CN109684549A - 目标数据预测方法、装置、电子设备及计算机存储介质 - Google Patents
目标数据预测方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN109684549A CN109684549A CN201811583663.5A CN201811583663A CN109684549A CN 109684549 A CN109684549 A CN 109684549A CN 201811583663 A CN201811583663 A CN 201811583663A CN 109684549 A CN109684549 A CN 109684549A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- feature data
- active user
- fisrt feature
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种目标数据预测方法、装置、电子设备及计算机存储介质,所述目标数据预测方法包括:获取当前用户的第一特征数据,并根据所述第一特征数据和用户类别预测模型对于所述当前用户的类别进行预测;根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;根据所述第二特征数据对于所述目标数据进行预测。该技术方案能够提高新用户数据预测的准确性,为当前用户提供与其喜好相匹配的推送信息,方便其查看或者选择,从而提升用户的使用体验,提高交易转化率。
Description
技术领域
本公开涉及数据预测技术领域,具体涉及一种目标数据预测方法、装置、电子设备及计算机存储介质。
背景技术
随着互联网技术的发展,越来越多的商家或者服务提供商通过互联网平台来为用户提供服务。为了提高服务质量、提升用户的使用体验,同时提高用户操作的效率,很多平台都在用户使用服务时,向用户推送与服务相关的信息,以方便其查看或者选择,节省其搜索信息的时间。现有技术中采用几种方案为用户推送信息:1、随机推送,这种方案执行起来较为简单,但所推送的信息往往与用户喜好不相匹配,因此不仅达不到方便其查看或者选择的目的,还会降低其使用体验;2、基于预设规则推送,这种方案对于规则的依赖性强,难以覆盖全部用户,而且规则的调整和变动还会增加维护的难度;3、基于平台发生交易的历史用户的特征数据训练出信息选择概率预测模型,然后向用户推送预测得到的选择概率较高的信息,该方案相比前两种方案而言,推送效果较好,但由于信息选择概率预测模型所使用的训练数据是在平台已经发生过交易的用户数据,利用这些数据训练得到的模型对老用户的预测准确性较高,但对于还未发生过交易的新用户预测准确性较低,交易转化率较低。
发明内容
本公开实施例提供一种目标数据预测方法、装置、电子设备及计算机存储介质。
第一方面,本公开实施例中提供了一种目标数据预测方法。
具体的,所述目标数据预测方法,包括:
获取当前用户的第一特征数据;
根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别;
根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;
根据所述第二特征数据对于当前用户的目标数据进行预测。
结合第一方面,本公开在第一方面的第一种实现方式中,所述根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据,包括:
确定所述第一特征数据中缺失数据的特征;
获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充。
结合第一方面和第一方面的第一种实现方式,本发明实施例在第一方面的第二种实现方式中,所述获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充,包括:
计算所述当前用户类别所包含的历史用户的缺失数据的均值;
将得到的缺失数据均值加入所述第一特征数据中,得到所述当前用户的第二特征数据。
结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式,本发明实施例在第一方面的第三种实现方式中,所述获取当前用户的第一特征数据之前,还包括:
获取预设历史时间段内的历史用户的第一特征数据及其类别信息,并根据所述历史用户的第一特征数据和相应的类别信息训练得到所述用户类别预测模型。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式和第一方面的第三种实现方式,本发明实施例在第一方面的第四种实现方式中,所述用户类别预测模型为最大熵模型。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式和第一方面的第四种实现方式,本发明实施例在第一方面的第五种实现方式中,所述根据所述第二特征数据对于当前用户的目标数据进行预测,包括:
确定目标数据预测模型;
根据所述第二特征数据,利用所述目标数据预测模型对于当前用户的目标数据进行预测。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式和第一方面的第五种实现方式,本发明实施例在第一方面的第六种实现方式中,所述目标数据预测模型为LR模型。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式、第一方面的第五种实现方式和第一方面的第六种实现方式,本发明实施例在第一方面的第七种实现方式中,还包括:
根据预测得到的目标数据执行预设操作。
第二方面,本公开实施例中提供了一种目标数据预测装置。
具体的,所述目标数据预测装置,包括:
第一预测模块,被配置为获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别;
填充模块,被配置为根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;
第二预测模块,被配置为根据所述第二特征数据对于当前用户的目标数据进行预测。
结合第二方面,本发明实施例在第二方面的第一种实现方式中,所述填充模块包括:
