CN117952709A - 数据处理方法、装置、设备及存储介质 - Google Patents
数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117952709A CN117952709A CN202410070321.2A CN202410070321A CN117952709A CN 117952709 A CN117952709 A CN 117952709A CN 202410070321 A CN202410070321 A CN 202410070321A CN 117952709 A CN117952709 A CN 117952709A
- Authority
- CN
- China
- Prior art keywords
- data
- behavior
- prediction result
- behavior prediction
- model
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000006399 behavior Effects 0.000 claims description 262
- 238000000034 method Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 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
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据处理方法、装置、设备及存储介质。获取目标用户的当前行为数据、当前态势感知数据、历史行为数据及用户属性数据;将所述当前行为数据及所述当前态势感知数据输入第一行为预测模型,输出第一行为预测结果;将所述历史行为数据及所述用户属性数据发送至服务端,使得服务端将所述历史行为数据及所述用户属性数据输入第二行为预测模型,输出第二行为预测结果;接收所述服务端发送的所述第二行为预测结果;基于所述第一行为预测结果和/或所述第二行为预测结果获取目标业务数据,并将所述目标页面数据进行展示。不仅可以精准的为用户提供个性化服务,且可以降低数据处理的延迟。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种数据处理方法、装置、设备及存储介质。
背景技术
随着移动互联网的快速发展,智能终端已经成为人们日常生活中必不可少的一部分。例如是在金融行业,金融应用程序凭借其方便快捷的特性,已经影响了人们的金融行为习惯。然而,如何通过金融应用程序向用户提供个性化的服务,即实现精准的用户营销,一直是金融机构亟待解决的问题。
精准营销的关键在于理解用户的需求和行为。目前,大多数的营销策略都是基于用户的历史行为数据进行的,通过对这些数据的分析,可以了解用户的需求和偏好,从而实现精准营销。
然而,这种基于历史数据的精准营销方法存在一些限制。首先,历史数据只能反映用户过去的行为,而用户的需求和偏好可能会随着时间的推移而发生变化。其次,历史数据往往需要进行复杂的计算和处理,这不仅消耗大量的计算资源,也增加了数据处理的延迟。
发明内容
本发明实施例提供一种数据处理方法、装置、设备及存储介质,不仅可以精准的为用户提供个性化服务,且可以降低数据处理的延迟。
第一方面,本发明实施例提供了一种数据处理方法,包括:
获取目标用户的当前行为数据、当前态势感知数据、历史行为数据及用户属性数据;
将所述当前行为数据及所述当前态势感知数据输入第一行为预测模型,输出第一行为预测结果;其中,所述第一行为预测模型部署于客户端中;
将所述历史行为数据及所述用户属性数据发送至服务端,使得服务端将所述历史行为数据及所述用户属性数据输入第二行为预测模型,输出第二行为预测结果;其中,所述第二行为预测模型部署于所述服务端;
接收所述服务端发送的所述第二行为预测结果;
基于所述第一行为预测结果和/或所述第二行为预测结果获取目标业务数据,并将所述目标页面数据进行展示。
第二方面,本发明实施例还提供了一种数据处理装置,包括:
数据获取模块,用于获取目标用户的当前行为数据、当前态势感知数据、历史行为数据及用户属性数据;
