CN117216567A - 对象特征表示方法、装置、设备和介质 - Google Patents
对象特征表示方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117216567A CN117216567A CN202311193313.9A CN202311193313A CN117216567A CN 117216567 A CN117216567 A CN 117216567A CN 202311193313 A CN202311193313 A CN 202311193313A CN 117216567 A CN117216567 A CN 117216567A
- Authority
- CN
- China
- Prior art keywords
- feature
- sample
- enhancement
- attribute data
- data
- 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 80
- 238000000605 extraction Methods 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000003860 storage Methods 0.000 claims description 29
- 230000003993 interaction Effects 0.000 claims description 28
- 230000000873 masking effect Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 22
- 238000013473 artificial intelligence Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 13
- 239000013598 vector Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供了对象特征表示方法、装置、设备和介质,涉及人工智能技术领域,可以应用于云技术、人工智能、智慧交通、辅助驾驶等场景,包括获取样本数据组和增强数据组;样本数据组包括样本主体的样本主体数据、正样本对象的第一对象属性数据和负样本对象的第二对象属性数据;增强数据组包括样本对象的第三对象属性数据、正增强属性数据和负增强属性数据,正增强属性数据和负增强属性数据均对相应对象属性数据中的细粒度特征进行了掩码处理;基于样本数据组和样本增强数据组,对特征提取模型进行基于对比学习的特征表示训练,得到目标表示模型,以用于特征表示,得到目标对象特征,能够显著提升新建对象的冷启动效果。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种对象特征表示方法、装置、设备和介质。
背景技术
在召回场景或推荐场景中,经常新增大量的可召回或待推荐对象,这些处于冷启动阶段的新建对象缺乏与主体间的交互记录,有效信息有限。相关技术针对冷启动阶段的对象仍采用原有的特征模型进行特征表示或进行独立的召回/推荐设置,前者由于交互信息的匮乏无法进行准确的特征匹配和排序,降低新建对象的曝光几率和整体信息反馈效果,后者需基于经验进行人工设置或随机派发,准确性差且影响产品体验。
发明内容
本申请提供了一种对象特征表示方法、装置、设备和介质,可以显著提升对象特征表示的准确性。
一方面,本申请提供了一种对象特征表示方法,所述方法包括:
获取样本数据组和增强数据组;所述样本数据组包括样本主体的样本主体数据、正样本对象的第一对象属性数据和负样本对象的第二对象属性数据,所述正样本对象为所述样本主体执行了预设交互操作的对象,所述负样本对象为所述样本主体未执行所述预设交互操作的对象;所述增强数据组包括样本对象的第三对象属性数据、正增强属性数据和负增强属性数据,所述正增强属性数据和所述负增强属性数据均对相应对象属性数据中的细粒度特征进行了掩码处理;
基于所述样本数据组和所述样本增强数据组,对特征提取模型进行基于对比学习的特征表示训练,得到目标表示模型;
将待表示对象的对象属性数据输入所述目标表示模型进行特征表示,得到目标对象特征。
另一方面提供了一种对象特征表示装置,所述装置包括:
获取模块:用于获取样本数据组和增强数据组;所述样本数据组包括样本主体的样本主体数据、正样本对象的第一对象属性数据和负样本对象的第二对象属性数据,所述正样本对象为所述样本主体执行了预设交互操作的对象,所述负样本对象为所述样本主体未执行所述预设交互操作的对象;所述增强数据组包括样本对象的第三对象属性数据、正增强属性数据和负增强属性数据,所述正增强属性数据和所述负增强属性数据均对相应对象属性数据中的细粒度特征进行了掩码处理;
训练模块:用于基于所述样本数据组和所述样本增强数据组,对特征提取模型进行基于对比学习的特征表示训练,得到目标表示模型;
特征表示模块:用于将待表示对象的对象属性数据输入所述目标表示模型进行特征表示,得到目标对象特征。
另一方面提供了一种计算机设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的对象特征表示方法。
另一方面提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的对象特征表示方法。
另一方面提供了一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的对象特征表示方法。
另一方面提供了一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的对象特征表示方法。
另一方面提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令被处理器执行时实现如上述的对象特征表示方法。