第一确定子模块,被配置为确定所述第一特征数据中缺失数据的特征;
填充子模块,被配置为获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充。
结合第二方面和第二方面的第一种实现方式,本发明实施例在第二方面的第二种实现方式中,所述填充子模块包括:
计算子模块,被配置为计算所述当前用户类别所包含的历史用户的缺失数据的均值;
加入子模块,被配置为将得到的缺失数据均值加入所述第一特征数据中,得到所述当前用户的第二特征数据。
结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式,本发明实施例在第二方面的第三种实现方式中,还包括:
训练模块,被配置为获取预设历史时间段内的历史用户的第一特征数据及其类别信息,并根据所述历史用户的第一特征数据和相应的类别信息训练得到所述用户类别预测模型。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式和第二方面的第三种实现方式,本发明实施例在第二方面的第四种实现方式中,所述用户类别预测模型为最大熵模型。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式和第二方面的第四种实现方式,本发明实施例在第二方面的第五种实现方式中,所述第二预测模块包括:
第二确定子模块,被配置为确定目标数据预测模型;
预测子模块,被配置为根据所述第二特征数据,利用所述目标数据预测模型对于当前用户的目标数据进行预测。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式、第二方面的第四种实现方式和第二方面的第五种实现方式,本发明实施例在第二方面的第六种实现方式中,所述目标数据预测模型为LR模型。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式、第二方面的第四种实现方式、第二方面的第五种实现方式和第二方面的第六种实现方式,本发明实施例在第二方面的第七种实现方式中,还包括:
执行模块,被配置为根据预测得到的目标数据执行预设操作。
第三方面,本公开实施例提供了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条支持目标数据预测装置执行上述第一方面中目标数据预测方法的计算机指令,所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述目标数据预测装置还可以包括通信接口,用于目标数据预测装置与其他设备或通信网络通信。
第四方面,本公开实施例提供了一种计算机可读存储介质,用于存储目标数据预测装置所用的计算机指令,其包含用于执行上述第一方面中目标数据预测方法为目标数据预测装置所涉及的计算机指令。
本公开实施例提供的技术方案可以包括以下有益效果:
上述技术方案综合使用历史用户和当前用户的特征数据进行目标数据的预测,这样既能够体现当前用户的特征信息又能借助历史用户的特征信息维护目标数据预测的准确性。该技术方案能够提高新用户数据预测的准确性,为当前用户提供与其喜好相匹配的推送信息,方便其查看或者选择,从而提升用户的使用体验,提高交易转化率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示出根据本公开一实施方式的目标数据预测方法的流程图;
图2示出根据图1所示实施方式的目标数据预测方法的步骤S101的流程图;
图3示出根据图1所示实施方式的目标数据预测方法的步骤S102的流程图;
图4示出根据图3所示实施方式的目标数据预测方法的步骤S302的流程图;
图5示出根据本公开另一实施方式的目标数据预测方法的流程图;
图6示出根据图1所示实施方式的目标数据预测方法的步骤S103的流程图;
图7示出根据本公开再一实施方式的目标数据预测方法的流程图;
图8示出根据本公开一实施方式的目标数据预测装置的结构框图;
图9示出根据图8所示实施方式的目标数据预测装置的第一预测模块801的结构框图;
图10示出根据图8所示实施方式的目标数据预测装置的填充模块802的结构框图;
图11示出根据图10所示实施方式的目标数据预测装置的填充子模块1002的结构框图;
图12示出根据本公开另一实施方式的目标数据预测装置的结构框图;
图13示出根据图8所示实施方式的目标数据预测装置的第二预测模块803的结构框图;
图14示出根据本公开再一实施方式的目标数据预测装置的结构框图;
图15示出根据本公开一实施方式的电子设备的结构框图;
图16是适于用来实现根据本公开一实施方式的目标数据预测方法的计算机***的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施方式,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施方式无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
本公开实施例提供的技术方案综合使用历史用户和当前用户的特征数据进行目标数据的预测,这样既能够体现当前用户的特征信息又能借助历史用户的特征信息维护目标数据预测的准确性。该技术方案能够提高新用户数据预测的准确性,为当前用户提供与其喜好相匹配的推送信息,方便其查看或者选择,从而提升用户的使用体验,提高交易转化率。
图1示出根据本公开一实施方式的目标数据预测方法的流程图。如图1所示,所述目标数据预测方法包括以下步骤S101-S103:
在步骤S101中,获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别;
在步骤S102中,根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;
在步骤S103中,根据所述第二特征数据对于当前用户的目标数据进行预测。
上文提及,随着互联网技术的发展,越来越多的商家或者服务提供商通过互联网平台来为用户提供服务。为了提高服务质量、提升用户的使用体验,同时提高用户操作的效率,很多平台都在用户使用服务时,向用户推送与服务相关的信息,以方便其查看或者选择,节省其搜索信息的时间。但现有技术中的方案或者推送的信息与用户喜好不相匹配,或者用户覆盖度较低,再或者对于还未发生过交易的新用户预测准确性低,交易转化率低。
