依托开发者服务积累的数据，通过图模型、深度学习模型和技术，建立数据向量化技术，助力效果广告模型能力提升，帮助互联网广告平台、品牌方建立和优化广告投放策略，实现广告精准营销和广告投放ROI提升。
在自研的每日治数平台上，构建用户线上行为偏好序列，并利用图和深度学习模型进行训练，最终生成用户的兴趣向量数据。 一、数据抽取、清理和处理 数据抽取：从数据库中抽取用户的APP活跃序列。 数据清理：去除重复、错误或无效的数据记录，处理缺失值和异常值 数据处理：对数据进行必要的转换和整合，如时间戳格式化、APP编码等 二、数据仓库层建设 1.数据模型设计 2.ETL过程 3.数据仓库优化 三、图模型和深度学习模型预训练 图模型构建：根据用户行为偏好序列（APP活跃序列），构建用户与APP之间的图结构，其中节点可以代表用户或APP，边可以代表用户与APP之间的交互行为。 图嵌入学习：利用图嵌入算法（如Node2Vec、GraphSAGE等）学习节点（用户和APP）的嵌入表示，捕捉节点之间的关系和用户的兴趣偏好。 深度学习模型构建：基于用户行为偏好序列和图嵌入结果，构建深度学习模型（如循环神经网络RNN、长短期记忆网络LSTM、Transformer等）来进一步学习用户的兴趣偏好。 四、生成用户兴趣向量数据 将训练好的深度学习模型应用于预测新用户或新数据，通过模型推理生成用户的兴趣向量数据。
| 字段名 | 类型 | 描述 |
|---|---|---|
企业内部设备统一标识符 |
-- | -- |
时间戳 |
-- | -- |
APP安装类别列表 |
-- | -- |
APP活跃类别列表 |
-- | -- |
APP活跃序列 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 企业内部设备统一标识符 | 8916ad81f4fe49a6b4346edcd553230e |
| 时间戳 | 2024-05-31 15:01:10 |
| APP安装类别列表 | 直播类APP、影音制作APP、汽车类APP |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/37799