本申请提供的对象特征表示方法、装置、设备、存储介质、服务器、终端、计算机程序和计算机程序产品,具有如下技术效果:
本申请的技术方案首先获取包括样本主体的样本主体数据、正样本对象的第一对象属性数据和负样本对象的第二对象属性数据的样本数据组,以及获取包括样本对象的第三对象属性数据、正增强属性数据和负增强属性数据的增强数据组,正样本对象为样本主体执行了预设交互操作的对象,负样本对象为样本主体未执行预设交互操作的对象,以基于样本主体的交互数据指导特征提取模型学习主体与对象属性间的关联性,有利于特征表达准确性;并且,正增强属性数据和负增强属性数据均对相应对象属性数据中的细粒度特征进行了掩码处理,然后,基于样本数据组和样本增强数据组,对特征提取模型进行基于对比学习的特征表示训练,得到目标表示模型以用于特征表示;如此,在特征提取模型训练过程中,采用掩盖细粒度特征的对象属性数据进行对象间的关联学习,减弱模型对细粒度特征的依赖,增加泛化性特征在模型中的作用和权重,进而提升模型对冷启动新建对象的特征表示和信息表达的准确度,提升新建对象的召回或推荐效果且不影响历史对象的匹配和曝光。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本申请实施例提供的一种应用环境的示意图;
图2是本申请实施例提供的一种对象特征表示方法的流程示意图;
图3是本申请实施例提供的另一种对象特征表示方法的流程示意图;
图4是本申请实施例提供的另一种对象特征表示方法的流程示意图;
图5是本申请实施例提供的另一种对象特征表示方法的流程示意图;
图6是本申请实施例提供的另一种对象特征表示方法的流程示意图;
图7是本申请实施例提供的一种特征提取模型的网络框架示意图;
图8是本申请实施例提供的一种对象特征表示装置的框架示意图;
图9是本申请实施例提供的一种执行对象特征表示方法的电子设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或子模块的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或子模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或子模块。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术(Computer Vision,CV)、语音处理技术(Speech Technology)、自然语言处理技术(Nature Language processing,NLP)以及机器学习/深度学习等几大方向。
对比学习:对比学习是自监督学习的一种,不依赖标注数据。目前,对比学习几乎处于“无明确定义、有指导原则”的状态,它的指导原则是:通过自动构造相似实例和不相似实例,要求习得一个表示学习模型,通过这个模型,使得相似的实例在投影空间中比较接近,而不相似的实例在投影空间中距离比较远。
增强样本:一般指对现有样本进行人为修改而构造的,与原样本相似或者不相似的样本。
近年来,随着人工智能技术研究和进步,人工智能技术在多个领域得到广泛应用,本申请实施例提供的方案涉及人工智能的机器学习/深度学习、计算机视觉技术和自然语言处理等技术,具体通过如下实施例进行说明。
请参阅图1,图1是本申请实施例提供的一种应用环境的示意图,如图1所示,该应用环境可以至少包括终端01和服务器02。在实际应用中,终端01和服务器02可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
本申请实施例中的服务器02可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
具体地,云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术能够应用于各种领域,如医疗云、云物联、云安全、云教育、云会议、人工智能云服务、云应用、云呼叫和云社交等,云技术基于云计算(cloud computing)商业模式应用,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”,“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。作为云计算的基础能力提供商,会建立云计算资源池(简称云平台,一般称为IaaS(Infrastructure as a Service,基础设施即服务))平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备、网络设备。
按照逻辑功能划分,在IaaS层上可以部署PaaS(Platform as a Service,平台即服务)层,PaaS层之上再部署SaaS(Software as a Service,软件即服务)层,也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台,如数据库、web容器等。SaaS为各式各样的业务软件,如web门户网站、短信群发器等。一般来说,SaaS和PaaS相对于IaaS是上层。
具体地,上述涉及的服务器02可以包括实体设备,可以具体包括有网络通信子模块、处理器和存储器等等,也可以包括运行于实体设备中的软体,可以具体包括有应用程序等。
具体地,终端01可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、智能语音交互设备、智能家电、智能可穿戴设备、车载终端设备等类型的实体设备,也可以包括运行于实体设备中的软体,例如应用程序等。
本申请实施例中,终端01可以用于接收待表示对象的对象属性数据,并发送至服务器02,以使服务器02基于目标表示模型对待表示对象的对象属性数据进行特征表示,以得到相应的目标对象特征。服务器02还用于获取样本数据组和增强数据组,并基于上述数据组进行特征提取模型的对比学习训练,以得到目标表示模型。