考虑到上述缺陷,在该实施方式中,提出一种目标数据预测方法,该方法综合使用历史用户和当前用户的特征数据进行目标数据的预测,这样既能够体现当前用户的特征信息又能借助历史用户的特征信息维护目标数据预测的准确性。该技术方案能够提高新用户数据预测的准确性,为当前用户提供与其喜好相匹配的推送信息,方便其查看或者选择,从而提升用户的使用体验,提高交易转化率。
在本实施例的一个可选实现方式中,所述当前用户指的是当前需要对于与其或者其接下来可能发生的行为相关的目标数据进行预测的新用户,所述历史用户指的是曾经在某一平台上下过单、点击过某个链接或者发生过交易等实施过预设有效行为的用户。
在本实施例的一个可选实现方式中,所述第一特征数据指的是从当前用户数据中能够提取得到的特征数据,比如,当前用户的年龄、性别、职业等属性特征等等。通常情况下,当前用户作为新用户,其相关数据的数据量要小于历史用户的数据量,因为历史用户已经在该平台发生过相关的行为操作,下过单、点击过某个链接或者发生过交易,相应的行为操作数据也被记录下来,可以说,发生行为操作越多的用户,其对应的用户数据也就越丰富,比如,除了上述年龄、性别、职业等属性特征之外,历史用户数据中还能提取得到客单价、优惠敏感度、连锁喜爱度等行为操作特征或其他特征。
在本实施例的一个可选实现方式中,所述目标数据指的是需要预测的、与当前用户接下来可能发生的行为相关的对象或者内容数据,比如当前用户接下来有可能选择的商家或服务,或者接下来有可能会点击的链接或信息等等。
在本实施例的一个可选实现方式中,所述用户类别预测模型是用于预测所述当前用户所属用户类别的模型,而所述用户类别预测模型是基于历史用户数据训练得到的。在该实现方式中,认为属于同一类别的用户的行为特点具有一定的相似性。其中,所述用户类别是根据不同用户特征对于用户进行分类得到的类别,比如,可以根据不同的用户特征将用户分为A、B、C三个类别,不同类别的用户特征具有明显的数值范围上的区别,以年龄特征为例,可将18-24岁的用户划分为A类,将24-40岁的用户划分为B类,将40岁以上的用户划分为C类,上述分类规则也可表示为以下特征分类函数:
当然,在对用户进行分类时,也可以根据其他特征进行分类,或者综合多个特征一并进行分类,本领域技术人员可根据实际应用的需要进行设置,本公开对其不作具体限定。
在本实施例的一个可选实现方式中,所述第二特征数据是比所述第一特征数据更为完备的特征数据,是基于所述第一特征数据,利用当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充后得到的特征数据,该相对较为完备的特征数据后续将作为目标数据预测的数据基础,以提高目标数据预测的准确性。
在本实施例的一个可选实现方式中,如图2所示,所述步骤S101,即获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别的步骤,包括步骤S201-S202:
在步骤S201中,获取当前用户的第一特征数据;
在步骤S202中,将所述第一特征数据输入至所述用户类别预测模型,得到所述当前用户的类别预测结果。
考虑到新用户的特征数据通常比较少,因此为了在后续目标数据的预测中提供更为丰富的数据基础,在该实施方式中,对于所述新用户的类别进行预测,以便后续根据预测的用户类别对于其特征数据进行补充。具体地,首先获取当前用户的第一特征数据;然后将所述第一特征数据输入至所述用户类别预测模型,得到所述当前用户的类别预测结果。
其中,所述用户类别预测模型是根据相对比较完备的历史用户数据训练得到的。
在本实施例的一个可选实现方式中,如图3所示,所述步骤S102,即根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据的步骤,包括步骤S301-S302:
在步骤S301中,确定所述第一特征数据中缺失数据的特征;
在步骤S302中,获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充。
为了对于所述当前用户数据量相对较少的第一特征数据进行补充,使得第一特征数据也相对完备,为后续目标数据的预测提供丰富的数据基础,在该实施方式中,利用当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充。具体地,首先确定所述第一特征数据中缺失数据的特征,其中,所述缺失数据的特征可根据所述历史用户所共有的特征数据来确定,比如,若所述历史用户所共有的特征数据包括属性特征和行为特征,则可将所述属性特征和行为特征与第一特征数据相比较确定得到所述第一特征数据缺失数据的特征,比如,若所述第一特征数据只包括属性特征,则其缺失的特征就是行为特征;然后获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充,得到所述当前用户的第二特征数据,比如,假设所述当前用户所属类别为A类,则认为所述当前用户的行为与A类中历史用户的行为存在一定的相似性,因此,取A类中历史用户的行为特征对于所述第一特征数据进行特征填充,得到所述当前用户的相对完备的第二特征数据。
在本实施例的一个可选实现方式中,如图4所示,所述步骤S302,即获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充的步骤,包括步骤S401-S402:
在步骤S401中,计算所述当前用户类别所包含的历史用户的缺失数据的均值;
在步骤S402中,将得到的缺失数据均值加入所述第一特征数据中,得到所述当前用户的第二特征数据。
在该实施方式中,在利用所述缺失数据对于所述第一特征数据进行特征填充时,可将所述当前用户类别所包含历史用户的缺失数据的均值作为特征补充数据加入至所述第一特征数据中,得到所述当前用户的相对完备的第二特征数据。
比如,若经上述分析确定所述缺失数据为客单价、优惠敏感度、连锁喜爱度等行为操作数据,而且所述当前用户所属的类别为A类,那么就可以获取A类中所有历史用户的客单价、优惠敏感度、连锁喜爱度数据,并分别计算A类中所有历史用户的客单价均值、优惠敏感度均值以及连锁喜爱度均值,将其补充至所述当前用户的第一特征数据中,作为所述当前用户的客单价、优惠敏感度、连锁喜爱度等行为操作数据,这样就形成一个既包含用户属性特征,又包含行为操作特征的第二特征数据。
