CN116823407B - 产品信息推送方法、装置、电子设备和计算机可读介质 - Google Patents
产品信息推送方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116823407B CN116823407B CN202311091655.XA CN202311091655A CN116823407B CN 116823407 B CN116823407 B CN 116823407B CN 202311091655 A CN202311091655 A CN 202311091655A CN 116823407 B CN116823407 B CN 116823407B
- Authority
- CN
- China
- Prior art keywords
- product
- model
- information
- grade
- incremental
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 230000002238 attenuated effect Effects 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 7
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000002829 reductive effect Effects 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 344
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013398 bayesian method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012954 risk control Methods 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了产品信息推送方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:利用产品信息,对产品等级预估模型进行增量训练,得到增量产品等级预估模型;对增量产品等级预估模型进行检验,以及响应于检验通过,将增量产品等级预估模型进行上线处理,以更新产品等级预估模型;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;将产品特征信息集中的每个产品特征信息输入至目标产品等级预估模型中,以生成产品预估等级;根据产品预估等级集和产品特征信息集,向每个用户的用户端推送相关联的相似产品信息。该实施方式提升了对产品进行评级的效果,减少了推送资源的浪费。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及产品信息推送方法、装置、电子设备和计算机可读介质。
背景技术
在风险控制(简称风控)场景中,通常会对产品(股票/基金/信托)进行产品评级。其中,产品评级通常是以一套相关指标体系为考量基础,标示优质的产品供用户选择。目前,为了向用户推送相关的产品(例如,股票/基金等产品),通常采用的方式为:通过信贷类的模型,向用户推送产品信息。
然而,采用上述方式,通常会存在以下技术问题:
第一,随着宏观调控和时间的推移,对产品进行评级的效果往往会下降,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,未考虑用户感兴趣的产品,导致推送的产品信息不符合需求,浪费了推送资源。
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产品信息推送方法、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产品信息推送方法,该方法包括:响应于确定线上的产品等级预估模型的预测结果发生衰减,获取预设时间段内在应用上执行目标操作的产品信息;利用上述产品信息,对上述产品等级预估模型进行增量训练,得到增量产品等级预估模型;对上述增量产品等级预估模型进行检验,以及响应于检验通过,将上述增量产品等级预估模型进行上线处理,以更新上述产品等级预估模型,得到更新后的产品等级预估模型,作为目标产品等级预估模型;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;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目标产品等级预估模型中,以生成产品预估等级,得到产品预估等级集;根据上述产品预估等级集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产品信息推送装置,该装置包括:获取单元,被配置成响应于确定线上的产品等级预估模型的预测结果发生衰减,获取预设时间段内在应用上执行目标操作的产品信息;训练单元,被配置成利用上述产品信息,对上述产品等级预估模型进行增量训练,得到增量产品等级预估模型;检验单元,被配置成对上述增量产品等级预估模型进行检验,以及响应于检验通过,将上述增量产品等级预估模型进行上线处理,以更新上述产品等级预估模型,得到更新后的产品等级预估模型,作为目标产品等级预估模型;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;输入单元,被配置成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目标产品等级预估模型中,以生成产品预估等级,得到产品预估等级集;推送单元,被配置成根据上述产品预估等级集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产品信息推送方法,提升了对产品进行评级的效果,且推送的产品信息满足用户需求,减少了推送资源的浪费。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:随着宏观调控和时间的推移,对产品进行评级的效果往往会下降,导致推送的产品信息不符合需求。