此外,可以理解的是,图1所示的仅仅是一种对象特征表示方法或模型训练方法的应用环境,该应用环境可以包括更多或更少的节点,本申请在此不做限制。本申请的对象特征表示方法可以应用于召回或推荐等场景中的特征表示,如可以用于广告特征表示、信息特征标识、物品特征表示和设备特征表示等。
本申请实施例涉及的应用环境,或应用环境中的终端01和服务器02等可以是由客户端、多个节点(接入网络中的任意形式的计算设备,如服务器、用户终端)通过网络通信的形式连接形成的分布式系统。分布式系统可以为区块链系统,该区块链系统可以提供上述的对象特征表示服务、模型训练服务和数据存储服务等。
不同召回场景或推荐场景下的对象类别通常不同,如待召回或待推荐的对象可以为广告、物品、信息等,如在广告场景中,新建广告缺乏与相应需曝光的实体间缺乏交互信息,如其广告ID等细粒度特征不存在交互记录。但是对于大量已度过冷启动阶段的广告而言,广告ID等细粒度特征往往是最为重要的广告特征之一,因此现有技术中的特征表示方法无法实现针对处于冷启动过程中的广告数据进行准确表达,需提升处于冷启动阶段的广告效果。
为解决上述现存问题的至少之一,以下基于上述应用环境介绍本申请的技术方案,本申请实施例可应用于各种场景,包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。请参考图2,图2是本申请实施例提供的一种对象特征表示方法的流程示意图,本说明书提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体地,如图2所示,方法可以包括下述步骤S201-S205:
S201:获取样本数据组和增强数据组。
具体地,样本数据组包括样本主体的样本主体数据、正样本对象的第一对象属性数据和负样本对象的第二对象属性数据。本申请的主体是指需进行对象召回、对象推荐或对象曝光等对象展示操作的操作实体,如账号等,对象是指需被推荐或曝光至主体侧的业务实体,对象的类别可以包括但不限于物品、广告、信息等。样本主体是指与对象间存在交互信息的主体,样本对象是已度过冷启动阶段的历史创建的对象。正样本对象为样本主体执行了预设交互操作的对象,负样本对象为样本主体未执行预设交互操作的对象。预设交互操作对象可以为但不限于点击、转发、转化、推荐、收藏、评论等。
样本主体数据是能够表征样本主体信息的数据,包括用于表征主体属性的主体属性特征数据和用于表征主体历史操作信息的主体操作特征数据,主体属性特征数据可以包括但不限于账号号龄、年龄、性别等,主体操作特征数据包括样本主体与对象间的交互记录或其它操作特征。需要说明的是,上述各种主体数据均需经主体授权后获取。
对象属性数据用于表征对象的属性信息,包括对象的细粒度特征和粗粒度特征,细粒度特征用于区分不同对象的特征,为记忆性特征,该特征覆盖的对象数量较少,极限情况下其仅覆盖一个对象,包括对象的唯一标识信息,如对象ID。如此,在后续掩码处理过程中掩盖唯一指向性的细粒度特征,有利于降低特征表达学习中该类特征的干扰,增加粗粒度特征的信息权重。粗粒度特征用于表征对象的内容信息或类别信息,能够覆盖较多对象,能够表征一类对象的共性信息。粗粒度特征可以包括不限于对象类别ID,对象所属领域ID,对象提供商ID等。
具体地,增强数据组包括样本对象的第三对象属性数据、正增强属性数据和负增强属性数据,正增强属性数据和负增强属性数据均对相应对象属性数据中的细粒度特征进行了掩码处理。具体来说,正增强属性数据是指对第三对象属性数据进行了掩码处理以至少掩码细粒度特征的增强数据,作为当前样本对象对应的正样本数据,负增强属性数据是指对同训练批次中区别于当前样本对象的其它样本对象的对象属性数据进行了掩码处理以至少掩码细粒度特征的增强数据,作为当前样本对象的负样本数据。
示例性地,样本对象为广告库中的广告,样本主体执行了点击操作的广告为正样本对象,在广告库找随机采样广告作为负样本对象,采样的广告未被样本主体点击。样本主体数据包括性别、年龄、地域、广告交互记录等,对象属性数据包括广告ID等细粒度特征,以及广告主ID,广告行业ID,品牌,商品等粗粒度特征。样本对象为已度过冷启动阶段具备交互信息的广告,正增强属性数据是指对当前广告至少进行了广告ID掩码的属性数据,负增强属性数据是指对其它广告至少进行了广告ID掩码的属性数据。
可以理解地,需构建包括大量样本主体数据和对象属性数据的训练数据集,进而通过数据增强生成增强属性数据,基于样本主体与样本对象间的交互关系采样分组,得到多个样本数据组,并对样本对象和增强属性数据进行采样分组,得到多个增强数据组,以用于训练。具体地,可以先对训练数据集进行分批处理,然后在同批数据中进行采样分组。样本数据组中的第一对象属性数据和第二对象属性数据可以复用为增强数据组中的第三对象属性数据,即样本数据组中所对应的对象可以复用为增强数据组的样本对象。可以理解地,样本数据组中可以对应多个正样本对象和多个负样本对象,增强数据组可以对应多个负增强属性数据。
一些实施例中,结合图3,正增强属性数据和负增强属性数据采用下述S301-S303获取:
S301:对第三对象属性数据中的细粒度特征进行掩码,并对第三对象属性数据中除细粒度特征外的其它特征数据进行随机掩码,得到正增强属性数据;
S303:获取与样本对象相异的样本对象的第四对象属性数据;
S305:对第四对象属性数据中的细粒度特征进行掩码,并对第四对象属性数据中除细粒度特征外的其它特征数据进行随机掩码,得到第三对象属性数据对应的负增强属性数据。
具体地,将当前增强数据组中样本对象的第三对象属性数据中的细粒度特征替换为掩码特征,如将广告ID特征替换为Mask标记,并对其粗粒度特征进行随机掩码,示例性地,对一广告对象的粗粒度特征随机掩码,将广告主ID和品牌ID替换为Mask标记。同时,获取同训练批次中的其它样本对象的第四对象属性数据,采用上述掩码处理方式生成负增强属性数据,形成用于对比学习的增强数据组。其它样本对象可以是通过随机采样获取的。
可以理解地,可以对训练批次内的所有样本对象的对象属性数据进行数据增强处理,通过上述掩码处理方式生成其增强数据,然后将同一样本对象的对象属性数据及其增强属性数据作为一增强数据组中的第三对象属性数据和正增强属性数据,随机采样其它样本对象的增强属性数据作为该增强数据组中的负增强属性数据。通过掩码细粒度特征并随机掩码粗粒度特征,能够减弱模型对对象ID等记忆性特征的依赖,增加泛化性特征在对象特征表达中的信息权重,使模型更好的理解对象内容和属性,并且通过随机掩码粗粒度特征,提升模型在对象特征提取上的鲁棒性,进一步提升模型的数据泛化性,进而提升针对新建对象的特征表达准确性,提升对象冷启动效果。
S203:基于样本数据组和样本增强数据组,对特征提取模型进行基于对比学习的特征表示训练,得到目标表示模型。
具体地,以样本数据组和样本增强数据组作为特征提取模型的输入,输出样本主体数据、对象属性数据和增强属性数据的特征表示,以结合对比学习损失进行模型优化,得到目标表示模型。结合图7,特征提取模型包括特征嵌入层、第一提取网络、第二提取网络和第三提取网络,嵌入层用于对输入数据进行嵌入编码处理,以将输入数据映射为多维特征向量;第一提取网络用于提取主体数据的特征向量,第二提取网络用于提取对象属性数据的特征向量,第三提取网络用于提取增强属性数据的特征向量。其中,第一提取网络、第二提取网络和第三提取网络为深度神经网络,第二提取网络和第三提取网络的参数共享,第二提取网络和第三提取网络的网络结构可以相同。示例性地,特征提取模型可以为DSSM(Deep Structured Semantic Model,深层结构语音模型),相应地,结合图4,S203可以包括S401-S403:
S401:通过特征提取模型提取样本主体数据的样本主体特征、第一对象属性数据的第一对象特征、第二对象属性数据的第二对象特征、第三对象属性数据的第三对象特征、正增强属性数据的正增强特征和负增强属性数据的负增强特征。
具体实施例中,结合图7,将样本主体数据、第一对象属性数据、第二对象属性数据、第三对象属性数据、正增强属性数据和负增强属性数据分别输入特征嵌入层,基于特征嵌入层分别对样本主体数据、第一对象属性数据、第二对象属性数据、第三对象属性数据、正增强属性数据和负增强属性数据进行特征嵌入,得到主体嵌入特征、第一对象嵌入特征、第二对象嵌入特征、第三对象嵌入特征、正增强嵌入特征和负增强嵌入特征。可以理解地,样本主体数据中包括多个主体特征的特征数据,对象属性数据中也包括多个属性特征的特征输入,如对象ID、对象领域等,特征嵌入层将每一特征数据映射为多维特征向量,然后拼接为长特征向量,得到相应的嵌入特征。示例性地,针对广告对象,特征嵌入层将广告对象的广告ID、广告主ID,广告行业ID,品牌标识,商品标识等数据字段分别映射为相应的64维向量,并将各数据字段对应的向量连接成一个长度为m*64的长向量,其中m为对象属性数据中的数据字段数。主体嵌入特征、对象嵌入特征和增强嵌入特征的特征维度一致。
将主体嵌入特征输入特征提取模型的第一提取网络进行主体特征提取,得到样本主体特征。经第一提取网络的多层网络提取后将多维的主体嵌入特征向量转换为具备主体特征信息表达的样本主体特征。
分别将第一对象嵌入特征、第二对象嵌入特征和第三对象嵌入特征输入特征提取模型的第二提取网络进行对象特征提取,得到第一对象特征、第二对象特征和第三对象特征。以及,分别将正增强嵌入特征和负增强嵌入特征输入特征提取模型的第三提取网络进行增强特征提取,得到正增强特征和负增强特征;第二提取网络和第三提取网络共享网络参数。
第一提取网络、第二提取网络和第三提取网络能够对输入的嵌入特征中的各特征片段进行交叉提取,以实现语义交叉。一示例中,第一提取网络、第二提取网络、第三提取网络的输入特征与输出特征的的维度一致。
如此,通过多提取网络模型分别进行主体数据、对象属性数据和增强属性数据的特征提取,以便于充分学习主体与对象间的关联性,并通过共享网络参数的提取网络进行对象属性和增强属性学习,提升对象特征表达的鲁棒性。
S403:以样本主体特征与第一对象特征相近、样本主体特征与第二对象特征远离为第一训练目标,以及以第三对象特征与正增强特征相近、第三对象特征与负增强特征远离为第二训练目标,优化特征提取模型至满足训练结束条件,得到目标表示模型。
具体地,同一样本数据组中,将存在交互关联的样本主体和对象间的特征距离拉进,并拉远不存在交互关联的样本主体和对象间的特征距离,以便于后续主体与对象间的匹配,并且,同一增强数组中,拉进同一样本对象的对象特征和其增强特征间的特征距离,并拉远不同样本对象的对象特征和增强特征间的特征距离,以便于不同对象间的区分,使目标表示模型提升主体特征和对象特征表达的准确性,进而提升主体对象特征匹配的准确性。
具体实施例中,结合图5,S403可以包括S4031-S4033:
S4031:根据样本主体特征、第一对象特征、第二对象特征、第三对象特征、正增强特征和负增强特征确定模型损失。
一些实施例中,模型损失包括样本数据组对应的损失部分,即第一对比损失,以及增强数据组对应的损失部分,即第二对比损失,前者用于衡量单次迭代中样本主体与交互关联的对象间的特征相近性,以及样本主体与非关联的对象间的特征远离性,后者用于衡量单次迭代中同一样本对象的对象特征与增强特征间的特征相近性,以及不同样本对象的对象特征与增强特征间的特征远离性。
具体地,根据样本主体特征、第一对象特征、第二对象特征和第一温度参数进行对比损失计算,得到第一对比损失;根据第三对象特征、正增强特征、负增强特征和第二温度参数进行对比损失计算,得到第二对比损失;融合第一对比损失和第二对比损失,得到模型损失。如此,采用主体特征和对象特征为部分损失计算依据,以对象特征和增强特征为另一部分损失计算依据,使模型充分学习主体/对象间的关联性,以及对象属性数据中各特征数据间的交叉关联和表达准确性,提升模型效果。
上述对比损失计算可以基于对比学习损失(InfoNCE loss)函数实现,损失融合可以采用损失相加等方式,如加权相加方式。具体地,本申请实施例采用的损失函数如下式所示,其中,Lq为第一对比损失,q为第一提取网络输出的样本主体特征,k+为正样本对象的第一对象特征,ki为采样的负样本对象的第二对象特征,T1为第一温度参数,为超参数,i为负样本对象的索引号,k为负样本对象的数量;Lh为第二对比损失,h为第二提取网络输出的样本对象特征,k+′为正增强特征,kj为负增强特征,T2为第二温度参数,为超参数,j为采样的其它样本对象索引号,k′为负样本对象的数量;L为模型损失,w为损失融合的权重参数。
L=w·Lq+(1-w)·Lh
S4032:基于模型损失调整特征提取模型的模型参数,以进行特征提取的迭代约束训练,在训练过程中,模型参数调整的目标为提升同一迭代中得到的样本主体特征与第一对象特征间的特征相似度、第三对象特征与正增强特征间的特征相似度,以及降低同一迭代中得到的样本主体特征与第二对象特征间的特征相似度、第三对象特征与负增强特征间的特征相似度,至满足训练结束条件。
S4033:将满足训练结束条件的调整后的特征提取模型确定为目标表示模型。
具体地,基于模型损失确定回传梯度,基于回传梯度反向传播并调整第一提取网络、第二提取网络、第三提取网络和特征嵌入层的网络参数,得到更新的特征提取模型,以进行下一轮迭代训练,如此往复至相邻迭代的模型损失差小于预设损失差或迭代次数达到预设次数,确定满足训练结束条件。
S205:将待表示对象的对象属性数据输入目标表示模型进行特征表示,得到目标对象特征。
具体地,待表示对象可以为存储库中已度过冷启动阶段的历史对象,如已具备一定量交互数据的广告,或者待表示对象也可以为新建对象或仍处于冷启动阶段的对象,目标对象特征能够用于与主体的主体特征进行匹配,以进行对象召回或推荐等。基于上述技术方案,能够有效降低模型特征表示对细粒度特征的依赖,增加有效特征信息的表达占比,进而提升目标对象特征的准确性,尤其针对新创建对象的特征描述更加准确,提升对象冷启动效果。
本申请实施例中,方法还包括基于目标表示模型进行主体特征表示以进行对象匹配的步骤,结合图6,具体可以包括S501-S509:
S501:获取目标主体的主体数据;
S503:将主体数据输入目标表示模型的第一提取网络进行主体特征提取,得到目标主体特征;
S505:确定目标主体特征与预存的多个目标对象特征间的关联度;
S507:基于关联度从多个目标对象特征中筛选出与目标主体匹配的目标对象特征;
S509:将匹配的目标对象特征所属的对象确定为目标对象。
具体地,目标主体的主体数据与前述的样本主体数据相类似,目标主体可以为存在对象匹配需求的主体,如需进行对象召回或对象推荐的主体,通过第一提取网络进行特征提取后,得到相应用于匹配的目标主体特征。关联度是指目标主体特征与目标对象特征间的相关程度,关联度越大,表征关联程度越高,目标主体与该对象产生交互操作的可能性越高,反之越小,关联度可以基于特征相似度算法计算得到。将关联度高于预设关联度的目标对象特征确定为匹配的目标对象特征,进而确定出目标对象,以作为目标主体的召回对象或待推荐对象。如此,结合前述目标表示模型进行主体和对象的数据特征表示,实现对象与主体的精准匹配。
本申请的技术方案通过掩码对象ID等细粒度特征,同时随机掩码对象的其余特征以构造增强样本,并与原样本进行对比学习,实现粗细粒度特征区分,以及结合主体数据和对象属性数据的对比学习,使模型充分学习主体与对象间的特征关联的同时,降低模型对细粒度特征的依赖,增加泛化性特征在模型中的作用,最终提升对象的冷启动效果。在广告场景应用的AB测试中,相比采用整体对象属性数据进行模型训练的方案,广告冷启动成功率提升5%以上。
本申请实施例还提供了一种对象特征表示装置800,如图8所示,图8示出了本申请实施例提供的一种对象特征表示装置的结构示意图,装置可以包括下述模块。
获取模块10:用于获取样本数据组和增强数据组;样本数据组包括样本主体的样本主体数据、正样本对象的第一对象属性数据和负样本对象的第二对象属性数据,正样本对象为样本主体执行了预设交互操作的对象,负样本对象为样本主体未执行预设交互操作的对象;增强数据组包括样本对象的第三对象属性数据、正增强属性数据和负增强属性数据,正增强属性数据和负增强属性数据均对相应对象属性数据中的细粒度特征进行了掩码处理;
训练模块20:用于基于样本数据组和样本增强数据组,对特征提取模型进行基于对比学习的特征表示训练,得到目标表示模型;
特征表示模块30:用于将待表示对象的对象属性数据输入目标表示模型进行特征表示,得到目标对象特征。
一些实施例中,获取模块10可以包括:
第一掩码子模块:用于对第三对象属性数据中的细粒度特征进行掩码,并对第三对象属性数据中除细粒度特征外的其它特征数据进行随机掩码,得到正增强属性数据;
获取子模块:用于获取与样本对象相异的样本对象的第四对象属性数据;
第二掩码子模块:用于对第四对象属性数据中的细粒度特征进行掩码,并对第四对象属性数据中除细粒度特征外的其它特征数据进行随机掩码,得到第三对象属性数据对应的负增强属性数据。
一些实施例中,所训练模块20可以包括:
特征提取子模块:用于通过特征提取模型提取样本主体数据的样本主体特征、第一对象属性数据的第一对象特征、第二对象属性数据的第二对象特征、第三对象属性数据的第三对象特征、正增强属性数据的正增强特征和负增强属性数据的负增强特征;
训练子模块:用于以样本主体特征与第一对象特征相近、样本主体特征与第二对象特征远离为第一训练目标,以及以第三对象特征与正增强特征相近、第三对象特征与负增强特征远离为第二训练目标,优化特征提取模型至满足训练结束条件,得到目标表示模型。
一些实施例中,特征提取子模块可以包括:
嵌入单元:用于基于特征提取模型的特征嵌入层对样本主体数据、第一对象属性数据、第二对象属性数据、第三对象属性数据、正增强属性数据和负增强属性数据进行特征嵌入,得到主体嵌入特征、第一对象嵌入特征、第二对象嵌入特征、第三对象嵌入特征、正增强嵌入特征和负增强嵌入特征;
第一提取单元:用于将主体嵌入特征输入特征提取模型的第一提取网络进行主体特征提取,得到样本主体特征;
第二提取单元:用于分别将第一对象嵌入特征、第二对象嵌入特征和第三对象嵌入特征输入特征提取模型的第二提取网络进行对象特征提取,得到第一对象特征、第二对象特征和第三对象特征;
第三提取单元:用于分别将正增强嵌入特征和负增强嵌入特征输入特征提取模型的第三提取网络进行增强特征提取,得到正增强特征和负增强特征;第二提取网络和第三提取网络共享网络参数。
一些实施例中,训练子模块可以包括:
损失确定单元:用于根据样本主体特征、第一对象特征、第二对象特征、第三对象特征、正增强特征和负增强特征确定模型损失;
训练单元:用于基于模型损失调整特征提取模型的模型参数,以进行特征提取的迭代约束训练,在训练过程中,模型参数调整的目标为提升同一迭代中得到的样本主体特征与第一对象特征间的特征相似度、第三对象特征与正增强特征间的特征相似度,以及降低同一迭代中得到的样本主体特征与第二对象特征间的特征相似度、第三对象特征与负增强特征间的特征相似度,至满足训练结束条件;
目标模型确定单元:用于将满足训练结束条件的调整后的特征提取模型确定为目标表示模型。
一些实施例中,损失确定单元可以包括:
第一损失子单元:用于根据样本主体特征、第一对象特征、第二对象特征和第一温度参数进行对比损失计算,得到第一对比损失;
第二损失子单元:用于根据第三对象特征、正增强特征、负增强特征和第二温度参数进行对比损失计算,得到第二对比损失;
损失融合子单元:用于融合第一对比损失和第二对比损失,得到模型损失。
一些实施例中,细粒度特征是用于区分不同对象的特征,包括对象的唯一标识信息。
一些实施例中,装置还可以包括:
主体数据获取模块:用于获取目标主体的主体数据;
主体特征提取模块:用于将主体数据输入目标表示模型的第一提取网络进行主体特征提取,得到目标主体特征;
关联确定模块:用于确定目标主体特征与预存的多个目标对象特征间的关联度;
匹配模块:用于基于关联度从多个目标对象特征中筛选出与目标主体匹配的目标对象特征;
目标确定模块:用于将匹配的目标对象特征所属的对象确定为目标对象。
需要说明的是,上述装置实施例与方法实施例基于相同的实施方式。
本申请实施例提供了一种设备,该设备可以为终端或服务器,包括处理器和存储器,该存储器中存储有至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的对象特征表示方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及异常检测。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、功能所需的应用程序等;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置等电子设备中执行。图9是本申请实施例提供的一种对象特征表示方法的电子设备的硬件结构框图。如图9所示,该电子设备900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,CPU)910(处理器910可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器930,一个或一个以上存储应用程序923或数据922的存储介质920(例如一个或一个以上海量存储设备)。其中,存储器930和存储介质920可以是短暂存储或持久存储。存储在存储介质920的程序可以包括一个或一个以上模块,每个模块可以包括对电子设备中的一系列指令操作。更进一步地,中央处理器910可以设置为与存储介质920通信,在电子设备900上执行存储介质920中的一系列指令操作。电子设备900还可以包括一个或一个以上电源960,一个或一个以上有线或无线网络接口950,一个或一个以上输入输出接口940,和/或,一个或一个以上操作系统921,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备900的通信供应商提供的无线网络。在一个实例中,输入输出接口940包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口940可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图9所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,电子设备900还可包括比图9中所示更多或者更少的组件,或者具有与图9所示不同的配置。
本申请的实施例还提供了一种计算机可读存储介质,存储介质可设置于电子设备之中以保存用于实现方法实施例中一种异常检测方法相关的至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的异常检测方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
由上述本申请提供的对象特征表示方法、装置、设备、存储介质、服务器、终端和程序产品,本申请的技术方案首先获取包括样本主体的样本主体数据、正样本对象的第一对象属性数据和负样本对象的第二对象属性数据的样本数据组,以及获取包括样本对象的第三对象属性数据、正增强属性数据和负增强属性数据的增强数据组,正样本对象为样本主体执行了预设交互操作的对象,负样本对象为样本主体未执行预设交互操作的对象,以基于样本主体的交互数据指导特征提取模型学习主体与对象属性间的关联性,有利于特征表达准确性;并且,正增强属性数据和负增强属性数据均对相应对象属性数据中的细粒度特征进行了掩码处理,然后,基于样本数据组和样本增强数据组,对特征提取模型进行基于对比学习的特征表示训练,得到目标表示模型以用于特征表示;如此,在特征提取模型训练过程中,采用掩盖细粒度特征的对象属性数据进行对象间的关联学习,减弱模型对细粒度特征的依赖,增加泛化性特征在模型中的作用和权重,进而提升模型对冷启动新建对象的特征表示和信息表达的准确度,提升新建对象的召回或推荐效果且不影响历史对象的匹配和曝光。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备和存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指示相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.一种对象特征表示方法,其特征在于,所述方法包括:
获取样本数据组和增强数据组;所述样本数据组包括样本主体的样本主体数据、正样本对象的第一对象属性数据和负样本对象的第二对象属性数据,所述正样本对象为所述样本主体执行了预设交互操作的对象,所述负样本对象为所述样本主体未执行所述预设交互操作的对象;所述增强数据组包括样本对象的第三对象属性数据、正增强属性数据和负增强属性数据,所述正增强属性数据和所述负增强属性数据均对相应对象属性数据中的细粒度特征进行了掩码处理;
基于所述样本数据组和所述样本增强数据组,对特征提取模型进行基于对比学习的特征表示训练,得到目标表示模型;
将待表示对象的对象属性数据输入所述目标表示模型进行特征表示,得到目标对象特征。
2.根据权利要求1所述的方法,其特征在于,所述正增强属性数据和所述负增强属性数据采用下述方式获取:
对所述第三对象属性数据中的细粒度特征进行掩码,并对所述第三对象属性数据中除所述细粒度特征外的其它特征数据进行随机掩码,得到所述正增强属性数据;
获取与所述样本对象相异的样本对象的第四对象属性数据;
对所述第四对象属性数据中的细粒度特征进行掩码,并对所述第四对象属性数据中除所述细粒度特征外的其它特征数据进行随机掩码,得到所述第三对象属性数据对应的负增强属性数据。
3.根据权利要求1所述的方法,其特征在于,所述基于所述样本数据组和所述样本增强数据组,对特征提取模型进行基于对比学习的特征表示训练,得到目标表示模型包括:
通过所述特征提取模型提取所述样本主体数据的样本主体特征、所述第一对象属性数据的第一对象特征、所述第二对象属性数据的第二对象特征、所述第三对象属性数据的第三对象特征、所述正增强属性数据的正增强特征和所述负增强属性数据的负增强特征;
以所述样本主体特征与所述第一对象特征相近、所述样本主体特征与所述第二对象特征远离为第一训练目标,以及以所述第三对象特征与所述正增强特征相近、所述第三对象特征与所述负增强特征远离为第二训练目标,优化所述特征提取模型至满足训练结束条件,得到所述目标表示模型。
4.根据权利要求3所述的方法,其特征在于,所述通过所述特征提取模型提取所述样本主体数据的样本主体特征、所述第一对象属性数据的第一对象特征、所述第二对象属性数据的第二对象特征、所述第三对象属性数据的第三对象特征、所述正增强属性数据的正增强特征和所述负增强属性数据的负增强特征包括:
基于所述特征提取模型的特征嵌入层对所述样本主体数据、所述第一对象属性数据、所述第二对象属性数据、所述第三对象属性数据、所述正增强属性数据和所述负增强属性数据进行特征嵌入,得到主体嵌入特征、第一对象嵌入特征、第二对象嵌入特征、第三对象嵌入特征、正增强嵌入特征和负增强嵌入特征;
将所述主体嵌入特征输入所述特征提取模型的第一提取网络进行主体特征提取,得到所述样本主体特征;
分别将所述第一对象嵌入特征、所述第二对象嵌入特征和所述第三对象嵌入特征输入所述特征提取模型的第二提取网络进行对象特征提取,得到所述第一对象特征、所述第二对象特征和所述第三对象特征;
分别将所述正增强嵌入特征和所述负增强嵌入特征输入所述特征提取模型的第三提取网络进行增强特征提取,得到所述正增强特征和所述负增强特征;所述第二提取网络和所述第三提取网络共享网络参数。
5.根据权利要求3所述的方法,其特征在于,所述以所述样本主体特征与所述第一对象特征相近、所述样本主体特征与所述第二对象特征远离为第一训练目标,以及以所述第三对象特征与所述正增强特征相近、所述第三对象特征与所述负增强特征远离为第二训练目标,优化所述特征提取模型至满足训练结束条件,得到所述目标表示模型包括:
根据所述样本主体特征、所述第一对象特征、所述第二对象特征、所述第三对象特征、所述正增强特征和所述负增强特征确定模型损失;
基于所述模型损失调整所述特征提取模型的模型参数,以进行特征提取的迭代约束训练,在训练过程中,模型参数调整的目标为提升同一迭代中得到的样本主体特征与第一对象特征间的特征相似度、第三对象特征与正增强特征间的特征相似度,以及降低同一迭代中得到的样本主体特征与第二对象特征间的特征相似度、第三对象特征与负增强特征间的特征相似度,至满足所述训练结束条件;
将满足所述训练结束条件的调整后的特征提取模型确定为所述目标表示模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述样本主体特征、所述第一对象特征、所述第二对象特征、所述第三对象特征、所述正增强特征和所述负增强特征确定模型损失包括:
根据所述样本主体特征、所述第一对象特征、所述第二对象特征和第一温度参数进行对比损失计算,得到第一对比损失;
根据所述第三对象特征、所述正增强特征、所述负增强特征和第二温度参数进行对比损失计算,得到第二对比损失;
融合所述第一对比损失和所述第二对比损失,得到所述模型损失。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述细粒度特征是用于区分不同对象的特征,包括所述对象的唯一标识信息。
8.根据权利要求1-6中任一项所述的方法,其特征在于,所述方法还包括:
获取目标主体的主体数据;
将所述主体数据输入所述目标表示模型的第一提取网络进行主体特征提取,得到目标主体特征;
