[發明專利]基于機器學習的訪問對象預測方法、裝置和計算機設備

有效

• 申請號: 202010076468.4
• 申請日: 2020-01-23
• 公開（公告）號: CN111291264B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 田帥;魯夢平;吳漢杰;戴云峰
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06Q30/0601;G06F18/2415;G06F18/243;G06N3/048;G06N3/047;G06N3/084;G06N20/00;H04L67/55
• 代理公司: 華進聯合專利商標代理有限公司 44224
• 代理人: 王寧

1.一種基于機器學習的訪問對象預測方法，包括：

獲取用戶標識對應的用戶畫像數據和用戶行為數據；

獲取訪問對象數據，根據所述用戶畫像數據和所述用戶行為數據對所述訪問對象數據進行采樣處理，利用采樣得到的訪問對象數據生成候選訪問對象集；

將所述用戶畫像數據和候選訪問對象集輸入至已訓練的預測模型，對所述用戶畫像數據和所述候選訪問對象集進行特征提取，得到目標用戶特征表示和目標對象特征表示；

根據所述目標用戶特征表示和目標對象特征表示計算所述用戶標識對應各個訪問對象的預測值；

根據所述預測值提取滿足條件閾值的目標訪問對象數據，將所述目標訪問對象數據推送至所述用戶標識對應的用戶終端；

所述對所述用戶畫像數據和所述候選訪問對象集進行特征提取包括：

通過所述預測模型分別提取所述用戶畫像數據對應的用戶連續型特征和用戶離散型特征以及所述訪問對象數據對應的訪問對象連續型特征和訪問對象離散型特征；

將所述用戶連續型特征和所述訪問對象連續型特征輸入至前向神經網絡層進行特征映射，得到連續型特征矩陣；

將所述用戶離散型特征和所述訪問對象離散型特征輸入至嵌入層進行特征映射，得到離散特征矩陣；

對所述連續型特征矩陣和所述離散特征矩陣進行特征連接處理，得到用戶向量和訪問對象向量。

2.根據權利要求1所述的方法，其特征在于，所述根據所述用戶畫像數據和所述用戶行為數據對所述訪問對象數據進行采樣處理，利用采樣得到的訪問對象生成候選訪問對象集包括：

根據所述用戶行為數據對所述用戶畫像數據和所述訪問對象數據進行關聯篩選，得到用戶訪問對象交互數據；

根據所述用戶訪問對象交互數據將所述訪問對象數據生成正樣本數據和負樣本數據；

利用所述正樣本數據和負樣本數據生成候選訪問對象集。

3.根據權利要求2所述的方法，其特征在于，所述用戶行為數據包括網絡連接數據；所述根據所述用戶訪問對象交互數據將所述訪問對象數據生成正樣本數據和負樣本數據包括：

識別所述網絡連接數據中與所述用戶標識存在連接記錄的訪問對象數據；

將所述存在連接記錄的訪問對象數據與所述用戶標識進行關聯，生成用戶訪問對象交互數據；

將所述用戶訪問對象交互數據確定為正樣本數據；

利用所述訪問對象數據中未關聯的訪問對象數據生成負樣本數據。

4.根據權利要求3所述的方法，其特征在于，所述利用所述正樣本數據和負樣本數據生成候選訪問對象集包括：

根據所述網絡連接數據中的連接記錄提取所述正樣本數據和所述負樣本數據的用戶關聯特征度；

根據所述用戶關聯特征度對所述候選訪問對象集中的各個訪問對象數據進行抽樣分布，得到各個訪問對象數據的抽樣概率；

提取所述抽樣概率滿足預設條件的訪問對象數據，利用提取的訪問對象數據生成候選訪問對象集。

5.根據權利要求1所述的方法，其特征在于，所述根據所述目標用戶特征表示和目標對象特征表示計算所述用戶標識對應各個訪問對象的預測值包括：

利用所述預測模型的互注意力網絡層對所述用戶向量和所述訪問對象向量進行互注意力分析，得到用戶注意力權重和訪問對象注意力權重；

根據所述用戶注意力權重計算用戶關注訪問對象特征；根據所述訪問對象注意力權重計算訪問對象關注用戶特征；

根據所述用戶向量和所述用戶關注訪問對象特征確定目標用戶特征表示，根據所述訪問對象向量和所述訪問對象關注用戶特征確定目標對象特征表示；

計算所述目標用戶特征表示和目標對象特征表示之間的相似度；

根據所述相似度計算所述用戶標識對應各個訪問對象的預測值。

6.根據權利要求1所述的方法，其特征在于，所述根據所述預測值提取滿足條件閾值的目標訪問對象數據，將所述目標訪問對象數據推送至所述用戶標識對應的用戶終端包括：

根據所述預測值提取滿足條件閾值的訪問對象標識，獲取所述訪問對象標識對應的目標訪問對象數據；

根據所述預測值對提取的目標訪問對象數據進行排序，根據排序結果將所述目標訪問對象數據推送至所述用戶標識對應的用戶終端。