,获得所述用户针对所述至少一个待推荐对象的行为预测结果;根据所述用户针对所述至少一个待推荐对象的行为预测结果,确定所述至少一个待推荐对象的对象推荐策略。
特别地,根据本申请的实施例,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,本申请的实施例包括一种计算机程序产品,其包括承载在非暂态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。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装。在该计算机程序被处理装置执行时,执行本申请实施例的方法中限定的上述功能。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
以上描述仅为本申请的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,本申请中所涉及的公开范围,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公开构思的情况下,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。例如上述特征与本申请中公开的(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 (10)
1.一种对象推荐方法,其特征在于,所述方法包括:
获取用户针对至少一个待推荐对象的第一交互数据;
将所述第一交互数据输入行为预测模型,获得所述用户针对所述至少一个待推荐对象的行为预测结果,所述行为预测模型包括编码器encoder,所述encoder包括自注意力机制网络和多层感知机;
根据所述用户针对所述至少一个待推荐对象的行为预测结果,确定所述至少一个待推荐对象的对象推荐策略。
2.根据权利要求1所述的方法,其特征在于,所述行为预测模型还包括激活函数,所述将所述第一交互数据输入行为预测模型,获得所述用户针对所述至少一个待推荐对象的行为预测结果,包括:
将所述第一交互数据输入行为预测模型,基于所述encoder,获得所述用户针对所述至少一个待推荐对象的初始行为预测结果;
基于所述激活函数,将所述初始行为预测结果转换为行为预测值,以获得所述用户针对所述至少一个待推荐对象的行为预测结果。
3.根据权利要求1所述的方法,其特征在于,所述行为预测结果以行为预测值表征,所述根据所述用户针对所述至少一个待推荐对象的行为预测结果,确定所述至少一个待推荐对象的对象推荐策略,包括:
从所述至少一个待推荐对象中,确定所述行为预测值大于预设阈值的候选待推荐对象;
根据所述候选待推荐对象的行为预测值,对所述候选待推荐对象进行排序,获得所述候选待推荐对象的排序结果;
根据所述排序结果,确定所述候选待推荐对象的对象推荐策略。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取样本数据,所述样本数据包括标注有用户行为的所述用户针对所述至少一个待推荐对象的第二交互数据;
利用所述行为预测模型,对所述样本数据进行预测,获得所述样本数据的行为预测结果,所述行为预测模型包括编码器encoder,所述encoder包括自注意力机制网络和多层感知机;
根据所述样本数据的行为预测结果和所述样本数据的用户行为,更新所述自注意力机制网络和所述多层感知机的参数。
5.根据权利要求4所述的方法,其特征在于,所述获取样本数据,包括:
获取原始数据;
过滤所述原始数据,获得所述用户针对所述至少一个待推荐对象的第二交互数据;
针对所述第二交互数据,提取多个特征,以获取样本数据,所述多个特征包括用户行为。
6.根据权利要求5所述的方法,其特征在于,所述获取原始数据,包括:
采集所述用户在所述至少一个待推荐对象所处的界面的日志信息,将所述日志信息作为原始数据。
7.根据权利要求5所述的方法,其特征在于,所述多个特征还包括:用户属性和产品属性。
8.一种对象推荐装置,其特征在于,所述装置包括:
获取模块,用于获取用户针对至少一个待推荐对象的第一交互数据;
预测模块,用于将所述第一交互数据输入行为预测模型,获得所述用户针对所述至少一个待推荐对象的行为预测结果,所述行为预测模型包括编码器encoder,所述encoder包括自注意力机制网络和多层感知机;
确定模块,用于根据所述用户针对所述至少一个待推荐对象的行为预测结果,确定所述至少一个待推荐对象的对象推荐策略。
9.一种服务器,其特征在于,所述服务器包括处理器和存储器,所述存储器中存储有指令,所述处理器执行所述指令,以使所述服务器执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,包括计算机可读指令,当所述计算机可读指令在服务器上运行时,使得所述服务器执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310729827.5A CN116701765A (zh) | 2023-06-19 | 2023-06-19 | 一种对象推荐方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310729827.5A CN116701765A (zh) | 2023-06-19 | 2023-06-19 | 一种对象推荐方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116701765A true CN116701765A (zh) | 2023-09-05 |
Family
ID=87840837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310729827.5A Pending CN116701765A (zh) | 2023-06-19 | 2023-06-19 | 一种对象推荐方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116701765A (zh) |
-
2023
- 2023-06-19 CN CN202310729827.5A patent/CN116701765A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818344B (zh) | 用户行为进行分类和预测的方法和系统 | |
CN116541610B (zh) | 一种推荐模型的训练方法及装置 | |
CN111291071B (zh) | 数据处理方法、装置及电子设备 | |
CA3055506A1 (en) | Payment method prediction method, payment method prediction apparatus, and computer-readable media | |
CN111738331A (zh) | 用户分类方法及装置、计算机可读存储介质、电子设备 | |
CN111861521A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
CN115292594A (zh) | 一种业务推荐方法、系统、电子设备及存储介质 | |
CN111861487A (zh) | 金融交易数据处理方法、欺诈行为的监测方法和装置 | |
CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN114371946A (zh) | 基于云计算和大数据的信息推送方法及信息推送服务器 | |
CN116578925B (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
CN112860672A (zh) | 标签权重的确定方法和装置 | |
CN116701765A (zh) | 一种对象推荐方法、装置、服务器及存储介质 | |
CN113870998A (zh) | 问诊方法、装置、电子设备和存储介质 | |
CN112131468A (zh) | 推荐系统中的数据处理方法、装置 | |
CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
CN112906723A (zh) | 一种特征选择的方法和装置 | |
CN113111897A (zh) | 基于支持向量机的接警警情类别确定方法和装置 | |
CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 | |
CN112749214A (zh) | 交互内容展示方式的更新方法、装置、介质及电子设备 | |
CN113689288B (zh) | 基于实体列表的风险识别方法、装置、设备及存储介质 | |
CN114510638B (zh) | 信息处理方法、装置、设备、存储介质及程序产品 | |
CN116383638A (zh) | 一种推荐模型的训练方法及装置 |
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 |