确定所述目标主体特征与预存的多个目标对象特征间的关联度;
基于所述关联度从所述多个目标对象特征中筛选出与所述目标主体匹配的目标对象特征;
将所述匹配的目标对象特征所属的对象确定为目标对象。
9.一种对象特征表示装置,其特征在于,所述装置包括:
获取模块:用于获取样本数据组和增强数据组;所述样本数据组包括样本主体的样本主体数据、正样本对象的第一对象属性数据和负样本对象的第二对象属性数据,所述正样本对象为所述样本主体执行了预设交互操作的对象,所述负样本对象为所述样本主体未执行所述预设交互操作的对象;所述增强数据组包括样本对象的第三对象属性数据、正增强属性数据和负增强属性数据,所述正增强属性数据和所述负增强属性数据均对相应对象属性数据中的细粒度特征进行了掩码处理;
训练模块:用于基于所述样本数据组和所述样本增强数据组,对特征提取模型进行基于对比学习的特征表示训练,得到目标表示模型;
特征表示模块:用于将待表示对象的对象属性数据输入所述目标表示模型进行特征表示,得到目标对象特征。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-8中任一项所述的对象特征表示方法。
11.一种计算机设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1-8中任一项所述的对象特征表示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311193313.9A CN117216567A (zh) | 2023-09-14 | 2023-09-14 | 对象特征表示方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311193313.9A CN117216567A (zh) | 2023-09-14 | 2023-09-14 | 对象特征表示方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117216567A true CN117216567A (zh) | 2023-12-12 |
Family
ID=89040197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311193313.9A Pending CN117216567A (zh) | 2023-09-14 | 2023-09-14 | 对象特征表示方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117216567A (zh) |
-
2023
- 2023-09-14 CN CN202311193313.9A patent/CN117216567A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932386B (zh) | 用户账号确定方法及装置、信息推送方法及装置、电子设备 | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
CN111783903B (zh) | 文本处理方法、文本模型的处理方法及装置、计算机设备 | |
CN113792212B (zh) | 多媒体资源推荐方法、装置、设备以及存储介质 | |
CN116664719B (zh) | 一种图像重绘模型训练方法、图像重绘方法及装置 | |
CN113379449B (zh) | 多媒体资源召回方法、装置、电子设备以及存储介质 | |
CN113407851B (zh) | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 | |
CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN111104599A (zh) | 用于输出信息的方法和装置 | |
CN114881315A (zh) | 行程到达时间确定方法、装置、电子设备和存储介质 | |
CN113641797A (zh) | 数据处理方法、装置、设备、存储介质及计算机程序产品 | |
CN113204643B (zh) | 一种实体对齐方法、装置、设备及介质 | |
CN113128526B (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
CN112069412B (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN110059172A (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN110807097A (zh) | 分析数据的方法和装置 | |
CN117251586A (zh) | 多媒体资源推荐方法、装置及存储介质 | |
CN116957128A (zh) | 业务指标预测方法、装置、设备和存储介质 | |
CN113239215B (zh) | 多媒体资源的分类方法、装置、电子设备及存储介质 | |
CN112417260B (zh) | 本地化推荐方法、装置及存储介质 | |
CN115131058A (zh) | 账号识别方法、装置、设备及存储介质 | |
CN117216567A (zh) | 对象特征表示方法、装置、设备和介质 | |
CN114661887A (zh) | 一种跨领域数据推荐方法、装置、计算机设备及介质 | |
CN113010772A (zh) | 一种数据处理方法、相关设备及计算机可读存储介质 | |
WO2022262561A1 (zh) | 多媒体资源的处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |