CN117251621A - 业务匹配方法、装置、计算机设备、存储介质和产品 - Google Patents
业务匹配方法、装置、计算机设备、存储介质和产品 Download PDFInfo
- Publication number
- CN117251621A CN117251621A CN202310927574.2A CN202310927574A CN117251621A CN 117251621 A CN117251621 A CN 117251621A CN 202310927574 A CN202310927574 A CN 202310927574A CN 117251621 A CN117251621 A CN 117251621A
- Authority
- CN
- China
- Prior art keywords
- picture
- service
- target
- candidate
- determining
- 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 49
- 238000004590 computer program Methods 0.000 claims abstract description 40
- 238000013145 classification model Methods 0.000 claims description 56
- 238000012216 screening Methods 0.000 claims description 20
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000004806 packaging method and process Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 abstract description 7
- 239000002699 waste material Substances 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000020803 food preference Nutrition 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013519 translation 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- 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
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种业务匹配方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：确定目标对象的存储设备中存储的多个目标图片；按照每一目标图片中的图片内容对各目标图片进行分类处理，得到每一目标图片各自所属的图片类型；确定待匹配的多个候选业务，并根据每一候选业务的关键词确定各候选业务的业务标签；业务标签与图片类型之间存在对应关系；将目标对象对应的图片类型与每一候选业务各自的业务标签进行匹配，得到与目标对象对应的图片类型相匹配的目标业务。本方法可应用于大数据和人工智能技术领域。采用本方法能够避免数据传输资源浪费。
Description
技术领域
本申请涉及大数据和人工智能技术领域，特别是涉及一种业务匹配方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。人工智能具有代表性的技术有图像识别、语音翻译、自动驾驶、人机对弈，再到目前正在市场化的产品如家用机器人、智慧金融等。这些都可以表明人工智能已渗透到了各行各业并且扮演着至关重要的角色。其中，图片内容的分析及分类就是采用了人工智能的图片分类技术。
目前用户在使用一些具有业务推广、广告推荐等功能的软件时，这些软件会将所有需要推广的内容按照一定的排序规则全部展示给用户，这会造成数据传输资源的浪费。
发明内容
基于此，有必要针对上述技术问题，提供一种能够避免数据传输资源浪费的业务匹配方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种业务匹配方法，所述方法包括：
确定目标对象的存储设备中存储的多个目标图片；
按照每一所述目标图片中的图片内容对各所述目标图片进行分类处理，得到每一所述目标图片各自所属的图片类型；
确定待匹配的多个候选业务，并根据每一所述候选业务的关键词确定各所述候选业务的业务标签；所述业务标签与所述图片类型之间存在对应关系；
将所述目标对象对应的图片类型与每一所述候选业务各自的业务标签进行匹配，得到与所述目标对象对应的图片类型相匹配的目标业务。
在其中一个实施例中，所述得到每一所述目标图片各自所属的图片类型之前，包括：
确定初始图片分类模型和多个样本图片；
基于所述初始图片分类模型和每一所述样本图片中的图片内容，对各所述样本图片进行分类处理，得到每一所述样本图片各自的预测类型；