当然,也可采用其他特征填充的方式,本发明对于特征填充的具体实现方式不作具体限定,本领域技术人员可根据实际应用的需要以及特征数据的特点进行选择。
在本实施例的一个可选实现方式中,所述步骤S101,即获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别的步骤之前,还包括对于所述用户类别预测模型进行训练的步骤,即如图5所示,所述方法包括步骤S501-S504:
在步骤S501中,获取预设历史时间段内的历史用户的第一特征数据及其类别信息,并根据所述历史用户的第一特征数据和相应的类别信息训练得到所述用户类别预测模型;
在步骤S502中,获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别;
在步骤S503中,根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;
在步骤S504中,根据所述第二特征数据对于当前用户的目标数据进行预测。
在该实施方式中,在对于所述用户类别预测模型进行训练时,首先获取预设历史时间段内的历史用户的第一特征数据及其类别信息,然后根据所述历史用户的第一特征数据和相应的类别信息训练得到所述用户类别预测模型。
在本实施例的一个可选实现方式中,所述用户类别预测模型可选择为最大熵预测模型,所述最大熵预测模型原理是使预测结果的熵最大,即使得所述预测模型具有无偏估计。当然,也可以选择其它有效的预测模型,本领域技术人员可根据实际应用的需要确定适用的预测模型,本发明对其不作具体限定。
在本实施例的一个可选实现方式中,如图6所示,所述步骤S103,即根据所述第二特征数据对于当前用户的目标数据进行预测的步骤,包括步骤S601-S602:
在步骤S601中,确定目标数据预测模型;
在步骤S602中,根据所述第二特征数据,利用所述目标数据预测模型对于当前用户的目标数据进行预测。
在该实施方式中,在根据所述第二特征数据对于当前用户的目标数据进行预测时,首先根据所述第二特征数据和目标数据的特点确定需要的目标数据预测模型;然后再根据所述第二特征数据,利用所述目标数据预测模型对于当前用户的目标数据进行预测。其中,所述目标数据预测模型可选为LR模型等模型,当然也可以选择其他模型,本发明对其不作具体限定。
在本实施例的一个可选实现方式中,在所述步骤S602根据所述第二特征数据,利用所述目标数据预测模型对于当前用户的目标数据进行预测时,可选择LR模型等预测模型对于所述目标数据进行预测,当然,也可以选用其他预测模型。本领域技术人员可根据实际应用的需要选择适合的预测模型,本发明对其不作具体限定。
在本实施例的一个可选实现方式中,所述方法还包括根据预测得到的目标数据执行预设操作的步骤,即如图7所示,所述方法包括步骤S701-S704:
在步骤S701中,获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别;
在步骤S702中,根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;
在步骤S703中,根据所述第二特征数据对于当前用户的目标数据进行预测;
在步骤S704中,根据预测得到的目标数据执行预设操作。
在预测得到所述目标数据后,可根据所述目标数据执行预设操作,其中,所述预设操作包括以下操作中的一种或多种:将所述目标数据在当前界面或者当前界面用户的当前操作区域显示出来、将所述目标数据发送或推送给所述当前用户等等。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图8示出根据本公开一实施方式的目标数据预测装置的结构框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图8所示,所述目标数据预测装置包括:
第一预测模块801,被配置为获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别;
填充模块802,被配置为根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;
第二预测模块803,被配置为根据所述第二特征数据对于当前用户的目标数据进行预测。
上文提及,随着互联网技术的发展,越来越多的商家或者服务提供商通过互联网平台来为用户提供服务。为了提高服务质量、提升用户的使用体验,同时提高用户操作的效率,很多平台都在用户使用服务时,向用户推送与服务相关的信息,以方便其查看或者选择,节省其搜索信息的时间。但现有技术中的方案或者推送的信息与用户喜好不相匹配,或者用户覆盖度较低,再或者对于还未发生过交易的新用户预测准确性低,交易转化率低。
考虑到上述缺陷,在该实施方式中,提出一种目标数据预测装置,该装置综合使用历史用户和当前用户的特征数据进行目标数据的预测,这样既能够体现当前用户的特征信息又能借助历史用户的特征信息维护目标数据预测的准确性。该技术方案能够提高新用户数据预测的准确性,为当前用户提供与其喜好相匹配的推送信息,方便其查看或者选择,从而提升用户的使用体验,提高交易转化率。
在本实施例的一个可选实现方式中,所述当前用户指的是当前需要对于与其或者其接下来可能发生的行为相关的目标数据进行预测的新用户,所述历史用户指的是曾经在某一平台上下过单、点击过某个链接或者发生过交易等实施过预设有效行为的用户。
在本实施例的一个可选实现方式中,所述第一特征数据指的是从当前用户数据中能够提取得到的特征数据,比如,当前用户的年龄、性别、职业等属性特征等等。通常情况下,当前用户作为新用户,其相关数据的数据量要小于历史用户的数据量,因为历史用户已经在该平台发生过相关的行为操作,下过单、点击过某个链接或者发生过交易,相应的行为操作数据也被记录下来,可以说,发生行为操作越多的用户,其对应的用户数据也就越丰富,比如,除了上述年龄、性别、职业等属性特征之外,历史用户数据中还能提取得到客单价、优惠敏感度、连锁喜爱度等行为操作特征或其他特征。
在本实施例的一个可选实现方式中,所述目标数据指的是需要预测的、与当前用户接下来可能发生的行为相关的对象或者内容数据,比如当前用户接下来有可能选择的商家或服务,或者接下来有可能会点击的链接或信息等等。
在本实施例的一个可选实现方式中,所述用户类别预测模型是用于预测所述当前用户所属用户类别的模型,而所述用户类别预测模型是基于历史用户数据训练得到的。在该实现方式中,认为属于同一类别的用户的行为特点具有一定的相似性。其中,所述用户类别是根据不同用户特征对于用户进行分类得到的类别,比如,可以根据不同的用户特征将用户分为A、B、C三个类别,不同类别的用户特征具有明显的数值范围上的区别,以年龄特征为例,可将18-24岁的用户划分为A类,将24-40岁的用户划分为B类,将40岁以上的用户划分为C类,上述分类规则也可表示为以下特征分类函数:
当然,在对用户进行分类时,也可以根据其他特征进行分类,或者综合多个特征一并进行分类,本领域技术人员可根据实际应用的需要进行设置,本公开对其不作具体限定。
在本实施例的一个可选实现方式中,所述第二特征数据是比所述第一特征数据更为完备的特征数据,是基于所述第一特征数据,利用当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充后得到的特征数据,该相对较为完备的特征数据后续将作为目标数据预测的数据基础,以提高目标数据预测的准确性。
在本实施例的一个可选实现方式中,如图9所示,所述第一预测模块801包括:
第一特征数据获取子模块901,被配置为获取当前用户的第一特征数据;
类别预测子模块902,被配置为将所述第一特征数据输入至所述用户类别预测模型,得到所述当前用户的类别预测结果。
考虑到新用户的特征数据通常比较少,因此为了在后续目标数据的预测中提供更为丰富的数据基础,在该实施方式中,对于所述新用户的类别进行预测,以便后续根据预测的用户类别对于其特征数据进行补充。具体地,第一特征数据获取子模块901获取当前用户的第一特征数据;类别预测子模块902将所述第一特征数据输入至所述用户类别预测模型,得到所述当前用户的类别预测结果。
其中,所述用户类别预测模型是根据相对比较完备的历史用户数据训练得到的。
在本实施例的一个可选实现方式中,如图10所示,所述填充模块802包括:
第一确定子模块1001,被配置为确定所述第一特征数据中缺失数据的特征;
填充子模块1002,被配置为获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充。
为了对于所述当前用户数据量相对较少的第一特征数据进行补充,使得第一特征数据也相对完备,为后续目标数据的预测提供丰富的数据基础,在该实施方式中,利用当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充。具体地,第一确定子模块1001确定所述第一特征数据中缺失数据的特征,其中,所述缺失数据的特征可根据所述历史用户所共有的特征数据来确定,比如,若所述历史用户所共有的特征数据包括属性特征和行为特征,则可将所述属性特征和行为特征与第一特征数据相比较确定得到所述第一特征数据缺失数据的特征,比如,若所述第一特征数据只包括属性特征,则其缺失的特征就是行为特征;填充子模块1002获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充,得到所述当前用户的第二特征数据,比如,假设所述当前用户所属类别为A类,则认为所述当前用户的行为与A类中历史用户的行为存在一定的相似性,因此,取A类中历史用户的行为特征对于所述第一特征数据进行特征填充,得到所述当前用户的相对完备的第二特征数据。
在本实施例的一个可选实现方式中,如图11所示,所述填充子模块1002包括:
计算子模块1101,被配置为计算所述当前用户类别所包含的历史用户的缺失数据的均值;
加入子模块1102,被配置为将得到的缺失数据均值加入所述第一特征数据中,得到所述当前用户的第二特征数据。
在该实施方式中,在利用所述缺失数据对于所述第一特征数据进行特征填充时,可将所述当前用户类别所包含历史用户的缺失数据的均值作为特征补充数据加入至所述第一特征数据中,得到所述当前用户的相对完备的第二特征数据。
比如,若经上述分析确定所述缺失数据为客单价、优惠敏感度、连锁喜爱度等行为操作数据,而且所述当前用户所属的类别为A类,那么就可以获取A类中所有历史用户的客单价、优惠敏感度、连锁喜爱度数据,并分别计算A类中所有历史用户的客单价均值、优惠敏感度均值以及连锁喜爱度均值,将其补充至所述当前用户的第一特征数据中,作为所述当前用户的客单价、优惠敏感度、连锁喜爱度等行为操作数据,这样就形成一个既包含用户属性特征,又包含行为操作特征的第二特征数据。
当然,也可采用其他特征填充的方式,本发明对于特征填充的具体实现方式不作具体限定,本领域技术人员可根据实际应用的需要以及特征数据的特点进行选择。
在本实施例的一个可选实现方式中,所述第一预测模块801之前,还包括对于所述用户类别预测模型进行训练的部分,即如图12所示,所述装置包括:
训练模块1201,被配置为获取预设历史时间段内的历史用户的第一特征数据及其类别信息,并根据所述历史用户的第一特征数据和相应的类别信息训练得到所述用户类别预测模型;
第一预测模块1202,被配置为获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别;
填充模块1203,被配置为根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;
第二预测模块1204,被配置为根据所述第二特征数据对于当前用户的目标数据进行预测。
在该实施方式中,在对于所述用户类别预测模型进行训练时,训练模块1201首先获取预设历史时间段内的历史用户的第一特征数据及其类别信息,然后根据所述历史用户的第一特征数据和相应的类别信息训练得到所述用户类别预测模型。
在本实施例的一个可选实现方式中,所述用户类别预测模型可选择为最大熵预测模型,所述最大熵预测模型原理是使预测结果的熵最大,即使得所述预测模型具有无偏估计。当然,也可以选择其它有效的预测模型,本领域技术人员可根据实际应用的需要确定适用的预测模型,本发明对其不作具体限定。
在本实施例的一个可选实现方式中,如图13所示,所述第二预测模块803包括:
第二确定子模块1301,被配置为确定目标数据预测模型;
预测子模块1302,被配置为根据所述第二特征数据,利用所述目标数据预测模型对于当前用户的目标数据进行预测。
在该实施方式中,在根据所述第二特征数据对于当前用户的目标数据进行预测时,第二确定子模块1301根据所述第二特征数据和目标数据的特点确定需要的目标数据预测模型;预测子模块1302再根据所述第二特征数据,利用所述目标数据预测模型对于当前用户的目标数据进行预测。
在本实施例的一个可选实现方式中,在预测子模块1302进行预测时,可选择LR模型等预测模型对于所述目标数据进行预测,当然,也可以选用其他预测模型。本领域技术人员可根据实际应用的需要选择适合的预测模型,本发明对其不作具体限定。
在本实施例的一个可选实现方式中,所述装置还包括根据预测得到的目标数据执行预设操作的部分,即如图14所示,所述装置包括:
第一预测模块1401,被配置为获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别;
填充模块1402,被配置为根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;
第二预测模块1403,被配置为根据所述第二特征数据对于当前用户的目标数据进行预测;
执行模块1404,被配置为根据预测得到的目标数据执行预设操作。
在预测得到所述目标数据后,可根据所述目标数据执行预设操作,其中,所述预设操作包括以下操作中的一种或多种:将所述目标数据在当前界面或者当前界面用户的当前操作区域显示出来、将所述目标数据发送或推送给所述当前用户等等。
本公开还公开了一种电子设备,图15示出根据本公开一实施方式的电子设备的结构框图,如图15所示,所述电子设备1500包括存储器1501和处理器1502;其中,
所述存储器1501用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器1502执行以实现上述任一方法步骤。
图16适于用来实现根据本公开实施方式的目标数据预测方法的计算机***的结构示意图。
如图16所示,计算机***1600包括中央处理单元(CPU)1601,其可以根据存储在只读存储器(ROM)1602中的程序或者从存储部分1608加载到随机访问存储器(RAM)1603中的程序而执行上述实施方式中的各种处理。在RAM1603中,还存储有***1600操作所需的各种程序和数据。CPU1601、ROM1602以及RAM1603通过总线1604彼此相连。输入/输出(I/O)接口1605也连接至总线1604。
以下部件连接至I/O接口1605:包括键盘、鼠标等的输入部分1606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1607;包括硬盘等的存储部分1608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1609。通信部分1609经由诸如因特网的网络执行通信处理。驱动器1610也根据需要连接至I/O接口1605。可拆卸介质1611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1610上,以便于从其上读出的计算机程序根据需要被安装入存储部分1608。
特别地,根据本公开的实施方式,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行上述目标数据预测方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分1609从网络上被下载和安装,和/或从可拆卸介质1611被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
本公开公开了A1、一种目标数据预测方法,包括:获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别;根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;根据所述第二特征数据对于当前用户的目标数据进行预测。A2、根据A1所述的方法,所述根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据,包括:确定所述第一特征数据中缺失数据的特征;获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充。A3、根据A2所述的方法,所述获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充,包括:计算所述当前用户类别所包含的历史用户的缺失数据的均值;将得到的缺失数据均值加入所述第一特征数据中,得到所述当前用户的第二特征数据。A4、根据A1-A3任一所述的方法,所述获取当前用户的第一特征数据之前,还包括:获取预设历史时间段内的历史用户的第一特征数据及其类别信息,并根据所述历史用户的第一特征数据和相应的类别信息训练得到所述用户类别预测模型。A5、根据A1-A4任一所述的方法,所述用户类别预测模型为最大熵模型。A6、根据A1-A5任一所述的方法,所述根据所述第二特征数据对于当前用户的目标数据进行预测,包括:确定目标数据预测模型;根据所述第二特征数据,利用所述目标数据预测模型对于当前用户的目标数据进行预测。A7、根据A6所述的方法,所述目标数据预测模型为LR模型。A8、根据A1-A7所述的方法,还包括:根据预测得到的目标数据执行预设操作。
本公开公开了B9、一种目标数据预测装置,包括:第一预测模块,被配置为获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别;填充模块,被配置为根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;第二预测模块,被配置为根据所述第二特征数据对于当前用户的目标数据进行预测。B10、根据B9所述的装置,所述填充模块包括:第一确定子模块,被配置为确定所述第一特征数据中缺失数据的特征;填充子模块,被配置为获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充。B11、根据B10所述的装置,所述填充子模块包括:计算子模块,被配置为计算所述当前用户类别所包含的历史用户的缺失数据的均值;加入子模块,被配置为将得到的缺失数据均值加入所述第一特征数据中,得到所述当前用户的第二特征数据。B12、根据B9-B11任一所述的装置,还包括:训练模块,被配置为获取预设历史时间段内的历史用户的第一特征数据及其类别信息,并根据所述历史用户的第一特征数据和相应的类别信息训练得到所述用户类别预测模型。B13、根据B9-B12任一所述的装置,所述用户类别预测模型为最大熵模型。B14、根据B9-B13任一所述的装置,所述第二预测模块包括:第二确定子模块,被配置为确定目标数据预测模型;预测子模块,被配置为根据所述第二特征数据,利用所述目标数据预测模型对于当前用户的目标数据进行预测。B15、根据B14所述的装置,所述目标数据预测模型为LR模型。B16、根据B9-B15所述的装置,还包括:执行模块,被配置为根据预测得到的目标数据执行预设操作。
本公开公开了C17、一种电子设备,包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现A1-A8任一项所述的方法步骤。
本公开还公开了D18、一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现A1-A8任一项所述的方法步骤。
Claims (10)
1.一种目标数据预测方法,其特征在于,包括:
获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别;
根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;
根据所述第二特征数据对于当前用户的目标数据进行预测。
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据,包括:
确定所述第一特征数据中缺失数据的特征;
获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充。
3.根据权利要求2所述的方法,其特征在于,所述获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充,包括:
计算所述当前用户类别所包含的历史用户的缺失数据的均值;
将得到的缺失数据均值加入所述第一特征数据中,得到所述当前用户的第二特征数据。
4.根据权利要求1-3任一所述的方法,其特征在于,所述获取当前用户的第一特征数据之前,还包括:
获取预设历史时间段内的历史用户的第一特征数据及其类别信息,并根据所述历史用户的第一特征数据和相应的类别信息训练得到所述用户类别预测模型。
5.一种目标数据预测装置,其特征在于,包括:
第一预测模块,被配置为获取当前用户的第一特征数据;根据所述第一特征数据和用户类别预测模型预测所述当前用户的类别;
填充模块,被配置为根据所述当前用户类别所包含的历史用户的特征数据对于所述第一特征数据进行特征填充,得到所述当前用户的第二特征数据;
第二预测模块,被配置为根据所述第二特征数据对于当前用户的目标数据进行预测。
6.根据权利要求5所述的装置,其特征在于,所述填充模块包括:
第一确定子模块,被配置为确定所述第一特征数据中缺失数据的特征;
填充子模块,被配置为获取历史用户数据对所述第一特征数据中缺失数据的特征进行填充。
7.根据权利要求6所述的装置,其特征在于,所述填充子模块包括:
计算子模块,被配置为计算所述当前用户类别所包含的历史用户的缺失数据的均值;
加入子模块,被配置为将得到的缺失数据均值加入所述第一特征数据中,得到所述当前用户的第二特征数据。
8.根据权利要求5-7任一所述的装置,其特征在于,还包括:
训练模块,被配置为获取预设历史时间段内的历史用户的第一特征数据及其类别信息,并根据所述历史用户的第一特征数据和相应的类别信息训练得到所述用户类别预测模型。
9.一种电子设备,其特征在于,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1-4任一项所述的方法步骤。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-4任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811583663.5A CN109684549A (zh) | 2018-12-24 | 2018-12-24 | 目标数据预测方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811583663.5A CN109684549A (zh) | 2018-12-24 | 2018-12-24 | 目标数据预测方法、装置、电子设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109684549A true CN109684549A (zh) | 2019-04-26 |
Family
ID=66188204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811583663.5A Pending CN109684549A (zh) | 2018-12-24 | 2018-12-24 | 目标数据预测方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684549A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112527852A (zh) * | 2021-02-07 | 2021-03-19 | 北京淇瑀信息科技有限公司 | 用户动支策略分配方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598624A (zh) * | 2015-02-04 | 2015-05-06 | 苏州大学 | 一种微博用户的用户类别确定方法及装置 |
US20170329856A1 (en) * | 2015-04-08 | 2017-11-16 | Tencent Technology (Shenzhen) Company Limited | Method and device for selecting data content to be pushed to terminal, and non-transitory computer storage medium |
CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
CN108009926A (zh) * | 2017-12-07 | 2018-05-08 | 上海点融信息科技有限责任公司 | 用于用户分类的方法、信息处理装置及可读存储介质 |
CN108830460A (zh) * | 2018-05-23 | 2018-11-16 | 重庆邮电大学 | 一种基于分步动态填充缓解推荐***数据稀疏性的方法 |
CN109033103A (zh) * | 2017-06-09 | 2018-12-18 | 华为技术有限公司 | 内容推荐方法和*** |
-
2018
- 2018-12-24 CN CN201811583663.5A patent/CN109684549A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598624A (zh) * | 2015-02-04 | 2015-05-06 | 苏州大学 | 一种微博用户的用户类别确定方法及装置 |
US20170329856A1 (en) * | 2015-04-08 | 2017-11-16 | Tencent Technology (Shenzhen) Company Limited | Method and device for selecting data content to be pushed to terminal, and non-transitory computer storage medium |
CN109033103A (zh) * | 2017-06-09 | 2018-12-18 | 华为技术有限公司 | 内容推荐方法和*** |
CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
CN108009926A (zh) * | 2017-12-07 | 2018-05-08 | 上海点融信息科技有限责任公司 | 用于用户分类的方法、信息处理装置及可读存储介质 |
CN108830460A (zh) * | 2018-05-23 | 2018-11-16 | 重庆邮电大学 | 一种基于分步动态填充缓解推荐***数据稀疏性的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112527852A (zh) * | 2021-02-07 | 2021-03-19 | 北京淇瑀信息科技有限公司 | 用户动支策略分配方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902849B (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
CN105701216B (zh) | 一种信息推送方法及装置 | |
US8700640B2 (en) | System or apparatus for finding influential users | |
CN111444966A (zh) | 媒体信息分类方法及装置 | |
US20200286154A1 (en) | Utilizing item-level importance sampling models for digital content selection policies | |
US9122995B2 (en) | Classification of stream-based data using machine learning | |
CN109784959B (zh) | 一种目标用户预测方法、装置、后台服务器及存储介质 | |
CN103412918A (zh) | 一种基于服务质量和声誉的服务信任度评估方法 | |
CN109033408A (zh) | 信息推送方法及装置、计算机可读存储介质、电子设备 | |
Farshidi et al. | A decision support system for cloud service provider selection problem in software producing organizations | |
CN109903095A (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN109697637A (zh) | 对象类别确定方法、装置、电子设备及计算机存储介质 | |
CN112418341A (zh) | 模型融合方法、预测方法、装置、设备及存储介质 | |
AU2014201264A1 (en) | Scenario based customer lifetime value determination | |
KR100992345B1 (ko) | 서비스 평가 방법, 시스템 및 컴퓨터 판독가능한 기록매체 | |
CN109978575A (zh) | 一种挖掘用户流量经营场景的方法及装置 | |
CN108171570A (zh) | 一种数据筛选方法、装置及终端 | |
CN104077288B (zh) | 网页内容推荐方法和网页内容推荐设备 | |
CN111210072A (zh) | 预测模型训练和用户资源额度确定方法及装置 | |
CN114297478A (zh) | 一种页面推荐方法、装置、设备以及存储介质 | |
CN109684549A (zh) | 目标数据预测方法、装置、电子设备及计算机存储介质 | |
US11275756B2 (en) | System for extracting, categorizing and analyzing data for training user selection of products and services, and a method thereof | |
CN111552835A (zh) | 文件推荐方法、装置及服务器 | |
CN112789636A (zh) | 信息处理装置、信息处理方法和程序 | |
CN110717537A (zh) | 训练用户分类模型、执行用户分类预测的方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |
|
RJ01 | Rejection of invention patent application after publication |