基于此,本公开的一些实施例的产品信息推送方法,首先,响应于确定线上的产品等级预估模型的预测结果发生衰减,获取预设时间段内在应用上执行目标操作的产品信息。其次,利用上述产品信息,对上述产品等级预估模型进行增量训练,得到增量产品等级预估模型。接着,对上述增量产品等级预估模型进行检验,以及响应于检验通过,将上述增量产品等级预估模型进行上线处理,以更新上述产品等级预估模型,得到更新后的产品等级预估模型,作为目标产品等级预估模型。在确定模型效果衰减的情况下,可以通过获取新增数据进行模型的增量学习。从而使得模型可以学习到新的知识,对新的数据分布进行产品评级的精准打分。以及在增量训练好的模型上线前,可以自动进行模型检验。从而将检验通过的新的模型,作为更新模型来代替衰减的模型,进行线上实时打分,以满足业务需要。这样可以始终保证模型预测结果的准确性,从而实现产品的精准评级。之后,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。然后,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目标产品等级预估模型中,以生成产品预估等级,得到产品预估等级集。最后,根据上述产品预估等级集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,提升了对产品进行评级的效果,且推送的产品信息满足用户需求,减少了推送资源的浪费。
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是根据本公开的产品信息推送方法的一些实施例的流程图;
图2是根据本公开的产品信息推送装置的一些实施例的结构示意图;
图3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是根据本公开的产品信息推送方法的一些实施例的流程图。示出了根据本公开的产品信息推送方法的一些实施例的流程100。该产品信息推送方法,包括以下步骤:
步骤101,响应于确定线上的产品等级预估模型的预测结果发生衰减,获取预设时间段内在应用上执行目标操作的产品信息。
在一些实施例中,产品信息推送方法的执行主体(例如,计算设备)可以响应于确定线上的产品等级预估模型的预测结果发生衰减,获取预设时间段内在应用上执行目标操作的产品信息。上述预设时间段同样不限制。例如可以是近期的一段时间(第一时间段),如一天、三天或一周等。又例如,也可以是整个应用时长,如从应用上线至今。
实践中,上述执行主体可以通过有线连接方式或无线连接方式获取近期的第一时间段内在应用上执行目标操作的产品信息。
其中,产品等级预估模型可以用于预估产品的相关等级的模型。该模型可以采用常用的机器学习网络模型结构,如常用的分类模型中的支持向量机、贝叶斯等。支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器。这种分类算法在许多问题中都被证明有较好的效果,被认为是适应性最广的算法之一。贝叶斯方法通常是使用概率统计的知识对样本数据集进行分类。
这里的相关等级和等级划分可以根据实际情况进行设置。例如在股票场景中的评级中,可以分为优质收益股票、中等收益股票和亏损收益股票。上述目标操作同样不限制,例如可以是与产品相关等级有关的操作。诸如,目标操作可以是对产品进行买入或者抛售的操作,还可以是封闭产品或开放产品的操作。当执行目标操作时,通常需要确定该产品的等级信息。
在一些实施例中,执行主体可以通过多种方式,来确定模型的预测结果是否发生衰减。作为示例,若检测到线上的产品等级预估模型的当前预测结果,与产品等级预估模型的此前预测结果的偏差大于偏差阈值,则可以确定产品等级预估模型的预测结果发生衰减。例如,模型此前预测信用良好用户约占比为80%以上(或者具体数量),而近期预测信用良好用户的占比(或数量)下降。并且下降差值大于偏差阈值,此时可以确定模型预测结果发生衰减。这种方式可以实现模型衰减的实时检测。
步骤102,利用上述产品信息,对上述产品等级预估模型进行增量训练,得到增量产品等级预估模型。
在一些实施例中,上述执行主体可以利用上述产品信息,对上述产品等级预估模型进行增量训练,得到增量产品等级预估模型。
实践中,上述执行主体可以利用上述第一时间段内的产品信息,对上述产品等级预估模型进行实时增量训练,得到增量产品等级预估模型。
例如,若执行主体获取的是近期的第一时间段内的产品信息,则可以利用第一时间段内的产品信息,对产品等级预估模型进行实时增量训练,从而得到增量产品等级预估模型。
可以理解的是,通过实时的线上数据(即实时计算平台),使用最近一小段时间内数据,进行固定网络和超参数下模型的更新训练。这样通过对衰减的模型进行准实时的增量训练,以提升模型的效果。使得增量训练后的模型既具备开始训练时的客群分布情况,又可以学习到新数据的分布知识。当新的客群数据(例如,来了新的用户购买产品)到来后可以对产品进行准确的等级预估。
步骤103,对上述增量产品等级预估模型进行检验,以及响应于检验通过,将上述增量产品等级预估模型进行上线处理,以更新上述产品等级预估模型,得到更新后的产品等级预估模型,作为目标产品等级预估模型。
在一些实施例中,上述执行主体可以对上述增量产品等级预估模型进行检验,以及响应于检验通过,将上述增量产品等级预估模型进行上线处理,以更新上述产品等级预估模型,得到更新后的产品等级预估模型,作为目标产品等级预估模型。
实践中,上述执行主体可以通过以下步骤对上述增量产品等级预估模型进行检验:
第一步,利用验证产品数据,对上述增量产品等级预估模型的预测效果进行评估。
第二步,响应于确定模型的评估指标达到指标阈值,确定上述增量产品等级预估模型的效果评估通过。其中,上述评估指标包括以下至少一项:曲线下面积、洛伦兹曲线、召回率。
作为示例,上述检验可以包括模型的预测效果评估。具体地,执行主体可以利用验证产品数据,对增量产品等级预估模型的预测效果进行评估。若确定模型的评估指标达到指标阈值,则可以确定增量产品等级预估模型的效果评估通过。其中,评估指标可以包括以下至少一项:AUC(Area Under Curve,ROC曲线下面积)、洛伦兹曲线(KS,Kolmogorov-Smirnov)、召回率、准确率等等。其中,ROC(Receiver Operating Characteristic)一般称为受试者工作特征。而KS经常被用于模型风险区分能力进行评估,指标衡量的是好坏样本累计分部之间的差值。好坏样本累计差异越大,KS指标越大,那么表征模型的风险区分能力越强。