确定每一所述样本图片各自的真实类型；
基于每一所述样本图片各自的真实类型和预测类型，确定模型损失；
基于所述模型损失，对所述初始图片分类模型中的参数进行优化，得到用于对所述目标图片进行分类的图片分类模型。
在其中一个实施例中，所述得到用于对所述目标图片进行分类的图片分类模型之后，包括：
获取目标对象的存储设备的后台参数；
基于所述后台参数，对所述图片分类模型进行封装处理，得到用于对所述目标图片进行分类的分类接口。
在其中一个实施例中，每一所述候选业务各自对应的业务标签的数量至少为一个；
所述根据每一所述候选业务的关键词确定各所述候选业务的业务标签，包括：
获取每一所述候选业务各自的业务描述内容；
从每一所述候选业务各自的业务描述内容中提取与所述候选业务对应的至少一个关键词；
基于每一所述候选业务各自的关键词，确定每一所述候选业务各自对应的至少一个业务标签。
在其中一个实施例中，所述确定目标对象的存储设备中存储的多个目标图片，包括：
确定进行业务匹配的历史时间节点；
基于所述历史时间节点对目标对象的存储设备中存储的多个候选图片进行筛选，得到多个目标图片。
在其中一个实施例中，所述将所述目标对象对应的图片类型与每一所述候选业务各自的业务标签进行匹配，得到与所述目标对象对应的图片类型相匹配的目标业务，包括：
获取每一所述图片类型各自对应的图片数量；
基于所述图片数量，对各所述图片类型进行排序，得到排序结果；
根据所述排序结果，从各所述图片类型中筛选出进行业务匹配的图片类型；
根据进行业务匹配的图片类型与每一所述候选业务各自对应的业务标签之间的匹配结果，确定目标业务。
第二方面，本申请提供了一种业务匹配装置，所述装置包括：
图片确定模块，用于确定目标对象的存储设备中存储的多个目标图片；
类型确定模块，用于按照每一所述目标图片中的图片内容对各所述目标图片进行分类处理，得到每一所述目标图片各自所属的图片类型；
标签确定模块，用于确定待匹配的多个候选业务，并根据每一所述候选业务的关键词确定各所述候选业务的业务标签；所述业务标签与所述图片类型之间存在对应关系；
业务匹配模块，用于将所述目标对象对应的图片类型与每一所述候选业务各自的业务标签进行匹配，得到与所述目标对象对应的图片类型相匹配的目标业务。
第三方面，本申请提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
上述业务匹配方法、装置、计算机设备、存储介质和计算机程序产品，通过对目标对象的存储设备中存储的多个目标图片进行分类，得到每一目标图片各自所属的图片类型，从而可以通过识别目标图片的图片类型来了解目标对象的偏好；通过根据待匹配的候选业务的关键词确定每一候选业务各自对应的业务标签，并将目标对象所对应的图片类型和候选业务的业务标签进行匹配，确定与目标对象的图片类型相匹配的目标业务，从而可以根据目标对象的偏好为目标对象推荐合适的目标业务，从而可以使得在目标对象进行业务的浏览时，所浏览到的业务均为目标对象所感兴趣的业务，从而能够避免数据传输资源的浪费。
附图说明
图1为一个实施例中业务匹配方法的应用环境图；
图2为一个实施例中业务匹配方法的流程示意图；
图3为一个实施例中参数优化步骤的流程示意图；
图4为一个实施例中业务匹配装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的业务匹配方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104确定目标对象的存储设备中存储的多个目标图片，然后按照每一目标图片中的图片内容对各个目标图片进行分类处理，得到每一目标图片各自的图片类型。服务器104确定待匹配的多个候选业务，并根据每一候选业务的关键词确定各个候选业务的业务标签。其中候选业务的业务标签和目标图片的图片类型之间存在对应关系。服务器104将目标对象所对应的图片类型和每一候选业务的业务标签进行匹配，从而得到与目标对象对应的图片类型相匹配的目标业务。其中，服务器104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备等。终端102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种业务匹配方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，确定目标对象的存储设备中存储的多个目标图片。
其中，目标对象的存储设备指的是可以存储照片的电子设备。例如，手机、电脑等电子设备。目标图片指的是存储设备中所存储的各种图片。
可选地，服务器从目标对象存储图片的电子设备中，确定目标对象所存储的各种图片。
步骤204，根据每一目标图片中的图片内容和图片分类模型对各目标图片进行分类处理，得到每一目标图片各自所属的图片类型。
其中，分类处理可以通过图片分类模型进行，也可以通过分类接口进行。例如，分类处理在电脑上进行时，可以直接使用图片分类模型对目标图片进行分类。又例如，分类处理在手机上进行时，需要先按照手机的后台参数设置，将图片分类模型封装成能在手机上正常运行的分类接口，然后以目标图片作为分类接口的输入，以图片类型作为分类接口的输出，从而才能得到各目标图片的图片类型。
图片内容指的是目标图片中所包含的每一事物或者文字内容。例如，目标图片中包含风景类的事物或文字内容，则该目标图片的图片类型可以是旅游类型，因为风景一般是在旅途中所见到的。又例如，目标图片为美食类的事物或文字内容，则该目标图片的图片类型是美食类型。
可选地，服务器进行分类处理时，先根据分类处理所实施的平台的后台参数设置，将图片分类模型封装成能在平台上正常运行的分类接口，以目标图片作为分类接口的输入，以图片类型作为分类接口的输出，根据各目标图片所包含的每一事物或者文字内容，得到各目标图片的图片类型。
步骤206，确定待匹配的多个候选业务，并根据每一候选业务的关键词确定各候选业务的业务标签。业务标签与图片类型之间存在对应关系。
其中，候选业务为目标对象可以浏览到的业务。例如，存储设备为手机时，这些存储设备不仅可以存储图片，还可以供目标对象浏览各种应用程序所提供的业务，所能浏览到的业务即为候选业务。
关键词是从候选业务的描述内容中所提取到的。例如，加油卡购买这一候选业务的描述内容中包含有旅游、车辆这一类关键词，则加油卡购买这一候选业务的标签可以包含旅游和车辆这两种。每一候选业务的业务标签可以是一个也可以是多个。
对应关系指的是，在对目标图片的图片类型进行确定时，表征图片类型所使用的名称或者符号等标识，也可以用于在对候选业务的业务标签的名称或者标识的确定中。例如，图片类型为旅游，而根据候选业务的描述内容可知候选业务的业务标签也可以是旅游，那么在进行候选业务的业务标签确定时，就可以将旅游作为候选业务的业务标签。又例如，候选业务的业务标签为旅游，而根据目标图片的图片内容可知目标图片的图片类型也可以是旅游，那么在进行目标图片的图片类型确定时，就可以将旅游作为目标图片的图片类型。
可选地，服务器先确定目标对象可以浏览到的各个候选业务，然后对各个候选业务的描述内容进行获取，再根据从描述内容提取到的关键词确定各个候选业务的业务标签。
步骤208，将目标对象对应的图片类型与每一候选业务各自的业务标签进行匹配，得到与目标对象对应的图片类型相匹配的目标业务。
其中，匹配指的是候选业务的业务标签的名称和图片类型的名称之间相同或者图片类型和业务标签两者所表征的含义相同的。例如，业务标签的名称为旅游，那么可以与业务标签为旅游的候选业务所匹配的图片类型可以是旅游或者与旅游这一内容相关的图片类型。
目标业务指的是候选业务中与目标对象所对应的图片类型相匹配的至少一个候选业务。
可选地，服务器根据候选业务的业务标签的名称和图片类型的名称之间是否相同，或者图片类型和业务标签两者所表征的含义是否相同，从多个候选业务中确定与目标对象所对应的图片类型相匹配的至少一个目标业务，在目标业务匹配完成后，目标对象打开应用程序，目标业务就会被推送给目标对象。
上述业务匹配方法中，通过对目标对象的存储设备中存储的多个目标图片进行分类，得到每一目标图片各自所属的图片类型，从而可以通过识别目标图片的图片类型来了解目标对象的偏好；通过根据待匹配的候选业务的关键词确定每一候选业务各自对应的业务标签，并将目标对象所对应的图片类型和候选业务的业务标签进行匹配，以确定与目标对象的图片类型相匹配的目标业务，从而可以根据目标对象的偏好为目标对象推荐合适的目标业务，从而可以使得在目标对象进行业务的浏览时，所浏览到的业务均为目标对象所感兴趣的业务，从而能够避免数据传输资源的浪费。
在一个实施例中，如图3所示，得到每一目标图片各自所属的图片类型之前，包括：
步骤302，确定初始图片分类模型和多个样本图片。
其中，初始图片分类模型指的是还未经过参数优化的模型。样本图片指的是已知图片类型的图片。确定初始图片分类模型和样本图片可以在获取目标图片前进行，也可以在获取目标图片后，在对目标图片分类之前进行，同时还可以是与获取目标图片这一步骤同时进行。
步骤304，基于初始图片分类模型和每一样本图片中的图片内容，对各样本图片进行分类处理，得到每一样本图片各自的预测类型。
其中，初始图片分类模型是以样本图片作为入参，以各样本图片的预测类型作为出参，只有预测类型越接近真实类型，才表征模型的预测效果越好。
步骤306，确定每一样本图片各自的真实类型。
其中，真实类型指的是样本图片的实际类型，真实类型可以由参数优化人员根据自身经验判断。
步骤308，基于每一样本图片各自的真实类型和预测类型，确定模型损失。
其中，模型损失指的是真实模型与预测模型之间的差别。模型损失可通过损失函数计算得到。
步骤310，基于模型损失，对初始图片分类模型中的参数进行优化，得到用于对目标图片进行分类的图片分类模型。
其中，图片分类模型也是以目标图片作为入参，以目标图片的图片类型作为出参的模型。模型损失越小，表征图片分类模型的预测结果越好。
本实施例中，通过根据样本图片的真实类型和预测类型，确定模型损失，并根据模型损失对初始图片分类模型进行参数优化，从而可以使得最终得到的图片分类模型能够对目标图片的图片类型进行准确预测，从而能够使得在进行业务匹配时，能够匹配到目标对象所感兴趣的目标业务，从而可以避免数据传输流量的浪费。
在一个实施例中，得到用于对目标图片进行分类的图片分类模型之后，包括：
获取目标对象的存储设备的后台参数。
基于后台参数，对图片分类模型进行封装处理，得到用于对目标图片进行分类的分类接口。
其中，后台参数指的是存储设备的后台参数。例如，目标对象使用手机A存储目标图片时，需要根据手机A的后台参数对图片分类模型进行封装，然后将封装好的分类接口装载在手机A中，从而能够使得分类接口能够成功对存储在手机A中的目标图片进行分类，得到各个目标图片的图片类型。又例如，目标对象使用的是手机B存储目标图片，则需要根据手机B的后台参数对图片分类模型进行封装，然后将封装好的分类接口装载在手机B中，从而能够使得分类接口能够成功对存储在手机B中的目标图片进行分类，得到各个目标图片的图片类型。
分类接口可随应用程序的下载安装一同装载至目标对象的存储设备中，从而可以减少分类接口单独安装的时间，简化分类接口的安装流程，从而可以提升图片分类的效率。
可选地，服务器获取目标对象存储目标图片的存储设备中的后台参数，然后根据后台参数，对图片分类模型进行封装管理，得到图片分类模型封装后的分类接口，以使封装后的分类接口能在存储设备中被成功调用，并对图片进行分类。
本实施例中，通过根据存储设备的后台参数对图片分类模型进行封装，从而能够使得封装后的分类接口能在存储设备中被成功调用，从而能够对存储设备中的目标图片进行分类。此外，通过使分类接口可随应用程序的下载安装一同装载至目标对象的存储设备中，从而可以减少分类接口单独安装的时间，简化分类接口的安装流程，从而可以提升图片分类的效率。
在一个实施例中，每一候选业务各自对应的业务标签的数量至少为一个。
根据每一候选业务的关键词确定各候选业务的业务标签，包括：
获取每一候选业务各自的业务描述内容。
从每一候选业务各自的业务描述内容中提取与候选业务对应的至少一个关键词。
基于每一候选业务各自的关键词，确定每一候选业务各自对应的至少一个业务标签。
其中，业务描述内容可以是对候选业务的介绍也可以是根据候选业务的介绍所扩展出的内容。例如，加油卡是车辆使用的，那么可以扩展出的内容就是车辆，而车辆可以是用在旅行中的交通工具，则还可以扩展出旅行这一内容。又例如，美食是需要购买或者自己做的，那么可以扩展出的内容就是美食优惠或者美食的做法这些内容。
关键词是对业务描述内容进行高度概括的词汇或者直接从业务描述内容的文本中所获取到的词汇。业务标签与图片类型一样，都是对事物进行标识。
可选地，服务器在确定待推荐的多个候选业务后，对每一候选业务的介绍或者根据候选业务的介绍所扩展出的业务描述内容进行确定。服务器对业务描述内容进行高度概括或者直接从业务描述内容的文本中进行关键词提取，从而得到与各候选业务所对应的至少一个关键词。服务器根据每一候选业务各自的关键词，对各个候选业务进行标识，从而得到每一候选业务各自所对应的至少一个业务标签。
本实施例中，通过对候选业务的业务描述内容进行获取，并从中提取出与候选业务相对应的关键词，从而可以对候选业务的业务标签进行确定；通过确定每一候选对象各自对应的至少一个业务标签，从而可以在候选业务涉及多个领域的标签时，能够将候选业务所涉及的标签完整的展示，从而可以避免在进行业务匹配时，由于标签的不完整导致匹配不准确的情况发生。
在一个实施例中，确定目标对象的存储设备中存储的多个目标图片，包括：
确定进行业务匹配的历史时间节点。
基于历史时间节点对目标对象的存储设备中存储的多个候选图片进行筛选，得到多个目标图片。
其中，历史时间节点指的是上一次进行业务匹配的时间节点。例如，第n次业务匹配的时间节点为X，则第n-1次业务匹配的时间节点Y就是历史时间节点。
筛选指的是根据每一候选图片的生成时间或者存储进存储设备的时间，将时间节点在历史时间节点之后的候选图片筛选出来。
可选地，服务器确定上一次进行业务匹配的历史时间节点，然后根据每一候选图片的生成时间或存储进存储设备的时间节点，将时间节点在历史时间节点之后的候选图片筛选出来，得到多个目标图片。
本实施例中，通过根据历史时间节点对候选图片进行筛选，从而可以将已经进行过分类处理的图片筛选出来，从而可以避免对已分类的候选图片进行再次分类，从而可以提升对目标图片的分类效率。此外，通过仅将时间节点在历史时间节点之后的候选图片作为目标图片，可以对目标对象的最新的偏好做出判断，从而可以避免时间节点比较早的候选图片对目标对象的偏好判断造成影响，从而能够使得在匹配业务时，是根据目标对象的最新的偏好进行的匹配，从而能够使得匹配到的目标业务更加符合目标对象当前的偏好。
在一个实施例中，将目标对象对应的图片类型与每一候选业务各自的业务标签进行匹配，得到与目标对象对应的图片类型相匹配的目标业务，包括：
获取每一图片类型各自对应的图片数量。
基于图片数量，对各图片类型进行排序，得到排序结果。
根据排序结果，从各图片类型中筛选出进行业务匹配的图片类型。
根据进行业务匹配的图片类型与每一候选业务各自对应的业务标签之间的匹配结果，确定目标业务。
其中，图片数量指的是归类为每一种图片类型的目标图片的数量。例如，属于A图片类型的目标图片的数量为m，属于B图片类型的目标图片的数量为n。
排序是根据图片数量的多少进行排序的，可以是按照从多到少进行排序，也可以是按照从少到多进行排序。
从各图片类型中筛选出进行业务匹配的图片类型指的是，按照从少到多的排序结果，将排名靠后的几种图片类型作为进行业务匹配的图片类型，或按照从多到少的排序结果，将排名靠前的几种图片类型作为进行业务匹配的图片类型。例如，各图片类型按照从多到少进行排列，得到排序结果，然后将排名前十的图片类型作为最终进行业务匹配的图片类型。
可选地，服务器获取归类为各图片类型的目标图片的数量，并将图片类型按照图片数量从多到少进行排序，得到排序结果。服务器根据排序结果，将排名靠前的几种图片类型作为进行业务匹配的图片类型。服务器根据进行业务匹配的图片类型与每一候选业务各自对应的业务标签之间的匹配结果，确定可以推送给目标对象的目标业务。
本实施例中，通过根据图片数量对各图片类型进行排序，并根据排序结果从图片类型中筛选出进行业务匹配的图片类型，并根据进行业务匹配的图片类型确定推送的目标业务，从而可以避免将与图片类型所匹配的每一目标业务都推送给目标对象，使得目标对象所浏览的目标业务均为目标对象比较感兴趣的业务，从而能够进一步避免数据传输资源的浪费。
本申请还提供一种应用场景，该应用场景应用上述的业务匹配方法。具体地，该业务匹配方法在该应用场景的应用如下：服务器确定上一次进行业务匹配的历史时间节点，然后根据每一候选图片的生成时间或存储进存储设备的时间节点，将时间节点在历史时间节点之后的候选图片筛选出来，得到多个目标图片。服务器进行目标图片的分类处理时，先根据分类处理所实施的平台的后台参数，将图片分类模型封装成能在平台上正常运行的分类接口，然后根据各目标图片所包含的每一事物或者文字内容，得到各目标图片的图片类型。服务器获取归类为各图片类型的目标图片的数量，并将图片类型按照图片数量从多到少进行排序，得到排序结果。服务器根据排序结果，将排名靠前的几种图片类型作为进行业务匹配的图片类型。服务器在确定待推荐的多个候选业务后，对每一候选业务的介绍或者根据候选业务的介绍所扩展出的业务描述内容进行确定。服务器对业务描述内容进行高度概括或者直接从业务描述内容的文本中进行关键词提取，从而得到与各候选业务所对应的至少一个关键词。服务器根据每一候选业务各自的关键词，对各个候选业务进行标识，从而得到每一候选业务各自所对应的至少一个业务标签。服务器根据候选业务的业务标签的名称和图片类型的名称之间是否相同或者图片类型和业务标签两者所表征的含义是否相同，从多个候选业务中确定与进行业务匹配的图片类型相匹配的至少一个目标业务，在目标业务匹配完成后，在目标对象打开应用程序时，目标业务就会被优先推送给目标对象。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的业务匹配方法的业务匹配装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个业务匹配装置实施例中的具体限定可以参见上文中对于业务匹配方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种业务匹配装置，包括：
图片确定模块402，用于确定目标对象的存储设备中存储的多个目标图片。
类型确定模块404，用于按照每一目标图片中的图片内容对各目标图片进行分类处理，得到每一目标图片各自所属的图片类型。
标签确定模块406，用于确定待匹配的多个候选业务，并根据每一候选业务的关键词确定各候选业务的业务标签。业务标签与图片类型之间存在对应关系。
业务匹配模块408，用于将目标对象对应的图片类型与每一候选业务各自的业务标签进行匹配，得到与目标对象对应的图片类型相匹配的目标业务。
在其中一个实施例中，类型确定模块包括：
图片确定单元，用于确定初始图片分类模型和多个样本图片。
类型预测单元，用于基于初始图片分类模型和每一样本图片中的图片内容，对各样本图片进行分类处理，得到每一样本图片各自的预测类型。
类型获取单元，用于确定每一样本图片各自的真实类型。
损失确定单元，用于基于每一样本图片各自的真实类型和预测类型，确定模型损失。
参数优化单元，用于基于模型损失，对初始图片分类模型中的参数进行优化，得到用于对目标图片进行分类的图片分类模型。
在其中一个实施例中，参数优化单元包括：
参数获取子单元，用于获取目标对象的存储设备的后台参数。
模型封装子单元，用于基于后台参数，对图片分类模型进行封装处理，得到用于对目标图片进行分类的分类接口。
在其中一个实施例中，每一候选业务各自对应的业务标签的数量至少为一个。标签确定模块包括：
内容获取单元，用于获取每一候选业务各自的业务描述内容。
关键词提取单元，用于从每一候选业务各自的业务描述内容中提取与候选业务对应的至少一个关键词。
标签确定单元，用于基于每一候选业务各自的关键词，确定每一候选业务各自对应的至少一个业务标签。
在其中一个实施例中，图片确定模块包括：
时间确定单元，用于确定进行业务匹配的历史时间节点。
图片筛选单元，用于基于历史时间节点对目标对象的存储设备中存储的多个候选图片进行筛选，得到多个目标图片。
在其中一个实施例中，业务匹配模块包括：
数量确定单元，用于获取每一图片类型各自对应的图片数量。
排序单元，用于基于图片数量，对各图片类型进行排序，得到排序结果。
类型筛选单元，用于根据排序结果，从各图片类型中筛选出进行业务匹配的图片类型。
业务匹配单元，用于根据进行业务匹配的图片类型与每一候选业务各自对应的业务标签之间的匹配结果，确定目标业务。
上述业务匹配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标图片、图片类型、候选业务、关键词、业务标签以及目标业务。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种业务匹配方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
确定目标对象的存储设备中存储的多个目标图片；按照每一目标图片中的图片内容对各目标图片进行分类处理，得到每一目标图片各自所属的图片类型；确定待匹配的多个候选业务，并根据每一候选业务的关键词确定各候选业务的业务标签；业务标签与图片类型之间存在对应关系；将目标对象对应的图片类型与每一候选业务各自的业务标签进行匹配，得到与目标对象对应的图片类型相匹配的目标业务。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定初始图片分类模型和多个样本图片；基于初始图片分类模型和每一样本图片中的图片内容，对各样本图片进行分类处理，得到每一样本图片各自的预测类型；确定每一样本图片各自的真实类型；基于每一样本图片各自的真实类型和预测类型，确定模型损失；基于模型损失，对初始图片分类模型中的参数进行优化，得到用于对目标图片进行分类的图片分类模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取目标对象的存储设备的后台参数；基于后台参数，对图片分类模型进行封装处理，得到用于对目标图片进行分类的分类接口。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取每一候选业务各自的业务描述内容；从每一候选业务各自的业务描述内容中提取与候选业务对应的至少一个关键词；基于每一候选业务各自的关键词，确定每一候选业务各自对应的至少一个业务标签。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定进行业务匹配的历史时间节点；基于历史时间节点对目标对象的存储设备中存储的多个候选图片进行筛选，得到多个目标图片。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取每一图片类型各自对应的图片数量；基于图片数量，对各图片类型进行排序，得到排序结果；根据排序结果，从各图片类型中筛选出进行业务匹配的图片类型；根据进行业务匹配的图片类型与每一候选业务各自对应的业务标签之间的匹配结果，确定目标业务。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
确定目标对象的存储设备中存储的多个目标图片；按照每一目标图片中的图片内容对各目标图片进行分类处理，得到每一目标图片各自所属的图片类型；确定待匹配的多个候选业务，并根据每一候选业务的关键词确定各候选业务的业务标签；业务标签与图片类型之间存在对应关系；将目标对象对应的图片类型与每一候选业务各自的业务标签进行匹配，得到与目标对象对应的图片类型相匹配的目标业务。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定初始图片分类模型和多个样本图片；基于初始图片分类模型和每一样本图片中的图片内容，对各样本图片进行分类处理，得到每一样本图片各自的预测类型；确定每一样本图片各自的真实类型；基于每一样本图片各自的真实类型和预测类型，确定模型损失；基于模型损失，对初始图片分类模型中的参数进行优化，得到用于对目标图片进行分类的图片分类模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取目标对象的存储设备的后台参数；基于后台参数，对图片分类模型进行封装处理，得到用于对目标图片进行分类的分类接口。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取每一候选业务各自的业务描述内容；从每一候选业务各自的业务描述内容中提取与候选业务对应的至少一个关键词；基于每一候选业务各自的关键词，确定每一候选业务各自对应的至少一个业务标签。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定进行业务匹配的历史时间节点；基于历史时间节点对目标对象的存储设备中存储的多个候选图片进行筛选，得到多个目标图片。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取每一图片类型各自对应的图片数量；基于图片数量，对各图片类型进行排序，得到排序结果；根据排序结果，从各图片类型中筛选出进行业务匹配的图片类型；根据进行业务匹配的图片类型与每一候选业务各自对应的业务标签之间的匹配结果，确定目标业务。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
确定目标对象的存储设备中存储的多个目标图片；按照每一目标图片中的图片内容对各目标图片进行分类处理，得到每一目标图片各自所属的图片类型；确定待匹配的多个候选业务，并根据每一候选业务的关键词确定各候选业务的业务标签；业务标签与图片类型之间存在对应关系；将目标对象对应的图片类型与每一候选业务各自的业务标签进行匹配，得到与目标对象对应的图片类型相匹配的目标业务。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定初始图片分类模型和多个样本图片；基于初始图片分类模型和每一样本图片中的图片内容，对各样本图片进行分类处理，得到每一样本图片各自的预测类型；确定每一样本图片各自的真实类型；基于每一样本图片各自的真实类型和预测类型，确定模型损失；基于模型损失，对初始图片分类模型中的参数进行优化，得到用于对目标图片进行分类的图片分类模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取目标对象的存储设备的后台参数；基于后台参数，对图片分类模型进行封装处理，得到用于对目标图片进行分类的分类接口。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取每一候选业务各自的业务描述内容；从每一候选业务各自的业务描述内容中提取与候选业务对应的至少一个关键词；基于每一候选业务各自的关键词，确定每一候选业务各自对应的至少一个业务标签。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定进行业务匹配的历史时间节点；基于历史时间节点对目标对象的存储设备中存储的多个候选图片进行筛选，得到多个目标图片。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取每一图片类型各自对应的图片数量；基于图片数量，对各图片类型进行排序，得到排序结果；根据排序结果，从各图片类型中筛选出进行业务匹配的图片类型；根据进行业务匹配的图片类型与每一候选业务各自对应的业务标签之间的匹配结果，确定目标业务。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种业务匹配方法，其特征在于，所述方法包括：
确定目标对象的存储设备中存储的多个目标图片；
按照每一所述目标图片中的图片内容对各所述目标图片进行分类处理，得到每一所述目标图片各自所属的图片类型；
确定待匹配的多个候选业务，并根据每一所述候选业务的关键词确定各所述候选业务的业务标签；所述业务标签与所述图片类型之间存在对应关系；
将所述目标对象对应的图片类型与每一所述候选业务各自的业务标签进行匹配，得到与所述目标对象对应的图片类型相匹配的目标业务。
2.根据权利要求1所述的方法，其特征在于，所述得到每一所述目标图片各自所属的图片类型之前，包括：
确定初始图片分类模型和多个样本图片；
基于所述初始图片分类模型和每一所述样本图片中的图片内容，对各所述样本图片进行分类处理，得到每一所述样本图片各自的预测类型；
确定每一所述样本图片各自的真实类型；
基于每一所述样本图片各自的真实类型和预测类型，确定模型损失；
基于所述模型损失，对所述初始图片分类模型中的参数进行优化，得到用于对所述目标图片进行分类的图片分类模型。
3.根据权利要求2所述的方法，其特征在于，所述得到用于对所述目标图片进行分类的图片分类模型之后，包括：
获取目标对象的存储设备的后台参数；
基于所述后台参数，对所述图片分类模型进行封装处理，得到用于对所述目标图片进行分类的分类接口。
4.根据权利要求1所述的方法，其特征在于，每一所述候选业务各自对应的业务标签的数量至少为一个；
所述根据每一所述候选业务的关键词确定各所述候选业务的业务标签，包括：
获取每一所述候选业务各自的业务描述内容；
从每一所述候选业务各自的业务描述内容中提取与所述候选业务对应的至少一个关键词；
基于每一所述候选业务各自的关键词，确定每一所述候选业务各自对应的至少一个业务标签。
5.根据权利要求1所述的方法，其特征在于，所述确定目标对象的存储设备中存储的多个目标图片，包括：
确定进行业务匹配的历史时间节点；
基于所述历史时间节点对目标对象的存储设备中存储的多个候选图片进行筛选，得到多个目标图片。
6.根据权利要求1所述的方法，其特征在于，所述将所述目标对象对应的图片类型与每一所述候选业务各自的业务标签进行匹配，得到与所述目标对象对应的图片类型相匹配的目标业务，包括：
获取每一所述图片类型各自对应的图片数量；
基于所述图片数量，对各所述图片类型进行排序，得到排序结果；
根据所述排序结果，从各所述图片类型中筛选出进行业务匹配的图片类型；
根据进行业务匹配的图片类型与每一所述候选业务各自对应的业务标签之间的匹配结果，确定目标业务。
7.一种业务匹配装置，其特征在于，所述装置包括：
图片确定模块，用于确定目标对象的存储设备中存储的多个目标图片；
类型确定模块，用于按照每一所述目标图片中的图片内容对各所述目标图片进行分类处理，得到每一所述目标图片各自所属的图片类型；
标签确定模块，用于确定待匹配的多个候选业务，并根据每一所述候选业务的关键词确定各所述候选业务的业务标签；所述业务标签与所述图片类型之间存在对应关系；
业务匹配模块，用于将所述目标对象对应的图片类型与每一所述候选业务各自的业务标签进行匹配，得到与所述目标对象对应的图片类型相匹配的目标业务。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927574.2A CN117251621A (zh) | 2023-07-26 | 2023-07-26 | 业务匹配方法、装置、计算机设备、存储介质和产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927574.2A CN117251621A (zh) | 2023-07-26 | 2023-07-26 | 业务匹配方法、装置、计算机设备、存储介质和产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117251621A true CN117251621A (zh) | 2023-12-19 |
Family
ID=89132053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310927574.2A Pending CN117251621A (zh) | 2023-07-26 | 2023-07-26 | 业务匹配方法、装置、计算机设备、存储介质和产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117251621A (zh) |
-
2023
- 2023-07-26 CN CN202310927574.2A patent/CN117251621A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
| CN111680219B (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
| CN105210064B (zh) | 使用深度网络将资源分类 | |
| US11812184B2 (en) | Systems and methods for presenting image classification results | |
| US11562179B2 (en) | Artificial intelligence system for inspecting image reliability | |
| US20210406981A1 (en) | Method and apparatus of determining display page, electronic device, and medium | |
| US10613715B2 (en) | Minimally invasive user metadata | |
| CN111666275B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN111783712A (zh) | 一种视频处理方法、装置、设备及介质 | |
| CN112328823A (zh) | 多标签分类模型的训练方法、装置、电子设备及存储介质 | |
| CN113220657A (zh) | 数据处理方法、装置及计算机设备 | |
| KR101472451B1 (ko) | 디지털 콘텐츠 관리 시스템 및 방법 | |
| CN110909768B (zh) | 一种标注数据获取方法及装置 | |
| CN113793182A (zh) | 商品对象推荐方法及其装置、设备、介质、产品 | |
| CN115659008A (zh) | 大数据信息反馈的信息推送系统、方法、电子设备及介质 | |
| CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN114066533A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN116663505B (zh) | 一种基于互联网的评论区管理方法及系统 | |
| CN113935401A (zh) | 物品信息的处理方法、装置、服务器及存储介质 | |
| CN112989182A (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
| CN110532448B (zh) | 基于神经网络的文档分类方法、装置、设备及存储介质 | |
| CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
| CN113837216B (zh) | 数据分类方法、训练方法、装置、介质及电子设备 | |
| CN115186188A (zh) | 基于行为分析的产品推荐方法、装置、设备及存储介质 | |
| CN114693435A (zh) | 催收名单的智能回访的方法、装置、电子设备及存储介质 |
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 |