CN109522506A - 访客行为数据转化率的动态预测方法 - Google Patents
访客行为数据转化率的动态预测方法 Download PDFInfo
- Publication number
- CN109522506A CN109522506A CN201811279926.3A CN201811279926A CN109522506A CN 109522506 A CN109522506 A CN 109522506A CN 201811279926 A CN201811279926 A CN 201811279926A CN 109522506 A CN109522506 A CN 109522506A
- Authority
- CN
- China
- Prior art keywords
- visitor
- behavioral data
- data
- conversion ratio
- behavioral
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种访客行为数据转化率的动态预测方法,包括以下步骤:A、抓取访客行为数据与转化结果数据的历史记录;B、建立访客行为数据与转化结果数据的函数关系;C、将访客行为数据与转化结果数据的函数关系矩阵化,得到转化关系矩阵;D、根据转化关系矩阵与实时访客行为数据预测转化率。本发明能够解决现有技术的不足,有效提高了预测准确度。
Description
技术领域
本公开涉及网络信息技术领域,尤其是一种访客行为数据转化率的动态预测方法。
背景技术
对于网站设计者来说,如何让网站访客的浏览行为更多的转化为实际点击率,是评价一个网站质量高低的一项重要指标。为了对网站内容进行及时更新,需要根据历史数据对访客行为转化率进行预测。现有的预测方法是根据历史数据进行直接评估,预测准确度较低。
发明内容
本公开要解决的技术问题是提供一种访客行为数据转化率的动态预测方法,能够解决现有技术的不足,有效提高了预测准确度。
为解决上述技术问题,本公开所采取的技术方案如下。
一个方面,一种访客行为数据转化率的动态预测方法,包括以下步骤:
A、抓取访客行为数据与转化结果数据的历史记录;
B、建立访客行为数据与转化结果数据的函数关系;
C、将访客行为数据与转化结果数据的函数关系矩阵化,得到转化关系矩阵;
D、根据转化关系矩阵与实时访客行为数据预测转化率。
根据本公开的一个实施方式,步骤A中,根据访客行为的特征,对访客行为数据进行分类,建立任意两类访客行为数据的关联函数F。
根据本公开的一个实施方式,步骤B中,对每一类访客行为数据与其对应的转化结果数据建立函数关系G,然后使用访客行为之间的关联函数F与其对应的两类访客行为数据的函数关系G进行归一化处理,得到访客行为数据与其对应的转化结果数据之间的综合函数关系G’。
根据本公开的一个实施方式,步骤C中,对综合函数关系G’进行矩阵化包括以下步骤,
C1、以访客行为数据为自变量,对综合函数关系G’进行分段,每段综合函数关系G’的函数值作为转化关系矩阵的一个行向量;
C2、在每个行向量的起始元素之前加入两个行特征元素,行特征元素代表此行向量的访客行为数据覆盖范围。
根据本公开的一个实施方式,步骤D中,根据转化关系矩阵与实时访客行为数据预测转化率包括以下步骤,
D1、建立预测模型;
D2、建立预测模型与转化关系矩阵之间的迭代关系;
D3、设置迭代收敛条件,
|M(An)-M(An+1)|<α,
其中,M为预测模型,An为第n次预测时的转化关系矩阵,An+1为第n+1次预测时的转化关系矩阵;
D4、对预测模型进行迭代,直至预测模型符合收敛条件。
根据本公开的一个实施方式,步骤D4中,对预测模型进行迭代包括以下步骤,
D41、根据上一次预测转化率的结果与实际转化率的差值,对预测模型进行修改正;
D42、设定修正后的预测模型与修正前的预测模型的线性相关度最小值,以此为标准对修正后的预测模型进行二次修正。
另一方面,一种访客行为数据转化率的动态预测***,其特征在于,包括:
抓取模块:抓取访客行为数据与转化结果数据的历史记录;
建立模块:建立访客行为数据与转化结果数据的函数关系;
矩阵化模块:将访客行为数据与转化结果数据的函数关系矩阵化,得到转化关系矩阵;
预测模块:根据转化关系矩阵与实时访客行为数据预测转化率。
根据本公开的一个实施方式,抓取模块中,根据访客行为的特征,对访客行为数据进行分类,建立任意两类访客行为数据的关联函数F。
根据本公开的一个实施方式,建立模块中,对每一类访客行为数据与其对应的转化结果数据建立函数关系G,然后使用访客行为之间的关联函数F与其对应的两类访客行为数据的函数关系G进行归一化处理,得到访客行为数据与其对应的转化结果数据之间的综合函数关系G’。
根据本公开的一个实施方式,矩阵化模块中,对综合函数关系G’进行矩阵化包括:以访客行为数据为自变量,对综合函数关系G’进行分段,每段综合函数关系G’的函数值作为转化关系矩阵的一个行向量;在每个行向量的起始元素之前加入两个行特征元素,行特征元素代表此行向量的访客行为数据覆盖范围。
采用上述技术方案所带来的有益效果在于:本公开通过优化访客行为数据的处理方式,提高了预测数据源的一致性;然后利用优化后的转化关系矩阵进行转化率预测,可以有效提高预测结果的准确性。
具体实施方式
下面结合实施方式对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本公开的限定。
需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合。
本公开的一个具体实施方式包括以下步骤:
A、抓取访客行为数据与转化结果数据的历史记录;
B、建立访客行为数据与转化结果数据的函数关系;
C、将访客行为数据与转化结果数据的函数关系矩阵化,得到转化关系矩阵;
D、根据转化关系矩阵与实时访客行为数据预测转化率。
步骤A中,根据访客行为的特征,对访客行为数据进行分类,建立任意两类访客行为数据的关联函数F。
步骤B中,对每一类访客行为数据与其对应的转化结果数据建立函数关系G,然后使用访客行为之间的关联函数F与其对应的两类访客行为数据的函数关系G进行归一化处理,得到访客行为数据与其对应的转化结果数据之间的综合函数关系G’。
步骤C中,对综合函数关系G’进行矩阵化包括以下步骤,
C1、以访客行为数据为自变量,对综合函数关系G’进行分段,每段综合函数关系G’的函数值作为转化关系矩阵的一个行向量;
C2、在每个行向量的起始元素之前加入两个行特征元素,行特征元素代表此行向量的访客行为数据覆盖范围。
步骤D中,根据转化关系矩阵与实时访客行为数据预测转化率包括以下步骤,
D1、建立预测模型;
D2、建立预测模型与转化关系矩阵之间的迭代关系;
D3、设置迭代收敛条件,
|M(An)-M(An+1)|<α,
其中,M为预测模型,An为第n次预测时的转化关系矩阵,An+1为第n+1次预测时的转化关系矩阵;
D4、对预测模型进行迭代,直至预测模型符合收敛条件。
步骤D4中,对预测模型进行迭代包括以下步骤,
D41、根据上一次预测转化率的结果与实际转化率的差值,对预测模型进行修改正;
D42、设定修正后的预测模型与修正前的预测模型的线性相关度最小值,以此为标准对修正后的预测模型进行二次修正。
本公开还提供了与上述方法对应的***,在此不再赘述。
在本说明书的描述中,参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本公开,而并非是对本公开的范围进行限定。对于所属领域的技术人员而言,在上述公开的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本公开的范围内。
Claims (10)
1.一种访客行为数据转化率的动态预测方法,其特征在于,包括以下步骤:
A、抓取访客行为数据与转化结果数据的历史记录;
B、建立访客行为数据与转化结果数据的函数关系;
C、将访客行为数据与转化结果数据的函数关系矩阵化,得到转化关系矩阵;
D、根据转化关系矩阵与实时访客行为数据预测转化率。
2.根据权利要求1所述的访客行为数据转化率的动态预测方法,其特征在于,步骤A中,根据访客行为的特征,对访客行为数据进行分类,建立任意两类访客行为数据的关联函数F。
3.根据权利要求2所述的访客行为数据转化率的动态预测方法,其特征在于,步骤B中,对每一类访客行为数据与其对应的转化结果数据建立函数关系G,然后使用访客行为之间的关联函数F与其对应的两类访客行为数据的函数关系G进行归一化处理,得到访客行为数据与其对应的转化结果数据之间的综合函数关系G’。
4.根据权利要求3所述的访客行为数据转化率的动态预测方法,其特征在于,步骤C中,对综合函数关系G’进行矩阵化包括以下步骤,
C1、以访客行为数据为自变量,对综合函数关系G’进行分段,每段综合函数关系G’的函数值作为转化关系矩阵的一个行向量;
C2、在每个行向量的起始元素之前加入两个行特征元素,行特征元素代表此行向量的访客行为数据覆盖范围。
5.根据权利要求4所述的访客行为数据转化率的动态预测方法,其特征在于,步骤D中,根据转化关系矩阵与实时访客行为数据预测转化率包括以下步骤,
D1、建立预测模型;
D2、建立预测模型与转化关系矩阵之间的迭代关系;
D3、设置迭代收敛条件,
|M(An)-M(An+1)|<α,
其中,M为预测模型,An为第n次预测时的转化关系矩阵,An+1为第n+1次预测时的转化关系矩阵;
D4、对预测模型进行迭代,直至预测模型符合收敛条件。
6.根据权利要求5所述的访客行为数据转化率的动态预测方法,其特征在于,步骤D4中,对预测模型进行迭代包括以下步骤,
D41、根据上一次预测转化率的结果与实际转化率的差值,对预测模型进行修改正;
D42、设定修正后的预测模型与修正前的预测模型的线性相关度最小值,以此为标准对修正后的预测模型进行二次修正。
7.一种访客行为数据转化率的动态预测***,其特征在于,包括:
抓取模块:抓取访客行为数据与转化结果数据的历史记录;
建立模块:建立访客行为数据与转化结果数据的函数关系;
矩阵化模块:将访客行为数据与转化结果数据的函数关系矩阵化,得到转化关系矩阵;
预测模块:根据转化关系矩阵与实时访客行为数据预测转化率。
8.根据权利要求1所述的访客行为数据转化率的动态预测***,其特征在于:抓取模块中,根据访客行为的特征,对访客行为数据进行分类,建立任意两类访客行为数据的关联函数F。
9.根据权利要求8所述的访客行为数据转化率的动态预测***,其特征在于:建立模块中,对每一类访客行为数据与其对应的转化结果数据建立函数关系G,然后使用访客行为之间的关联函数F与其对应的两类访客行为数据的函数关系G进行归一化处理,得到访客行为数据与其对应的转化结果数据之间的综合函数关系G’。
10.根据权利要求9所述的访客行为数据转化率的动态预测***,其特征在于:矩阵化模块中,对综合函数关系G’进行矩阵化包括:以访客行为数据为自变量,对综合函数关系G’进行分段,每段综合函数关系G’的函数值作为转化关系矩阵的一个行向量;在每个行向量的起始元素之前加入两个行特征元素,行特征元素代表此行向量的访客行为数据覆盖范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811279926.3A CN109522506A (zh) | 2018-10-30 | 2018-10-30 | 访客行为数据转化率的动态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811279926.3A CN109522506A (zh) | 2018-10-30 | 2018-10-30 | 访客行为数据转化率的动态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109522506A true CN109522506A (zh) | 2019-03-26 |
Family
ID=65773249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811279926.3A Pending CN109522506A (zh) | 2018-10-30 | 2018-10-30 | 访客行为数据转化率的动态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522506A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346899A (zh) * | 2011-10-08 | 2012-02-08 | 亿赞普(北京)科技有限公司 | 一种基于用户行为的广告点击率预测方法和装置 |
CN108109008A (zh) * | 2017-12-21 | 2018-06-01 | 暴风集团股份有限公司 | 用于预估广告的点击率的方法、装置、设备和存储介质 |
CN108182597A (zh) * | 2017-12-27 | 2018-06-19 | 银橙(上海)信息技术有限公司 | 一种基于决策树和逻辑回归的点击率预估方法 |
CN108681915A (zh) * | 2018-04-18 | 2018-10-19 | 北京奇艺世纪科技有限公司 | 一种点击率预估方法、装置及电子设备 |
-
2018
- 2018-10-30 CN CN201811279926.3A patent/CN109522506A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346899A (zh) * | 2011-10-08 | 2012-02-08 | 亿赞普(北京)科技有限公司 | 一种基于用户行为的广告点击率预测方法和装置 |
CN108109008A (zh) * | 2017-12-21 | 2018-06-01 | 暴风集团股份有限公司 | 用于预估广告的点击率的方法、装置、设备和存储介质 |
CN108182597A (zh) * | 2017-12-27 | 2018-06-19 | 银橙(上海)信息技术有限公司 | 一种基于决策树和逻辑回归的点击率预估方法 |
CN108681915A (zh) * | 2018-04-18 | 2018-10-19 | 北京奇艺世纪科技有限公司 | 一种点击率预估方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Sustainable building material selection: A QFD-and ELECTRE III-embedded hybrid MCGDM approach with consensus building | |
Hui et al. | Methods of forest structure research: A review | |
Pe'er et al. | Breaking functional connectivity into components: a novel approach using an individual-based model, and first outcomes | |
McManus et al. | Challenge clusters facing LCA in environmental decision-making—what we can learn from biofuels | |
Lorite et al. | AquaData and AquaGIS: two computer utilities for temporal and spatial simulations of water-limited yield with AquaCrop | |
CN112180471A (zh) | 天气预报方法、装置、设备及存储介质 | |
CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
Zhao et al. | A review of macroscopic carbon emission prediction model based on machine learning | |
Tian | Relationship between environmental factors and the spatial distribution of Spermophilus dauricus during 2000–2015 in China | |
CN106126515A (zh) | 一种大数据***构件的自动选型方法 | |
Zhang et al. | Scenarios simulation of spatio-temporal land use changes for exploring sustainable management strategies | |
Tsehayae et al. | Context Adaptation of Fuzzy Inference System‐Based Construction Labor Productivity Models | |
CN106203460A (zh) | 训练信号处理模型以用于信号处理***中的部件替换 | |
CN109190749A (zh) | 一种用于智能电表寿命的预测方法及装置 | |
CN109919219B (zh) | 一种基于粒计算ML-kNN的Xgboost多视角画像构建方法 | |
CN109522506A (zh) | 访客行为数据转化率的动态预测方法 | |
WO2023185972A1 (zh) | 数据处理方法、装置和电子设备 | |
DE102019122936A1 (de) | Verfahren, systeme, fabrikate und vorrichtungen zur verbesserung einer erkennung von grenzabweichungen | |
CN115374570A (zh) | 一种用于穿越工程隧道变形预测的多源加权训练集构建方法 | |
Xiong | Application of artificial intelligence technology in decision support software | |
Schumacher | CSU Mobile Radiosonde Data. Version 1.0 | |
CN108509984A (zh) | 激活值量化训练方法及装置 | |
Musters et al. | Analysis of species attributes to determine dominant environmental drivers, illustrated by species decline in the Netherlands since the 1950s | |
Rebaudo et al. | Simulating population genetics of pathogen vectors in changing landscapes: guidelines and application with Triatoma brasiliensis | |
Bütikofer et al. | High-resolution land use/cover forecasts for Switzerland in the 21st century |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190326 |