对象数据处理方法、装置、计算机设备和存储介质转让专利
申请号 : CN202110217636.1
文献号 : CN112580902B
文献日 : 2021-06-11
发明人 : 郑森烈
申请人 : 腾讯科技(深圳)有限公司
摘要 :
权利要求 :
1.一种对象数据处理方法,其特征在于,所述方法包括:获取各样本对象对应的对象画像数据、对象行为数据以及对应目标策略的命中类别,所述命中类别包括对所述样本对象实施所述目标策略的第一命中类别和未对所述样本对象实施所述目标策略的第二命中类别中的一种;
根据与所述对象画像数据的各画像维度对应的对象行为数据中属于所述第一命中类别的占比,将与各所述画像维度对应的对象行为数据转换为对应所述目标策略的策略效果;
将与各所述画像维度对应的策略效果输入决策树模型,以所述决策树模型中节点所表示的画像维度组合对应的策略效果最优化为目标,对所述决策树模型进行训练,得到群体划分决策树;
基于从所述群体划分决策树的根节点到叶子节点所表示的各细分群体分别对应的策略效果,确定对应所述目标策略的较优细分群体。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:对各所述样本对象对应的对象画像数据进行分类,得到各所述画像维度及属于各所述画像维度的维度属性;
对各所述样本对象对应的对象行为数据按所述维度属性进行归类,得到对应各所述维度属性的对象行为数据;
根据属于相同画像维度的维度属性所对应的对象行为数据,获得各所述画像维度对应的对象行为数据。
3.根据权利要求2所述的方法,其特征在于,所述根据与所述对象画像数据的各画像维度对应的对象行为数据中属于所述第一命中类别的占比,将与各所述画像维度对应的对象行为数据转换为对应所述目标策略的策略效果,包括:对于每个画像维度,确定所述画像维度所包括的维度属性;
对于每个维度属性,确定所述维度属性对应的对象行为数据中属于所述第一命中类别的占比,根据所述占比将所述维度属性对应的对象行为数据转换为所述维度属性对应的策略效果;
根据所述画像维度包括的所有维度属性各自对应的策略效果,计算所述画像维度对应所述目标策略的策略效果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述占比将所述维度属性对应的对象行为数据转换为所述维度属性对应的策略效果,包括:根据所述占比确定属于所述第一命中类别的对象行为数据的第一权重系数;
根据所述占比确定属于所述第二命中类别的对象行为数据的第二权重系数;
按所述第一权重系数,将所述维度属性对应的对象行为数据中属于所述第一命中类别的样本对象对应的对象行为数据,转换为样本对象对应的策略效果;
按所述第二权重系数,将所述维度属性对应的对象行为数据中属于所述第二命中类别的样本对象对应的对象行为数据,转换为样本对象对应的策略效果;
对所述维度属性对应的每个样本对象的策略效果求平均值,获得所述维度属性对应的策略效果。
5.根据权利要求4所述的方法,其特征在于,属于所述第一命中类别的样本对象对应的策略效果通过以下公式计算得到:其中, 表示属于所述第一命中类别的第 个样本对象对应的策略效果; 表示所述画像维度, 表示所述画像维度的第 个维度属性; 表示所述第 个维度属性对应的对象行为数据中属于所述第一命中类别的占比; 表示属于所述第一命中类别的第 个样本对象的对象行为数据;
属于所述第二命中类别的样本对象对应的策略效果通过以下公式计算得到:其中, 表示属于所述第二命中类别的第 个样本对象对应的策略效果; 表示所述画像维度, 表示所述画像维度的第 个维度属性; 表示所述第 个维度属性对应的对象行为数据中属于所述第一命中类别的占比; 表示属于所述第二命中类别的第 个样本对象的对象行为数据。
6.根据权利要求3所述的方法,其特征在于,所述根据所述画像维度包括的所有维度属性各自对应的策略效果,计算所述画像维度对应所述目标策略的策略效果,包括:根据所述画像维度包括的各所述维度属性各自对应的策略效果以及各所述维度属性对应的每个样本对象的策略效果,对各所述维度属性对应的每个样本对象的策略效果求均方误差;
对所述画像维度包括的所有维度属性各自对应的均方误差求和,获得所述画像维度对应所述目标策略的策略效果。
7.根据权利要求1所述的方法,其特征在于,所述将与各所述画像维度对应的策略效果输入决策树模型,以所述决策树模型中节点所表示的画像维度组合对应的策略效果最优化为目标,对所述决策树模型进行训练,得到群体划分决策树,包括:将与各所述画像维度对应的所述策略效果输入所述决策树模型;
根据各所述画像维度对应所述目标策略的策略效果,确定所述决策树模型的根节点;
迭代地确定当前所述决策树模型中从所述根节点到末尾子节点构成的画像维度组合,将当前确定的画像维度组合与各剩余画像维度构成的各候选画像维度组合分别对应的对象行为数据转换为相应策略效果,并根据各所述策略效果从各剩余画像维度中确定以所述末尾子节点为父节点的子节点后,获得更新的决策树模型;
基于停止迭代时的决策树模型,获得所述群体划分决策树。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:确定所述根节点表示的画像维度与各剩余画像维度构成的各候选画像维度组合分别对应的对象行为数据;
按照各候选画像维度组合对应的对象行为数据中属于所述第一命中类别的占比,将各候选画像维度组合对应的对象行为数据转换为各候选画像维度组合对应的策略效果;
根据各候选画像维度组合对应的策略效果,从各剩余画像维度中确定与所述根节点相连的子节点。
9.根据权利要求7所述的方法,其特征在于,所述将当前确定的画像维度组合与各剩余画像维度构成的各候选画像维度组合分别对应的对象行为数据转换为相应策略效果,包括:
分别确定各候选画像维度组合所包括的维度组合属性;
对所述样本对象对应的对象行为数据按所述维度组合属性进行归类,得到各所述维度组合属性分别对应的对象行为数据;
根据属于相同候选画像维度组合的维度组合属性所对应的对象行为数据,获得各候选画像维度组合对应的对象行为数据;
根据各候选画像维度组合对应的对象行为数据中属于所述第一命中类别的占比,将与各候选画像维度组合对应的对象行为数据转换为对应所述目标策略的策略效果。
10.根据权利要求9所述的方法,其特征在于,所述根据各候选画像维度组合对应的对象行为数据中属于所述第一命中类别的占比,将与各候选画像维度组合对应的对象行为数据转换为对应所述目标策略的策略效果,包括:对于每个候选画像维度组合,确定所述候选画像维度组合所包括的维度组合属性;
对于每个维度组合属性,确定所述维度组合属性对应的对象行为数据中属于所述第一命中类别的占比,根据所述维度组合属性对应的对象行为数据中属于所述第一命中类别的占比,将所述维度组合属性对应的对象行为数据转换为所述维度组合属性对应的策略效果;
根据所述候选画像维度组合包括的所有维度组合属性各自对应的策略效果,计算所述候选画像维度组合对应所述目标策略的策略效果。
11.根据权利要求10所述的方法,其特征在于,所述根据所述维度组合属性对应的对象行为数据中属于所述第一命中类别的占比,将所述维度组合属性对应的对象行为数据转换为所述维度组合属性对应的策略效果,包括:根据所述维度组合属性对应的对象行为数据中属于所述第一命中类别的占比,确定属于所述第一命中类别的对象行为数据的第一权重系数;
根据所述维度组合属性对应的对象行为数据中属于所述第一命中类别的占比,确定属于所述第二命中类别的对象行为数据的第二权重系数;
按所述第一权重系数,将所述维度组合属性对应的对象行为数据中属于所述第一命中类别的样本对象对应的对象行为数据,转换为样本对象对应的策略效果;
按所述第二权重系数,将所述维度组合属性对应的对象行为数据中属于所述第二命中类别的样本对象对应的对象行为数据,转换为样本对象对应的策略效果;
对所述维度组合属性对应的每个样本对象的策略效果求平均值,获得所述维度组合属性对应的策略效果。
12.根据权利要求10所述的方法,其特征在于,所述根据所述候选画像维度组合包括的所有维度组合属性各自对应的策略效果,计算所述候选画像维度组合对应所述目标策略的策略效果,包括:
对归类至所述维度组合属性的每个样本对象的策略效果求均方误差;
对所述候选画像维度组合包括的所有维度组合属性各自对应的均方误差求和,获得所述候选画像维度组合对应所述目标策略的策略效果。
13.根据权利要求7所述的方法,其特征在于,所述根据各所述策略效果从各剩余画像维度中确定以所述末尾子节点为父节点的子节点,包括:确定各候选画像维度组合对应的策略效果中,策略效果最小值对应的画像维度组合;
将构成所述策略效果最小值对应的画像维度组合的剩余画像维度,作为所述决策树模型中以所述末尾子节点为父节点的子节点。
14.根据权利要求7所述的方法,其特征在于,所述方法还包括:在更新所述决策树模型时,确定所述决策树模型中从根节点到所述子节点构成的画像维度组合对应的样本对象数量;
修剪所述样本对象数量小于预设阈值的子节点。
15.根据权利要求7所述的方法,其特征在于,所述基于从所述群体划分决策树的根节点到叶子节点所表示的各细分群体分别对应的策略效果,确定对应所述目标策略的较优细分群体,包括:
基于停止迭代时所述群体划分决策树中从所述根节点到叶子节点所表示的各细分群体分别对应的策略效果,将大于阈值的策略效果所对应的细分群体,作为所述较优细分群体。
16.一种对象数据处理装置,其特征在于,所述装置包括:获取模块,用于获取各样本对象对应的对象画像数据、对象行为数据以及对应目标策略的命中类别,所述命中类别包括对所述样本对象实施所述目标策略的第一命中类别和未对所述样本对象实施所述目标策略的第二命中类别中的一种;
转换模块,用于根据与所述对象画像数据的各画像维度对应的对象行为数据中属于所述第一命中类别的占比,将与各所述画像维度对应的对象行为数据转换为对应所述目标策略的策略效果;
训练模块,用于将与各所述画像维度对应的策略效果输入决策树模型,以所述决策树模型中节点所表示的画像维度组合对应的策略效果最优化为目标,对所述决策树模型进行训练,得到群体划分决策树;
确定模块,用于基于从所述群体划分决策树的根节点到叶子节点所表示的各细分群体分别对应的策略效果,确定对应所述目标策略的较优细分群体。
17.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至15中任一项所述的方法的步骤。
18.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至15中任一项所述的方法的步骤。
说明书 :
对象数据处理方法、装置、计算机设备和存储介质
技术领域
背景技术
标最有效的策略。
初期,优化策略往往能够获得整体被测试对象的认可,即A/B测试的测试结果呈现明显的倾
向,而随着互联网产品的不断优化,后续的优化策略往往只能获得部分被测试对象的认可,
即A/B测试的测试结果不能呈现明显的倾向,此时需要从更细粒度的层面分析测试结果,通
常是将被测试对象划分为不同的细分群体,从测试结果中挖掘各细分群体对应的测试结
果,以获得测试效果好的细分群体。
城市的属性值比如包括北京、上海、深圳、广州等,年龄的属性值比如1‑100岁,性别的属性
值包括男性和女性,由于画像维度众多、画像维度的属性值众多等因素,对不同的属性值进
行组合,常常会遭遇组合爆炸的问题,导致计算性能瓶颈,进而导致从测试结果中挖掘细分
群体测试结果的效率低。
发明内容
的第二命中类别中的一种;
树;
果,包括:
数据中属于第一命中类别的占比; 表示属于第一命中类别的第 个样本对象的对象行
为数据;
据中属于第一命中类别的占比; 表示属于第二命中类别的第 个样本对象的对象行为数
据。
得到群体划分决策树,包括:
为数据转换为相应策略效果,并根据各策略效果从各剩余画像维度中确定以末尾子节点为
父节点的子节点后,获得更新的决策树模型;
果,包括:
略效果;
象实施目标策略的第二命中类别中的一种;
果;
到群体划分决策树;
的第二命中类别中的一种;
树;
的第二命中类别中的一种;
树;
机指令,使得计算机设备执行上述方法的步骤。
的第二命中类别中的一种;
树;
的对象行为数据转换为对应目标策略的策略效果,解决了在AB测试场景下无法获取样本对
象的策略效果的问题,使得本申请实施例可基于决策树算法从测试结果中挖掘细分群体的
策略结果;另一方面,将与各画像维度对应的策略效果输入决策树模型,以决策树模型中节
点所表示的画像维度组合对应的策略效果最优化为目标,对决策树模型进行训练得到群体
划分决策树,基于从群体划分决策树的根节点到叶子节点所表示的各细分群体分别对应的
策略效果,即可确定对应目标策略的较优细分群体,由于以决策树模型中节点所表示的画
像维度组合对应的策略效果最优化为目标训练决策树模型,能够减少画像维度组合数量,
且能够保证群体划分决策树中节点所表示的画像维度组合具有局部最优的特性,从而避免
传统技术中组合爆炸的问题,提高从测试结果中挖掘细分群体策略结果的效率。
附图说明
具体实施方式
用于限定本申请。
伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应
用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生
产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智
能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机
视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近论、凸分析、算法复杂度理论等多门学科,专门研究计算机怎样模拟或实现人类的学习行
为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习
是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机
器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教
学习等技术。
(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数
据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和
生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等,并且在授
权的情况下,监管和审计某些真实身份的交易情况,提供风险控制的规则配置(风控审计);
基础服务模块部署在所有区块链节点设备上,用来验证业务请求的有效性,并对有效请求
完成共识后记录到存储上,对于一个新的业务请求,基础服务先对接口适配解析和鉴权处
理(接口适配),然后通过共识算法将业务信息加密(共识管理),在加密之后完整一致的传
输至共享账本上(网络通信),并进行记录存储;智能合约模块负责合约的注册发行以及合
约触发和合约执行,开发人员可以通过某种编程语言定义合约逻辑,发布到区块链上(合约
注册),根据合约条款的逻辑,调用密钥或者其它的事件触发执行,完成合约逻辑,同时还提
供对合约升级注销的功能;运营监控模块主要负责产品发布过程中的部署、配置的修改、合
约设置、云适配以及产品运行中的实时状态的可视化输出,例如:告警、监控网络情况、监控
节点设备健康状态等。
应用服务给业务参与方进行使用。
型,以决策树模型中节点所表示的画像维度组合对应的策略效果最优化为目标,对决策树
模型进行训练,得到群体划分决策树,这样,基于从群体划分决策树的根节点到叶子节点所
表示的各细分群体分别对应的策略效果,即可确定对应目标策略的较优细分群体,也即是
测试效果好的细分群体。
行为数据以及对应目标策略的命中类别,命中类别包括对样本对象实施目标策略的第一命
中类别和未对样本对象实施目标策略的第二命中类别中的一种,将各样本对象对应的对象
画像数据、对象行为数据以及对应目标策略的命中类别发送至服务器104,服务器104根据
与对象画像数据的各画像维度对应的对象行为数据中属于第一命中类别的占比,将与各画
像维度对应的对象行为数据转换为对应目标策略的策略效果,将与各画像维度对应的策略
效果输入决策树模型,以决策树模型中节点所表示的画像维度组合对应的策略效果最优化
为目标,对决策树模型进行训练,得到群体划分决策树,基于从群体划分决策树的根节点到
叶子节点所表示的各细分群体分别对应的策略效果,确定对应目标策略的较优细分群体,
服务器104可将较优细分群体发送至终端102。
目标策略的命中类别,根据与对象画像数据的各画像维度对应的对象行为数据中属于第一
命中类别的占比,将与各画像维度对应的对象行为数据转换为对应目标策略的策略效果,
将与各画像维度对应的策略效果输入决策树模型,以决策树模型中节点所表示的画像维度
组合对应的策略效果最优化为目标,对决策树模型进行训练,得到群体划分决策树,基于从
群体划分决策树的根节点到叶子节点所表示的各细分群体分别对应的策略效果,确定对应
目标策略的较优细分群体。
群来实现。
装置可以采用硬件或软件的方式实现。计算机设备可以是图1中所示的终端102或服务器
104。
在一个实施例中,本申请实施例可应用于互联网产品上线场景,具体是对互联网产品上线
场景中所采用的A/B测试的测试结果进行细粒度分析,从测试结果中挖掘测试效果好的细
分群体,以对测试效果好的细分群体上线A/B测试的测试内容。比如,测试内容可以是针对
互联网产品提出的新方案或者优化方案,从测试结果中挖掘测试效果好的细分群体,以对
测试效果好的细分群体针对性上线新方案或者优化方案。
施目标策略的第二命中类别中的一种。
Interface)设计方案、文案策划方案、页面布局方案、功能设计方案、算法设计方案,等等。
目标策略可以是针对互联网产品所提出的新方案或者优化方案,比如针对传统的用户界面
所提出的优化设计方案。
目标策略,对第二命中类别的样本对象不实施目标策略。计算机设备可对第二命中类别的
样本对象实施除目标策略以外的其它策略,也可不对样本对象实施任何策略。
对象在A/B测试中的测试结果,对象行为数据与A/B测试的优化指标相匹配,比如A/B测试的
优化指标为点击率,对象行为数据也为点击率。
历、行业、收入等;用户属性还可以是用户作为互联网产品使用者所具有的特性,比如注册
时长、在线时长等。
的用户界面,对第二命中类别的样本对象实施传统的用户界面。可以看到,各样本对象对应
的对象画像数据可以是各样本对象的居住地、性别、年龄、注册时长等,各样本对象对应的
对象行为数据可以是各样本对象在所属命中类别对应的用户界面的点击率。
试结果,以获得测试效果好的细分群体。但是,这种细粒度分析方式常常遭遇组合爆炸的问
题,导致计算性能瓶颈,进而导致从测试结果中挖掘细分群体测试结果的效率低。为了提升
从测试结果中挖掘细分群体测试结果的效率,就需要解决组合爆炸的问题,鉴于决策树算
法具有特征选择的特性,发明人想到可基于决策树算法从测试结果中挖掘细分群体对应的
测试结果。
准,节点的分支表示分裂结果,由此由上至下递归地生成节点,最终训练好的决策树呈树形
结构。由于不断地选择当前最优特征作为节点,能够减少决策树中节点所表示的组合数量,
且能够保证决策树中节点所表示的组合具有局部最优的特性。
和未对样本对象实施目标策略时,样本对象的对象行为数据的差异。而由于A/B测试的特
性,无法同时获得对样本对象实施目标策略和未对样本对象实施目标策略时,样本对象的
对象行为数据,也就是说,无法获得样本对象的策略效果。为此,发明人经过大量的研究发
现,样本对象的策略效果可基于样本对象的对象行为数据转换得到,故本申请实施例可先
将样本对象的对象行为数据转换为样本对象的策略效果,再基于决策树算法从测试结果中
挖掘细分群体对应的测试结果。
也可用于描述对象画像数据所包括的属性值。继续参照图3,对象画像数据的画像维度可以
是深圳、上海、男性、女性、>20岁、≤20岁、>3年、≤3年等。下面以画像维度用于描述对象
画像数据所包括的用户属性为例,介绍本申请实施例的方案。
性和女性。对于具有连续属性的画像维度,比如年龄、注册时长、居住地(比如居住地包括深
圳、上海、武汉、长沙等多个城市)等,计算机设备可基于通用的离散化策略确定至少一个划
分点,根据至少一个划分点生成画像维度的维度属性。通用的离散化策略比如二分法等。以
年龄为例,年龄所包括的维度属性可以是>20岁、≤20岁;以居住地为例,居住地所包括的
维度属性可以是二线以上城市、二线及以下城市。
进行归类,得到对应各维度属性的对象行为数据;根据属于相同画像维度的维度属性所对
应的对象行为数据,获得各画像维度对应的对象行为数据。
本对象的对象行为数据。
维度属性女性和男性,属于年龄的维度属性>20岁、≤20岁,属于注册时长的维度属性>3
年、≤3年。计算机设备对各样本对象对应的对象行为数据按维度属性进行归类,以居住地
为例,居住地所包括的维度属性为深圳、上海,深圳对应的对象行为数据是对象1、对象2和
对象5的点击率,上海对应的对象行为数据是对象3和对象4的点击率,居住地对应的对象行
为数据是对象1、对象2、对象3、对象4和对象5的点击率。
维度属性的样本对象的策略效果计算得到。继续参照图3,以居住地为例,居住地对应的策
略效果,可由深圳和上海各自对应的策略效果计算得到,深圳对应的策略效果,可由对象1、
对象2和对象5的策略效果计算得到。
根据占比将维度属性对应的对象行为数据转换为维度属性对应的策略效果;根据画像维度
包括的所有维度属性各自对应的策略效果,计算画像维度对应目标策略的策略效果。
据转换为对应目标策略的策略效果,根据画像维度包括的所有维度属性分别对应目标策略
的策略效果,计算画像维度对应目标策略的策略效果。
转换为样本对象对应目标策略的策略效果,基于满足维度属性的样本对象的策略效果,获
得维度属性对应的策略效果。
的策略效果。关于样本对象的策略效果的具体计算方式,可参照后续实施例,在此不再赘
述。
设备根据对象1、对象2和对象5的对象行为数据中属于第一命中类别的占比,以及对象1、对
象2和对象5的对象行为数据,计算得到对象1、对象2和对象5的策略效果,根据对象1、对象2
和对象5的策略效果,计算得到深圳对应的策略效果;同理,计算机设备根据对象3和对象4
的策略效果,计算得到上海对应的策略效果;计算机设备根据深圳对应的策略效果以及上
海对应的策略效果,计算得到居住地对应的策略效果。
自对应的策略效果求和或者求均值等。在该种求解方式中,计算机设备根据满足维度属性
的样本对象的策略效果,计算维度属性对应的策略效果,计算方式可以是对满足维度属性
的样本对象的策略效果求和或者求均值等。在该种求解方式中,画像维度对应的策略效果,
可用于反映画像维度对应的样本对象的整体策略效果。为了方便介绍,在后续实施例中将
该种求解方式称为第一种求解方式。
效果求均方误差;对画像维度包括的所有维度属性各自对应的均方误差求和或者求均值
等,获得画像维度对应目标策略的策略效果。在该种求解方式中,计算机设备对满足维度属
性的样本对象的策略效果求均值,得到维度属性对应的策略效果。为了方便介绍,在后续实
施例中将该种求解方式称为第二种求解方式。
机设备对对象1、对象2和对象5的策略效果求均值,计算得到深圳对应的策略效果;同理,计
算机设备对对象3和对象4的策略效果求均值,计算得到上海对应的策略效果;计算机设备
根据深圳对应的策略效果以及对象1、对象2和对象5的策略效果,对对象1、对象2和对象5的
策略效果求均方误差,并根据上海对应的策略效果以及对象3和对象4的策略效果,对对象3
和对象4的策略效果求均方误差;计算机设备对深圳和上海各自对应的均方误差求和,获得
居住地对应的策略效果。
策略效果与均值之差、对象5的策略效果与均值之差的平方和,获得深圳对应的均方误差。
在第二种求解方式中,画像维度对应的策略效果,可用于反映以画像维度作为分裂标准分
裂后,每个维度属性对应的样本对象的策略效果的分布离散程度。
体划分决策树。
是画像维度与维度属性的组合,比如“20岁以上‑居住地”。下面以画像维度组合为画像维度
与维度属性的组合,介绍本申请实施例的方案。
节点是群体划分决策树的末尾节点,叶子节点不具备分裂特性。参照图5,图5为一个实施例
中群体划分决策树的示意图,其中节点502为根节点,节点504、节点506均为子节点,节点
508、节点510均为叶子节点。
以看到,根节点以对应的画像维度作为分裂标准,根节点的分支表示维度属性,根节点的分
支同时也作为与其它节点相连的桥梁。接着,计算机设备以决策树模型中节点所表示的画
像维度组合对应的策略效果最优化作为筛选标准,不断地从剩余的画像维度中筛选画像维
度作为子节点。继续参照图5,可以看到,子节点以对应的画像维度作为分裂标准,子节点的
分支表示维度属性,子节点的分支同时也作为与其它节点相连的桥梁。由此由上至下递归
地生成节点,最终训练好的群体划分决策树呈树形结构。
分支。继续参照图5,节点502与节点506所构成的群体划分路径为:节点502‑年龄>20岁‑节
点504‑居住地为上海‑节点506。
像维度组合。继续参照图5,节点502与节点506所构成的群体划分路径所涵盖的维度属性包
括:“年龄>20岁”、“居住地为上海”,节点502与节点506所构成的群体划分路径的末尾节点
表示的画像维度为“性别”,节点502与节点506所表示的画像维度组合为:“年龄>20岁‑居
住地为上海‑性别”。
果最优化的原理,可参照后续实施例,在此不再赘述。继续参照图5,以生成节点506为例,节
点502与节点506所表示的画像维度组合为:“年龄>20岁‑居住地为上海‑X”,X的取值可为
“注册时长”或者“性别”。计算机设备根据画像维度组合“年龄>20岁‑居住地为上海‑性别”
和“年龄>20岁‑居住地为上海‑注册时长”各自对应的策略效果,以画像维度组合对应的策
略效果最优化作为筛选标准,选取“性别”或者“注册时长”作为节点506。
一子节点相连的第二子节点,第一子节点与第二子节点通过第一子节点的分支相连接,就
这样不断地生成决策树模型的子节点,直至生成决策树模型的叶子节点。
维度对应的策略效果。由于在第一种求解方式中,画像维度对应的策略效果,可用于反映画
像维度对应的样本对象的整体策略效果,选取最优策略效果对应的画像维度作为根节点,
使得根节点以该画像维度作为分裂标准分裂后,各维度属性对应的样本对象的策略效果最
优,有利于快速查找策略效果较优的细分群体。
像维度对应的策略效果。由于在第二种求解方式中,画像维度对应的策略效果,可用于反映
以画像维度作为分裂标准分裂后,每个维度属性对应的样本对象的策略效果的分布离散程
度,选取策略效果最小值对应的画像维度作为根节点,使得根节点以该画像维度作为分裂
标准分裂后,对于每个维度属性来说,该维度属性对应的样本对象的策略效果的分布离散
程度最小,也即是该维度属性对应的样本对象的策略效果最为接近,分裂效果最好,有利于
快速挖掘各细分群体对应的策略效果。
维度组合分别对应的对象行为数据转换为相应策略效果,并根据各策略效果从各剩余画像
维度中确定以末尾子节点为父节点的子节点后,获得更新的决策树模型;基于停止迭代时
的决策树模型,获得群体划分决策树。
的根节点,接着生成与根节点相连接的第一子节点,接着生成与第一子节点相连接的第二
子节点,此时第一子节点为第二子节点的父节点,就这样不断地生成决策树模型的子节点,
直至生成决策树模型的叶子节点。末尾子节点用于指代决策树模型训练时不断生成的各个
子节点。
确定的画像维度组合,其对应的剩余画像维度,是除了由根节点与新生成的子节点所构成
的群体划分路径中包含的画像维度以外的其它画像维度。继续参照图5,以当前确定的画像
维度组合为“20岁以上‑居住地”为例,其对应的剩余画像维度为:“注册时长”和“性别”。
岁、≤20岁)”、“年龄(>10岁、≤10岁)”。
代。
行为数据转换为各候选画像维度组合对应的策略效果,根据各候选画像维度组合对应的策
略效果,从各剩余画像维度中确定与根节点相连的子节点。
度组合,根据各候选画像维度组合对应的策略效果,从剩余画像维度中确定与根节点通过
该分支相连的子节点。
维度组合属性可以是:“20岁以上‑深圳”、“20岁以上‑上海”等。由此可见,维度组合属性可
用于描述满足多于一个维度属性的细分群体。
策略的策略效果,可由满足维度组合属性的样本对象的策略效果计算得到。继续参照图3,
候选画像维度组合“20岁以上‑居住地”对应的策略效果,可由“20岁以上‑深圳”和“20岁以
上‑上海”各自对应的策略效果计算得到,“20岁以上‑深圳”对应的策略效果,可由对象1和
对象5的策略效果计算得到。
度组合对应的策略效果。
据,可以是满足维度组合属性的样本对象的对象行为数据。继续参照图3,“20岁以上‑深圳”
对应的对象行为数据是对象1和对象5的点击率,“20岁以上‑上海”对应的对象行为数据是
对象3和对象4的点击率,候选画像维度组合“20岁以上‑居住地”对应的对象行为数据是对
象1、对象3、对象4和对象5的点击率。
一命中类别的占比,根据占比将维度组合属性对应的对象行为数据转换为维度组合属性对
应的策略效果;根据候选画像维度组合包括的所有维度组合属性各自对应的策略效果,计
算候选画像维度组合对应目标策略的策略效果。
属性对应的对象行为数据转换为对应目标策略的策略效果,根据候选画像维度组合包括的
所有维度组合属性分别对应目标策略的策略效果,计算候选画像维度组合对应目标策略的
策略效果。
象行为数据,转换为样本对象对应目标策略的策略效果,基于满足维度组合属性的样本对
象的策略效果,获得维度组合属性对应的策略效果。
策略的策略效果。关于样本对象的策略效果的具体计算方式,可参照后续实施例,在此不再
赘述。
住地在深圳的对象1和对象5,计算机设备根据对象1和对象5的对象行为数据中属于第一命
中类别的占比,以及对象1和对象5的对象行为数据,计算得到对象1和对象5的策略效果,根
据对象1和对象5的策略效果,计算得到“20岁以上‑深圳”对应的策略效果;同理,计算机设
备根据对象3和对象4的策略效果,计算得到“20岁以上‑上海”对应的策略效果;计算机设备
根据“20岁以上‑深圳”对应的策略效果以及“20岁以上‑上海”对应的策略效果,计算得到
“20岁以上‑居住地”对应的策略效果。
维度组合包括的所有维度组合属性各自对应的策略效果求和或者求均值等。在该种求解方
式中,计算机设备根据满足维度组合属性的样本对象的策略效果,计算维度组合属性对应
的策略效果,计算方式可以是对满足维度组合属性的样本对象的策略效果求和或者求均值
等。在该种求解方式中,候选画像维度组合对应的策略效果,可用于反映候选画像维度组合
对应的样本对象的整体策略效果。为了方便介绍,在后续实施例中将该种求解方式称为第
三种求解方式。
求均值等,获得候选画像维度组合对应目标策略的策略效果。在该种求解方式中,计算机设
备对满足维度组合属性的样本对象的策略效果求均值,得到维度组合属性对应的策略效
果。为了方便介绍,在后续实施例中将该种求解方式称为第四种求解方式。
居住地在深圳的对象1和对象5,计算机设备对对象1和对象5的策略效果求均值,计算得到
“20岁以上‑深圳”对应的策略效果;同理,计算机设备对对象3和对象4的策略效果求均值,
计算得到“20岁以上‑上海”对应的策略效果;计算机设备根据“20岁以上‑深圳”对应的策略
效果以及对象1和对象5的策略效果,对对象1和对象5的策略效果求均方误差,并根据“20岁
以上‑上海”对应的策略效果以及对象3和对象4的策略效果,对对象3和对象4的策略效果求
均方误差;计算机设备对“20岁以上‑深圳”和“20岁以上‑上海”各自对应的均方误差求和,
获得“20岁以上‑居住地”对应的策略效果。
均值之差、对象5的策略效果与均值之差的平方和,获得“20岁以上‑深圳”对应的均方误差。
在第四种求解方式中,候选画像维度组合对应的策略效果,可用于反映以候选画像维度组
合包含的画像维度作为分裂标准分裂后,对于每个维度组合属性来说,该维度组合属性对
应的样本对象的策略效果的分布离散程度。
采用上述第三种求解方式计算候选画像维度组合对应的策略效果。由于在第三种求解方式
中,候选画像维度组合对应的策略效果,可用于反映候选画像维度组合对应的样本对象的
整体策略效果,选取最优策略效果的候选画像维度组合包含的画像维度作为第一子节点,
使得第一子节点以该画像维度作为分裂标准分裂后,各维度组合属性对应的样本对象的策
略效果最优,有利于快速查找策略效果较优的细分群体。
维度,作为决策树模型中以末尾子节点为父节点的子节点。计算机设备将各候选画像维度
组合对应的策略效果中,策略效果最小值对应的候选画像维度组合包含的画像维度作为第
一子节点。本实施例中,计算机设备可采用上述第四种求解方式计算候选画像维度组合对
应的策略效果。由于在第四种求解方式中,候选画像维度组合对应的策略效果,可用于反映
以候选画像维度组合包含的画像维度作为分裂标准分裂后,每个维度组合属性对应的样本
对象的策略效果的分布离散程度,选取策略效果最小值对应的候选画像维度组合包含的画
像维度作为第一子节点,使得第一子节点以该画像维度作为分裂标准分裂后,每个维度组
合属性对应的样本对象的策略效果的分布离散程度最小,也即是维度组合属性对应的样本
对象的策略效果最为接近,分裂效果最好,有利于快速挖掘各细分群体对应的策略效果。
性,确定各节点所表示的细分群体。继续参照图5,节点502与节点506所构成的群体划分路
径所涵盖的维度属性包括:“年龄>20岁”、“居住地为上海”,节点502与节点506所表示的细
分群体为:“上海20岁以上的对象”。
效果,可用于描述所有样本对象的策略效果;群体划分决策树中除根节点以外的其它节点
对应的策略效果,可用于描述以该节点作为末尾节点的群体划分路径所描述的细分群体的
策略效果。继续参照图5,节点506对应的策略效果,用于表示节点502、节点504与节点506构
成的群体划分路径所描述的细分群体的策略效果,也即是“上海20岁以上的对象”的策略效
果。
体,作为较优细分群体。其中,阈值以及较优细分群体的数量可根据实际应用进行设定,本
申请不做具体限定。继续参照图5,可以看到,节点510对应的策略效果最优,节点502与节点
510所表示的细分群体为:“10岁及以上且20岁以下的女性对象”,也就是说,对应目标策略
的最优策略效果的细分群体为“10岁及以上且20岁以下的女性对象”。
目标策略的策略效果,解决了在A/B测试场景下无法获取样本对象的策略效果的问题,使得
本申请实施例可基于决策树算法从测试结果中挖掘细分群体的策略结果;另一方面,将与
各画像维度对应的策略效果输入决策树模型,以决策树模型中节点所表示的画像维度组合
对应的策略效果最优化为目标,对决策树模型进行训练得到群体划分决策树,基于从群体
划分决策树的根节点到叶子节点所表示的各细分群体分别对应的策略效果,即可确定对应
目标策略的较优细分群体,由于以决策树模型中节点所表示的画像维度组合对应的策略效
果最优化为目标训练决策树模型,能够减少画像维度组合数量,且能够保证群体划分决策
树中节点所表示的画像维度组合具有局部最优的特性,从而避免传统技术中组合爆炸的问
题,提高从测试结果中挖掘细分群体策略结果的效率。
象行为数据,转换为样本对象对应的策略效果。
属于第二命中类别时的对象行为数据;当样本对象属于第一命中类别时, 取值为1,当样
本对象属于第二命中类别时, 取值为0; 表示画像维度, 表示画像维度的第 个维
度属性; 表示第 个维度属性对应的对象行为数据中属于第一命中类别的占比。
数据中属于第一命中类别的占比; 表示属于第一命中类别的第 个样本对象的对象行
为数据;
据中属于第一命中类别的占比; 表示属于第二命中类别的第 个样本对象的对象行为数
据步骤S704,根据占比确定属于第二命中类别的对象行为数据的第二权重系数,按第二权
重系数,将维度属性对应的对象行为数据中属于第二命中类别的样本对象对应的对象行为
数据,转换为样本对象对应的策略效果。
决了在AB测试场景下无法获取样本对象的策略效果的问题,使得本申请实施例可基于决策
树算法从测试结果中挖掘细分群体的策略结果。
度组合所包括的维度组合属性;对样本对象对应的对象行为数据按维度组合属性进行归
类,得到各维度组合属性分别对应的对象行为数据;根据属于相同候选画像维度组合的维
度组合属性所对应的对象行为数据,获得各候选画像维度组合对应的对象行为数据;根据
各候选画像维度组合对应的对象行为数据中属于第一命中类别的占比,将与各候选画像维
度组合对应的对象行为数据转换为对应目标策略的策略效果。
成的各候选画像维度组合,根据各候选画像维度组合对应的策略效果,从剩余画像维度中
确定与第一子节点通过该分支相连的子节点。
的维度组合属性可以是:“20岁以上‑上海‑男性”、“20岁以上‑上海‑女性”等。
策略的策略效果,可由满足维度组合属性的样本对象的策略效果计算得到。继续参照图3,
以当前确定的画像维度组合与剩余画像维度构成的候选画像维度组合为 “20岁以上‑上
海‑性别”为例,“20岁以上‑上海‑性别”对应的策略效果,可由“20岁以上‑上海‑男性”和“20
岁以上‑上海‑女性”各自对应的策略效果计算得到,“20岁以上‑上海‑男性”对应的策略效
果,可由对象4的策略效果计算得到。
度组合对应的策略效果。
据,可以是满足维度组合属性的样本对象的对象行为数据。继续参照图3,“20岁以上‑上海‑
男性”对应的对象行为数据是对象4的点击率,“20岁以上‑上海‑女性”对应的对象行为数据
是对象3的点击率,候选画像维度组合“20岁以上‑上海‑性别”对应的对象行为数据是对象3
和对象4的点击率。
一命中类别的占比,根据占比将维度组合属性对应的对象行为数据转换为维度组合属性对
应的策略效果;根据候选画像维度组合包括的所有维度组合属性各自对应的策略效果,计
算候选画像维度组合对应目标策略的策略效果。
属性对应的对象行为数据转换为对应目标策略的策略效果,根据候选画像维度组合包括的
所有维度组合属性分别对应目标策略的策略效果,计算候选画像维度组合对应目标策略的
策略效果。
象行为数据,转换为样本对象对应目标策略的策略效果,基于满足维度组合属性的样本对
象的策略效果,获得维度组合属性对应的策略效果。
策略的策略效果。
将各候选画像维度组合对应的策略效果中,最优策略效果的候选画像维度组合包含的画像
维度作为第二子节点。在采用上述第四种求解方式时,计算机设备确定各候选画像维度组
合对应的策略效果中,策略效果最小值对应的画像维度组合;将构成策略效果最小值对应
的画像维度组合的剩余画像维度作为第二子节点。
系数;根据占比确定属于第二命中类别的对象行为数据的第二权重系数;按第一权重系数,
将维度组合属性对应的对象行为数据中属于第一命中类别的样本对象对应的对象行为数
据,转换为样本对象对应的策略效果;按第二权重系数,将维度组合属性对应的对象行为数
据中属于第二命中类别的样本对象对应的对象行为数据,转换为样本对象对应的策略效
果;对维度组合属性对应的每个样本对象的策略效果求平均值,获得维度组合属性对应的
策略效果。
效果的实施例,在此不再赘述。
于决策树算法从测试结果中挖掘细分群体的策略结果。
子节点。
以消除由于样本对象数量少导致的数据不置信问题。
量小于预设阈值时,从群体划分决策树修剪当前遍历到的节点。
预设阈值时,则修剪当前遍历到的节点,以消除由于样本对象数量少导致的数据不置信问
题。
程序实施目标策略。
对测试效果好的细分群体上线A/B测试的测试内容。比如,测试内容可以是针对互联网产品
提出的新方案或者优化方案,从测试结果中挖掘测试效果好的细分群体,以对测试效果好
的细分群体针对性上线新方案或者优化方案。
标策略。
施目标策略的第二命中类别中的一种。
对应的对象行为数据转换为维度属性对应的策略效果。
将维度属性对应的对象行为数据中属于第一命中类别的样本对象对应的对象行为数据,转
换为样本对象对应的策略效果;按第二权重系数,将维度属性对应的对象行为数据中属于
第二命中类别的样本对象对应的对象行为数据,转换为样本对象对应的策略效果;对维度
属性对应的每个样本对象的策略效果求平均值,获得维度属性对应的策略效果。
应的每个样本对象的策略效果,对各维度属性对应的每个样本对象的策略效果求均方误
差,对画像维度包括的所有维度属性各自对应的均方误差求和,获得画像维度对应目标策
略的策略效果。
命中类别的占比,将各候选画像维度组合对应的对象行为数据转换为各候选画像维度组合
对应的策略效果,根据各候选画像维度组合对应的策略效果,从各剩余画像维度中确定与
根节点相连的子节点。
的对象行为数据转换为相应策略效果,并根据各策略效果从各剩余画像维度中确定以末尾
子节点为父节点的子节点后,获得更新的决策树模型,基于停止迭代时的决策树模型,获得
群体划分决策树。
一子节点相连的第二子节点,第一子节点与第二子节点通过第一子节点的分支相连接,就
这样不断地生成决策树模型的子节点,直至生成决策树模型的叶子节点。
代。
象行为数据;根据属于相同候选画像维度组合的维度组合属性所对应的对象行为数据,获
得各候选画像维度组合对应的对象行为数据;根据各候选画像维度组合对应的对象行为数
据中属于第一命中类别的占比,将与各候选画像维度组合对应的对象行为数据转换为对应
目标策略的策略效果。
第一命中类别的占比,根据占比将维度组合属性对应的对象行为数据转换为维度组合属性
对应的策略效果;根据候选画像维度组合包括的所有维度组合属性各自对应的策略效果,
计算候选画像维度组合对应目标策略的策略效果。
将维度组合属性对应的对象行为数据中属于第一命中类别的样本对象对应的对象行为数
据,转换为样本对象对应的策略效果;按第二权重系数,将维度组合属性对应的对象行为数
据中属于第二命中类别的样本对象对应的对象行为数据,转换为样本对象对应的策略效
果;对维度组合属性对应的每个样本对象的策略效果求平均值,获得维度组合属性对应的
策略效果。
均方误差;对候选画像维度组合包括的所有维度组合属性各自对应的均方误差求和,获得
候选画像维度组合对应目标策略的策略效果。
标策略的策略效果,解决了在A/B测试场景下无法获取样本对象的策略效果的问题,使得本
申请实施例可基于决策树算法从测试结果中挖掘细分群体的策略结果;另一方面,将与各
画像维度对应的策略效果输入决策树模型,以决策树模型中节点所表示的画像维度组合对
应的策略效果最优化为目标,对决策树模型进行训练得到群体划分决策树,基于从群体划
分决策树的根节点到叶子节点所表示的各细分群体分别对应的策略效果,即可确定对应目
标策略的较优细分群体,由于以决策树模型中节点所表示的画像维度组合对应的策略效果
最优化为目标训练决策树模型,能够减少画像维度组合数量,且能够保证群体划分决策树
中节点所表示的画像维度组合具有局部最优的特性,从而避免传统技术中组合爆炸的问
题,提高从测试结果中挖掘细分群体策略结果的效率。
步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图7‑8中
的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一
时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依
次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替
地执行。
块902、转换模块904、训练模块906和确定模块908,其中:
对象实施目标策略的第二命中类别中的一种;
效果;
得到群体划分决策树;
按维度属性进行归类,得到对应各维度属性的对象行为数据;根据属于相同画像维度的维
度属性所对应的对象行为数据,获得各画像维度对应的对象行为数据。
的占比,根据占比将维度属性对应的对象行为数据转换为维度属性对应的策略效果;根据
画像维度包括的所有维度属性各自对应的策略效果,计算画像维度对应目标策略的策略效
果。
数;按第一权重系数,将维度属性对应的对象行为数据中属于第一命中类别的样本对象对
应的对象行为数据,转换为样本对象对应的策略效果;按第二权重系数,将维度属性对应的
对象行为数据中属于第二命中类别的样本对象对应的对象行为数据,转换为样本对象对应
的策略效果;对维度属性对应的每个样本对象的策略效果求平均值,获得维度属性对应的
策略效果。
数据中属于第一命中类别的占比; 表示属于第一命中类别的第 个样本对象的对象行
为数据。
据中属于第一命中类别的占比; 表示属于第二命中类别的第 个样本对象的对象行为数
据。
样本对象的策略效果求均方误差;对画像维度包括的所有维度属性各自对应的均方误差求
和,获得画像维度对应目标策略的策略效果。
定当前决策树模型中从根节点到末尾子节点构成的画像维度组合,将当前确定的画像维度
组合与各剩余画像维度构成的各候选画像维度组合分别对应的对象行为数据转换为相应
策略效果,并根据各策略效果从各剩余画像维度中确定以末尾子节点为父节点的子节点
后,获得更新的决策树模型;基于停止迭代时的决策树模型,获得群体划分决策树。
应的对象行为数据中属于第一命中类别的占比,将各候选画像维度组合对应的对象行为数
据转换为各候选画像维度组合对应的策略效果;根据各候选画像维度组合对应的策略效
果,从各剩余画像维度中确定与根节点相连的子节点。
合属性分别对应的对象行为数据;根据属于相同候选画像维度组合的维度组合属性所对应
的对象行为数据,获得各候选画像维度组合对应的对象行为数据;根据各候选画像维度组
合对应的对象行为数据中属于第一命中类别的占比,将与各候选画像维度组合对应的对象
行为数据转换为对应目标策略的策略效果。
象行为数据中属于第一命中类别的占比,根据占比将维度组合属性对应的对象行为数据转
换为维度组合属性对应的策略效果;根据候选画像维度组合包括的所有维度组合属性各自
对应的策略效果,计算候选画像维度组合对应目标策略的策略效果。
数;按第一权重系数,将维度组合属性对应的对象行为数据中属于第一命中类别的样本对
象对应的对象行为数据,转换为样本对象对应的策略效果;按第二权重系数,将维度组合属
性对应的对象行为数据中属于第二命中类别的样本对象对应的对象行为数据,转换为样本
对象对应的策略效果;对维度组合属性对应的每个样本对象的策略效果求平均值,获得维
度组合属性对应的策略效果。
差求和,获得候选画像维度组合对应目标策略的策略效果。
的剩余画像维度,作为决策树模型中以末尾子节点为父节点的子节点。
阈值的子节点。
的细分群体,作为较优细分群体。
构成的画像维度组合所对应的样本对象数量小于预设阈值时,从群体划分决策树修剪当前
遍历到的节点。
标识;对以目标对象标识登录的目标应用程序实施目标策略。
组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以
以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的
操作。
目标策略的策略效果,解决了在AB测试场景下无法获取样本对象的策略效果的问题,使得
本申请实施例可基于决策树算法从测试结果中挖掘细分群体的策略结果;另一方面,将与
各画像维度对应的策略效果输入决策树模型,以决策树模型中节点所表示的画像维度组合
对应的策略效果最优化为目标,对决策树模型进行训练得到群体划分决策树,基于从群体
划分决策树的根节点到叶子节点所表示的各细分群体分别对应的策略效果,即可确定对应
目标策略的较优细分群体,由于以决策树模型中节点所表示的画像维度组合对应的策略效
果最优化为目标训练决策树模型,能够减少画像维度组合数量,且能够保证群体划分决策
树中节点所表示的画像维度组合具有局部最优的特性,从而避免传统技术中组合爆炸的问
题,提高从测试结果中挖掘细分群体策略结果的效率。
其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易
失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该
内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备
的数据库用于存储对象数据处理数据。该计算机设备的网络接口用于与外部的终端通过网
络连接通信。该计算机程序被处理器执行时以实现一种对象数据处理方法。
备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
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
算机设备执行上述各方法实施例中的步骤。
可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,
本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可
包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read‑
Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器
(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种
形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存
储器(Dynamic Random Access Memory,DRAM)等。
盾,都应当认为是本说明书记载的范围。
说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护
范围。因此,本申请专利的保护范围应以所附权利要求为准。