CN116955830B - 基于吸烟舱的信息推送方法、计算机设备与可读存储介质 - Google Patents
基于吸烟舱的信息推送方法、计算机设备与可读存储介质 Download PDFInfo
- Publication number
- CN116955830B CN116955830B CN202311080235.1A CN202311080235A CN116955830B CN 116955830 B CN116955830 B CN 116955830B CN 202311080235 A CN202311080235 A CN 202311080235A CN 116955830 B CN116955830 B CN 116955830B
- Authority
- CN
- China
- Prior art keywords
- user
- information
- click
- cigarette
- target
- 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
- 230000000391 smoking effect Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 164
- 241000208125 Nicotiana Species 0.000 claims abstract description 92
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims abstract description 92
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 230000004044 response Effects 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 69
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 230000000977 initiatory effect Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了基于吸烟舱的信息推送方法、计算机设备与可读存储介质。该方法的一具体实施方式包括:将初始用户特征信息集包括的每个用户人脸图像输入至人脸特征提取网络模型中,以生成用户人脸图像特征;根据用户烟草认证信息集,构建目标吸烟舱对应的用户烟草认证信息库;响应于检测到目标用户的认证操作,采集目标用户的用户人脸图像;响应于确定用户烟草认证信息库中存在对应用户人脸图像的用户烟草认证信息,确定用户烟草认证信息是否满足预设条件;响应于确定用户烟草认证信息满足预设条件,控制目标吸烟舱的执行机构将目标烟卷取出。该实施方式避免了工作人员随意拿取新型烟卷。
Description
技术领域
本发明涉及信息推送领域,具体涉及基于吸烟舱的信息推送方法、计算机设备与可读存储介质。
背景技术
目前,在发布新型烟卷之前,通常会将新型烟卷存放在吸烟舱中,以便于向用户推送新型烟卷,并在推送新型烟卷过程中进行相关信息的收集。然而,当前吸烟舱在推送新型烟卷时,未识别是否为工作人员,通常直接根据注册用户进行发放,未识别是否为工作人员。然而,未识别是否为工作人员,直接根据注册用户进行发放,通常存在以下问题:首先,工作人员容易随意打开吸烟舱,拿取新型烟卷,导致无法采集到真实的新型烟卷的数据信息,造成新型烟卷后续的生产进度难以控制;此外,难以精准地向用户推送烟卷信息,浪费了信息推送资源。
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吸烟舱的信息推送方法、计算机设备和计算机可读存储介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种基于吸烟舱的信息推送方法,包括:采集每个待测试用户的初始用户特征信息与烟草感兴趣信息,得到初始用户特征信息集与烟草感兴趣信息集,其中,每个初始用户特征信息包括:用户人脸图像与用户认证标识;将上述初始用户特征信息集包括的每个用户人脸图像输入至预先训练的人脸特征提取网络模型中,以生成用户人脸图像特征,得到用户人脸图像特征集;将上述用户人脸图像特征集中的每个用户人脸图像特征与对应的用户认证标识组合为用户认证信息,得到用户认证信息集;将上述用户认证信息集中的每个用户认证信息与对应的烟草感兴趣信息合并为用户烟草认证信息,得到用户烟草认证信息集;根据上述用户烟草认证信息集,构建目标吸烟舱对应的用户烟草认证信息库;响应于检测到目标用户的认证操作,采集上述目标用户的用户人脸图像;响应于确定上述用户烟草认证信息库中存在对应上述用户人脸图像的用户烟草认证信息,确定上述用户烟草认证信息是否满足预设条件;响应于确定上述用户烟草认证信息满足预设条件,控制上述目标吸烟舱的机械臂将执行机构将目标烟卷取出;将预设的烟卷详情页面集推送至每个待测试用户的用户终端,其中,上述烟卷详情页面集包括目标烟卷详情页面,上述目标烟卷详情页面对应上述目标烟卷。
第二方面,本公开还提供一种计算机设备,上述计算机设备包括处理器、存储器、以及存储在上述存储器上并可被上述处理器执行的计算机程序,其中上述计算机程序被上述处理器执行时,实现如上述第一方面任一实现方式所描述的方法。
第三方面,本公开还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有计算机程序,其中上述计算机程序被处理器执行时,实现如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吸烟舱的信息推送方法,通过对用户进行人脸验证,以识别出是否为测试用户,可以在用户认证成功(用户烟草认证信息库中存在对应用户人脸图像的用户烟草认证信息)时,向用户发放烟卷。从而,避免了工作人员随意拿取新型烟卷,使得所采集的新型烟卷的数据信息较为准确,便于根据所采集的数据信息,控制新型烟卷的生产进度。从而,避免新型烟卷的库存积压或库存不足。首先,采集每个待测试用户的初始用户特征信息与烟草感兴趣信息,得到初始用户特征信息集与烟草感兴趣信息集。其中,每个初始用户特征信息包括:用户人脸图像与用户认证标识。由此,便于根据采集的用户信息,发放新型烟卷。其次,将上述初始用户特征信息集包括的每个用户人脸图像输入至预先训练的人脸特征提取网络模型中,以生成用户人脸图像特征,得到用户人脸图像特征集。由此,可以提取出每个用户的人脸特征,便于后续人脸识别。之后,将上述用户人脸图像特征集中的每个用户人脸图像特征与对应的用户认证标识组合为用户认证信息,得到用户认证信息集。再之后,将上述用户认证信息集中的每个用户认证信息与对应的烟草感兴趣信息合并为用户烟草认证信息,得到用户烟草认证信息集;根据上述用户烟草认证信息集,构建目标吸烟舱对应的用户烟草认证信息库。由此,便于吸烟舱根据建立的用户烟草认证信息库,识别是否为待测试用户/工作人员。从而,避免将新型烟卷重复发放给工作人员,影响新型烟卷的浪费和数据信息的采集。接着,响应于检测到目标用户的认证操作,采集上述目标用户的用户人脸图像。再接着,响应于确定上述用户烟草认证信息库中存在对应上述用户人脸图像的用户烟草认证信息,确定上述用户烟草认证信息是否满足预设条件。即,可以根据烟草感兴趣信息,确定用户是否对新型烟卷感兴趣。然后,响应于确定上述用户烟草认证信息满足预设条件,控制上述目标吸烟舱的执行机构将目标烟卷取出。由此,当用户认证成功(用户烟草认证信息库中存在对应上述用户人脸图像的用户烟草认证信息)时,可以向用户发放新型烟卷。最后,将预设的烟卷详情页面集推送至每个待测试用户的用户终端。其中,上述烟卷详情页面集包括目标烟卷详情页面,上述目标烟卷详情页面对应上述目标烟卷。由此,可以将新型烟卷的信息推送至用户终端,便于用户浏览。从而,便于根据用户的浏览情况,确定新型烟卷的生产进度。诸如,用户浏览量较多且较为频繁时,则表示用户对新型烟卷感兴趣,即可以加快新型烟卷的生产。
附图说明
结合附图并参考以下具体实施方式,本发明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是根据本发明的基于吸烟舱的信息推送方法的一个实施例的流程图;
图2是本发明的一种计算机设备的一个实施例的结构示意性框图。
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是根据本公开的基于吸烟舱的信息推送方法的一个实施例的流程图。示出了根据本公开的基于吸烟舱的信息推送方法的一些实施例的流程100。该基于吸烟舱的信息推送方法,包括以下步骤:
步骤101,采集每个待测试用户的初始用户特征信息与烟草感兴趣信息,得到初始用户特征信息集与烟草感兴趣信息集。
在一些实施例中,基于吸烟舱的信息推送方法的执行主体可以采集每个待测试用户的初始用户特征信息与烟草感兴趣信息,得到初始用户特征信息集与烟草感兴趣信息集。其中,每个初始用户特征信息包括:用户人脸图像与用户认证标识。其中,执行主体可以是目标吸烟舱的中央控制器。目标吸烟舱可以是发放新型烟卷(新品香烟)的吸烟舱。用户认证标识可以唯一表示用户。例如,用户认证标识可以是用户认证的名称。烟草感兴趣信息可以是采集的用户感兴趣的烟草信息。例如,烟草感兴趣信息可以包括:感兴趣的烟卷品牌(香烟品牌)、可接受的烟卷的价格区间(单包香烟的价格区间)、是否愿意尝试新型烟卷。
在实际的应用场景中,首先,执行主体可以通过摄像头采集每个待测试用户的用户人脸图像。然后,可以接收用户输入的用户认证标识。之后,可以将每个待测试用户的用户人脸图像与用户认证标识组合为初始用户特征信息。最后,可以采集每个待测试用户的烟草感兴趣信息。
步骤102,将上述初始用户特征信息集包括的每个用户人脸图像输入至预先训练的人脸特征提取网络模型中,以生成用户人脸图像特征,得到用户人脸图像特征集。
在一些实施例中,执行主体可以将上述初始用户特征信息集包括的每个用户人脸图像输入至预先训练的人脸特征提取网络模型中,以生成用户人脸图像特征,得到用户人脸图像特征集。其中,人脸特征提取网络模型可以是预先训练的以用户人脸图像为输入,以用户人脸图像特征为输出的卷积神经网络模型(CNN卷积神经网络模型)。用户人脸图像特征可以是提取出的人脸图像的特征向量。即,用户人脸图像特征可以用于比对后续采集的人脸图像。
步骤103,将上述用户人脸图像特征集中的每个用户人脸图像特征与对应的用户认证标识组合为用户认证信息,得到用户认证信息集。
在一些实施例中,执行主体可以将上述用户人脸图像特征集中的每个用户人脸图像特征与对应的用户认证标识组合为用户认证信息,得到用户认证信息集。可以将每个用户人脸图像特征与对应的用户认证标识合并为用户认证信息。对应的用户认证标识对应的待测试用户与用户人脸图像特征对应的待测试用户相同。
步骤104,将上述用户认证信息集中的每个用户认证信息与对应的烟草感兴趣信息合并为用户烟草认证信息,得到用户烟草认证信息集。
在一些实施例中,执行主体可以将上述用户认证信息集中的每个用户认证信息与对应的烟草感兴趣信息合并为用户烟草认证信息,得到用户烟草认证信息集。烟草感兴趣信息对应的待测试用户与用户认证信息对应的待测试用户相同。
步骤105,根据上述用户烟草认证信息集,构建目标吸烟舱对应的用户烟草认证信息库。
在一些实施例中,执行主体可以根据上述用户烟草认证信息集,构建目标吸烟舱对应的用户烟草认证信息库。首先,可以设置目标吸烟舱对应的数据库。之后,可以将用户烟草认证信息集存储至上述数据库中,得到用户烟草认证信息库。
步骤106,响应于检测到目标用户的认证操作,采集上述目标用户的用户人脸图像。
在一些实施例中,执行主体可以响应于检测到目标用户的认证操作,采集上述目标用户的用户人脸图像。认证操作可以表示用户在目标吸烟舱的登录界面登录用户信息的操作。例如,用户可以在目标吸烟舱的登录界面输入用户认证标识。目标吸烟舱还设置有摄像头,可以用于采集目标用户的用户人脸图像。目标用户可以是当前登录目标吸烟舱的用户。在实际的应用场景中,执行主体可以控制目标吸烟舱的摄像头采集目标用户的用户人脸图像。
步骤107,响应于确定上述用户烟草认证信息库中存在对应上述用户人脸图像的用户烟草认证信息,确定上述用户烟草认证信息是否满足预设条件。
在一些实施例中,执行主体可以响应于确定上述用户烟草认证信息库中存在对应上述用户人脸图像的用户烟草认证信息,确定上述用户烟草认证信息是否满足预设条件。其中,预设条件可以是:用户烟草认证信息包括的烟草感兴趣信息表示用户愿意尝试新型烟卷。
在实际的应用场景中,可以将用户人脸图像输入至预先训练的人脸特征提取网络模型中,以生成用户人脸图像特征。之后,可以确定上述用户烟草认证信息库中是否存在包括的用户人脸图像特征与上述用户人脸图像特征相似的用户烟草认证信息。即,可以比对每个用户烟草认证信息包括的用户人脸图像特征与上述用户人脸图像特征的相似度。
步骤108,响应于确定上述用户烟草认证信息满足预设条件,控制上述目标吸烟舱的执行机构将目标烟卷取出。
在一些实施例中,执行主体可以响应于确定上述用户烟草认证信息满足预设条件,控制上述目标吸烟舱的执行机构将目标烟卷取出。例如,执行机构可以是目标吸烟舱上设置的机械臂。例如,可以响应于确定上述用户烟草认证信息满足预设条件,控制上述目标吸烟舱的机械臂将目标烟卷抓取至预设的烟卷盒中。即,目标吸烟舱设置有机械手臂,用于抓取单根目标烟卷。目标烟卷可以是指新型烟卷。烟卷盒可以是用于存放单根目标烟卷的盒子,便于用户拿取。
步骤109,将预设的烟卷详情页面集推送至每个待测试用户的用户终端。
在一些实施例中,执行主体可以将预设的烟卷详情页面集推送至每个待测试用户的用户终端。其中,上述烟卷详情页面集包括目标烟卷详情页面,上述目标烟卷详情页面对应上述目标烟卷。烟卷详情页面可以是指某一烟卷的信息介绍页面,可以包括:烟卷名称、烟卷单位价格、烟卷产地、烟卷焦油量、烟卷口味等。用户终端可以是指用户的手机终端。
进一步地,采集上述目标烟卷详情页面对应的页面实时点击数据和对应的历史点击数据序列。
在一些实施例中,执行主体可以采集上述目标烟卷详情页面对应的页面实时点击数据和对应的历史点击数据序列。页面实时点击数据可以是指用户在点击目标烟卷详情页面时的实时点击数据。页面实时点击数据可以包括:实时埋点标识,实时烟卷标识,实时烟卷类别标识,实时搜索词标识。一个备选烟卷详情页面对应一个历史点击数据。历史点击数据序列可以是对应在点击目标烟卷详情页面之前的历史时间段内对各个备选烟卷详情页面进行点击的历史点击数据。历史点击数据序列可以是用户在点击目标烟卷详情页面之前12小时内的点击数据集。历史点击数据序列可以包括:用户点击行为的埋点标识,烟卷标识,烟卷类别标识,烟卷搜索词标识和点击时间特征数据。即,历史点击数据序列可以是指历史点击目标烟卷详情页面的点击数据。
可选地,获取历史页面实时点击信息集和用户点击意图信息集。
在一些实施例中,执行主体可以获取历史页面实时点击信息集和用户点击意图信息集。其中,历史页面实时点击信息包括:历史页面实时点击数据、对应的历史点击数据序列和用户属性信息集,一个历史页面实时点击信息对应一个用户点击意图信息。
可选地,从上述历史页面实时点击信息集中选择出目标历史页面实时点击信息。
在一些实施例中,执行主体可以从上述历史页面实时点击信息集中选择出目标历史页面实时点击信息。即,可以随机从上述历史页面实时点击信息集中选择出一个历史页面实时点击信息作为目标历史页面实时点击信息。
可选地,将上述目标历史页面实时点击信息包括的历史页面实时点击数据和历史点击数据序列输入至初始用户点击意图识别网络模型包括的初始词向量表示网络中,得到历史页面实时点击数据向量和目标历史点击数据向量序列。
在一些实施例中,执行主体可以将上述目标历史页面实时点击信息包括的历史页面实时点击数据和历史点击数据序列输入至初始用户点击意图识别网络模型包括的初始词向量表示网络中,得到历史页面实时点击数据向量和目标历史点击数据向量序列。初始用户点击意图识别网络模型可以是未经训练的用户点击意图识别网络模型。初始词向量表示网络可以是未经训练的词向量表示网络。
可选地,将上述目标历史点击数据向量序列输入至上述目标历史点击数据向量序列包括的初始高维点击数据特征提取网络中,得到目标高维点击数据特征信息序列。
在一些实施例中,执行主体可以将上述目标历史点击数据向量序列输入至上述目标历史点击数据向量序列包括的初始高维点击数据特征提取网络中,得到目标高维点击数据特征信息序列。初始高维点击数据特征提取网络可以是未经训练的高维点击数据特征提取网络。
可选地,将上述目标高维点击数据特征信息序列输入至上述初始用户意图识别模型包括的初始综合点击特征提取网络中,得到目标历史点击数据综合特征信息。
在一些实施例中,执行主体可以将上述目标高维点击数据特征信息序列输入至上述初始用户意图识别模型包括的初始综合点击特征提取网络中,得到目标历史点击数据综合特征信息。初始综合点击特征提取网络可以是未经训练的综合点击特征提取网络。
可选地,将上述目标历史点击数据综合特征信息和上述历史页面实时点击数据向量输入至初始用户意图识别模型包括的初始特征数据交叉网络中,得到目标点击数据特征交叉信息。
在一些实施例中,执行主体可以将上述目标历史点击数据综合特征信息和上述历史页面实时点击数据向量输入至初始用户意图识别模型包括的初始特征数据交叉网络中,得到目标点击数据特征交叉信息。初始特征数据交叉网络可以是未经训练的特征数据交叉网络。
可选地,将上述目标历史页面实时点击信息包括的用户属性向量集输入至上述初始词向量表示网络中,得到目标用户属性特征向量集。
在一些实施例中,执行主体可以将上述目标历史页面实时点击信息包括的用户属性向量集输入至上述初始词向量表示网络中,得到目标用户属性特征向量集。
可选地,将上述目标点击数据特征交叉信息和上述目标用户属性特征向量集进行信息融合,得到目标点击数据融合特征信息。
在一些实施例中,执行主体可以将上述目标点击数据特征交叉信息和上述目标用户属性特征向量集进行信息融合,得到目标点击数据融合特征信息。信息融合可以是指信息拼接。
可选地,将上述目标点击数据融合特征信输入至上述初始用户意图识别模型包括的初始点击意图识别信息输出层中,得到目标历史用户点击意图识别信息。
在一些实施例中,执行主体可以将上述目标点击数据融合特征信输入至上述初始用户意图识别模型包括的初始点击意图识别信息输出层中,得到目标历史用户点击意图识别信息。初始点击意图识别信息输出层可以是指初始用户意图识别模型未训练结束的点击意图识别信息输出层。
可选地,确定上述目标历史页面实时点击信息对应的用户点击意图信息和上述目标历史用户点击意图识别信息之间的损失值。
在一些实施例中,执行主体可以确定上述目标历史页面实时点击信息对应的用户点击意图信息和上述目标历史用户点击意图识别信息之间的损失值。可以通过交叉熵损失函数确定上述目标历史页面实时点击信息对应的用户点击意图信息和上述目标历史用户点击意图识别信息之间的损失值。
可选地,响应于确定上述损失值小于等于预设损失值,将上述初始用户点击意图识别网络模型确定为用户点击意图识别网络模型。
在一些实施例中,执行主体可以响应于确定上述损失值小于等于预设损失值,将上述初始用户点击意图识别网络模型确定为用户点击意图识别网络模型。例如,预设损失值可以是0.1。
进一步地,将上述页面实时点击数据和上述历史点击数据序列输入至预先训练的用户点击意图识别网络模型包括的词向量表示网络中,得到页面实时点击数据向量和历史点击数据向量序列。
在一些实施例中,执行主体可以将上述页面实时点击数据和上述历史点击数据序列输入至预先训练的用户点击意图识别网络模型包括的词向量表示网络中,得到页面实时点击数据向量和历史点击数据向量序列。其中,上述用户点击意图识别网络模型还包括:高维点击数据特征提取网络、综合点击特征提取网络与特征数据交叉网络。用户点击意图识别网络模型可以是生成用户点击意图识别信息的模型。具体的,用户点击意图识别信息可以是用户点击目标烟卷详情页面的意图信息。例如,用户点击意图识别信息可以是购买目标烟卷详情页面的对应烟卷的意图信息。词向量表示网络可以是对点击数据进行词嵌入处理的网络模型。具体的,词向量表示网络可以是Embedding层。高维点击数据特征提取网络可以是生成高维点击数据特征信息的神经网络。高维点击数据特征信息可以是历史点击数据对应点击行为的更高维度的表示向量。高维点击数据特征提取网络可以是多层串行连接的循环神经网络模型。例如,高维点击数据特征提取网络可以是自注意力机制模型(Self-attention模型)。特征数据交叉网络可以是对特征信息进行信息交叉处理的网络模型。综合点击特征提取网络可以是生成历史点击数据综合特征信息的神经网络模型。
进一步地,将上述历史点击数据向量序列输入至上述高维点击数据特征提取网络中,得到高维点击数据特征信息序列。
在一些实施例中,执行主体可以将上述历史点击数据向量序列输入至上述高维点击数据特征提取网络中,得到高维点击数据特征信息序列。即,一个历史点击数据向量对应一个高维点击数据特征信息。
进一步地,将上述高维点击数据特征信息序列输入至上述综合点击特征提取网络中,得到历史点击数据综合特征信息。
在一些实施例中,执行主体可以将上述高维点击数据特征信息序列输入至上述综合点击特征提取网络中,得到历史点击数据综合特征信息。历史点击数据综合特征信息可以表征历史点击数据序列对应用户点击行为的综合向量表示。例如,综合点击特征提取网络可以是基于时间衰减的注意力机制模型(attention unit with time decay)。
进一步地,将上述页面实时点击数据向量与上述历史点击数据综合特征信息输入至上述特征数据交叉网络中,得到点击数据特征交叉信息。
在一些实施例中,执行主体可以将上述页面实时点击数据向量与上述历史点击数据综合特征信息输入至上述特征数据交叉网络中,得到点击数据特征交叉信息。点击数据特征交叉信息可以包括:页面实时点击数据向量与上述历史点击数据综合特征信息之间的交叉特征信息。例如,特征数据交叉网络可以是多层串行连接的卷积神经网络模型。
在实际的应用场景中,执行主体可以通过以下步骤将上述页面实时点击数据向量与上述历史点击数据综合特征信息输入至上述特征数据交叉网络中,得到点击数据特征交叉信息:
第一,基于上述特征数据交叉网络,对上述历史点击数据综合特征信息和上述页面实时点击数据向量进行特征叉乘处理,得到点击数据叉乘特征信息。可以利用上述特征数据交叉网络,对历史点击数据综合特征信息表示的向量和上述页面实时点击数据向量进行向量叉乘处理,以生成叉乘向量作为点击数据特征交叉信息。
第二,基于上述特征数据交叉网络,对上述历史点击数据综合特征信息和上述页面实时点击数据向量进行特征相减处理,得到点击数据相减特征信息。可以利用上述特征数据交叉网络,来对历史点击数据综合特征信息表示的向量和上述页面实时点击数据向量进行向量相减处理,以生成相减向量作为点击数据相减特征信息。
第三,将上述点击数据叉乘特征信息和上述点击数据相减特征信息进行特征融合,得到点击数据特征交叉信息。可以将点击数据叉乘特征信息和上述点击数据相减特征信息进行拼接,得到点击数据特征交叉信息。
进一步地,基于上述点击数据特征交叉信息,生成用户点击意图识别信息。
在一些实施例中,执行主体可以基于上述点击数据特征交叉信息,生成用户点击意图识别信息。
在实际的应用场景中,执行主体可以通过以下步骤生成用户点击意图识别信息:
第一,获取上述页面实时点击数据对应的用户属性信息组。用户属性信息可以是用户属性对应的属性值。例如,用户属性可以包括:用户性别,用户年龄,用户收入。
第二,将上述用户属性信息组中的每个用户属性信息输入至上述词向量表示网络中,生成用户属性特征向量,得到用户属性特征向量组。用户属性特征向量可以表征用户属性的特征。
第三,将上述用户属性特征向量组和上述点击数据特征交叉信息进行信息融合处理,得到属性融合特征信息。
第四,将上述属性融合特征信息输入至上述用户点击意图识别网络模型包括的点击意图识别信息输出层中,得到用户点击意图识别信息。点击意图识别信息输出层可以是输出用户点击意图识别信息的网络层。例如,点击意图识别信息输出层可以是MLP输出层。
可选地,根据上述用户点击意图识别信息,向每个待测试用户的用户终端发起通话连接。
在一些实施例中,执行主体可以根据上述用户点击意图识别信息,向每个待测试用户的用户终端发起通话连接。即,当用户点击意图识别信息表示购买意图时,可以使得工作人员与用户进行通话,从而便于新型烟卷的进一步推送。
对于背景技术提及的“难以精准地向用户推送烟卷信息,浪费了信息推送资源。”。可以通过以下步骤解决:首先,采集上述目标烟卷详情页面对应的页面实时点击数据和对应的历史点击数据序列。其次,将上述页面实时点击数据和上述历史点击数据序列输入至预先训练的用户点击意图识别网络模型包括的词向量表示网络中,得到页面实时点击数据向量和历史点击数据向量序列。其中,上述用户点击意图识别网络模型还包括:高维点击数据特征提取网络、综合点击特征提取网络与特征数据交叉网络。由此,可以通过词向量表示网络将页面实时点击数据和对应的历史点击数据序列转换成向量形式,以便于后续特征提取。之后,将上述历史点击数据向量序列输入至上述高维点击数据特征提取网络中,得到高维点击数据特征信息序列。由此,可以通过高维点击数据特征提取网络,提取出历史点击数据向量序列对应的高维点击数据特征信息序列,以便于更精准地识别出用户意图。再之后,将上述高维点击数据特征信息序列输入至上述综合点击特征提取网络中,得到历史点击数据综合特征信息。由此,可以精准地生成高维点击数据特征信息序列对应的综合特征,使得后续用户意图识别信息更加准确。然后,将上述页面实时点击数据向量与上述历史点击数据综合特征信息输入至上述特征数据交叉网络中,得到点击数据特征交叉信息。可以生成页面实时点击数据向量与上述历史点击数据综合特征信息对应的多角度特征,使得特征信息更丰富。最后,基于上述点击数据特征交叉信息,生成用户点击意图识别信息。由此,通过预先训练的用户点击意图识别网络模型,可以精准地生成用户点击意图识别信息。从而,可以根据用户点击意图识别信息,较为准确地向用户推送烟卷信息,以减少推送资源的浪费。
进一步地,获取目标烟卷展示信息。
在一些实施例中,执行主体可以获取目标烟卷展示信息。目标烟卷展示信息包括:烟卷价值呈现信息、点击用户信息和烟卷信息。烟卷价值呈现信息可以是呈现目标烟卷的价值的信息。例如,烟卷价值呈现信息可以是图像形式的信息。点击用户信息可以是点击烟卷价值呈现信息的用户的用户信息。烟卷信息可以是所呈现价值的目标烟卷的信息。烟卷价值呈现信息可以是目标烟卷的广告页面信息。
可选地,获取烟卷展示信息样本与上述烟卷展示信息样本对应的样本标签。样本标签可以表示烟卷展示信息样本对应的实际广告页面的点击率。
可选地,将上述烟卷展示信息样本输入至初始烟卷点击展示信息生成模型中,得到初始烟卷点击展示信息。初始烟卷点击展示信息生成模型可以是未训练的烟卷点击展示信息生成模型。烟卷点击展示信息生成模型可以是生成烟卷点击展示信息的神经网络模型。烟卷点击展示信息生成模型可以是多层串行连接的卷积神经网络模型。
可选地,确定上述初始烟卷点击展示信息与上述样本标签之间的样本损失值。可以通过预设的损失函数确定上述初始烟卷点击展示信息与上述样本标签之间的样本损失值。例如,预设的损失函数可以是合页损失函数或余弦损失函数。
可选地,响应于确定上述样本损失值小于等于预设样本损失值,将上述初始烟卷点击展示信息生成模型确定为烟卷点击展示信息生成模型。
进一步地,将上述目标烟卷展示信息输入至预先训练的烟卷点击展示信息生成模型中,得到烟卷点击展示信息。
在一些实施例中,执行主体可以将上述目标烟卷展示信息输入至预先训练的烟卷点击展示信息生成模型中,得到烟卷点击展示信息。烟卷点击展示信息可以是所预测的、针对目标烟卷展示信息的点击信息。例如,烟卷点击展示信息可以是所预测的针对目标烟卷对应广告页面的点击率。
进一步地,将上述烟卷点击展示信息发送至相关联的烟卷生产终端中。
在一些实施例中,执行主体可以将上述烟卷点击展示信息发送至相关联的烟卷生产终端中。其中,烟卷生产终端可以是生产烟卷的终端。由此,可以根据所预测的烟卷点击展示信息,精准地控制新型烟卷的生产进度。
图2为本发明提供的一种计算机设备的一个实施例的结构示意性框图。该计算机设备可以为终端。
如图2所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种基于吸烟舱的信息推送方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种基于吸烟舱的信息推送方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图2中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开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。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,上述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:采集每个待测试用户的初始用户特征信息与烟草感兴趣信息,得到初始用户特征信息集与烟草感兴趣信息集,其中,每个初始用户特征信息包括:用户人脸图像与用户认证标识;将上述初始用户特征信息集包括的每个用户人脸图像输入至预先训练的人脸特征提取网络模型中,以生成用户人脸图像特征,得到用户人脸图像特征集;将上述用户人脸图像特征集中的每个用户人脸图像特征与对应的用户认证标识组合为用户认证信息,得到用户认证信息集;将上述用户认证信息集中的每个用户认证信息与对应的烟草感兴趣信息合并为用户烟草认证信息,得到用户烟草认证信息集;根据上述用户烟草认证信息集,构建目标吸烟舱对应的用户烟草认证信息库;响应于检测到目标用户的认证操作,采集上述目标用户的用户人脸图像;响应于确定上述用户烟草认证信息库中存在对应上述用户人脸图像的用户烟草认证信息,确定上述用户烟草认证信息是否满足预设条件;响应于确定上述用户烟草认证信息满足预设条件,控制上述目标吸烟舱的执行机构将目标烟卷取出;将预设的烟卷详情页面集推送至每个待测试用户的用户终端,其中,上述烟卷详情页面集包括目标烟卷详情页面,上述目标烟卷详情页面对应上述目标烟卷。
本公开实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有计算机程序,上述计算机程序中包括程序指令,上述程序指令被执行时所实现的方法可参照本公开基于吸烟舱的信息推送方法的各个实施例。
其中,上述计算机可读存储介质可以是前述实施例上述的计算机设备的内部存储单元,例如上述计算机设备的硬盘或内存。上述计算机可读存储介质也可以是上述计算机设备的外部存储设备,例如上述计算机设备上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于吸烟舱的信息推送方法,其特征在于,所述方法包括:
采集每个待测试用户的初始用户特征信息与烟草感兴趣信息,得到初始用户特征信息集与烟草感兴趣信息集,其中,每个初始用户特征信息包括:用户人脸图像与用户认证标识;
将所述初始用户特征信息集包括的每个用户人脸图像输入至预先训练的人脸特征提取网络模型中,以生成用户人脸图像特征,得到用户人脸图像特征集;
将所述用户人脸图像特征集中的每个用户人脸图像特征与对应的用户认证标识组合为用户认证信息,得到用户认证信息集;
将所述用户认证信息集中的每个用户认证信息与对应的烟草感兴趣信息合并为用户烟草认证信息,得到用户烟草认证信息集;
根据所述用户烟草认证信息集,构建目标吸烟舱对应的用户烟草认证信息库;
响应于检测到目标用户的认证操作,采集所述目标用户的用户人脸图像;
响应于确定所述用户烟草认证信息库中存在对应所述用户人脸图像的用户烟草认证信息,确定所述用户烟草认证信息是否满足预设条件;
响应于确定所述用户烟草认证信息满足预设条件,控制所述目标吸烟舱的执行机构将目标烟卷取出;
将预设的烟卷详情页面集推送至每个待测试用户的用户终端,其中,所述烟卷详情页面集包括目标烟卷详情页面,所述目标烟卷详情页面对应所述目标烟卷;
采集所述目标烟卷详情页面对应的页面实时点击数据和对应的历史点击数据序列;
将所述页面实时点击数据和所述历史点击数据序列输入至预先训练的用户点击意图识别网络模型包括的词向量表示网络中,得到页面实时点击数据向量和历史点击数据向量序列,其中,所述用户点击意图识别网络模型还包括:高维点击数据特征提取网络、综合点击特征提取网络与特征数据交叉网络;
将所述历史点击数据向量序列输入至所述高维点击数据特征提取网络中,得到高维点击数据特征信息序列;
将所述高维点击数据特征信息序列输入至所述综合点击特征提取网络中,得到历史点击数据综合特征信息;
将所述页面实时点击数据向量与所述历史点击数据综合特征信息输入至所述特征数据交叉网络中,得到点击数据特征交叉信息;
基于所述点击数据特征交叉信息,生成用户点击意图识别信息;
根据所述用户点击意图识别信息,向每个表示购买意图的待测试用户的用户终端发起通话连接。
2.根据权利要求1所述的基于吸烟舱的信息推送方法,其特征在于,所述方法还包括:
获取目标烟卷展示信息;
将所述目标烟卷展示信息输入至预先训练的烟卷点击展示信息生成模型中,得到烟卷点击展示信息,其中,烟卷点击展示信息是所预测的、针对目标烟卷展示信息的点击信息;
将所述烟卷点击展示信息发送至相关联的烟卷生产终端中。
3.根据权利要求2所述的基于吸烟舱的信息推送方法,其特征在于,在所述将所述目标烟卷展示信息输入至预先训练的烟卷点击展示信息生成模型中,得到烟卷点击展示信息之前,所述方法还包括:
获取烟卷展示信息样本与所述烟卷展示信息样本对应的样本标签;
将所述烟卷展示信息样本输入至初始烟卷点击展示信息生成模型中,得到初始烟卷点击展示信息;
确定所述初始烟卷点击展示信息与所述样本标签之间的样本损失值;
响应于确定所述样本损失值小于等于预设样本损失值,将所述初始烟卷点击展示信息生成模型确定为烟卷点击展示信息生成模型。
4.一种计算机设备,其中,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1-3中任一所述的方法。
5.一种计算机可读存储介质,其中,所述计算机可读存储介质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1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080235.1A CN116955830B (zh) | 2023-08-25 | 2023-08-25 | 基于吸烟舱的信息推送方法、计算机设备与可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080235.1A CN116955830B (zh) | 2023-08-25 | 2023-08-25 | 基于吸烟舱的信息推送方法、计算机设备与可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116955830A CN116955830A (zh) | 2023-10-27 |
CN116955830B true CN116955830B (zh) | 2024-01-16 |
Family
ID=88453086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311080235.1A Active CN116955830B (zh) | 2023-08-25 | 2023-08-25 | 基于吸烟舱的信息推送方法、计算机设备与可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116955830B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348902A (zh) * | 2019-07-08 | 2019-10-18 | 陕西省烟草公司西安市公司 | 一种烟草零售终端销售信息的获取设备及方法 |
CN110533427A (zh) * | 2019-08-13 | 2019-12-03 | 中电智能技术南京有限公司 | 一种基于物联网和可信身份认证的无人烟草售卖方法 |
CN111709004A (zh) * | 2020-08-19 | 2020-09-25 | 北京远鉴信息技术有限公司 | 一种身份认证方法、装置、电子设备及可读存储介质 |
WO2020253372A1 (zh) * | 2019-06-19 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 基于大数据分析的信息推送方法、装置、设备及存储介质 |
CN116110159A (zh) * | 2023-04-13 | 2023-05-12 | 新兴际华集团财务有限公司 | 基于cfca认证标准的用户认证方法、设备和介质 |
-
2023
- 2023-08-25 CN CN202311080235.1A patent/CN116955830B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253372A1 (zh) * | 2019-06-19 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 基于大数据分析的信息推送方法、装置、设备及存储介质 |
CN110348902A (zh) * | 2019-07-08 | 2019-10-18 | 陕西省烟草公司西安市公司 | 一种烟草零售终端销售信息的获取设备及方法 |
CN110533427A (zh) * | 2019-08-13 | 2019-12-03 | 中电智能技术南京有限公司 | 一种基于物联网和可信身份认证的无人烟草售卖方法 |
CN111709004A (zh) * | 2020-08-19 | 2020-09-25 | 北京远鉴信息技术有限公司 | 一种身份认证方法、装置、电子设备及可读存储介质 |
CN116110159A (zh) * | 2023-04-13 | 2023-05-12 | 新兴际华集团财务有限公司 | 基于cfca认证标准的用户认证方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116955830A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598037B (zh) | 一种图像搜索方法、装置和存储介质 | |
JP2019212290A (ja) | ビデオを処理する方法及び装置 | |
CN108810642B (zh) | 一种弹幕显示方法、装置及电子设备 | |
US20230252331A1 (en) | Machine-learning models to facilitate user retention for software applications | |
CN110472154A (zh) | 一种资源推送方法、装置、电子设备及可读存储介质 | |
CN108197336B (zh) | 一种视频查找的方法及装置 | |
CN112995690B (zh) | 直播内容品类识别方法、装置、电子设备和可读存储介质 | |
CN113315989A (zh) | 直播处理方法、直播平台、装置、系统、介质及设备 | |
CN111314790A (zh) | 一种视频播放记录的排序方法、装置和电子设备 | |
CN113297486B (zh) | 一种点击率预测方法及相关装置 | |
CN116484109B (zh) | 基于人工智能的客户画像分析系统及方法 | |
CN116955830B (zh) | 基于吸烟舱的信息推送方法、计算机设备与可读存储介质 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN114090882B (zh) | 基于移动终端的学习资料推送方法和系统 | |
CN111354013A (zh) | 目标检测方法及装置、设备和存储介质 | |
CN113505272B (zh) | 基于行为习惯的控制方法和装置、电子设备和存储介质 | |
CN109101964A (zh) | 确定多媒体文件中首尾区域的方法、设备及存储介质 | |
CN113297417B (zh) | 视频推送方法、装置、电子设备和存储介质 | |
CN116775815A (zh) | 对话数据的处理方法、装置、电子设备及存储介质 | |
CN114490288A (zh) | 一种基于用户操作行为的信息匹配方法及装置 | |
CN110163043B (zh) | 面部检测方法、装置、存储介质及电子装置 | |
CN112905892A (zh) | 应用于用户画像挖掘的大数据处理方法及大数据服务器 | |
CN111611981A (zh) | 信息识别方法和装置及信息识别神经网络训练方法和装置 | |
CN112464027A (zh) | 一种视频检测方法、装置及存储介质 | |
CN109040774A (zh) | 一种节目信息提取方法、终端设备及服务器 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhao Xiaohong Inventor after: Li Xijun Inventor after: Pu Yinlin Inventor after: Feng Yunfei Inventor before: Zhao Xiaohong Inventor before: Li Xijun Inventor before: Pu Yinlin Inventor before: Hong Yunfei |