[發(fā)明專利]數(shù)據(jù)處理方法、裝置、系統(tǒng)、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010074573.4
• 申請日: 2020-01-22
• 公開（公告）號: CN113159877A
• 公開（公告）日: 2021-07-23
• 發(fā)明（設(shè)計(jì)）人: 王穎帥
• 申請（專利權(quán)）人: 北京沃東天駿信息技術(shù)有限公司;北京京東世紀(jì)貿(mào)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(biāo)代理有限責(zé)任公司 11021
• 代理人: 楊靜

本公開提供一種數(shù)據(jù)處理方法，包括：獲取用戶數(shù)據(jù)，其中，用戶數(shù)據(jù)至少包括用戶屬性數(shù)據(jù)和用戶行為數(shù)據(jù)，用戶行為數(shù)據(jù)用于表征用戶對商品的操作記錄；處理用戶數(shù)據(jù)，得到多層級特征數(shù)據(jù)，其中，多層級特征數(shù)據(jù)用于表征用戶對商品的需求，多層級特征數(shù)據(jù)包括多個(gè)層級特征數(shù)據(jù)，多個(gè)層級特征數(shù)據(jù)中的每一個(gè)分別表征用戶數(shù)據(jù)與商品需求的一種關(guān)聯(lián)關(guān)系；以及基于多層級特征數(shù)據(jù)，確定用戶對商品的需求數(shù)據(jù)。本公開還提供了一種數(shù)據(jù)處理裝置、一種數(shù)據(jù)處理系統(tǒng)以及一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

技術(shù)領(lǐng)域

本公開涉及計(jì)算機(jī)技術(shù)領(lǐng)域，更具體地，涉及一種數(shù)據(jù)處理方法、一種數(shù)據(jù)處理裝置、一種數(shù)據(jù)處理系統(tǒng)以及一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著計(jì)算機(jī)技術(shù)的發(fā)展，越來越多的用戶喜歡在電商平臺(tái)上購物。通常，電商平臺(tái)會(huì)自動(dòng)為用戶推薦相關(guān)的商品，但是，所推薦的商品往往不是用戶所需要的商品。因此，如何從海量數(shù)據(jù)中挖掘出用戶真正想要購買的商品，以更好地為用戶服務(wù)成為亟需解決的問題。

在實(shí)現(xiàn)本公開構(gòu)思的過程中，發(fā)明人發(fā)現(xiàn)相關(guān)技術(shù)中至少存在如下問題，相關(guān)技術(shù)中為用戶推薦的商品通常沒有針對性，即，為所有用戶推薦的商品均一樣，難以滿足用戶的需求。

發(fā)明內(nèi)容

有鑒于此，本公開提供了一種優(yōu)化的數(shù)據(jù)處理方法、數(shù)據(jù)處理裝置、數(shù)據(jù)處理系統(tǒng)和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

本公開的一個(gè)方面提供了一種數(shù)據(jù)處理方法，包括：獲取用戶數(shù)據(jù)，其中，所述用戶數(shù)據(jù)至少包括用戶屬性數(shù)據(jù)和用戶行為數(shù)據(jù)，所述用戶行為數(shù)據(jù)用于表征用戶對商品的操作記錄。處理所述用戶數(shù)據(jù)，得到多層級特征數(shù)據(jù)，其中，所述多層級特征數(shù)據(jù)用于表征所述用戶對所述商品的需求，所述多層級特征數(shù)據(jù)包括多個(gè)層級特征數(shù)據(jù)，所述多個(gè)層級特征數(shù)據(jù)中的每一個(gè)分別表征用戶數(shù)據(jù)與商品需求的一種關(guān)聯(lián)關(guān)系。基于所述多層級特征數(shù)據(jù)，確定所述用戶對所述商品的需求數(shù)據(jù)。

根據(jù)本公開實(shí)施例，上述方法還包括：獲取經(jīng)訓(xùn)練預(yù)測模型。其中，所述處理所述用戶數(shù)據(jù)，得到多層級特征數(shù)據(jù)包括：利用所述經(jīng)訓(xùn)練預(yù)測模型處理所述用戶數(shù)據(jù)，得到多層級特征數(shù)據(jù)。

根據(jù)本公開實(shí)施例，上述經(jīng)訓(xùn)練預(yù)測模型至少包括因子分解機(jī)子模型、卷積神經(jīng)網(wǎng)絡(luò)子模型以及深度神經(jīng)網(wǎng)絡(luò)子模型。所述利用所述經(jīng)訓(xùn)練預(yù)測模型處理所述用戶數(shù)據(jù)，得到多層級特征數(shù)據(jù)包括：利用所述因子分解機(jī)子模型處理所述用戶數(shù)據(jù)，得到第一層級特征數(shù)據(jù)，利用所述卷積神經(jīng)網(wǎng)絡(luò)子模型處理所述用戶數(shù)據(jù)，得到第二層級特征數(shù)據(jù)，利用所述深度神經(jīng)網(wǎng)絡(luò)子模型處理所述用戶數(shù)據(jù)，得到第三層級特征數(shù)據(jù)，其中，所述第一層級特征數(shù)據(jù)、所述第二層級特征數(shù)據(jù)以及所述第三層級特征數(shù)據(jù)所表征的所述關(guān)聯(lián)關(guān)系依次為淺層關(guān)聯(lián)關(guān)系、中層關(guān)聯(lián)關(guān)系以及深層關(guān)聯(lián)關(guān)系。

根據(jù)本公開實(shí)施例，上述經(jīng)訓(xùn)練預(yù)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(jié)構(gòu)。所述利用所述卷積神經(jīng)網(wǎng)絡(luò)子模型處理所述用戶數(shù)據(jù)，得到第二層級特征數(shù)據(jù)包括：利用所述梯度下降樹子模型處理所述用戶數(shù)據(jù)，確定所述用戶數(shù)據(jù)分別落在所述多棵樹結(jié)構(gòu)中的葉子節(jié)點(diǎn)，基于所述用戶數(shù)據(jù)所在的葉子節(jié)點(diǎn)，得到所述多棵樹結(jié)構(gòu)輸出的組合特征向量，利用所述卷積神經(jīng)網(wǎng)絡(luò)子模型處理所述組合特征向量，得到所述第二層級特征數(shù)據(jù)。

根據(jù)本公開實(shí)施例，上述利用所述因子分解機(jī)子模型處理所述用戶數(shù)據(jù)，得到第一層級特征數(shù)據(jù)包括：利用所述因子分解機(jī)子模型處理所述用戶數(shù)據(jù)，得到多個(gè)第一階特征，將所述多個(gè)第一階特征兩兩組合得到多個(gè)第二階特征，處理所述多個(gè)第二階特征，得到處理后的第二階特征，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(shù)據(jù)。

根據(jù)本公開實(shí)施例，上述處理所述多個(gè)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(gè)第二階特征中每個(gè)第二階特征所包含的兩個(gè)第一階特征之間的關(guān)聯(lián)性，基于所述關(guān)聯(lián)性增大或減小所述多個(gè)第二階特征中每個(gè)第二階特征的權(quán)重，得到所述處理后的第二階特征。