第一行为预测结果获取模块,用于将所述当前行为数据及所述当前态势感知数据输入第一行为预测模型,输出第一行为预测结果;其中,所述第一行为预测模型部署于客户端中;
第二行为预测结果获取模块,用于将所述历史行为数据及所述用户属性数据发送至服务端,使得服务端将所述历史行为数据及所述用户属性数据输入第二行为预测模型,输出第二行为预测结果;其中,所述第二行为预测模型部署于所述服务端;
第二行为预测结果接收模块,用于接收所述服务端发送的所述第二行为预测结果;
目标业务数据获取模块,用于基于所述第一行为预测结果和/或所述第二行为预测结果获取目标业务数据,并将所述目标页面数据进行展示。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明实施例所述的数据处理方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明实施例所述的数据处理方法。
本发明实施例公开了一种数据处理方法、装置、设备及存储介质。获取目标用户的当前行为数据、当前态势感知数据、历史行为数据及用户属性数据;将当前行为数据及当前态势感知数据输入第一行为预测模型,输出第一行为预测结果;其中,第一行为预测模型部署于客户端中;将历史行为数据及用户属性数据发送至服务端,使得服务端将历史行为数据及用户属性数据输入第二行为预测模型,输出第二行为预测结果;其中,第二行为预测模型部署于服务端;接收服务端发送的第二行为预测结果;基于第一行为预测结果和/或第二行为预测结果获取目标业务数据,并将目标页面数据进行展示。本发明实施例提供的数据处理方法,通过部署于客户端的第一行为预测模型和部署于服务端的第二行为预测模型预测用户的行为,从而根据预测结果获取业务数据,不仅可以精准的为用户提供个性化服务,且可以降低数据处理的延迟。
附图说明
图1是本发明实施例一中的一种数据处理方法的流程图;
图2是本发明实施例二中的一种数据处理装置的结构示意图;
图3是本发明实施例三中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种数据处理方法的流程图,本实施例可适用于预测用户行为的数据处理情况,该方法可以由一种数据处理装置来执行,该装置可以通过软件和/或硬件的形式实现,可选的,通过电子设备来实现,该电子设备可以是移动终端、PC端或服务器等。具体包括如下步骤:
S110,获取目标用户的当前行为数据、当前态势感知数据、历史行为数据及用户属性数据。
其中,当前行为数据可以包括目标用户在金融应用程序(如:移动银行应用程序)中的操作类型、操作时间及操作频率等,操作类型可以是金融业务相关的操作类型,例如:转账、余额查询、购买理财产品等。当前态势感知数据包括如下至少一项:终端位置信息、终端运行状态信息。终端位置信息可以由设置于终端设备的定位模块获取的,终端运行状态信息可以包括CPU利用率、内存使用率、电池状态信息、剩余存储空间及网络状态等。历史行为数据可以是在距离当前时刻一定时段内采集的用户在金融应用程序中的操作记录。用户属性数据可以包括用户标识信息及用户涉及的金融业务信息(例如:是否持有信用卡、是否有贷款等)。
S120,将当前行为数据及当前态势感知数据输入第一行为预测模型,输出第一行为预测结果。
其中,第一行为预测模型部署于客户端中。第一行为预测模型可以是一个轻量级的深度学习模块,是通过对部署于服务端的第二行为预测模型进行压缩及优化获得。第一行为预测模型的规模较小,但是保留了第二行为预测模型的预测用户行为的功能。本实施例中,第一行为预测模型是直接部署在客户端的,通过在使用过程中不断的进行训练。
其中,第一行为预测结果可以表示目标用户在当前时刻之后在金融应用程序中可能触发的操作。具体的,将当前行为数据及当前态势感知数据输入第一行为预测模型,输出第一行为预测结果。
S130,将历史行为数据及用户属性数据发送至服务端,使得服务端将历史行为数据及用户属性数据输入第二行为预测模型,输出第二行为预测结果。
其中,第二行为预测模型部署于服务端。第二行为预测模型可以是一个机器学习模型。本实施例中,由于服务端具有较强的计算能力,将第二行为预测模型部署于服务端,可以数据的处理效率。
其中,第二行为预测模型包括长短期记忆网络(Long Short-Term Memory,LSTM)子模型、卷积神经网络(Convolutional Neural Networks,CNN)子模型及数据融合模块。LSTM是一种特殊的循环神经网络,能够捕捉序列数据中的长期依赖关系,CNN可以提取数据中的特征。
具体的,服务端将历史行为数据及用户属性数据输入第二行为预测模型,输出第二行为预测结果的方式可以是:将历史行为数据转换为时间序列数据;将时间序列数据输入LSTM子模型,输出第一候选预测结果集;将用户属性数据输入CNN子模型,输出第二候选预测结果集;将第一候选预测结果集和第二候选预测结果集输入数据融合模块,输出第二行为预测结果。
其中,时间序列数据可以理解为将历史行为数据按照时间顺序排列后的数据。示例性的,假设历史行为数据为目标用户在设定历史时段内先后执行的操作包括:A、B、C及D,则时间序列数据可以表示为:A-B-C-D。第一候选预测结果集包括一个或多个预测出来的行为结果,第二候选预测结果集包括一个或多个预测出来的行为结果。具体的,将时间序列数据输入LSTM子模型进行行为预测,获得第一候选预测结果集。CNN子模型对用户属性数据进行处理的过程可以是:首先对用户属性数据进行特征提取,获得用户属性特征,然后基于用户属性特征进行行为预测,获得第二候选预测结果集。
其中,将第一候选预测结果集和第二候选预测结果集输入数据融合模块,输出第二行为预测结果的方式可以是:数据融合模块用于获取第一候选预测结果集和第二候选预测结果集的交集;将交集中的候选预测结果作为第二行为预测结果输出。
本实施例中,LSTM子模型基于目标用户的历史行为数据确定候选预测结果集,CNN子模型基于目标用户的属性数据确定候选预测结果集,最后将两个候选预测结果集取交集,最后将将交集中的候选预测结果作为第二行为预测结果输出。即第二行为预测结果即考虑了目标用户的历史行为数据又考虑了目标用户的属性数据,准确度更高。
具体的,第二行为预测模型的训练方式为:获取历史行为样本数据及用户属性样本数据;将历史行为样本数据转换为时间序列样本数据;基于时间序列样本数据对LSTM子模型进行训练,获得训练后的LSTM子模型;基于用户属性样本数据对CNN子模型进行训练,获得训练后的CNN子模型;将训练后的LSTM子模型、训练后的CNN子模型及数据融合模块组合为训练后的第二行为预测模型。
其中,历史行为样本数据可以是在设定历史时段采集的用户连续的行为数据。将历史行为样本数据转换为时间序列样本数据的方式与上述实施例中将历史行为数据转换为时间序列数据的方式类似,此处不再赘述。
其中,时间序列样本数据包括多个节点,每个节点表征一个操作行为。
本实施例中,基于时间序列样本数据对LSTM子模型进行训练的过程可以是:首先将时间序列样本数据拆成多个时间子序列样本;对于每个时间子序列样本,将该子序列样本中的非尾部节点按照顺序输入LSTM子模型,输出预测行为;基于该预测行为和非尾部节点对应的真实行为确定损失函数,基于损失函数训练LSTM子模型。
示例性的,假设时间序列样本数据为:a-b-c-d-e,则拆成时间子序列样本包括:a-b、a-b-c、a-b-c-d及a-b-c-d-e,对于每时间子序列样本,以a-b-c-d为例,将a、b和c按照a-b-c的顺序输入LSTM子模型,输出d1,根据d1和d确定的损失函数,基于损失函数训练LSTM子模型。
本实施例中,基于用户属性样本数据对CNN子模型进行训练的过程可以是:首先获取用户属性样本数据对应的真实行为,然后将用户属性样本数据输入CNN子模型,输出预测行为,再然后基于真实行为和预测行为确定损失函数,基于该损失函数训练CNN子模型。
S140,接收服务端发送的第二行为预测结果。
S150,基于第一行为预测结果和/或第二行为预测结果获取目标业务数据,并将目标页面数据进行展示。
本实施例中,若第一行为预测结果与第二行为预测结果相同,则根据第一行为预测结果或第二行为预测结果获取目标业务数据。若第一行为预测结果与第二行为预测结果不相同,则获取第一行为预测结果对应的目标业务数据以及第二行为预测结果对应的目标业务数据。示例性的,假设第一行为预测结果与第二行为预测结果均为查询余额,则预先将查询余额对应的业务数据从服务端拉取到,若目标用户的真实行为为查询余额,则可以直接将拉取到的业务数据进行显示,从而提高业务处理效率,提高用户体验。
可选的,在将目标页面数据进行展示之后,还包括如下步骤:获取用户在当前时刻之后触发的真实行为数据;若真实行为数据与第一行为预测结果不匹配,则基于第一行为预测结果与真实行为数据对第一行为预测模型进行训练;若真实行为数据与第二行为预测结果不匹配,则基于第二行为预测结果及真实行为数据对第二行为预测模型进行训练。
其中,若真实行为数据与第一行为预测结果不匹配,则表明第一行为预测模型的准确性较低,此时需要对第一行为预测模型继续训练。具体的,基于第一行为预测结果与真实行为数据对第一行为预测模型进行训练的方式可以是:根据第一行为预测结果与真实行为数据确定损失函数,基于该损失函数对第一行为预测模型进行训练。
其中,若真实行为数据与第二行为预测结果不匹配,则表明第二行为预测模型的准确性较低,此时需要对第二行为预测模型继续训练。具体的,基于第二行为预测结果与真实行为数据对第二行为预测模型进行训练的方式可以是:根据第二行为预测结果与真实行为数据确定损失函数,基于该损失函数对第二行为预测模型进行训练。
本实施例,通过在服务端端和设备端的联合学习,可以更精确地预测用户的行为,从而提高精准营销的效果。通过在设备端进行实时的态势感知和预测,可以在用户需要服务之前就提前准备好业务数据,从而提高用户的体验。在设备端进行数据处理和预测,可以避免将用户的敏感数据发送到云端,从而保护用户的隐私。
本实施例的技术方案,获取目标用户的当前行为数据、当前态势感知数据、历史行为数据及用户属性数据;将当前行为数据及当前态势感知数据输入第一行为预测模型,输出第一行为预测结果;其中,第一行为预测模型部署于客户端中;将历史行为数据及用户属性数据发送至服务端,使得服务端将历史行为数据及用户属性数据输入第二行为预测模型,输出第二行为预测结果;其中,第二行为预测模型部署于服务端;接收服务端发送的第二行为预测结果;基于第一行为预测结果和/或第二行为预测结果获取目标业务数据,并将目标页面数据进行展示。本发明实施例提供的数据处理方法,通过部署于客户端的第一行为预测模型和部署于服务端的第二行为预测模型预测用户的行为,从而根据预测结果获取业务数据,不仅可以精准的为用户提供个性化服务,且可以降低数据处理的延迟。
实施例二
图2是本发明实施例二提供的一种数据处理装置的结构示意图,如图2所示,该装置包括:
数据获取模块210,用于获取目标用户的当前行为数据、当前态势感知数据、历史行为数据及用户属性数据;
第一行为预测结果获取模块220,用于将所述当前行为数据及所述当前态势感知数据输入第一行为预测模型,输出第一行为预测结果;其中,所述第一行为预测模型部署于客户端中;
第二行为预测结果获取模块230,用于将所述历史行为数据及所述用户属性数据发送至服务端,使得服务端将所述历史行为数据及所述用户属性数据输入第二行为预测模型,输出第二行为预测结果;其中,所述第二行为预测模型部署于所述服务端;
第二行为预测结果接收模块240,用于接收所述服务端发送的所述第二行为预测结果;
目标业务数据获取模块250,用于基于所述第一行为预测结果和/或所述第二行为预测结果获取目标业务数据,并将所述目标页面数据进行展示。
可选的,所述第二行为预测模型包括长短期记忆网络LSTM子模型、卷积神经网络CNN子模型及数据融合模块。
可选的,第二行为预测结果获取模块230,还用于:
将所述历史行为数据转换为时间序列数据;
将所述时间序列数据输入所述LSTM子模型,输出第一候选预测结果集;
将所述用户属性数据输入所述CNN子模型,输出第二候选预测结果集;
将所述第一候选预测结果集和所述第二候选预测结果集输入所述数据融合模块,输出第二行为预测结果。
可选的,第二行为预测结果获取模块230,还用于:
所述数据融合模块用于获取所述第一候选预测结果集和所述第二候选预测结果集的交集;
将所述交集中的候选预测结果作为第二行为预测结果输出。
可选的,还包括:所述第二行为预测模型训练模块,用于:
获取历史行为样本数据及用户属性样本数据;
将所述历史行为样本数据转换为时间序列样本数据;
基于所述时间序列样本数据对所述LSTM子模型进行训练,获得训练后的LSTM子模型;
基于所述用户属性样本数据对所述CNN子模型进行训练,获得训练后的CNN子模型;
将训练后的LSTM子模型、训练后的CNN子模型及所述数据融合模块组合为训练后的第二行为预测模型。
可选的,还包括:真实行为数据获取模块,用于:
获取用户在所述当前时刻之后触发的真实行为数据;
若所述真实行为数据与所述第一行为预测结果不匹配,则基于所述当前行为数据、所述当前态势感知数据及所述真实行为数据对所述第一行为预测模型进行训练;
若所述真实行为数据与所述第二行为预测结果不匹配,则基于所述历史行为数据、所述用户属性数据及所述真实行为数据对所述第二行为预测模型进行训练。
可选的,所述当前态势感知数据包括如下至少一项:终端位置信息、终端运行状态信息。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如数据处理方法。
在一些实施例中,数据处理方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的数据处理方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取目标用户的当前行为数据、当前态势感知数据、历史行为数据及用户属性数据;
将所述当前行为数据及所述当前态势感知数据输入第一行为预测模型,输出第一行为预测结果;其中,所述第一行为预测模型部署于客户端中;
将所述历史行为数据及所述用户属性数据发送至服务端,使得服务端将所述历史行为数据及所述用户属性数据输入第二行为预测模型,输出第二行为预测结果;其中,所述第二行为预测模型部署于所述服务端;
接收所述服务端发送的所述第二行为预测结果;
基于所述第一行为预测结果和/或所述第二行为预测结果获取目标业务数据,并将所述目标页面数据进行展示。
2.根据权利要求1所述的方法,其特征在于,所述第二行为预测模型包括长短期记忆网络LSTM子模型、卷积神经网络CNN子模型及数据融合模块。
3.根据权利要求2所述的方法,其特征在于,服务端将所述历史行为数据及所述用户属性数据输入第二行为预测模型,输出第二行为预测结果,包括:
将所述历史行为数据转换为时间序列数据;
将所述时间序列数据输入所述LSTM子模型,输出第一候选预测结果集;
将所述用户属性数据输入所述CNN子模型,输出第二候选预测结果集;
将所述第一候选预测结果集和所述第二候选预测结果集输入所述数据融合模块,输出第二行为预测结果。
4.根据权利要求3所述的方法,其特征在于,将所述第一候选预测结果集和所述第二候选预测结果集输入所述数据融合模块,输出第二行为预测结果,包括:
所述数据融合模块用于获取所述第一候选预测结果集和所述第二候选预测结果集的交集;
将所述交集中的候选预测结果作为第二行为预测结果输出。
5.根据权利要求2所述的方法,其特征在于,所述第二行为预测模型的训练方式为:
获取历史行为样本数据及用户属性样本数据;
将所述历史行为样本数据转换为时间序列样本数据;
基于所述时间序列样本数据对所述LSTM子模型进行训练,获得训练后的LSTM子模型;
基于所述用户属性样本数据对所述CNN子模型进行训练,获得训练后的CNN子模型;
将训练后的LSTM子模型、训练后的CNN子模型及所述数据融合模块组合为训练后的第二行为预测模型。
6.根据权利要求1所述的方法,其特征在于,在将所述目标页面数据进行展示之后,还包括:
获取用户在所述当前时刻之后触发的真实行为数据;
若所述真实行为数据与所述第一行为预测结果不匹配,则基于所述当前行为数据、所述当前态势感知数据及所述真实行为数据对所述第一行为预测模型进行训练;
若所述真实行为数据与所述第二行为预测结果不匹配,则基于所述历史行为数据、所述用户属性数据及所述真实行为数据对所述第二行为预测模型进行训练。
7.根据权利要求1所述的方法,其特征在于,所述当前态势感知数据包括如下至少一项:终端位置信息、终端运行状态信息。
8.一种数据处理装置,其特征在于,包括:
数据获取模块,用于获取目标用户的当前行为数据、当前态势感知数据、历史行为数据及用户属性数据;
第一行为预测结果获取模块,用于将所述当前行为数据及所述当前态势感知数据输入第一行为预测模型,输出第一行为预测结果;其中,所述第一行为预测模型部署于客户端中;
第二行为预测结果获取模块,用于将所述历史行为数据及所述用户属性数据发送至服务端,使得服务端将所述历史行为数据及所述用户属性数据输入第二行为预测模型,输出第二行为预测结果;其中,所述第二行为预测模型部署于所述服务端;
第二行为预测结果接收模块,用于接收所述服务端发送的所述第二行为预测结果;
目标业务数据获取模块,用于基于所述第一行为预测结果和/或所述第二行为预测结果获取目标业务数据,并将所述目标页面数据进行展示。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的数据处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410070321.2A CN117952709A (zh) | 2024-01-17 | 2024-01-17 | 数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410070321.2A CN117952709A (zh) | 2024-01-17 | 2024-01-17 | 数据处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117952709A true CN117952709A (zh) | 2024-04-30 |
Family
ID=90800479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410070321.2A Pending CN117952709A (zh) | 2024-01-17 | 2024-01-17 | 数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952709A (zh) |
-
2024
- 2024-01-17 CN CN202410070321.2A patent/CN117952709A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20210132578A (ko) | 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체 | |
CN114428677B (zh) | 任务处理方法、处理装置、电子设备及存储介质 | |
CN113204695B (zh) | 网站识别方法和装置 | |
CN113205189B (zh) | 训练预测模型的方法、预测方法及装置 | |
CN113190746B (zh) | 推荐模型的评估方法、装置及电子设备 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN113724398A (zh) | 增强现实方法、装置、设备以及存储介质 | |
CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
CN113656689B (zh) | 模型生成方法和网络信息的推送方法 | |
CN115203564A (zh) | 信息流推荐方法、装置及计算机程序产品 | |
CN117952709A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN115312042A (zh) | 用于处理音频的方法、装置、设备以及存储介质 | |
CN113239296B (zh) | 小程序的展示方法、装置、设备和介质 | |
CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
CN113284484B (zh) | 模型训练方法及装置、语音识别方法和语音合成方法 | |
CN113343090B (zh) | 用于推送信息的方法、装置、设备、介质和产品 | |
CN114139039B (zh) | 服务稳定性确定方法、装置、设备以及存储介质 | |
CN116992150A (zh) | 一种研发组件推荐方法、装置、设备及存储介质 | |
CN116226148A (zh) | 一种信息更新方法、装置、设备及存储介质 | |
CN115758142A (zh) | 深度学习模型的训练方法、数据处理方法和装置 | |
CN117194788A (zh) | 关注样本获取、关注图模型训练、作者召回方法和装置 | |
CN117608944A (zh) | 权属迁移量配比的计算方法、装置、电子设备和存储介质 | |
CN117522143A (zh) | 风险等级的确定方法、装置、设备及存储介质 | |
CN116521977A (zh) | 一种产品推荐方法、装置、设备及介质 | |
CN114329205A (zh) | 用于推送信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |