数据处理方法、装置、系统、计算机可读存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113159877A(43)申请公布日2021.07.23(21)申请号202010074573.4G06K9/62(2006.01)(22)申请日2020.01.22(71)申请人北京沃东天骏信息技术有限公司地址100176北京市大兴区北京经济技术开发区科创十一街18号院2号楼4层A402室申请人北京京东世纪贸易有限公司(72)发明人王颖帅(74)专利代理机构中科专利商标代理有限责任公司11021代理人杨静(51)Int.Cl.G06Q30/06(2012.01)G06Q30/02(2012.01)G06N3/08(2006.01)权利要求书2页说明书12页附图6页(54)发明名称数据处理方法、装置、系统、计算机可读存储介质(57)摘要本公开提供一种数据处理方法，包括：获取用户数据，其中，用户数据至少包括用户属性数据和用户行为数据，用户行为数据用于表征用户对商品的操作记录；处理用户数据，得到多层级特征数据，其中，多层级特征数据用于表征用户对商品的需求，多层级特征数据包括多个层级特征数据，多个层级特征数据中的每一个分别表征用户数据与商品需求的一种关联关系；以及基于多层级特征数据，确定用户对商品的需求数据。本公开还提供了一种数据处理装置、一种数据处理系统以及一种计算机可读存储介质。CN113159877ACN113159877A权利要求书1/2页1.一种数据处理方法，包括：获取用户数据，其中，所述用户数据至少包括用户属性数据和用户行为数据，所述用户行为数据用于表征用户对商品的操作记录；处理所述用户数据，得到多层级特征数据，其中，所述多层级特征数据用于表征所述用户对所述商品的需求，所述多层级特征数据包括多个层级特征数据，所述多个层级特征数据中的每一个分别表征用户数据与商品需求的一种关联关系；以及基于所述多层级特征数据，确定所述用户对所述商品的需求数据。2.根据权利要求1所述的方法，还包括：获取经训练预测模型；其中，所述处理所述用户数据，得到多层级特征数据包括：利用所述经训练预测模型处理所述用户数据，得到多层级特征数据。3.根据权利要求2所述的方法，其中，所述经训练预测模型至少包括因子分解机子模型、卷积神经网络子模型以及深度神经网络子模型；所述利用所述经训练预测模型处理所述用户数据，得到多层级特征数据包括：利用所述因子分解机子模型处理所述用户数据，得到第一层级特征数据；利用所述卷积神经网络子模型处理所述用户数据，得到第二层级特征数据；以及利用所述深度神经网络子模型处理所述用户数据，得到第三层级特征数据，其中，所述第一层级特征数据、所述第二层级特征数据以及所述第三层级特征数据所表征的所述关联关系依次为浅层关联关系、中层关联关系以及深层关联关系。4.根据权利要求3所述的方法，其中，所述经训练预测模型还包括梯度下降树子模型，所述梯度下降树子模型包括多棵树结构；所述利用所述卷积神经网络子模型处理所述用户数据，得到第二层级特征数据包括：利用所述梯度下降树子模型处理所述用户数据，确定所述用户数据分别落在所述多棵树结构中的叶子节点；基于所述用户数据所在的叶子节点，得到所述多棵树结构输出的组合特征向量；以及利用所述卷积神经网络子模型处理所述组合特征向量，得到所述第二层级特征数据。5.根据权利要求3所述的方法，其中，所述利用所述因子分解机子模型处理所述用户数据，得到第一层级特征数据包括：利用所述因子分解机子模型处理所述用户数据，得到多个第一阶特征；将所述多个第一阶特征两两组合得到多个第二阶特征；处理所述多个第二阶特征，得到处理后的第二阶特征；以及确定所述第一阶特征和所述处理后的第二阶特征为所述第一层级特征数据。6.根据权利要求5所述的方法，其中，所述处理所述多个第二阶特征，得到处理后的第二阶特征包括：分别确定所述多个第二阶特征中每个第二阶特征所包含的两个第一阶特征之间的关联性；以及基于所述关联性增大或减小所述多个第二阶特征中每个第二阶特征的权重，得到所述处理后的第二阶特征。7.根据权利要求1-6中任意一项所述的方法，其中，所述需求数据包括需求概率；所述方法还包括：2CN113159877A权利要求书2/2页基于所述用户对所述商品的所述需求概率，确定所述需求概率大于预设概率所对应的目标商品；以及将所述目标商品推荐给所述用户。8.根据权利要求2-5中任意一项所述的方法，还包括：获取待训练预测模型以及训练样本，其中，所述训练样本包括历史用户数据以及标签数据，所述标签数据用于表征用户是否对历史商品进行操作；以及基于所述历史用户数据训练所述待训练预测模型，得到输出数据，其中，所述输出数据用于表征用户对所述历史商品的需求数据；以及基于所述输出数据和所述标签数据，利用反向传输算法更新所述