第三步,将效果评估通过的上述增量产品等级预估模型,打包存储至模型数据库。
第四步,响应于确定存储完成,利用测试产品数据,对上述模型数据库中的增量产品等级预估模型进行一致性检验。
第五步, 响应于确定上述模型数据库中的新的产品等级预估模型的预测结果,与上述增量产品等级预估模型的预测结果相一致,确定上述模型数据库中的增量产品等级预估模型检验通过。
其中,模型数据库可以用于模型的统一存储和管理。接着,在确定存储完成后,可以利用测试产品数据,对模型数据库中的该增量产品等级预估模型进行一致性检验。在这里,若确定模型数据库中的增量产品等级预估模型的预测结果,与此前训练得到的增量产品等级预估模型的预测结果相一致,则可以确定模型数据库中的增量产品等级预估模型检验通过。
也就是说,在增量产品等级预估模型训练完成后,可以利用测试产品数据对其进行测试。另外,在将该模型存储至模型数据库后,同样可以利用测试产品数据对模型数据库中的该模型进行测试。若两个测试结果相同,则模型的一致性检验通。此时,说明模型没有在打包、上传存储等处理过程中出现差错。即模型数据库中的该模型与训练得到的模型相同。可以理解的是,上述验证产品数据和测试产品数据中,通常包含产品信息和对应的等级标签。
实践中,上述执行主体可以对上述模型数据库中的增量产品等级预估模型进行参数配置,以及将配置完成的增量产品等级预估模型进行模型上线。其中,上述参数包括模型的版本参数。
也可以包括模型输入数据的特征参数要求等。接着,可以将配置完成的增量产品等级预估模型进行模型上线。这样通过模型的版本便可以实现模型的管理与区分。
步骤104,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。产品集可以是指当前上架在系统中的各个产品。
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105,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目标产品等级预估模型中,以生成产品预估等级,得到产品预估等级集。
在一些实施例中,上述执行主体可以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目标产品等级预估模型中,以生成产品预估等级,得到产品预估等级集。其中,目标产品等级预估模型可以是预先训练的以产品特征信息为输入,以产品预估等级为输出的神经网络模型。产品预估等级越高,表示产品越好。
步骤106,根据上述产品预估等级集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产品预估等级集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。用户端可以是指用户的手机移动终端。
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,将上述产品预估等级集中产品预估等级大于等于预设等级的产品预估等级确定为目标产品预估等级,得到目标产品预估等级组。其中,对于预设等级的设定,不作限制。
第二步,将上述目标产品预估等级组中每个目标产品预估等级对应的产品特征信息确定为目标产品特征信息,得到目标产品特征信息组。
第三步,将上述目标产品特征信息组中的每个目标产品特征信息输入至预先训练的产品特征提取模型中,以生成目标产品特征向量,得到目标产品特征向量组。产品特征提取模型可以是预先训练的以目标产品特征信息为输入,以特征向量为输出的神经网络模型。例如,产品特征提取模型可以是Bert模型。
第四步,确定上述目标产品特征向量组中每两个目标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目标产品特征向量组中每两个目标产品特征向量之间的相似度。
第五步,将上述用户当前浏览的产品信息确定为感兴趣产品信息。
第六步,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。
第七步,将上述相似度序列中前预设数目个相似度对应的产品信息推送至上述用户的用户端。
上述相关内容作为本公开的一个发明点,解决了背景技术提及的技术问题二“浪费了推送资源。”。浪费了推送资源的因素往往如下:未考虑用户感兴趣的产品,导致推送的产品信息不符合需求。如果解决了上述因素,就能达到减少推送资源的浪费的效果。为了达到这一效果,首先,将上述产品预估等级集中产品预估等级大于等于预设等级的产品预估等级确定为目标产品预估等级,得到目标产品预估等级组。由此,便于选择出高等级的产品推送给用户。其次,将上述目标产品预估等级组中每个目标产品预估等级对应的产品特征信息确定为目标产品特征信息,得到目标产品特征信息组。接着,将上述目标产品特征信息组中的每个目标产品特征信息输入至预先训练的产品特征提取模型中,以生成目标产品特征向量,得到目标产品特征向量组。由此,可以确定每两个产品之间的相似度。从而,便于向用户推送感兴趣的产品信息。之后,确定上述目标产品特征向量组中每两个目标产品特征向量之间的相似度。然后,将上述用户当前浏览的产品信息确定为感兴趣产品信息;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。最后,将上述相似度序列中前预设数目个相似度对应的产品信息推送至上述用户的用户端。由此,可以根据用户浏览的产品信息,向用户推送相似的产品。从而,保证推送的产品信息满足用户需求。避免了推送资源的浪费。
可选地,响应于检测到线上的产品等级预估模型的当前预测结果、与上述产品等级预估模型的此前预测结果的偏差大于偏差阈值,确定上述产品等级预估模型的预测结果发生衰减。
在一些实施例中,上述执行主体可以响应于检测到线上的产品等级预估模型的当前预测结果、与上述产品等级预估模型的此前预测结果的偏差大于偏差阈值,确定上述产品等级预估模型的预测结果发生衰减。例如,模型此前预测信用良好用户约占比为80%以上(或者具体数量),而近期预测优质收益产品的占比(或数量)下降。并且下降差值大于偏差阈值,此时可以确定模型预测结果发生衰减。这种方式可以实现模型衰减的实时检测。
可选地,响应于确定到达设定的更新周期时长,确定线上的增量产品等级预估模型的预测结果发生衰减。
在一些实施例中,上述执行主体可以响应于确定到达设定的更新周期时长,确定线上的增量产品等级预估模型的预测结果发生衰减。这里的更新周期时长可以根据需求自行设置,例如可以通过对模型发生衰减的时长进行统计而得到。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种产品信息推送装置的一些实施例,这些产品信息推送装置实施例与图1所示的那些方法实施例相对应,该产品信息推送装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的产品信息推送装置200包括:获取单元201、训练单元202、检验单元203、提取单元204、输入单元205和推送单元206。其中,获取单元201,被配置成响应于确定线上的产品等级预估模型的预测结果发生衰减,获取预设时间段内在应用上执行目标操作的产品信息;训练单元202,被配置成利用上述产品信息,对上述产品等级预估模型进行增量训练,得到增量产品等级预估模型;检验单元203,被配置成对上述增量产品等级预估模型进行检验,以及响应于检验通过,将上述增量产品等级预估模型进行上线处理,以更新上述产品等级预估模型,得到更新后的产品等级预估模型,作为目标产品等级预估模型;提取单元204,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;输入单元205,被配置成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目标产品等级预估模型中,以生成产品预估等级,得到产品预估等级集;推送单元206,被配置成根据上述产品预估等级集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,该产品信息推送装置200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产品信息推送装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如,计算设备)300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3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3所示,电子设备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,还存储有电子设备300操作所需的各种程序和任务数据。处理装置301、ROM302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可以允许电子设备300与其他设备进行无线或有线通信以交换任务数据。虽然图3示出了具有各种装置的电子设备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。图3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309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM302被安装。在该计算机程序被处理装置301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任务数据信号,其中承载了计算机可读的程序代码。这种传播的任务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(HyperText 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任务数据通信(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,adhoc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:响应于确定线上的产品等级预估模型的预测结果发生衰减,获取预设时间段内在应用上执行目标操作的产品信息;利用上述产品信息,对上述产品等级预估模型进行增量训练,得到增量产品等级预估模型;对上述增量产品等级预估模型进行检验,以及响应于检验通过,将上述增量产品等级预估模型进行上线处理,以更新上述产品等级预估模型,得到更新后的产品等级预估模型,作为目标产品等级预估模型;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;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目标产品等级预估模型中,以生成产品预估等级,得到产品预估等级集;根据上述产品预估等级集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产品的程序设计语言—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:获取单元、训练单元、检验单元、提取单元、输入单元和推送单元。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,获取单元还可以被描述为“响应于确定线上的产品等级预估模型的预测结果发生衰减,获取预设时间段内在应用上执行目标操作的产品信息的单元”。
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)
1.一种产品信息推送方法,包括:
响应于确定线上的产品等级预估模型的预测结果发生衰减,获取预设时间段内在应用上执行目标操作的产品信息;
利用所述产品信息,对所述产品等级预估模型进行增量训练,得到增量产品等级预估模型;
对所述增量产品等级预估模型进行检验,以及响应于检验通过,将所述增量产品等级预估模型进行上线处理,以更新所述产品等级预估模型,得到更新后的产品等级预估模型,作为目标产品等级预估模型;
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;
将所述产品特征信息集中的每个产品特征信息输入至所述目标产品等级预估模型中,以生成产品预估等级,得到产品预估等级集;
根据所述产品预估等级集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;
其中,所述对所述增量产品等级预估模型进行检验,包括:
利用验证产品数据,对所述增量产品等级预估模型的预测效果进行评估;
响应于确定模型的评估指标达到指标阈值,确定所述增量产品等级预估模型的效果评估通过,其中,所述评估指标包括以下至少一项:曲线下面积、洛伦兹曲线、召回率;
将效果评估通过的所述增量产品等级预估模型,打包存储至模型数据库;
响应于确定存储完成,利用测试产品数据,对所述模型数据库中的增量产品等级预估模型进行一致性检验;
响应于确定所述模型数据库中的新的产品等级预估模型的预测结果,与所述增量产品等级预估模型的预测结果相一致,确定所述模型数据库中的增量产品等级预估模型检验通过;
其中,所述根据所述产品预估等级集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,包括:
将所述产品预估等级集中产品预估等级大于等于预设等级的产品预估等级确定为目标产品预估等级,得到目标产品预估等级组;
将所述目标产品预估等级组中每个目标产品预估等级对应的产品特征信息确定为目标产品特征信息,得到目标产品特征信息组;
将所述目标产品特征信息组中的每个目标产品特征信息输入至预先训练的产品特征提取模型中,以生成目标产品特征向量,得到目标产品特征向量组;
确定所述目标产品特征向量组中每两个目标产品特征向量之间的相似度;
将所述用户当前浏览的产品信息确定为感兴趣产品信息;
对所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;
将所述相似度序列中前预设数目个相似度对应的产品信息推送至所述用户的用户端。
2.根据权利要求1所述的方法,其中,所述获取预设时间段内在应用上执行目标操作的产品信息,包括:
获取近期的第一时间段内在应用上执行目标操作的产品信息;以及
所述利用所述产品信息,对所述产品等级预估模型进行增量训练,得到增量产品等级预估模型,包括:
利用所述第一时间段内的产品信息,对所述产品等级预估模型进行实时增量训练,得到增量产品等级预估模型。
3.根据权利要求1所述的方法,其中,所述方法还包括:
响应于检测到线上的产品等级预估模型的当前预测结果、与所述产品等级预估模型的此前预测结果的偏差大于偏差阈值,确定所述产品等级预估模型的预测结果发生衰减。
4.根据权利要求3所述的方法,其中,所述方法还包括:
响应于确定到达设定的更新周期时长,确定线上的增量产品等级预估模型的预测结果发生衰减。
5.一种产品信息推送装置,包括:
获取单元,被配置成响应于确定线上的产品等级预估模型的预测结果发生衰减,获取预设时间段内在应用上执行目标操作的产品信息;
训练单元,被配置成利用所述产品信息,对所述产品等级预估模型进行增量训练,得到增量产品等级预估模型;
检验单元,被配置成对所述增量产品等级预估模型进行检验,以及响应于检验通过,将所述增量产品等级预估模型进行上线处理,以更新所述产品等级预估模型,得到更新后的产品等级预估模型,作为目标产品等级预估模型;检验单元,被进一步配置成:
利用验证产品数据,对所述增量产品等级预估模型的预测效果进行评估;
响应于确定模型的评估指标达到指标阈值,确定所述增量产品等级预估模型的效果评估通过,其中,所述评估指标包括以下至少一项:曲线下面积、洛伦兹曲线、召回率;
将效果评估通过的所述增量产品等级预估模型,打包存储至模型数据库;
响应于确定存储完成,利用测试产品数据,对所述模型数据库中的增量产品等级预估模型进行一致性检验;
响应于确定所述模型数据库中的新的产品等级预估模型的预测结果,与所述增量产品等级预估模型的预测结果相一致,确定所述模型数据库中的增量产品等级预估模型检验通过;
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;
输入单元,被配置成将所述产品特征信息集中的每个产品特征信息输入至所述目标产品等级预估模型中,以生成产品预估等级,得到产品预估等级集;
推送单元,被配置成根据所述产品预估等级集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;推送单元,被进一步配置成:
将所述产品预估等级集中产品预估等级大于等于预设等级的产品预估等级确定为目标产品预估等级,得到目标产品预估等级组;
将所述目标产品预估等级组中每个目标产品预估等级对应的产品特征信息确定为目标产品特征信息,得到目标产品特征信息组;
将所述目标产品特征信息组中的每个目标产品特征信息输入至预先训练的产品特征提取模型中,以生成目标产品特征向量,得到目标产品特征向量组;
确定所述目标产品特征向量组中每两个目标产品特征向量之间的相似度;
将所述用户当前浏览的产品信息确定为感兴趣产品信息;
对所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;
将所述相似度序列中前预设数目个相似度对应的产品信息推送至所述用户的用户端。
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 |
---|---|---|---|
CN202311091655.XA CN116823407B (zh) | 2023-08-29 | 2023-08-29 | 产品信息推送方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311091655.XA CN116823407B (zh) | 2023-08-29 | 2023-08-29 | 产品信息推送方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823407A CN116823407A (zh) | 2023-09-29 |
CN116823407B true CN116823407B (zh) | 2024-01-12 |
Family
ID=88124343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311091655.XA Active CN116823407B (zh) | 2023-08-29 | 2023-08-29 | 产品信息推送方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823407B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018068742A1 (zh) * | 2016-10-14 | 2018-04-19 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
CN110070145A (zh) * | 2019-04-30 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
CN112261423A (zh) * | 2020-10-16 | 2021-01-22 | 北京百度网讯科技有限公司 | 用于推送信息的方法、装置、设备以及存储介质 |
CN114329200A (zh) * | 2021-12-27 | 2022-04-12 | 黑龙江大学 | 一种个性化自适应捆绑推荐模型及推荐方法 |
US11501048B1 (en) * | 2017-08-09 | 2022-11-15 | Synopsys, Inc. | Estimating hardness of formal properties using on-the-fly machine learning |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002033628A2 (en) * | 2000-10-18 | 2002-04-25 | Johnson & Johnson Consumer Companies, Inc. | Intelligent performance-based product recommendation system |
-
2023
- 2023-08-29 CN CN202311091655.XA patent/CN116823407B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018068742A1 (zh) * | 2016-10-14 | 2018-04-19 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
US11501048B1 (en) * | 2017-08-09 | 2022-11-15 | Synopsys, Inc. | Estimating hardness of formal properties using on-the-fly machine learning |
CN110070145A (zh) * | 2019-04-30 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
CN112261423A (zh) * | 2020-10-16 | 2021-01-22 | 北京百度网讯科技有限公司 | 用于推送信息的方法、装置、设备以及存储介质 |
CN114329200A (zh) * | 2021-12-27 | 2022-04-12 | 黑龙江大学 | 一种个性化自适应捆绑推荐模型及推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116823407A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104599B (zh) | 用于输出信息的方法和装置 | |
CN113592535B (zh) | 一种广告推荐方法、装置、电子设备和存储介质 | |
CN111695041B (zh) | 用于推荐信息的方法和装置 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN111814056A (zh) | 基于信息处理的供应商推荐方法及相关设备 | |
CN111061979A (zh) | 一种用户标签的推送方法、装置、电子设备和介质 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
CN112784157A (zh) | 行为预测模型的训练方法、行为预测方法及装置、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 | |
CN115018552A (zh) | 产品点击率确定方法 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN111191677A (zh) | 用户特征数据生成方法、装置及电子设备 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN112182281A (zh) | 一种音频推荐方法、装置及存储介质 | |
CN113919432A (zh) | 一种分类模型构建方法、数据分类方法及装置 | |
CN113763077B (zh) | 用于检测虚假交易订单的方法和装置 | |
CN117573973A (zh) | 资源推荐方法、装置、电子设备以及存储介质 | |
CN113128773A (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 | |
CN112734462B (zh) | 一种信息推荐方法、装置、设备及介质 | |
CN113051400B (zh) | 标注数据确定方法、装置、可读介质及电子设备 | |
CN113159877B (zh) | 数据处理方法、装置、系统、计算机可读存储介质 | |
CN112200602B (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |