【技术实现步骤摘要】
本公开的实施例涉及计算机，具体涉及信息生成方法、装置、设备、计算机可读介质和程序产品。
技术介绍
1、目前，预测未来时间段的目标类目物品的价值复转移存在着重要的意义。例如，为相关业务选定机会人群，继而针对这些人群进行重点运营，提高复转移概率，增加用户粘性。除此之外，还可以便于为机会人群中的用户提供便捷的业务活动，提高用户体验。
2、对于价值复转移信息的生成，通常采用的方式为：首先，针对用户对应类目物品的订单序列，计算每两个相邻订单之间的下单时间差，构成用户购买时间差间隔数组。然后，确定该数组内所有时间差的均值和方差，筛选出预测区间位于均值±方差内的时间差值。计算均值作为用户复转移信息。
3、然而，专利技术人发现，当采用上述方式来生成价值复转移信息，经常会存在如下技术问题：
4、受限于物品的类目，仅适合快消类物品。除此之外，仅考虑时间变量对用户复转移信息的影响，导致所得到的用户复转移信息不够精准。
5、该
技术介绍
部分中所公开的以上信息仅用于增强对本专利技术构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
2、本公开的一些实施例提出了信息生成方法、装置、设备、计算机可读
3、第一方面，本公开的一些实施例提供了一种信息生成方法，包括：获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据；将上述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息；生成针对上述目标品类物品保养周期数据的保养周期编码信息；根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。
4、可选地，上述基于时间特征多样提取的时序特征编码模型是基于时间序列的长短期记忆网络模型；以及上述将上述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息，包括：将上述目标品类订单信息序列输入至上述基于时间序列的长短期记忆网络模型，以生成订单时间特征编码信息。
5、可选地，上述根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息，包括：获取剩余特征信息集和用户搜索词序列；生成针对上述剩余特征信息集的剩余特征编码信息；生成针对上述用户搜索词序列的搜索词特征编码信息；将上述剩余特征编码信息、上述订单时间特征编码信息、上述保养周期编码信息和上述搜索词特征编码信息进行信息融合，以生成融合特征信息；将上述融合特征信息输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。
6、可选地，上述剩余特征信息集包括：用户历史画像数据、订单物品属性数据集和用户其余行为数据；以及上述生成针对上述剩余特征信息集的剩余特征编码信息，包括：对上述用户历史画像数据、上述订单物品属性数据集和上述用户其余行为数据进行数据预处理，以生成第一预处理数据、第二预处理数据和第三预处理数据；从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出离散特征信息，得到离散特征数据；从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出文本特征信息，得到文本特征数据；从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出连续特征信息，得到连续特征数据；对上述离散特征数据进行离散特征编码处理，以生成离散编码特征信息；对上述文本特征数据进行文本特征编码处理，以生成文本编码特征信息；对上述连续特征数据进行连续特征编码处理，以生成连续编码特征信息；将上述离散编码特征信息、上述文本编码特征信息和上述连续编码特征信息确定为上述剩余特征编码信息。
7、可选地，上述基于多头注意力机制的价值复转移信息生成模型包括：多头注意力机制层、多层串行连接的全连接层和输出层；以及上述将上述融合特征信息输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息，包括：将上述融合特征信息输入至上述多头注意力机制层，以生成注意力结果；将上述注意力结果输入至上述多层串行连接的全连接层，以生成全连接结果；将上述全连接结果输入至上述输出层，以输出价值复转移信息。
8、可选地，上述根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息，包括：将上述订单时间特征编码信息和上述保养周期编码信息输入至编码信息融合模型，以生成编码融合信息；将上述编码融合信息输入至多样化类型特征信息提取模型，以生成针对多样化类型的特征信息集，其中，上述特征信息集中的特征信息存在对应的特征类型；将上述特征信息集输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。
9、第二方面，本公开的一些实施例提供了一种信息生成装置，包括：获取单元，被配置成获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据；输入单元，被配置成将上述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息；第一生成单元，被配置成生成针对上述目标品类物品保养周期数据的保养周期编码信息；第二生成单元，被配置成根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。
10、可选地，上述基于时间特征多样提取的时序特征编码模型是基于时间序列的长短期记忆网络模型；以及输入单元可以被配置成：将上述目标品类订单信息序列输入至上述基于时间序列的长短期记忆网络模型，以生成订单时间特征编码信息。
11、可选地，第二生成单元可以被配置成：获取剩余特征信息集和用户搜索词序列；生成针对上述剩余特征信息集的剩余特征编码信息；生成针对上述用户搜索词序列的搜索词特征编码信息；将上述剩余特征编码信息、上述订单时间特征编码信息、上述保养周期编码信息和上述搜索词特征编码信息进行信息融合，以生成融合特征信息；将上述融合特征信息输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。
12、可选地，上述剩余特征信息集包括：用户历史画像数据、订单物品属性数据集和用户其余行为数据；以及第二生成单元可以被配置成：对上述用户历史画像数据、上述订单物品属性数据集和上述用户其余行为数据进行数据预处理，以生成第一预处理数据、第二预处理数据和第三预处理数据；从上述第一预处理数据、上述第二预处理数据和上述第本文档来自技高网...
【技术保护点】
1.一种信息生成方法，包括：
2.根据权利要求1所述的方法，其中，所述基于时间特征多样提取的时序特征编码模型是基于时间序列的长短期记忆网络模型；以及
3.根据权利要求1所述的方法，其中，所述根据所述订单时间特征编码信息和所述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息，包括：
4.根据权利要求3所述的方法，其中，所述剩余特征信息集包括：用户历史画像数据、订单物品属性数据集和用户其余行为数据；以及
5.根据权利要求3所述的方法，其中，所述基于多头注意力机制的价值复转移信息生成模型包括：多头注意力机制层、多层串行连接的全连接层和输出层；以及
6.根据权利要求1所述的方法，其中，所述根据所述订单时间特征编码信息和所述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息，包括：
7.一种信息生成装置，包括：
8.一种电子设备，包括：
9.一种计算机可读介质，其上存储有计算机程序，其中
10.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
...【技术特征摘要】
1.一种信息生成方法，包括：
2.根据权利要求1所述的方法，其中，所述基于时间特征多样提取的时序特征编码模型是基于时间序列的长短期记忆网络模型；以及
3.根据权利要求1所述的方法，其中，所述根据所述订单时间特征编码信息和所述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息，包括：
4.根据权利要求3所述的方法，其中，所述剩余特征信息集包括：用户历史画像数据、订单物品属性数据集和用户其余行为数据；以及
5.根据权利要求3所述的方法，其中，所述基于多头注意力机制的价值复转移信息生成模型包括：...
【专利技术属性】
技术研发人员：李真，
申请(专利权)人：北京沃东天骏信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。