CN107292654A - 用于调整针对用户的消息推送的资源投入的方法和装置 - Google Patents
用于调整针对用户的消息推送的资源投入的方法和装置 Download PDFInfo
- Publication number
- CN107292654A CN107292654A CN201610228091.3A CN201610228091A CN107292654A CN 107292654 A CN107292654 A CN 107292654A CN 201610228091 A CN201610228091 A CN 201610228091A CN 107292654 A CN107292654 A CN 107292654A
- Authority
- CN
- China
- Prior art keywords
- message
- resource input
- push
- resource
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0273—Determination of fees for advertising
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于在资源投入调整单元处调整针对用户的消息推送的资源投入的方法,包括:向消息推送判断单元发送推送请求,推送请求包括针对用户的消息推送的当前资源投入;从消息推送判断单元接收推送结果,其中,当当前资源投入是由消息推送判断单元保存的所有资源投入中的最高资源投入时,推送结果包括由消息推送判断单元保存的所有资源投入中的次高资源投入,并且当当前资源投入不是最高资源投入时,推送结果包括推送失败消息;以及当推送结果包括次高资源投入时,将当前资源投入下调预定量;以及当下调后的当前资源投入不小于次高资源投入时,使用经下调的资源投入更新当前资源投入,以便用于向消息推送判断单元发送下一推送请求。
Description
技术领域
本公开大体上涉及消息推送,更具体地,涉及用于调整针对用户的消息推送的资源投入的方法和装置。
背景技术
传统的消息推送交易模式依赖于人工购买流量,交易效率低且获取流量成本高,不利于精准控制消息推送的投入产出比。实时资源投入比较交易模式的出现是消息推送行业的一次变革,它使得消息推送交易由传统的人工低效的购买方式变为程序化的实时购买。在实时资源投入比较交易模式下,消息推送需求方平台(DSP)以实时资源投入比较的方式从消息推送判断单元(Adexchange)以获取目标流量。具体交易流程如下:用户(流量)访问消息推送资源供给方平台(SSP),SSP发送通知给Adexchange;Adexchange将该流量告知各DSP;各DSP对该流量根据自己的资源投入算法计算资源投入;消息推送判断单元确定资源投入最大的需求方平台(资源投入比较者按第二高资源投入成交),并通知DSP;消息推送需求方平台对该用户推送自己的消息;对于电子商务行业的消息推送而言,资源投入算法对控制消息推送成本进而提高投入产出比(ROI)至关重要。在当今媒体资源成本高企、企业用户粘性下降的背景下,如何以低资源投入获取高质量的流量对DSP的资源投入算法提出了严峻的挑战。
在当前电子商务行业中,为了进行消息推送,主要有两种资源投入算法:基于用户在网站浏览行为的重定向资源投入算法和基于用户标签的消息推送匹配算法。
基于用户网站浏览行为的重定向资源投入算法的核心思想是对近期访问过网站的用户基于用户的浏览深度和网站忠诚度计算资源投入,由资源投入最大的提供商向用户进行消息推送(例如,向用户展示用户近期浏览的产品)。该算法主要由用户浏览历史记录单元、资源投入计算记录单元、消息推送判断单元和消息推送单元来执行,如图1所示。首先,用户浏览历史记录单元搜集近一段时间到站用户及其浏览过的产品,将用户浏览过的产品传送给消息推送单元。资源投入计算记录单元对消息推送判断单元告知的用户与用户浏览历史记录单元的用户进行匹配,如果匹配成功,则按照资源投入算法计算资源投入。如果资源投入最大,则向该用户进行消息推送(例如,向用户展示他浏览过的产品)。
基于用户浏览行为的资源投入算法主要由用户的网站忠诚度(该指标由用户访问网站的频次确定)、用户浏览深度(该指标由用户的平均浏览页面数确定)、对该用户的资源投入历史和用户的其他属性等特征确定,资源投入的计算公式为以上特征的线性函数,如式(1)所示:
Pbid=α*Uloyalty+β*Udeep+γ*Phis_bid+δ*Utag+ε (1)
其中,Pbid为资源投入,Uloyalty为用户对网站的忠诚度,Udeep为用户的浏览深度,Phis_bid为针对该用户的历史资源投入,Utag为用户其他属性标签,α,β,γ,δ分别为各特征的系数。
基于用户标签的消息推送匹配算法的核心是点击率(CTR)预测,主要是通过用户数据和消息推送数据预估用户点击消息推送的概率,一般采用逻辑回归方法进行预测。用户数据主要通过用户历史行为对用户进行打标签,其中,历史行为包括网页浏览行为、消息推送点击行为、搜索行为、网购行为等,通过用户的历史行为建立用户标签体系。消息推送数据主要包括消息推送大小、消息推送文本、消息推送所属行业、消息推送图片等。基于用户特征、消息推送特征和点击数据离线训练模型,选取点击概率较高的用户集合为样本,基于预测点击概率计算资源投入。该算法由数据管理单元(DMP)、CTR预测单元、资源投入单元、消息推送单元构成。CTR预测单元基于预测模型筛选点击概率相对较高的用户为候选受众集合,参与资源投入,资源投入由用户的点击概率确定。资源投入单元匹配来自消息推送判断单元的用户,对目标集合中的用户进行消息推送。如果资源投入最大,则消息推送单元对该用户进行消息推送。该算法的核心是CTR预测,并且其工作流程如图2所示。
目前,CTR预测模型一般采用逻辑回归模型,如公式(2)所示:
P(click|a,u,c)=σ(WTx) (2)
其中,a,u,c分别代表消息推送、用户和页面;x是消息推送的n维特征矢量,w是最后模型学习到的参数;P(click|a,u,c)为点击概率。
CTR预测的核心是特征筛选。一般情况下,用户特征和消息推送特征维数相对较高,可以通过正则化的方法在模型的复杂度和模型的泛化能力做权衡,通过不断的离线训练评估和在线实验来筛选特征,优化模型。
电子商务企业在消息推送投放中更为注重投入产出比(即投放消息推送带来的销售额与投放费用的比例)。基于用户浏览行为的网站重定向算法和基于用户标签的消息推送匹配算法受各自算法特点的制约,主要有以下几个局限性:在消息推送效果上,单纯的追求点击率为优化目标,而不是投入产出比,不符合电商企业消息推送投放的最终目标;对每个人的资源投入是固定的,在与其他DSP的资源投入博弈过程中,没有明显的优势;消息推送创意相对单一,不能精确的把握用户兴趣。
此外,基于用户浏览行为的重定向算法核心思想是对近期到站浏览的用户展示其浏览过的产品,该算法有以下几点不足:仅能做到对近期到站的用户做相对精准的投放,流量覆盖有限;基于用户忠诚度及访问深度等特征计算资源投入,使得用户更倾向于在站内浏览,导致站内点击到下单转化环节不可控;在资源投入最大之后,对用户展示用户近期浏览的产品,并不利于用户下单转化。该算法对提升CTR有帮助,但在追求消息推送ROI的电子商务行业,基于用户浏览行为的重定向算法应用有诸多不足,流量覆盖优先导致预算消耗少,一味的追求消息推送点击率使得用户下单转化环节不可控,从而导致该重要环节的资源浪费。除此之外,该算法属于闭环资源投入比较算法,不利于唤醒忠诚但近期无浏览行为的用户,长期来看,不利于网站用户的积累与培养。
而基于用户标签的消息推送匹配算法核心思想是基于用户的兴趣标签与用户的历史点击数据离线训练CTR预测模型,计算用户点击消息推送的概率。该算法覆盖度相比重定向算法会有极大的提升,但是消息推送点击率和投入产出比指标比重定向算法要低得多,在消息推送创意方面,给用户展示传统的消息推送素材并不能有效吸引用户关注,该算法在电子商务行业应用场景较少。
发明内容
鉴于此,在本发明的第一方面,公开了一种用于在资源投入调整单元处调整针对用户的消息推送的资源投入的方法,包括:
向消息推送判断单元发送推送请求,所述推送请求包括针对用户的消息推送的当前资源投入;
从所述消息推送判断单元接收推送结果,其中,当所述当前资源投入是由所述消息推送判断单元保存的所有资源投入中的最高资源投入时,所述推送结果包括由所述消息推送判断单元保存的所有资源投入中的次高资源投入,并且当所述当前资源投入不是所述最高资源投入时,所述推送结果包括推送失败消息;以及
当所述推送结果包括所述次高资源投入时,将所述当前资源投入下调预定量;以及
当下调后的当前资源投入不小于所述次高资源投入时,使用经下调的资源投入更新所述当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
优选地,所述方法还包括:
当所述推送结果包括推送失败消息时,将所述当前资源投入上调预定量;以及
当上调后的当前资源投入不大于预定资源投入上限时,使用经上调的资源投入更新所述当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
优选地,当所述经下调的资源投入小于所述次高资源投入时,使用所述次高资源投入更新所述当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
优选地,当所述经上调的资源投入大于所述资源投入上限时,使用所述资源投入上限更新所述当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
优选地,当首次发送推送请求时,所述推送请求中包括的当前资源投入是根据用户的特征、产品的特征、用户对产品的兴趣度以及消息推送相关信息来计算的。
优选地,所述消息推送相关信息包括消息推送位置。
在本发明的第二方面,提供了一种用于调整针对用户的消息推送的资源投入的装置,包括:
发送单元,被配置为向消息推送判断单元发送推送请求,所述推送请求包括针对用户的消息推送的当前资源投入;
接收单元,被配置为从所述消息推送判断单元接收推送结果,其中,当所述当前资源投入是由所述消息推送判断单元保存的所有资源投入中的最高资源投入时,所述推送结果包括由所述消息推送判断单元保存的所有资源投入中的次高资源投入,并且当所述当前资源投入不是所述最高资源投入时,所述推送结果包括推送失败消息;以及
调整单元,被配置为当所述推送结果包括所述次高资源投入时,将所述当前资源投入下调预定量;以及
更新单元,被配置为当下调后的当前资源投入不小于所述次高资源投入时,使用经下调的资源投入更新当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
优选地,所述调整单元被进一步配置为当所述推送结果包括推送失败消息时,将所述资源投入上调预定量;以及
所述更新单元被进一步配置为当上调后的当前资源投入不大于预定资源投入上限时,使用经上调的资源投入更新当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
优选地,所述更新单元被进一步配置为:
当所述经下调的资源投入小于所述次高资源投入时,使用所述次高资源投入更新当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
优选地,所述更新单元被进一步配置为:
当所述经上调的资源投入大于所述资源投入上限时,使用所述资源投入上限更新当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
优选地,当所述发送单元首次发送推送请求时,所述推送请求中包括的当前资源投入是根据用户的特征、产品的特征、用户对产品的兴趣度以及消息推送相关信息来计算的。
优选地,所述消息推送相关信息包括消息推送位置。
在实时消息推送模式中,通过用于动态调整针对用户的消息推送的资源投入的装置来降低电子商务企业获取优质流量的成本,并通过将个性化推荐单元与消息推送相结合来将用户感兴趣的产品直接推送至消息推送端,给用户极致的产品体验,提升用户粘性和下单转化率。
附图说明
根据结合示例性附图对示例性实施例的以下描述,本公开的其他细节、方面和优点将变得显而易见,在附图中:
图1示意性地示出了现有的基于用户网站浏览行为的重定向资源投入算法的流程图;
图2示意性地示出了现有的基于用户标签的消息推送匹配算法的流程图;
图3示意性地示出了根据本发明的实施例用于调整针对用户的消息推送的资源投入的方法的示意图;
图4示意性地示出了根据本发明的实施例用于调整针对用户的消息推送的资源投入的装置的示意图;以及
图5示意性地示出了根据本发明的实施例用于调整针对用户的消息推送的资源投入的***的示意图。
附图没有对实施例的所有电路或结构进行显示。贯穿所有附图相同的附图标记表示相同或相似的部件或特征。
具体实施方式
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的电路、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和/或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
本发明的方案提供了一种动态调整针对消息推送的资源投入(例如,资金投入)的方法和装置。如图3所示,资源投入计算单元320根据从调用个性化推荐单元310接收的信息,来计算对每个用户的资源投入;然后针对每次流量请求,通过资源投入调整单元330通过计算出的资源投入和来自消息推送判断单元340的推送结果来实时动态地向消息推送判断单元340提供调整后的资源投入以在与其他DSP在博弈过程中获取更多的优质流量。资源投入计算单元320和资源投入调整单元330是本发明的核心单元。
下面将参照图4对根据本发明实施例用于调整针对用户的消息推送(例如,广告推送)的资源投入(例如,资金投入)的方法进行描述。
在步骤401,个性化推荐单元根据用户特征数据和产品特征数据,计算用户对产品的兴趣度。
在步骤402,个性化推荐单元将计算出的数据发送给资源投入计算单元。
在步骤403,资源投入计算单元按公式(3)根据从个性化推荐单元接收的数据以及用户的特征、产品的特征和消息推送相关信息,来计算对每个用户的资源投入。所述消息推送相关信息包括消息推送位置。
其中,Ni是喜欢i产品的用户数,Ni∩Nj是同时喜欢产品i和j的用户数,N(u)是用户喜欢的物品集合,S(j,k)是和物品j最相似的K个物品集合,rui是用户u对物品i的兴趣,pT是消息推送特征的权重。Pui是用户对以产品i作为消息推送创意的资源投入。预测的资源投入会有一个基础资源投入和资源投入的置信区间,通过资源投入管理单元进行管理,置信区间上限为资源投入上限,在动态资源投入比较部分会作为加价的上限。本发明的资源投入单元相比前面两种方案差异化的地方在于直接利用用户的深度行为数据建立的个性化推荐模型作为主要的输入特征。这种情况下,本发明在利用用户深度数据的基础上可以更好的预测用户的购买意愿,从而能更直接客观地评估消息推送的投入产出比。
在步骤404,资源投入计算单元向资源投入调整单元发送计算出的资源投入作为当前资源投入。
在步骤405,资源投入调整单元向消息推送判断单元发送推送请求,该推送请求包括针对用户的消息推送的当前资源投入。
在步骤406,消息推送判断单元判断从资源投入调整单元接收的当前资源投入是否是消息推送判断单元所保存的所有资源投入中的最高资源投入。
在步骤407,消息推送判断单元根据判断结果向资源投入调整单元返回推送结果。当当前资源投入是由所述消息推送判断单元保存的所有资源投入中的最高资源投入时,推送结果包括由消息推送判断单元保存的所有资源投入中的次高资源投入,并且当当前资源投入不是所述最高资源投入时,推送结果包括推送失败消息。
在步骤408,资源投入调整单元基于所接收的推送结果来对当前资源投入进行调整。具体地,当推送结果包括次高资源投入时,将当前资源投入下调预定量;并且当推送结果包括推送失败消息时,将当前资源投入上调预定量。调整的幅度主要由预算花销系数确定,预算花销系数是输入设备获取的用户自定义输入。预算花销系数主要控制预算花费的速度、一定程度上也控制消息推送的投入产出比。当需要增加预算的花销速度时,可以通过增大预算花销系数来增加上调的幅度和降低下调的幅度以使预算快速消耗。当需要节省预算花销时,可以降低预算花销系数。资源投入上调公式和下调公式分别如公式(4)和(5)所示:
Pi=Pi-1+α*Cu;Pi≤Pmax (4)
其中,Cu为针对特定消息推送位对用户u的资源投入变动幅度,主要有消息推送位置的质量和用户的质量决定,消息推送位置越宝贵、用户质量越高,则加价幅度越大,降价幅度越小,反之亦然,α为预算花销系数,主要根据预算的花费速度人工确定。Pi-1为上一次的资源投入;Pdeal为上一次的次高资源投入;w1为资源投入最大之后平衡上次资源投入和次高资源投入的权重。
在步骤409,资源投入调整单元基于经调整的资源投入对当前资源投入进行更新,以便用于向所述消息推送判断单元发送下一推送请求。具体地,当下调后的当前资源投入不小于所述次高资源投入时,使用经下调的资源投入更新所述当前资源投入;并且当所述经下调的资源投入小于所述次高资源投入时,使用所述次高资源投入更新所述当前资源投入。备选地,当上调后的当前资源投入不大于预定资源投入上限时,使用经上调的资源投入更新所述当前资源投入;并且当所述经上调的资源投入大于所述资源投入上限时,使用所述资源投入上限更新所述当前资源投入。备选地,当当前资源投入是由所述消息推送判断单元保存的所有资源投入中的最高资源投入时,资源投入调整单元通知消息推送单元通过调取用户感兴趣的产品信息(例如,用户最可能购买的N个产品)向用户推送消息,从而促使用户根据推送消息来对感兴趣的产品进行选择(例如,购买产品)。
在实时消息推送模式中,通过用于动态调整针对用户的消息推送的资源投入的装置来降低电子商务企业获取优质流量的成本,并通过将个性化推荐单元与消息推送相结合来将用户感兴趣的产品直接推送至消息推送端,给用户极致的产品体验,提升用户粘性和下单转化率。
图5示意性地示出了根据本发明的实施例用于调整针对用户的消息推送的资源投入的***500的示意图。***500包括处理器510,例如,数字信号处理器(DSP)。处理器510可以是用于执行本文所描述的过程的不同动作的单个装置或多个装置。***500还可以包括输入/输出(I/O)装置530,用于从其他实体接收信号或者向其他实体发送信号。
此外,***500包括存储器520,该存储器520可以具有以下形式:非易失性或易失性存储器,例如,电可擦除可编程只读存储器(EEPROM)、闪存等。存储器520存储计算机可读指令,当处理器510执行该计算机可读指令时,该计算机可读指令使处理器执行本文所述的动作。
以上的详细描述通过使用示意图、流程图和/或示例,已经阐述了检查方法和***的众多实施例。在这种示意图、流程图和/或示例包含一个或多个功能和/或操作的情况下,本领域技术人员应理解,这种示意图、流程图或示例中的每一功能和/或操作可以通过各种结构、硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在一个实施例中,本发明的实施例所述主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、或其他集成格式来实现。然而,本领域技术人员应认识到,这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中,实现为在一台或多台计算机上运行的一个或多个计算机程序(例如,实现为在一台或多台计算机***上运行的一个或多个程序),实现为在一个或多个处理器上运行的一个或多个程序(例如,实现为在一个或多个微处理器上运行的一个或多个程序),实现为固件,或者实质上实现为上述方式的任意组合,并且本领域技术人员根据本公开,将具备设计电路和/或写入软件和/或固件代码的能力。此外,本领域技术人员将认识到,本公开所述主题的机制能够作为多种形式的程序产品进行分发,并且无论实际用来执行分发的信号承载介质的具体类型如何,本公开所述主题的示例性实施例均适用。信号承载介质的示例包括但不限于:可记录型介质,如软盘、硬盘驱动器、紧致盘(CD)、数字通用盘(DVD)、数字磁带、计算机存储器等;以及传输型介质,如数字和/或模拟通信介质(例如,光纤光缆、波导、有线通信链路、无线通信链路等)。
虽然已参照几个典型实施例描述了本发明,但应当理解,所用的术语是说明和示例性、而非限制性的术语。由于本发明能够以多种形式具体实施而不脱离发明的精神或实质,所以应当理解,上述实施例不限于任何前述的细节,而应在随附权利要求所限定的精神和范围内广泛地解释,因此落入权利要求或其等效范围内的全部变化和改型都应为随附权利要求所涵盖。
Claims (12)
1.一种用于在资源投入调整单元处调整针对用户的消息推送的资源投入的方法,包括:
向消息推送判断单元发送推送请求,所述推送请求包括针对用户的消息推送的当前资源投入;
从所述消息推送判断单元接收推送结果,其中,当所述当前资源投入是由所述消息推送判断单元保存的所有资源投入中的最高资源投入时,所述推送结果包括由所述消息推送判断单元保存的所有资源投入中的次高资源投入,并且当所述当前资源投入不是所述最高资源投入时,所述推送结果包括推送失败消息;以及
当所述推送结果包括所述次高资源投入时,将所述当前资源投入下调预定量;以及
当下调后的当前资源投入不小于所述次高资源投入时,使用经下调的资源投入更新所述当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
2.根据权利要求1所述的方法,还包括:
当所述推送结果包括推送失败消息时,将所述当前资源投入上调预定量;以及
当上调后的当前资源投入不大于预定资源投入上限时,使用经上调的资源投入更新所述当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
3.根据权利要求1所述的方法,其中,当所述经下调的资源投入小于所述次高资源投入时,使用所述次高资源投入更新所述当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
4.根据权利要求2所述的方法,其中,当所述经上调的资源投入大于所述资源投入上限时,使用所述资源投入上限更新所述当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
5.根据权利要求1所述的方法,其中,当首次发送推送请求时,所述推送请求中包括的当前资源投入是根据用户的特征、产品的特征、用户对产品的兴趣度以及消息推送相关信息来计算的。
6.根据权利要求5所述的方法,其中,所述消息推送相关信息包括消息推送位置。
7.一种用于调整针对用户的消息推送的资源投入的装置,包括:
发送单元,被配置为向消息推送判断单元发送推送请求,所述推送请求包括针对用户的消息推送的当前资源投入;
接收单元,被配置为从所述消息推送判断单元接收推送结果,其中,当所述当前资源投入是由所述消息推送判断单元保存的所有资源投入中的最高资源投入时,所述推送结果包括由所述消息推送判断单元保存的所有资源投入中的次高资源投入,并且当所述当前资源投入不是所述最高资源投入时,所述推送结果包括推送失败消息;以及
调整单元,被配置为当所述推送结果包括所述次高资源投入时,将所述当前资源投入下调预定量;以及
更新单元,被配置为当下调后的当前资源投入不小于所述次高资源投入时,使用经下调的资源投入更新当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
8.根据权利要求7所述的装置,其中,
所述调整单元被进一步配置为当所述推送结果包括推送失败消息时,将所述资源投入上调预定量;以及
所述更新单元被进一步配置为当上调后的当前资源投入不大于预定资源投入上限时,使用经上调的资源投入更新当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
9.根据权利要求7所述的装置,其中,所述更新单元被进一步配置为:
当所述经下调的资源投入小于所述次高资源投入时,使用所述次高资源投入更新当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
10.根据权利要求8所述的装置,其中,所述更新单元被进一步配置为:
当所述经上调的资源投入大于所述资源投入上限时,使用所述资源投入上限更新当前资源投入,以便用于向所述消息推送判断单元发送下一推送请求。
11.根据权利要求7所述的装置,其中,当所述发送单元首次发送推送请求时,所述推送请求中包括的当前资源投入是根据用户的特征、产品的特征、用户对产品的兴趣度以及消息推送相关信息来计算的。
12.根据权利要求11所述的装置,其中,所述消息推送相关信息包括消息推送位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610228091.3A CN107292654B (zh) | 2016-04-13 | 2016-04-13 | 资源投入调整方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610228091.3A CN107292654B (zh) | 2016-04-13 | 2016-04-13 | 资源投入调整方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292654A true CN107292654A (zh) | 2017-10-24 |
CN107292654B CN107292654B (zh) | 2021-02-26 |
Family
ID=60093637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610228091.3A Active CN107292654B (zh) | 2016-04-13 | 2016-04-13 | 资源投入调整方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292654B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020029688A1 (zh) * | 2018-08-07 | 2020-02-13 | 阿里巴巴集团控股有限公司 | 通过深度强化学习进行营销成本控制的方法及装置 |
CN111598677A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 一种资源配额确定方法、装置和电子设备 |
CN111737575A (zh) * | 2020-06-19 | 2020-10-02 | 北京字节跳动网络技术有限公司 | 内容分发方法、装置、可读介质及电子设备 |
CN112055235A (zh) * | 2020-08-25 | 2020-12-08 | 北京达佳互联信息技术有限公司 | 推送展示对象的方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127624A (zh) * | 2007-09-27 | 2008-02-20 | 腾讯科技(深圳)有限公司 | 广告服务器、广告创意的展示方法和*** |
CN101996371A (zh) * | 2009-08-17 | 2011-03-30 | 华为技术有限公司 | 广告投放方法、装置及*** |
CN102024218A (zh) * | 2009-09-14 | 2011-04-20 | 腾讯科技(深圳)有限公司 | 一种投放广告的方法及装置 |
CN103593791A (zh) * | 2013-11-07 | 2014-02-19 | 广州优蜜信息科技有限公司 | 一种移动广告投放方法及*** |
-
2016
- 2016-04-13 CN CN201610228091.3A patent/CN107292654B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127624A (zh) * | 2007-09-27 | 2008-02-20 | 腾讯科技(深圳)有限公司 | 广告服务器、广告创意的展示方法和*** |
CN101996371A (zh) * | 2009-08-17 | 2011-03-30 | 华为技术有限公司 | 广告投放方法、装置及*** |
CN102024218A (zh) * | 2009-09-14 | 2011-04-20 | 腾讯科技(深圳)有限公司 | 一种投放广告的方法及装置 |
CN103593791A (zh) * | 2013-11-07 | 2014-02-19 | 广州优蜜信息科技有限公司 | 一种移动广告投放方法及*** |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020029688A1 (zh) * | 2018-08-07 | 2020-02-13 | 阿里巴巴集团控股有限公司 | 通过深度强化学习进行营销成本控制的方法及装置 |
US11295332B2 (en) | 2018-08-07 | 2022-04-05 | Advanced New Technologies Co., Ltd. | Method and apparatus of deep reinforcement learning for marketing cost control |
CN111737575A (zh) * | 2020-06-19 | 2020-10-02 | 北京字节跳动网络技术有限公司 | 内容分发方法、装置、可读介质及电子设备 |
CN111737575B (zh) * | 2020-06-19 | 2023-11-14 | 北京字节跳动网络技术有限公司 | 内容分发方法、装置、可读介质及电子设备 |
CN111598677A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 一种资源配额确定方法、装置和电子设备 |
CN112055235A (zh) * | 2020-08-25 | 2020-12-08 | 北京达佳互联信息技术有限公司 | 推送展示对象的方法、装置、电子设备及存储介质 |
CN112055235B (zh) * | 2020-08-25 | 2022-03-25 | 北京达佳互联信息技术有限公司 | 推送展示对象的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107292654B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raj et al. | COVID-19 and digital resilience: Evidence from Uber Eats | |
US7016936B2 (en) | Real time electronic service interaction management system and method | |
Bhagat et al. | Buy it again: Modeling repeat purchase recommendations | |
Valentini et al. | Decision process evolution in customer channel choice | |
Singh et al. | How to maximize clicks for display advertisement in digital marketing? A reinforcement learning approach | |
US20140019225A1 (en) | Multi-channel, self-learning, social influence-based incentive generation | |
US11157969B2 (en) | Automated deal guide structure identification | |
US11875380B2 (en) | Method for matching influencers to brands and pairing influencer videos to products for intra-video transactions | |
US11030535B1 (en) | Machine learned merchant ratings | |
CN107292654A (zh) | 用于调整针对用户的消息推送的资源投入的方法和装置 | |
Yang et al. | Dynamic pricing and inventory management in the presence of online reviews | |
US20220253875A1 (en) | Method and system for adjustable automated forecasts | |
EP3682403A1 (en) | A method and system for intelligent adaptive bidding in an automated online exchange network | |
Aramayo et al. | A multiarmed bandit approach for house ads recommendations | |
Miralles-Pechuán et al. | A 2020 perspective on “A novel methodology for optimizing display advertising campaigns using genetic algorithms” | |
US20200226641A1 (en) | Automated deal guide optimization | |
Fang et al. | Boost movie ticket sales by location-based advertising: a Bayesian VAR approach | |
Vapiwala et al. | Analyzing the Application of Artificial Intelligence for E-Commerce Customer Engagement | |
JP2020135458A (ja) | 提供装置、提供方法及び提供プログラム | |
US20230071641A1 (en) | Generation of product strategy using user segment search terms | |
CN117829936A (zh) | 推荐方法及装置、设备和介质 | |
KR20230011213A (ko) | 온라인 광고 대행 서버, 캠페인 정보에 포함된 운영 옵션 정보를 선택적으로 변경하는 온라인 광고 대행 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램 | |
US11763349B2 (en) | Methods and apparatus for automatically providing digital advertisements | |
Funk et al. | Cross-channel real-time response analysis | |
CN113379511A (zh) | 用于输出信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |