数据处理方法、装置、计算机设备和存储介质与流程

本申请涉及数据处理的，尤其涉及一种数据处理方法、装置、计算机设备和存储介质。

背景技术：

1、对于各类电商平台而言，如何定位用户感兴趣的产品，以实现对用户针对产品的精准营销的问题，是极为重要的。

2、现有应用中，通常是通过用户浏览商品s的次数来判断用户针对商品s的下单欲望，浏览次数越高，则下单欲望越大，而通过此种方式也并不能准确预测用户针对商品s的下单欲望，因为用户即使浏览商品s这么多次但也还是未进行下单。

技术实现思路

1、本申请提供了一种数据处理方法、装置、计算机设备和存储介质，可提高所预测的目标对象针对推荐对象的下单指数的准确性。

2、本申请一方面提供了一种数据处理方法，该方法包括：

3、获取目标对象在多个时间区间内分别针对推荐对象的对象行为数据；

4、根据目标对象在每个时间区间内针对推荐对象的对象行为数据，分别生成目标对象在每个时间区间内针对推荐对象的对象行为特征；

5、根据目标对象在每个时间区间内针对推荐对象的对象行为特征，预测目标对象针对推荐对象的下单指数。

6、本申请一方面提供了一种数据处理装置，该装置包括：

7、获取模块，用于获取目标对象在多个时间区间内分别针对推荐对象的对象行为数据；

8、生成模块，用于根据目标对象在每个时间区间内针对推荐对象的对象行为数据，分别生成目标对象在每个时间区间内针对推荐对象的对象行为特征；

9、预测模块，用于根据目标对象在每个时间区间内针对推荐对象的对象行为特征，预测目标对象针对推荐对象的下单指数。

10、可选的，多个时间区间中的任一个表示为目标时间区间；推荐对象属于推荐平台中的对象；

11、获取模块获取目标对象在多个时间区间内分别针对推荐对象的对象行为数据的方式，包括：

12、获取推荐对象包含的多个推荐子对象；

13、获取推荐对象在推荐平台上的关联对象，并获取推荐对象在推荐平台上关联的对象推荐活动；

14、获取目标对象在目标时间区间的推荐平台上针对推荐对象和关联对象的第一浏览行为数据；

15、获取目标对象在目标时间区间的推荐平台上针对多个推荐子对象的第二浏览行为数据；

16、获取目标对象在目标时间区间的推荐平台上针对对象推荐活动的第三浏览行为数据；

17、根据第一浏览行为数据、第二浏览行为数据和第三浏览行为数据，确定目标对象在目标时间区间内针对推荐对象的对象行为数据。

18、可选的，第一浏览行为数据包括目标对象分别针对推荐对象和关联对象的第一对象描述页面的浏览次数和浏览时长；第二浏览行为数据包括目标对象分别针对多个推荐子对象的第二对象描述页面的浏览次数和浏览时长；第三浏览行为数据包括目标对象针对对象推荐活动的活动页面的浏览次数和浏览时长；第一对象描述页面、第二对象描述页面和活动页面属于推荐平台。

19、可选的，生成模块根据目标对象在每个时间区间内针对推荐对象的对象行为数据，分别生成目标对象在每个时间区间内针对推荐对象的对象行为特征的方式，包括：

20、根据第一浏览行为数据生成目标对象针对推荐对象和关联对象的第一特征向量；

21、根据第二浏览行为数据生成目标对象针对多个推荐子对象的第二特征向量；

22、根据第三浏览行为数据生成目标对象针对对象推荐活动的第三特征向量；

23、根据第一特征向量、第二特征向量和第三特征向量，生成目标对象在目标时间区间内针对推荐对象的对象行为特征。

24、可选的，生成模块根据第一特征向量、第二特征向量和第三特征向量，生成目标对象在目标时间区间内针对推荐对象的对象行为特征的方式，包括：

25、获取目标对象在目标时间区间内在推荐平台中的多个浏览页面；

26、将多个浏览页面中除第一对象描述页面、第二对象描述页面和活动页面之外的浏览页面确定为关联浏览页面；

27、从关联浏览页面中提取浏览关键词，并根据浏览关键词生成第四特征向量；

28、对第一特征向量、第二特征向量、第三特征向量和第四特征向量进行拼接，得到目标对象在目标时间区间内针对推荐对象的对象行为特征。

29、可选的，预测模块根据目标对象在每个时间区间内针对推荐对象的对象行为特征，预测目标对象针对推荐对象的下单指数的方式，包括：

30、对目标对象分别在每个时间区间内针对推荐对象的对象行为特征进行拼接，得到拼接行为特征；

31、调用推荐模型根据拼接行为特征预测目标对象针对推荐对象的下单指数。

32、可选的，上述装置还用于：

33、获取样本数据；样本数据包括样本对象针对样本推荐对象的样本拼接行为特征以及样本对象针对样本推荐对象的下单行为标签，下单行为标签是未下单行为标签或已下单行为标签；

34、调用初始推荐模型根据样本拼接行为特征预测样本对象针对样本推荐对象的样本下单指数；

35、根据样本下单指数和下单行为标签更新初始推荐模型的模型参数，得到推荐模型。

36、本申请一方面提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行本申请中一方面中的方法。

37、本申请一方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令被处理器执行时使该处理器执行上述一方面中的方法。

38、根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述一方面等各种可选方式中提供的方法。

39、本申请获取目标对象在多个时间区间内分别针对推荐对象的对象行为数据；根据目标对象在每个时间区间内针对推荐对象的对象行为数据，分别生成目标对象在每个时间区间内针对推荐对象的对象行为特征；根据目标对象在每个时间区间内针对推荐对象的对象行为特征，预测目标对象针对推荐对象的下单指数。由此可见，本申请提出的方法可以按照时间分区来获取目标对象针对推荐对象的对象行为特征，考虑到了各个时间分区目标对象针对推荐对象的对象行为，进而使得所预测的目标对象针对推荐对象的下单指数也更准确。

技术特征：

1.一种数据处理方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述多个时间区间中的任一个表示为目标时间区间；所述推荐对象属于推荐平台中的对象；

3.根据权利要求2所述的方法，其特征在于，所述第一浏览行为数据包括所述目标对象分别针对所述推荐对象和所述关联对象的第一对象描述页面的浏览次数和浏览时长；所述第二浏览行为数据包括所述目标对象分别针对所述多个推荐子对象的第二对象描述页面的浏览次数和浏览时长；所述第三浏览行为数据包括所述目标对象针对所述对象推荐活动的活动页面的浏览次数和浏览时长；所述第一对象描述页面、所述第二对象描述页面和所述活动页面属于所述推荐平台。

4.根据权利要求3所述的方法，其特征在于，所述根据所述目标对象在每个时间区间内针对所述推荐对象的对象行为数据，分别生成所述目标对象在所述每个时间区间内针对所述推荐对象的对象行为特征，包括：

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一特征向量、所述第二特征向量和所述第三特征向量，生成所述目标对象在所述目标时间区间内针对所述推荐对象的对象行为特征，包括：

6.根据权利要求1所述的方法，其特征在于，所述根据所述目标对象在所述每个时间区间内针对所述推荐对象的对象行为特征，预测所述目标对象针对所述推荐对象的下单指数，包括：

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

8.一种数据处理装置，其特征在于，所述装置包括：

9.一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现权利要求1-7任一项所述方法的步骤。

10.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-7中任一项所述方法的步骤。

11.一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程序，所述计算机程序适用于由处理器加载并执行权利要求1-7任一项所述的方法。

技术总结
本申请公开了一种数据处理方法、装置、计算机设备和存储介质，该方法包括：获取目标对象在多个时间区间内分别针对推荐对象的对象行为数据；根据目标对象在每个时间区间内针对推荐对象的对象行为数据，分别生成目标对象在每个时间区间内针对推荐对象的对象行为特征；根据目标对象在每个时间区间内针对推荐对象的对象行为特征，预测目标对象针对推荐对象的下单指数。采用本申请，可提高所预测的目标对象针对推荐对象的下单指数的准确性。

技术研发人员：赵宇航
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：
技术公布日：2024/1/12