[發明專利]數據處理方法、裝置、系統、計算機可讀存儲介質

在審

• 申請號: 202010074573.4
• 申請日: 2020-01-22
• 公開（公告）號: CN113159877A
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 王穎帥
• 申請（專利權）人: 北京沃東天駿信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q30/02;G06N3/08;G06K9/62
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 楊靜

1.一種數據處理方法，包括：

獲取用戶數據，其中，所述用戶數據至少包括用戶屬性數據和用戶行為數據，所述用戶行為數據用于表征用戶對商品的操作記錄；

處理所述用戶數據，得到多層級特征數據，其中，所述多層級特征數據用于表征所述用戶對所述商品的需求，所述多層級特征數據包括多個層級特征數據，所述多個層級特征數據中的每一個分別表征用戶數據與商品需求的一種關聯關系；以及

基于所述多層級特征數據，確定所述用戶對所述商品的需求數據。

2.根據權利要求1所述的方法，還包括：獲取經訓練預測模型；

其中，所述處理所述用戶數據，得到多層級特征數據包括：利用所述經訓練預測模型處理所述用戶數據，得到多層級特征數據。

3.根據權利要求2所述的方法，其中，所述經訓練預測模型至少包括因子分解機子模型、卷積神經網絡子模型以及深度神經網絡子模型；

所述利用所述經訓練預測模型處理所述用戶數據，得到多層級特征數據包括：

利用所述因子分解機子模型處理所述用戶數據，得到第一層級特征數據；

利用所述卷積神經網絡子模型處理所述用戶數據，得到第二層級特征數據；以及

利用所述深度神經網絡子模型處理所述用戶數據，得到第三層級特征數據，

其中，所述第一層級特征數據、所述第二層級特征數據以及所述第三層級特征數據所表征的所述關聯關系依次為淺層關聯關系、中層關聯關系以及深層關聯關系。

4.根據權利要求3所述的方法，其中，所述經訓練預測模型還包括梯度下降樹子模型，所述梯度下降樹子模型包括多棵樹結構；

所述利用所述卷積神經網絡子模型處理所述用戶數據，得到第二層級特征數據包括：

利用所述梯度下降樹子模型處理所述用戶數據，確定所述用戶數據分別落在所述多棵樹結構中的葉子節點；

基于所述用戶數據所在的葉子節點，得到所述多棵樹結構輸出的組合特征向量；以及

利用所述卷積神經網絡子模型處理所述組合特征向量，得到所述第二層級特征數據。

5.根據權利要求3所述的方法，其中，所述利用所述因子分解機子模型處理所述用戶數據，得到第一層級特征數據包括：

利用所述因子分解機子模型處理所述用戶數據，得到多個第一階特征；

將所述多個第一階特征兩兩組合得到多個第二階特征；

處理所述多個第二階特征，得到處理后的第二階特征；以及

確定所述第一階特征和所述處理后的第二階特征為所述第一層級特征數據。

6.根據權利要求5所述的方法，其中，所述處理所述多個第二階特征，得到處理后的第二階特征包括：

分別確定所述多個第二階特征中每個第二階特征所包含的兩個第一階特征之間的關聯性；以及

基于所述關聯性增大或減小所述多個第二階特征中每個第二階特征的權重，得到所述處理后的第二階特征。

7.根據權利要求1-6中任意一項所述的方法，其中，所述需求數據包括需求概率；所述方法還包括：

基于所述用戶對所述商品的所述需求概率，確定所述需求概率大于預設概率所對應的目標商品；以及

將所述目標商品推薦給所述用戶。

8.根據權利要求2-5中任意一項所述的方法，還包括：

獲取待訓練預測模型以及訓練樣本，其中，所述訓練樣本包括歷史用戶數據以及標簽數據，所述標簽數據用于表征用戶是否對歷史商品進行操作；以及

基于所述歷史用戶數據訓練所述待訓練預測模型，得到輸出數據，其中，所述輸出數據用于表征用戶對所述歷史商品的需求數據；以及

基于所述輸出數據和所述標簽數據，利用反向傳輸算法更新所述待訓練預測模型中的參數，得到所述經訓練預測模型。