CN118134590A - 一种信息传输方法、装置、设备及存储介质 - Google Patents
一种信息传输方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118134590A CN118134590A CN202410109403.3A CN202410109403A CN118134590A CN 118134590 A CN118134590 A CN 118134590A CN 202410109403 A CN202410109403 A CN 202410109403A CN 118134590 A CN118134590 A CN 118134590A
- Authority
- CN
- China
- Prior art keywords
- product
- data
- determining
- current
- product 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 56
- 230000005540 biological transmission Effects 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000007477 logistic regression Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects 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
- 208000032370 Secondary transmission Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 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
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种信息传输方法、装置、设备及存储介质,包括:获取目标客户端的当前产品数据;确定所述当前产品数据的特征向量,并对所述特征向量进行逻辑回归处理,确定相对所述当前产品数据的预测产品数据;根据所述预测产品数据确定目标产品信息,将所述目标产品信息传输至所述目标客户端。上述技术方案,动态实现产品信息的实时精准确定与传输,提升用户使用体验感。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种信息传输方法、装置、设备及存储介质。
背景技术
随着银行市场化程度的深入,银行的产品推送方式也在不断的改进,以便针对特定客户进行精准推送。
目前,常用的产品推送方式为:通过收集和分析大量的历史产品数据和属性信息,使用机器学习算法训练模型,预测产品的需求和行为,然后进行精准产品推送。然而,该种方式依赖于历史时间内的数据信息,无法较好地适应用户的实时性需求,导致用户使用体验感较差。
发明内容
本发明提供了一种信息传输方法、装置、设备及存储介质,动态实现产品信息的实时精准确定与传输,提升用户使用体验感。
第一方面,本公开实施例提供了一种信息传输方法,包括:
获取目标客户端的当前产品数据;
确定所述当前产品数据的特征向量,并对所述特征向量进行逻辑回归处理,确定相对所述当前产品数据的预测产品数据;
根据所述预测产品数据确定目标产品信息,将所述目标产品信息传输至所述目标客户端。
第二方面,本公开实施例提供了一种信息传输装置,包括:
数据获取模块,用于获取目标客户端的当前产品数据;
数据确定模块,用于确定所述当前产品数据的特征向量,并对所述特征向量进行逻辑回归处理,确定相对所述当前产品数据的预测产品数据;
信息传输模块,用于根据所述预测产品数据确定目标产品信息,将所述目标产品信息传输至所述目标客户端。
第三方面,本公开实施例提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;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,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行上述第一方面实施例提供的信息传输方法。
第四方面,本公开实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现上述第一方面实施例提供的信息传输方法。
本发明实施例的一种信息传输方法、装置、设备及存储介质,上述技术方案,获取目标客户端的当前产品数据;确定所述当前产品数据的特征向量,并对所述特征向量进行逻辑回归处理,确定相对所述当前产品数据的预测产品数据;根据所述预测产品数据确定目标产品信息,将所述目标产品信息传输至所述目标客户端。上述技术方案,动态实现产品信息的实时精准确定与传输,提升用户使用体验感。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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他的附图。
图1是本发明实施例一提供的一种信息传输方法的流程图;
图2是本发明实施例一提供的一种信息传输方法中所涉及客户端关联信息图谱的示例展示图;
图3是本发明实施例二提供的一种信息传输方法的流程图;
图4是本发明实施例三提供的一种信息传输装置的结构示意图;
图5是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“目标”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,以便这里描述的本发明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单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,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单元。
实施例一
图1是本发明实施例一提供的一种信息传输方法的流程图,本实施例可适用于将产品信息传输至目标客户端的情形,该方法可以由信息传输装置来执行,该信息传输装置可以采用硬件和/或软件的形式实现。
如图1所示,该方法包括:
S101、获取目标客户端的当前产品数据。
在本实施例中,目标客户端可以理解为银行电子渠道的操作终端,包括手机银行、网银以及金融交易自助服务终端(Automatic Teller Machine,ATM)等,也可以理解为用户的个人账户。当前产品数据可以理解为目标客户端正在被操作的产品数据信息。产品包括实体产品、理财产品等。目标客户端的操作包括浏览、点击、购买等。
具体的,在用户与银行电子渠道进行交互的过程中,通过实时处理工具ApacheKafka实时获取目标客户端的当前产品数据并将当前产品数据的数据流按时间顺序存储。其中,ApacheKafka是一个开源的分布式流处理平台,它能够处理和存储大量的实时数据流,Kafka可以和Flink(或者Apache Storm或Apache Samza)配合使用,Flink从Kafka中消费(读取)数据,处理后再将结果生产(写入)到Kafka。其中,ApacheFlink是一个开源的流处理框架,它能够对无限的数据流进行分布式处理和计算。Flink为实时处理、批处理和复杂事件处理(CEP)等不同的应用场景提供了统一的API。Flink的一个关键特性是它的时间处理能力,这使得Flink能够处理任何类型的时间,包括事件时间、处理时间和墙钟时间。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
S102、确定当前产品数据的特征向量,并对特征向量进行逻辑回归处理,确定相对当前产品数据的预测产品数据。
在本实施例中,特征向量可以理解为能够体现当前产品数据的特征的信息。预测产品数据可以理解为目标客户端存在被操作可能的产品的数据信息,预测产品数据可能存在多条,是各产品的被操作概率值。
Apache Kafka将当前产品数据按照时间顺序存储,Flink从Kafka中读取数据,当前产品数据包括客户端标识、产品操作类型、产品信息以及操作时间,按照客户端标识(cid、openid)进行分组,并对每个当前产品数据按照时间顺序进行排序。在流处理过程中,实时计算每个当前产品数据的特征向量。
具体的,基于Flink从Kafka中获取到当前产品数据,对当前产品数据进行预处理、编码转换与数值标准化处理,确定当前产品数据的特征向量。根据当前产品数据的特征向量对逻辑回归模型进行训练,生成满足当次迭代下预测需求的预测模型,将特征向量输入至训练完备的预测模型中,获得预测结果,即相对当前产品数据的预测产品数据。
S103、根据预测产品数据确定目标产品信息,将目标产品信息传输至目标客户端。
在本实施例中,目标产品信息可以理解为用于传输至目标客户端的产品的信息。
具体的,从预测产品数据中,确定出满足预先设定的产品确定条件的产品数据,将满足产品确定条件的产品数据所对应的产品信息确定为目标产品信息,将目标产品信息传输至目标客户端。
示例性的,预测产品数据包括A产品:0.6;B产品:0.2;C产品:0.7;D产品:0.4;此时,确定预测产品数据中概率值最高的0.7,将C产品所对应的产品信息确定为目标产品信息;或者,确定预测产品数据中概率值高于均值的0.6和0.7,将A产品和C产品所对应的产品信息确定为目标产品信息;或者,确定预测产品数据中概率值高于预设阈值0.3的0.6、0.7和0.4,将A产品、C产品和D产品所对应的产品信息确定为目标产品信息。
本发明实施例所提供的一种信息传输方法,获取目标客户端的当前产品数据;确定当前产品数据的特征向量,并对特征向量进行逻辑回归处理,确定相对当前产品数据的预测产品数据;根据预测产品数据确定目标产品信息,将目标产品信息传输至目标客户端。上述技术方案,动态实现产品信息的实时精准确定与传输,提升用户使用体验感。
作为实施例的第一可选实施例,在上述实施例基础上,本第一可选实施例还优化增加了:
a1)调用预先存储的客户端关联信息图谱,确定与目标客户端存在相同特征的关联客户端。
在本实施例中,客户端关联信息图谱可以理解为记录客户端之间关联特征的图谱。其中,关联特征为客户端之间共同购买过的产品类型、共同参与过的产品活动、共同浏览过的资讯消息或客户端之间的好友关系等。图2是本发明实施例一提供的一种信息传输方法中所涉及客户端关联信息图谱的示例展示图。如图2所示,客户端A与客户端B、客户端D以及客户端F存在共同特征;客户端B与客户端A、客户端C以及客户端D存在共同特征;客户端C与客户端B和客户端E存在共同特征;客户端D与客户端A、客户端B以及客户端E存在共同特征;客户端E与客户端C、客户端D以及客户端F存在共同特征;客户端F与客户端A和客户端E存在共同特征。关联客户端可以理解为与目标客户端存在相同特征的客户端,例如当目标客户端为客户端A时,关联客户端包括客户端B、客户端D以及客户端F。
具体的,调用预先存储的客户端关联信息图谱,确定客户端关联信息图谱中与目标客户端存在相同特征的其他客户端,将与目标客户端存在相同特征的客户端确定为关联客户端。
可以理解的是,客户端关联信息图谱的相关信息获取与图谱构建,均依据相关规定,通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
b1)根据预测产品数据确定与关联客户端相对应的关联产品信息。
在本实施例中,关联产品信息理解为从目标客户端的预测产品数据中确定出的与关联客户端特征匹配的产品所对应的产品信息。
具体的,根据多个预测产品数据中,与关联客户端存在相关特征的预测产品数据锁所对应的产品信息,确定为相对关联客户端的关联产品信息。
示例性的,如图2所示,目标客户端为客户端B,将预测产品数据中Ⅰ类产品的产品信息确定为相对客户端A的关联产品信息;将预测产品数据中Ⅱ类产品的产品信息确定为相对客户端C的关联产品信息。
c1)将关联产品信息传输至对应的关联客户端。
具体的,将确定出的关联产品信息,对应传输至各个关联客户端。
本发明通过图计算网络实现了精准客群的扩散。基于客户端的社交网络图,本发明不仅能够对单个客户端进行产品信息传输,还能通过客户端之间的关联关系找到具有相同特征的客户端,实现产品信息的二次传输。这一方法能够大大提高产品信息传输的覆盖面,进一步提升产品推送效果。
实施例二
图3是本发明实施例二提供的一种信息传输方法的流程图,本实施例是对上述任一实施例的进一步优化,可适用于将产品信息传输至目标客户端的情形,该方法可以由信息传输装置来执行,该信息传输装置可以采用硬件和/或软件的形式实现。
如图3所示,该方法包括:
S201、获取目标客户端的当前产品数据。
S202、对当前产品数据进行预处理,获得预处理后的特征向量。
在本实施例中,当前产品数据中包括客户端标识、产品操作类型、产品信息以及操作时间。其中,客户端标识为目标客户端在电子渠道平台的唯一标识。产品操作类型为产品当前时刻的被操作类型,包括浏览、点击以及购买等。产品信息即具体的产品内容。操作时间为产品被操作的时间戳。
具体的,对当前产品数据中客户端标识、产品操作类型、产品信息以及操作时间进行噪声去除处理、缺失值填充处理、编码转换处理以及数值标准化处理,确定当前产品数据的特征向量。
可选的,对当前产品数据进行预处理,获得预处理后的特征向量,包括:
S2021、对当前产品数据进行噪声去除处理和缺失值填充处理,获得第一优化数据。
在本实施例中,第一优化数据可以理解为去除噪声填充缺失值后的当前产品数据。
具体的,由于采集到的当前产品数据可能存在噪声或数据丢失的情况,对当前产品数据进行滤波处理,去除噪声,将去除噪声后的当前产品数据进行缺失值填充,获得第一优化数据。其中,缺失值填充可以是将全部数据值的平均值填充至缺失位置,形成完成的数据。
S2022、将第一优化数据中满足预设编码转换条件的数据,进行编码转换处理,获得第二优化数据。
在本实施例中,预设编码转换条件可以理解为第一优化数据中存在非数值化的数据信息。第二优化数据可与理解为将第一优化数据全部转换为数值信息的数据。
具体的,第一优化数据中,产品操作类型为非数值化的分类特征,通过one-hotencoding方法对产品操作类型进行编码转换处理,将产品操作类型转化为独特的编码,形成数值化的信息,将数值化的产品操作类型与原本的第一优化数据进行整合,获得纯数值化的第二优化数据。
S2023、对第二优化数据中满足预设数值条件的数据,进行数值标准化处理,获得相对当前产品数据的特征向量。
在本实施例中,预设数值条件的数据可以理解为能够转化为标准化数值的数据,在第二优化数据中,除客户端标识以外,均为满足预设数值条件的数据。
具体的,将第二优化数据中除客户端标识以外的其他数据,即产品操作类型、产品信息以及操作时间进行标准化处理,使其满足正态分布。将标准化的数据与原本的第二优化数据进行整合,获得相对当前产品数据的特征向量。
S203、根据特征向量训练产品预测模型,获得当前迭代下训练完备的产品预测模型,其中,产品预测模型为逻辑回归模型。
在本实施例中,产品预测模型可以理解为用于进行产品预测的逻辑回归模型。
具体的,使用逻辑回归模型作为在线学习模型,使用梯度下降算法进行参数更新。根据当前产品数据的特征向量和初始的产品预测模型确定出产品预测模型在当前迭代下的误差,基于误差值更新模型参数,优化预测模型,完成产品预测模型的训练,获得当前迭代下训练完备的产品预测模型。可以理解的是,产品预测模型还可以是在线支持向量机或在线决策树,本实施例对此不设限定。
可选的,根据特征向量训练产品预测模型,获得当前迭代下训练完备的产品预测模型,包括:
S2031、根据特征向量和产品预测模型,确定当前迭代下产品预测模型的误差值。
在本实施例中,利用实时计算的得到的特征向量作为输入,将特征向量输入至产品预测模型,获得预测模型的初始预测值。此时,还在实时获取客户端在当前时刻的当前产品数据,此时,特征向量已经可以理解为历史时间产品数据的特征向量,因此,将基于特征向量获取到的针对当前时刻的初始预测值,与当前时刻从目标客户端获取到的实际的当前产品数据进行比对,获得产品预测模型的误差值。
可选的,根据特征向量和产品预测模型,确定当前迭代下产品预测模型的误差值,包括:
a2)获取目标客户端的实时产品数据。
在本实施例中,实时产品数据可以理解为实时从目标客户端获取的产品数据,此时,作为特征向量的初始数据的当前产品数据,已经可以理解为历史时间内的产品数据,本实施例中所述的实时产品数据为当前时刻的当前产品数据。
具体的,获取目标及客户端在当前时刻下的实时产品数据,实时产品数据也包括客户端标识、产品操作类型、产品信息以及操作时间。
b2)将特征向量输入至产品预测模型中,获得初始预测数据。
在本实施例中,初始预测数据可以理解为在模型训练过程中进行预测所获得的预测结果。
具体的,将将特征向量输入至产品预测模型中,获得模型输出的结果,即初始预测数据。
c2)将初始预测数据与实时产品数据进行比对,确定当前迭代下产品预测模型的误差值。
在本实施例中,初始预测数据中包括各产品的概率值,实际产品数据为实际被选中的产品,概率值对应为1,将实际产品在初始预测数据中的概率值与1进行比对,并结合初始预测数据中的其他概率值进行计算,得到相对实际产品的预测误差值,即当前迭代下产品预测模型的误差值。
S2032、根据误差值对产品预测模型的初始模型参数进行随机梯度下降优化,获得优化模型参数。
在本实施例中,优化模型参数可以理解为基于误差值对初始模型参数进行优化更新后的模型参数。
具体的,使用随机梯度下降法(Stochastic Gradient Descent,SGD)更新逻辑回归模型的参数,逻辑回归模型为:式中,P(Y=1)是因变量Y取值为1(即“成功”或“是”等)的概率,Y为产品。β为模型参数。β0是截距项,β1至βn为与各自变量X1至Xn相关联的系数,其中,X为自变量,即特征向量。
SGD通过迭代的方式不断调整模型参数以最小化损失函数,具体的,SGD的更新规则为式中,L是损失函数,η是学习率,用来控制模型学习的速度。梯度下降是一种优化算法,用于最小化损失函数L。在这个过程中,模型的参数β会被迭代地更新,以便找到损失函数的最小值,通常对应着最佳的模型参数,即优化模型参数。
S2033、根据优化模型参数更新产品预测模型,获得当前迭代下训练完备的产品预测模型。
在本实施例中,将优化模型参数替换原本的产品预测模型的模型参数,对产品预测模型进行更新,获得当前迭代下训练完备的产品预测模型。
S204、将特征向量输入至训练完备的产品预测模型中,获得预测产品数据。
在本实施例中,将特征向量输入至训练完备的产品预测模型中,获得模型输出的结果,即若干预测产品数据,预测产品数据为产品被操作的概率值。
S205、从预测产品数据中,确定满足预设产品确定条件的数据,将满足预设产品确定条件的数据所对应的产品信息确定为目标产品信息,将目标产品信息传输至目标客户端。
在本实施例中,预设产品确定条件可以是预先设定的用于从若干预测产品数据中确定出待传输的产品信息的条件,例如可以是预测产品数据中概率值最高,也可以是预测产品数据中概率值高于均值,还可以是预测产品数据中概率值高于预设阈值,本实施例对此不设限定。
具体的,从预测产品数据中,确定出满足预先设定的产品确定条件的产品数据,将满足产品确定条件的产品数据所对应的产品信息确定为目标产品信息,将目标产品信息传输至目标客户端。
示例性的,预测产品数据包括A产品:0.6;B产品:0.2;C产品:0.7;D产品:0.4;此时,确定预测产品数据中概率值最高的0.7,将C产品所对应的产品信息确定为目标产品信息;或者,确定预测产品数据中概率值高于均值的0.6和0.7,将A产品和C产品所对应的产品信息确定为目标产品信息;或者,确定预测产品数据中概率值高于预设阈值0.3的0.6、0.7和0.4,将A产品、C产品和D产品所对应的产品信息确定为目标产品信息,将目标产品信息传输至目标客户端。
本发明实施例所提供的一种信息传输方法,获取目标客户端的当前产品数据;对当前产品数据进行预处理,获得预处理后的特征向量;根据特征向量训练产品预测模型,获得当前迭代下训练完备的产品预测模型,其中,产品预测模型为逻辑回归模型;将特征向量输入至训练完备的产品预测模型中,获得预测产品数据;从预测产品数据中,确定满足预设产品确定条件的数据,将满足预设产品确定条件的数据所对应的产品信息确定为目标产品信息。上述技术方案,使用逻辑回归模型作为在线学习模型,使用梯度下降算法进行参数更新,当有新的特征向量到达时,模型首先会计算预测值和真实值之间的误差,然后,计算误差对每个参数的梯度,这个梯度表示了参数值改变一个小量后,误差会改变的方向和大小,最后,根据梯度更新参数,使得误差减小,这个过程是实时的,因此,本申请能够实时地适应客户端相对产品的最新需求,进行动态的、精准的产品确定与产品信息传输,提高用户使用体验感。
实施例三
图4是本发明实施例三提供的一种信息传输装置的结构示意图。如图4所示,该装置包括:
数据获取模块31,用于获取目标客户端的当前产品数据;
数据确定模块32,用于确定所述当前产品数据的特征向量,并对所述特征向量进行逻辑回归处理,确定相对所述当前产品数据的预测产品数据;
信息传输模块33,用于根据所述预测产品数据确定目标产品信息,将所述目标产品信息传输至所述目标客户端。
本技术方案采用的信息传输装置,动态实现产品信息的实时精准确定与传输,提升用户使用体验感。
可选的,数据确定模块32,包括:
特征向量确定子模块,用于对所述当前产品数据进行预处理,获得预处理后的特征向量;
模型训练子模块,用于根据所述特征向量训练产品预测模型,获得当前迭代下训练完备的产品预测模型,其中,所述产品预测模型为逻辑回归模型;
产品数据确定子模块,用于将所述特征向量输入至所述训练完备的产品预测模型中,获得预测产品数据。
可选的,特征向量确定子模块,具体用于:
对所述当前产品数据进行噪声去除处理和缺失值填充处理,获得第一优化数据;
将所述第一优化数据中满足预设编码转换条件的数据,进行编码转换处理,获得第二优化数据;
对所述第二优化数据中满足预设数值条件的数据,进行数值标准化处理,获得相对所述当前产品数据的特征向量。
可选的,模型训练子模块,包括:
误差值确定单元,用于根据所述特征向量和产品预测模型,确定当前迭代下所述产品预测模型的误差值;
模型参数优化单元,用于根据所述误差值对所述产品预测模型的初始模型参数进行随机梯度下降优化,获得优化模型参数;
预测模型更新单元,用于根据所述优化模型参数更新所述产品预测模型,获得当前迭代下训练完备的产品预测模型。
可选的,误差值确定单元,具体用于:
获取目标客户端的实时产品数据;
将所述特征向量输入至所述产品预测模型中,获得初始预测数据;
将所述初始预测数据与所述实时产品数据进行比对,确定当前迭代下所述产品预测模型的误差值。
可选的,信息传输模块33,具体用于:
从所述预测产品数据中,确定满足预设产品确定条件的数据,将满足预设产品确定条件的数据所对应的产品信息确定为目标产品信息。
可选的,所述装置还包括,关联信息传输模块,具体用于:
调用预先存储的客户端关联信息图谱,确定与所述目标客户端存在相同特征的关联客户端;
根据所述预测产品数据确定与所述关联客户端相对应的关联产品信息;
将所述关联产品信息传输至对应的关联客户端。
本发明实施例所提供的信息传输装置可执行本发明任意实施例所提供的信息传输方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备40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5所示,电子设备40包括至少一个处理器41,以及与至少一个处理器41通信连接的存储器,如只读存储器(ROM)42、随机访问存储器(RAM)43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41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序,来执行各种适当的动作和处理。在RAM 43中,还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45,包括:输入单元46,例如键盘、鼠标等;输出单元47,例如各种类型的显示器、扬声器等;存储单元48,例如磁盘、光盘等;以及通信单元49,例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40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41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41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41执行上文所描述的各个方法和处理,例如信息传输方法。
在一些实施例中,信息传输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48。在一些实施例中,计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时,可以执行上文描述的信息传输方法的一个或多个步骤。备选地,在其他实施例中,处理器41可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行信息传输方法。
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)
1.一种信息传输方法,其特征在于,包括:
获取目标客户端的当前产品数据;
确定所述当前产品数据的特征向量,并对所述特征向量进行逻辑回归处理,确定相对所述当前产品数据的预测产品数据;
根据所述预测产品数据确定目标产品信息,将所述目标产品信息传输至所述目标客户端。
2.根据权利要求1所述的方法,其特征在于,所述确定所述当前产品数据的特征向量,并对所述特征向量进行逻辑回归处理,确定相对所述当前产品数据的预测产品数据,包括:
对所述当前产品数据进行预处理,获得预处理后的特征向量;
根据所述特征向量训练产品预测模型,获得当前迭代下训练完备的产品预测模型,其中,所述产品预测模型为逻辑回归模型;
将所述特征向量输入至所述训练完备的产品预测模型中,获得预测产品数据。
3.根据权利要求2所述的方法,其特征在于,所述对所述当前产品数据进行预处理,获得预处理后的特征向量,包括:
对所述当前产品数据进行噪声去除处理和缺失值填充处理,获得第一优化数据;
将所述第一优化数据中满足预设编码转换条件的数据,进行编码转换处理,获得第二优化数据;
对所述第二优化数据中满足预设数值条件的数据,进行数值标准化处理,获得相对所述当前产品数据的特征向量。
4.根据权利要求2所述的方法,其特征在于,所述根据所述特征向量训练产品预测模型,获得当前迭代下训练完备的产品预测模型,包括:
根据所述特征向量和产品预测模型,确定当前迭代下所述产品预测模型的误差值;
根据所述误差值对所述产品预测模型的初始模型参数进行随机梯度下降优化,获得优化模型参数;
根据所述优化模型参数更新所述产品预测模型,获得当前迭代下训练完备的产品预测模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述特征向量和产品预测模型,确定当前迭代下所述产品预测模型的误差值,包括:
获取目标客户端的实时产品数据;
将所述特征向量输入至所述产品预测模型中,获得初始预测数据;
将所述初始预测数据与所述实时产品数据进行比对,确定当前迭代下所述产品预测模型的误差值。
6.根据权利要求1所述的方法,其特征在于,所述根据所述预测产品数据确定目标产品信息,包括:
从所述预测产品数据中,确定满足预设产品确定条件的数据,将满足预设产品确定条件的数据所对应的产品信息确定为目标产品信息。
7.根据权利要求1所述的方法,其特征在于,还包括:
调用预先存储的客户端关联信息图谱,确定与所述目标客户端存在相同特征的关联客户端;
根据所述预测产品数据确定与所述关联客户端相对应的关联产品信息;
将所述关联产品信息传输至对应的关联客户端。
8.一种信息传输装置,其特征在于,包括:
数据获取模块,用于获取目标客户端的当前产品数据;
数据确定模块,用于确定所述当前产品数据的特征向量,并对所述特征向量进行逻辑回归处理,确定相对所述当前产品数据的预测产品数据;
信息传输模块,用于根据所述预测产品数据确定目标产品信息,将所述目标产品信息传输至所述目标客户端。
9.一种电子设备,其特征在于,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中任一项所述的一种信息传输方法。
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中任一项所述的一种信息传输方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410109403.3A CN118134590A (zh) | 2024-01-25 | 2024-01-25 | 一种信息传输方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410109403.3A CN118134590A (zh) | 2024-01-25 | 2024-01-25 | 一种信息传输方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118134590A true CN118134590A (zh) | 2024-06-04 |
Family
ID=91241356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410109403.3A Pending CN118134590A (zh) | 2024-01-25 | 2024-01-25 | 一种信息传输方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118134590A (zh) |
-
2024
- 2024-01-25 CN CN202410109403.3A patent/CN118134590A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115796310A (zh) | 信息推荐及模型训练方法、装置、设备和存储介质 | |
CN117474091A (zh) | 一种知识图谱构建方法、装置、设备及存储介质 | |
CN114494747A (zh) | 模型的训练方法、图像处理方法、装置、电子设备及介质 | |
CN116342164A (zh) | 目标用户群体的定位方法、装置、电子设备及存储介质 | |
CN115601042A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN111429257B (zh) | 一种交易监控方法和装置 | |
CN115496157A (zh) | 分类模型训练方法、装置、电子设备及存储介质 | |
CN118134590A (zh) | 一种信息传输方法、装置、设备及存储介质 | |
CN114723239A (zh) | 一种多方协同建模方法、装置、设备、介质及程序产品 | |
CN114021642A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN113010571A (zh) | 数据检测方法、装置、电子设备、存储介质和程序产品 | |
CN117237070A (zh) | 一种资源分配策略的评价方法、装置、设备及介质 | |
CN118101281A (zh) | 一种网络攻击的风险检测方法、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 | |
CN115758142A (zh) | 深度学习模型的训练方法、数据处理方法和装置 | |
CN117573983A (zh) | 一种融资方案的推荐方法、装置、电子设备及存储介质 | |
CN116192608A (zh) | 云手机故障预测方法、装置以及设备 | |
CN116542689A (zh) | 目标对象识别方法、装置、电子设备以及存储介质 | |
CN118037468A (zh) | 回收风险预测模型训练以及票据回收风险评估方法、装置 | |
CN116579776A (zh) | 风险交易识别方法、装置、设备、存储介质和程序产品 | |
CN115564573A (zh) | 一种融资风险的识别方法、装置、设备和存储介质 | |
CN114331379A (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
CN117635267A (zh) | 金融产品的推荐方法、装置、设备及存储介质 | |
CN117522415A (zh) | 一种风险预测方法、装置和电子设备 |
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 |