CN109919651A - 对象的推送方法及装置 - Google Patents
对象的推送方法及装置 Download PDFInfo
- Publication number
- CN109919651A CN109919651A CN201910045738.2A CN201910045738A CN109919651A CN 109919651 A CN109919651 A CN 109919651A CN 201910045738 A CN201910045738 A CN 201910045738A CN 109919651 A CN109919651 A CN 109919651A
- Authority
- CN
- China
- Prior art keywords
- recommended
- behavior data
- score value
- correlation behavior
- score
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000006399 behavior Effects 0.000 claims description 114
- 230000006870 function Effects 0.000 claims description 40
- 238000006243 chemical reaction Methods 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 7
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000003827 upregulation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种用于向用户终端进行对象推送的方法，包括：从数据库获取所述用户终端关于多个待推荐对象的多个关联行为数据；针对多个待推荐对象中的每一个推荐对象，根据所述用户终端关于该待推荐对象的第一关联行为数据确定该待推荐对象的分值范围，所述分值范围包括分值上界和下界；针对所述每一个待推荐对象，根据其分值范围内的分值以及所述用户终端关于该待推荐对象的第二关联行为数据，确定该待推荐对象对应的推荐值；以及由所述服务器将最大推荐值对应的待推荐对象作为最优待推荐对象推送给用户终端。
Description
技术领域
本公开一般涉及互联网技术领域，尤其涉及对象的推送方法及装置。
背景技术
随着互联网技术的发展，人们越来越频繁地浏览网络平台提供的待推荐对象信息。在网络上对特定的待推荐对象进行宣传营销时，希望向人群优先提供更为有效的待推荐对象。对用户的待推荐对象展示排序是待推荐对象的推送质量的关键因素。
传统的待推荐对象排序仅仅根据待推荐对象的分值(例如，广告的价格)来排序。一般而言，广告平台方希望将广告价格较高的待推荐对象优先展示。但是这样没有考虑到用户对广告的偏好以及广告主的利益，由此影响到广告展示的效率。
发明内容
为解决上述技术问题，本公开提供了一种用于由服务器向用户终端进行对象推送的方法，包括：
从数据库获取所述用户终端关于多个待推荐对象的多个关联行为数据；
针对多个待推荐对象中的每一个推荐对象，根据所述用户终端关于该待推荐对象的第一关联行为数据确定该待推荐对象的分值范围，所述分值范围包括分值上界和下界；
针对所述每一个待推荐对象，根据其分值范围内的分值以及所述用户终端关于该待推荐对象的第二关联行为数据，确定该待推荐对象对应的推荐值；以及
由所述服务器将最大推荐值对应的待推荐对象作为最优待推荐对象推送给用户终端。
可任选地，该方法进一步包括：
确定所述多个待推荐对象的排序因子；
针对所述多个待推荐对象中除所述最优待推荐对象之外的每一者，基于所述最优待推荐对象和该待推荐对象的排序因子来调整该待推荐对象的分值范围，以及在该待推荐对象的经调整分值范围内选择一分值；
根据所述多个待推荐对象的所选分值和所述多个待推荐对象的第二关联行为数据对所述多个待推荐对象进行排序；以及
按照所述排序对所述多个待推荐对象进行推送。
可任选地，所述排序因子是基于所述分值上界和第三关联行为数据来确定的。
可任选地，所述待推荐对象的排序因子包括所述待推荐对象的第三关联行为数据与分值上界的乘积，并且所述基于所述最优待推荐对象和该待推荐对象的排序因子来调整该待推荐对象的分值包括：
对该待推荐对象的排序因子进行调整以使得该待推荐对象的排序因子不大于所述最优待推荐对象的排序因子；以及
使用该待推荐对象的经调整排序因子来获得经调整分值。
可任选地，所述多个关联行为数据是通过模型预测获得的和/或是所述用户终端的历史行为数据。
可任选地，所述多个关联行为数据包括所述用户终端关于待推荐对象的点击率和转化率及其组合。
可任选地，所述确定所述待推荐对象的分值上界和下界包括：
如果所述待推荐对象的第一关联行为数据高于阈值，则提高所述待推荐对象的分值上界；以及
如果所述待推荐对象的第一关联行为数据低于所述阈值，则降低所述待推荐对象的分值下界。
可任选地，所述确定该待推荐对象对应的推荐值包括：确定该待推荐对象的分值范围内目标函数的最大值，所述目标函数是所述第二关联行为数据和分值的函数。
本发明的另一方面提供了一种用于使服务器向用户终端进行对象推送的装置，包括：
用于从数据库获取所述用户终端关于多个待推荐对象的多个关联行为数据的模块；
用于针对多个待推荐对象中的每一个推荐对象，根据所述用户终端关于该待推荐对象的第一关联行为数据确定该待推荐对象的分值范围的模块，所述分值范围包括分值上界和下界；
用于针对所述每一个待推荐对象，根据其分值范围内的分值以及所述用户终端关于该待推荐对象的第二关联行为数据，确定该待推荐对象对应的推荐值的模块；以及
用于使所述服务器将最大推荐值对应的待推荐对象作为最优待推荐对象推送给用户终端的模块。
可任选地，该装置进一步包括：
用于确定所述多个待推荐对象的排序因子的模块；
用于针对所述多个待推荐对象中除所述最优待推荐对象之外的每一者，基于所述最优待推荐对象和该待推荐对象的排序因子来调整该待推荐对象的分值范围，以及在该待推荐对象的经调整分值范围内选择一分值的模块；
用于根据所述多个待推荐对象的所选分值和所述多个待推荐对象的第二关联行为数据对所述多个待推荐对象进行排序的模块；以及
用于按照所述排序对所述多个待推荐对象进行推送的模块。
可任选地，所述排序因子是基于所述分值上界和所述第三关联行为数据来确定的。
可任选地，所述待推荐对象的排序因子包括所述待推荐对象的第三关联行为数据与分值上界的乘积，并且所述用于基于所述最优待推荐对象和该待推荐对象的排序因子来调整该待推荐对象的分值的模块包括：
用于对该待推荐对象的排序因子进行调整以使得该待推荐对象的排序因子不大于所述最优待推荐对象的排序因子的模块；以及
用于使用该待推荐对象的经调整排序因子来获得经调整分值的模块。
可任选地，所述多个关联行为数据是通过模型预测获得的和/或是所述用户终端的历史行为数据。
可任选地，所述多个关联行为数据包括所述用户终端关于待推荐对象的点击率和转化率及其组合。
可任选地，所述用于确定所述待推荐对象的分值上界和下界的模块包括：
用于如果所述待推荐对象的第一关联行为数据高于阈值，则提高所述待推荐对象的分值上界的模块；以及
用于如果所述待推荐对象的第一关联行为数据低于所述阈值，则降低所述待推荐对象的分值下界的模块。
可任选地，所述用于确定该待推荐对象对应的推荐值的模块包括：用于确定该待推荐对象的分值范围内目标函数的最大值的模块，所述目标函数是所述第二关联行为数据和分值的函数。
本发明的进一步方面提供了一种计算机设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
从数据库获取所述用户终端关于多个待推荐对象的多个关联行为数据；
针对多个待推荐对象中的每一个推荐对象，根据所述用户终端关于该待推荐对象的第一关联行为数据确定该待推荐对象的分值范围，所述分值范围包括分值上界和下界；
针对所述每一个待推荐对象，根据其分值范围内的分值以及所述用户终端关于该待推荐对象的第二关联行为数据，确定该待推荐对象对应的推荐值；以及
将最大推荐值对应的待推荐对象作为最优待推荐对象推送给用户终端。
可任选地，所述可执行指令在被执行时使所述处理器进一步执行以下操作：
确定所述多个待推荐对象的排序因子；
针对所述多个待推荐对象中除所述最优待推荐对象之外的每一者，基于所述最优待推荐对象和该待推荐对象的排序因子来调整该待推荐对象的分值范围，以及在该待推荐对象的经调整分值范围内选择一分值；
根据所述多个待推荐对象的所选分值和所述多个待推荐对象的第二关联行为数据对所述多个待推荐对象进行排序；以及
按照所述排序对所述多个待推荐对象进行推送。
与现有技术相比，本公开具有以下优点：
本公开在待推荐对象的推送中既考虑到用户关于待推荐对象的偏好，又考虑到待推荐对象主和待推荐对象平台方的利益，使用用户关于待推荐对象的行为数据(例如，关联行为数据、用户关于待推荐对象的历史行为数据)以及待推荐对象自身的分值来对要推送的待推荐对象进行排序，由此能达成高效的待推荐对象推送。
附图说明
图1是根据本公开的各方面的信息推送***图。
图2是根据本申请的各方面的针对特定用户终端进行待推荐对象的推送的方法的流程图。
图3是根据本公开的各方面的根据用户终端关于该待推荐对象的关联行为数据来确定待推荐对象的分值范围的流程图。
图4是根据本公开的各方面的根据用户终端的关联行为数据来确定最优待推荐对象的过程示意图。
图5是根据本公开的各方面的对多个待推荐对象调整分值和排序的过程示意图。
图6是根据本公开的各方面的用于对用户进行待推荐对象推送的装置的框图。
具体实施方式
为让本公开的上述目的、特征和优点能更明显易懂，以下结合附图对本公开的具体实施方式作详细说明。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但是本公开还可以采用其它不同于在此描述的其它方式来实施，因此本公开不受下面公开的具体实施例的限制。
在待推荐对象(例如，广告)的推广中，待推荐对象分值可以体现该待推荐对象对于待推荐对象提供者的重要性或价值。待推荐对象提供者希望分值较高的待推荐对象能够优先展示以供客户选择。
例如，在待推荐对象为广告的情况下，该分值可以是广告的出价(即，广告平台方向广告主收取的展示广告的费用)。广告平台方通常希望出价较高的广告优先向用户展示，由此得到更大的收益。
本公开在待推荐对象的推送排序中既考虑到用户的偏好，又考虑到待推荐对象的分值，从而获得用户偏好和待推荐对象分值的最优组合，以提高待推荐对象的营销目标。具体而言，本公开确定用户关于待推荐对象的关联行为数据(例如，预测点击率和转化率)，使用该关联行为数据来调整待推荐对象的分值范围(例如，分值上界和下界)，进一步使用待推荐对象分值的变化范围对多个待推荐对象进行排序以对该用户进行展示，从而使得待推荐对象的推送更为高效。
待推荐对象的行为数据可以包括点击率和转化率。点击率是指在一个统计周期内，待推荐对象被点击的次数与待推荐对象被展示的总数之比。转化率是指在一个统计周期内，待推荐对象被选择的次数与待推荐对象被点击的次数之比。
举例而言，在待推荐对象为保险广告的情况下，广告的行为数据可以包括保险广告的点击率(click-through rate,CTR)和转化率(conversion rate,CVR)，其中点击率是指在一个统计周期内，特定保险广告被用户点击的次数除以该广告被展示的总数，即，点击率＝(点击量/展示量)×100％；转化率是指在一个统计周期内，特定保险广告被投保的次数除以该广告被点击的总数，即，点击转化率＝(投保量/点击量)×100％。
图1是根据本公开的各方面的信息推送***图。
如图1所示，信息推送***包括服务器101、数据库102和用户终端103。
数据库102可存储用户特征(例如，年龄、性别、星座、地域、会员信息等)、各个用户关于待推荐对象的关联行为数据(例如，待推荐对象的预测/历史点击率、转化率或其组合)、待推荐对象的分值信息(例如，广告的出价、出价范围等)，等等。
数据库102可将所存储的信息提供给服务器101以供服务器101进行处理。
例如，服务器101可确定用户关于待推荐对象的关联行为数据；确定和/或调整待推荐对象的分值范围；确定关于用户的最优待推荐对象；对多个待推荐对象进行排序；以及向用户终端103推送一个或多个待推荐对象。服务器101可将所确定的各种数据传送给数据库102进行存储。
服务器101可以是一个或多个计算机的群集。
替换地，信息推送***还可包括第三方处理器(未示出)，可实现上述关于服务器101描述的一些功能，例如，确定用户关于待推荐对象的关联行为数据；确定和/或调整待推荐对象的分值范围；确定关于用户的最优待推荐对象；以及对多个待推荐对象进行排序，等等。
以下详细解说对用户进行待推荐对象推送的方法。
图2是根据本申请的各方面的对用户进行待推荐对象推送的方法的流程图。
在步骤202，针对多个待推荐对象中的每一个待推荐对象，根据用户终端关于待推荐对象的第一关联行为数据来确定待推荐对象关于该用户终端的分值范围。
用户终端关于待推荐对象的第一关联行为数据可以包括所预测的该用户关于待推荐对象的点击率(pctr)和转化率(pcvr)或其组合。
第一关联行为数据可以通过模型预测来得到。例如，可使用用户特征、待推荐对象特征作为模型的输入进行模型预测来得到用户关于待推荐对象的预测点击率(pctr)和转化率(pcvr)。该模型可以是逻辑回归模型、深度神经网络等等。
其它第一关联行为数据也在本公开的构想中，只要该数据能够反映用户关于业务的偏好程度即可。例如，用户关于待推荐对象的历史行为数据(例如，一个周期内的历史行为数据)，等等。
待推荐对象的分值范围可通过分值上界和下界来表示。
待推荐对象的行为数据(例如，点击率和/或转化率)并不是恒定的，而是在一段时间上会有波动。相应地，特定用户终端关于待推荐对象的第一关联行为数据也会有波动。本公开针对特定用户终端根据待推荐对象的第一关联行为数据的波动来对该待推荐对象的分值范围进行调整。
举例而言，如果用户终端关于待推荐对象的当前第一关联行为数据高于在一个时间段内用户终端集合(例如，广告的目标用户集合)中所有用户终端的第一关联行为数据的平均值，则可提高待推荐对象关于该用户终端的分值上界。如果当前行为数据低于该平均值，则可降低待推荐对象关于该用户终端的分值下界。这样能够使得待推荐对象的分值范围根据用户终端的第一关联行为数据的波动而变化，在确定待推荐对象的分值范围时考虑到用户终端因素。以下示出确定待推荐对象的分值上界和下界的一个具体示例。
其中bt表示待推荐对象分值(例如，广告出价)，表示待推荐对象分值的下界，表示待推荐对象分值的上界，u表示用户，t表示待推荐对象，pcvr(c|u,t)表示用户终端关于该待推荐对象的预测转化率(即，第一关联行为数据)，avg(pcvr(c|u,t))是在一定时间段内用户终端集合中所有用户终端的pcvr(c|u,t)的平均值。rt是对分值范围的约束因子，以使得分值不会被调整得过高或过低，0＜rt＜1。
在式(2)中，在pcvr(c|u,t)大于或等于avg(pcvr(c|u,t))的情况下，的取值为换言之，在的情况下，可以使用较小的来计算bt的上界，由此在用户可接受的范围内使得分值较低，能够节约成本。
请注意，在pcvr(c|u,t)大于或等于avg(pcvr(c|u,t))的情况下，的取值为是本公开的优选实施例。也可使用其它增大待推荐对象分值上界的方式，例如，也在本公开的构想中。
如式(1)和(2)中所示，如果用户的pcvr(c|u,t)低于在一定时间段内用户集合中所有用户的pcvr(c|u,t)的平均值，则可将bt的下界下调。如果用户的pcvr(c|u,t)高于pcvr(c|u,t)平均值，则可将bt的上界上调。
具体而言，如果用户的预测转化率较低，则可降低待推荐对象分值的下界；如果用户的预测转化率较高，则可提高待推荐对象分值的上界。以保险广告为例，如果用户的预测转化率较低，在低质流量情景下(即，用户选择广告的概率较低的情况下)降低广告出价的下界能够为广告主节省一定成本。如果用户的预测转化率较高，说明用户选择该广告的概率较高，提高广告出价的上界可以提高广告平台方的收益。
上文以用户关于待推荐对象的预测转化率为例解说了调整待推荐对象分值的范围的示例。在其他示例中，也可使用其它关联行为数据(例如，预测点击率、预测转化率与预测点击率的组合等)来调整待推荐对象分值的范围。
在可任选步骤204，针对多个待推荐对象中的每一个待推荐对象，根据其分值上界和第二关联行为数据来确定排序因子。
排序因子可通过将用户关于待推荐对象的第二关联行为数据(例如，点击率pctr(c|u,t))与分值上界u(bt*)相乘来得到：
在步骤206，确定最优待推荐对象。
具体而言，可以确定每个待推荐对象的推荐值，并且根据多个待推荐对象的推荐值来确定最优推荐对象。
可以针对多个待推荐对象中的每一个待推荐对象，根据其分值范围内以及用户终端关于该待推荐对象的第二关联行为数据，确定该待推荐对象对应的推荐值，并且将最大推荐值对应的待推荐对象确定为最优待推荐对象。
作为一个示例，待推荐对象对应的推荐值可以通过目标函数来确定。在该示例中，可以在多个待推荐对象的分值范围的约束下确定该多个待推荐对象中使目标函数最大化的最优待推荐对象。
分值约束范围是步骤202中确定的分值上界和下界。最优待推荐对象是在对用户的展示中可被排在第一位的待推荐对象。
目标函数可以是第二关联行为数据和分值的函数。
例如，目标函数可如下设置：
其中k表示待推荐对象索引，bk表示对应待推荐对象的分值，T表示包括多个待推荐对象的待推荐对象集合，|T|表示该待推荐对象集合中的待推荐对象总数，ω是归一化因子，rt是如上所述的调整因子。其中ω和rt可以根据不同的待推荐对象特征来选择。
进一步，在式(1)和(2)中使用了相同的调整因子rt，但也可以关于和使用不同的调整因子rtl和rtu。在这种情况下，式(4)中的rt可以是rtl和rtu的加权求和。
每个待推荐对象k的推荐值Ck是其分值范围内目标函数的最大值。
随后可以将推荐值Ck最大的对象确定为最优待推荐对象。
其中和分别是步骤202中确定的分值上界和下界。目标函数f(k,b* k)是pctrk·pcvrk·bk的优化函数(例如，加入了归一化因子，调整因子)。
请注意，以上示出了目标函数的一个示例，其它示例也是可能的，只要目标函数考虑到pcvr、pctr和bk即可。换言之，目标函数考虑到用户终端选择待推荐对象的概率(pcvr、pctr和/或pctr·pcvr(投保次数/展示次数))和分值(例如，广告出价)。例如，目标函数可以是用户终端选择待推荐对象的概率和分值的乘积，诸如，pcvr*bk、pctr*bk、pcvr*pctr*bk等等，或者是乘积的优化(例如，纳入如上所述的调整因子、归一化因子)。
在可任选步骤208，使用最优待推荐对象的排序因子来调整多个待推荐对象中的其它待推荐对象的分值范围(例如，调整分值上界)。
具体而言，为了让使目标函数f最大的最优待推荐对象tk尽量靠前，可以更新其它待推荐对象ti的分值上界以使其排序因子不超过最优待推荐对象tk的排序因子并且使用经过更新的分值上界来确定经调整的分值上界。
例如，可以使用下式来调整待推荐对象的分值上界：
如式(6)所示，首先使得其它待推荐对象ti的排序因子不超过最优待推荐对象tk的排序因子随后将初始(其在步骤202中确定)与除以第二排序因子(在该示例中为pctri)的结果中的最小值作为最终
在可任选步骤210，使用经调整的分值范围对这些其它待推荐对象进行排序。
具体而言，在步骤208中确定了待推荐对象的经调整分值范围之后，可以在所确定的范围内为该待推荐对象选择一分值。随后可使用所选分值对多个待推荐对象进行排序。
例如，可以使用目标函数或者目标函数的简化版本(如上所述的乘积)来计算待推荐对象的排序值，根据多个待推荐对象的排序值来对该多个待推荐对象排序。
例如，在目标函数为式(4)的情况下，可以为待推荐对象ti计算排序值pctrk·pcvrk·bk，根据计算结果进行排序。
在目标函数涉及pctrk和bk的情况下，可以为待推荐对象ti计算排序值pctrk·bk，根据计算结果进行排序。
在目标函数涉及pcvrk和bk的情况下，可以为待推荐对象ti计算排序值pcvrk·bk，根据计算结果进行排序。
在一些实施例中，仅向用户推送最优待推荐对象，由此无需对其它待推荐对象进行调价和排序，因此步骤204、208和210是可任选的。
在步骤212，向用户进行待推荐对象推送。
例如，可以向用户推送最优待推荐对象，也可以选取排序在前几位的待推荐对象，按照步骤210的排序进行推送。
请注意，以上在步骤204中使用pctr(c|u,t)计算排序因子，并相应地在步骤208使用来确定各待推荐对象的分值上界，由此寻求较高的待推荐对象点击率。
但也可使用其它预测行为数据来执行步骤204和208。例如，排序因子也可以是通过将用户关于待推荐对象的pcvr(c|u,t)与分值上界相乘得到的。即，并且相应地步骤210可以使用下式来确定待推荐对象的分值上界：
由此可寻求较高的待推荐对象转化率。
在其他示例中，也可使用pcvr(c|u,t)和pctr(c|u,t)的组合来计算排序因子，以寻求合适的待推荐对象转化率和点击率。
图3是根据本公开的根据用户关于该待推荐对象的关联行为数据来确定待推荐对象的分值范围的流程图。
图3对应于图2中所述的步骤202。
如图3所示，在步骤302，获取用户关于多个待推荐对象的多个关联行为数据。
该多个关联行为数据可以是用户终端关于待推荐对象的点击率和转化率及其组合(例如，点击率和转化率的乘积)。
在步骤304，针对多个待推荐对象中的每一个待推荐对象，将用户关于该待推荐对象的第一关联行为数据(例如，步骤202中的pcvr(c|u,t))与一阈值进行比较。
该阈值可以是平均关联行为数据，即，一个时间段内用户集合中所有用户的第一关联行为数据的平均值。
如果第一关联行为数据大于阈值，则在步骤306提高待推荐对象的分值上界。
如果第一关联行为数据小于阈值，则在步骤306降低待推荐对象的分值上界。
以保险广告为例，如果用户的预测转化率较低，在低质流量情景下降低待推荐对象分值的下界能够为广告主节省一定成本。如果用户的预测转化率较高，说明用户选择该待推荐对象的概率较高，提高待推荐对象分值的上界可以提高广告平台方的收益。
图4是根据本公开的各方面的根据用户终端的关联行为数据来确定待推荐对象的分值范围的过程示意图。
图4示意性地示出了从3个待推荐对象中确定关于用户终端的最优待推荐对象的示例。本领域技术人员能够领会，待推荐对象的数目可以根据实际需要进行设定。
在框401，获取待推荐对象的第一关联行为数据。
例如，可以从数据库获取待推荐对象的第一关联行为数据。
该第一关联行为数据可以是用户终端关于待推荐对象的预测行为数据，也可以是用户终端关于待推荐对象的历史行为数据。例如，第一关联行为数据可以是步骤202中的pcvr(c|u,t)。
作为示例，在待推荐对象为广告的情况下，该第一关联行为数据可以是用户终端关于广告的预测点击率和转化率或历史点击率和转化率或其组合。
在框402，获取每个待推荐对象的分值范围。该分值范围可包括分值上界和下界。
具体而言，如果用户终端关于待推荐对象的当前第一关联行为数据高于一阈值，则可提高待推荐对象关于该用户终端的分值上界。如果当前行为数据低于该阈值，则可降低待推荐对象关于该用户终端的分值下界。这样能够使得待推荐对象的分值范围根据用户终端的关联行为数据的波动而变化，在确定待推荐对象的分值范围时考虑到用户终端因素。
该阈值可以是在一个时间段内用户终端集合中所有用户终端该待推荐对象的第一关联行为数据的平均值。
在第一关联行为数据为预测行为数据的情况下，该阈值可以是在一个时间段内用户终端集合中所有用户终端关于该待推荐对象的预测第一关联行为数据的平均值。
在第一关联行为数据为历史行为数据(该历史行为数据可以是前面一个周期的历史行为数据)的情况下，该阈值可以是在一个时间段(该时间段可以包括一个或多个周期)内用户终端集合中所有用户终端关于该待推荐对象的历史第一关联行为数据的平均值。
在框403，确定每个待推荐对象的推荐值。
待推荐对象的推荐值可以通过如上所述的目标函数来确定。目标函数可以是第二关联行为数据和分值的函数(例如，步骤206所述)。目标函数可以考虑到用户终端选择待推荐对象的概率(pcvr、pctr和/或pctr·pcvr(投保次数/展示次数))和分值(例如，广告出价)。
可以确定每个待推荐对象的分值范围内目标函数最大值作为该对象的推荐值。
在框404，确定最优待推荐对象。
具体而言，将多个待推荐对象中与最高推荐值相对应的待推荐对象作为最优待推荐对象推送给用户终端。
图5是根据本公开的各方面的对多个待推荐对象调整分值和排序的过程示意图。
如图5所示，在框501，确定每一个待推荐对象的排序因子。
该排序因子可以基于用户终端关于待推荐对象的第二关联行为数据和分值上界来确定。例如，该排序因子可以是第二关联行为数据和分值上界的乘积。在式(3)的示例中，第二关联行为数据是pctr。
在框502，基于最优待推荐对象和每一个其它待推荐对象的排序因子来确定该其它待推荐对象的分值范围。
例如，可以更新其它待推荐对象ti的分值上界以使其排序因子不超过最优待推荐对象tk的分值上界
在框503，针对每个待推荐对象，在其分值范围内选择一分值。
可以根据实际需要为待推荐对象选择其分值范围的一分值作为最终分值。例如，在待推荐对象为广告的情况下，为广告选择出价范围内的一个价格作为其最终出价。
在框504，将多个待推荐对象的分值进行排序。
具体而言，可以将多个待推荐对象的分值按照从大到小的顺序排序，并且根据该排序向用户终端推送该多个待推荐对象。
图6是根据本公开的各方面的用于对用户进行待推荐对象推送的装置的框图。
如图6所示，用于对用户进行待推荐对象推送的装置包括分值范围确定/调整模块601、排序因子确定模块602、最优待推荐对象确定模块603、排序模块604和推送模块605。
分值范围确定/调整模块601可以针对这多个待推荐对象中的每一个待推荐对象，根据用户终端关于该待推荐对象的第一关联行为数据来确定待推荐对象的分值范围。进一步，分值范围确定/调整模块601可以使用最优待推荐对象的分值上界来调整多个待推荐对象中的其它待推荐对象的分值范围(例如，调整分值上界)。如以上关于步骤202和208所描述的。
排序因子确定模块602可以针对多个待推荐对象中的每一个待推荐对象，根据其分值上界来确定排序因子。排序因子可以是第三关联行为数据和分值的乘积。如以上关于步骤204所描述的。
最优待推荐对象确定模块603可以根据多个待推荐对象的推荐值来确定最优待推荐对象。例如，可以针对多个待推荐对象中的每一个待推荐对象，根据其分值范围内的分值以及用户终端关于该待推荐对象的第二关联行为数据，确定该待推荐对象对应的推荐值，并且将最大推荐值对应的待推荐对象确定为最优待推荐对象。如以上关于步骤206所描述的。
排序模块604可以使用最优待推荐对象的分值上界来调整多个待推荐对象中的其它待推荐对象的分值范围，为每个待推荐对象选择其分值范围内的一值作为最终值，并且使用所选分值对多个待推荐对象进行排序。如以上关于步骤210所描述的。
推送模块605可以向用户进行待推荐对象推送。例如，可以仅推送最优待推荐对象。替换地，也可以按照对象的排序向用户终端推送前N位的对象。如以上关于步骤212所描述的。
本文结合附图阐述的说明描述了示例配置而不代表可被实现或者落在权利要求的范围内的所有示例。本文所使用的术语“示例性”意指“用作示例、实例或解说”，而并不意指“优于”或“胜过其他示例”。本详细描述包括具体细节以提供对所描述的技术的理解。然而，可以在没有这些具体细节的情况下实践这些技术。在一些实例中，众所周知的结构和设备以框图形式示出以避免模糊所描述的示例的概念。
在附图中，类似组件或特征可具有相同的附图标记。此外，相同类型的各个组件可通过在附图标记后跟随短划线以及在类似组件之间进行区分的第二标记来加以区分。如果在说明书中仅使用第一附图标记，则该描述可应用于具有相同的第一附图标记的类似组件中的任何一个组件而不论第二附图标记如何。
结合本文中的公开描述的各种解说性框以及模块可以用设计成执行本文中描述的功能的通用处理器、DSP、ASIC、FPGA或其他可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可被实现为计算设备的组合(例如，DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器，或者任何其他此类配置)。
本文中所描述的功能可以在硬件、由处理器执行的软件、固件、或其任何组合中实现。如果在由处理器执行的软件中实现，则各功能可以作为一条或多条指令或代码存储在计算机可读介质上或藉其进行传送。其他示例和实现落在本公开及所附权利要求的范围内。例如，由于软件的本质，以上描述的功能可使用由处理器执行的软件、硬件、固件、硬连线或其任何组合来实现。实现功能的特征也可物理地位于各种位置，包括被分布以使得功能的各部分在不同的物理位置处实现。另外，如本文(包括权利要求中)所使用的，在项目列举(例如，以附有诸如“中的至少一个”或“中的一个或多个”之类的措辞的项目列举)中使用的“或”指示包含性列举，以使得例如A、B或C中的至少一个的列举意指A或B或C或AB或AC或BC或ABC(即，A和B和C)。同样，如本文所使用的，短语“基于”不应被解读为引述封闭条件集。例如，被描述为“基于条件A”的示例性步骤可基于条件A和条件B两者而不脱离本公开的范围。换言之，如本文所使用的，短语“基于”应当以与短语“至少部分地基于”相同的方式来解读。
计算机可读介质包括非瞬态计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。非瞬态存储介质可以是能被通用或专用计算机访问的任何可用介质。作为示例而非限定，非瞬态计算机可读介质可包括RAM、ROM、电可擦除可编程只读存储器(EEPROM)、压缩盘(CD)ROM或其他光盘存储、磁盘存储或其他磁存储设备、或能被用来携带或存储指令或数据结构形式的期望程序代码手段且能被通用或专用计算机、或者通用或专用处理器访问的任何其他非瞬态介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来的，则该同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文所使用的盘(disk)和碟(disc)包括CD、激光碟、光碟、数字通用碟(DVD)、软盘和蓝光碟，其中盘常常磁性地再现数据而碟用激光来光学地再现数据。以上介质的组合也被包括在计算机可读介质的范围内。
提供本文的描述是为了使得本领域技术人员能够制作或使用本公开。对本公开的各种修改对于本领域技术人员将是显而易见的，并且本文中定义的普适原理可被应用于其他变形而不会脱离本公开的范围。由此，本公开并非被限定于本文所描述的示例和设计，而是应被授予与本文所公开的原理和新颖特征相一致的最广范围。
Claims (18)
1.一种用于由服务器向用户终端进行对象推送的方法，包括：
从数据库获取所述用户终端关于多个待推荐对象的多个关联行为数据；
针对多个待推荐对象中的每一个推荐对象，根据所述用户终端关于该待推荐对象的第一关联行为数据确定该待推荐对象的分值范围，所述分值范围包括分值上界和下界；
针对所述每一个待推荐对象，根据其分值范围内的分值以及所述用户终端关于该待推荐对象的第二关联行为数据，确定该待推荐对象对应的推荐值；以及
由所述服务器将最大推荐值对应的待推荐对象作为最优待推荐对象推送给用户终端。
2.如权利要求1的方法，其特征在于，进一步包括：
确定所述多个待推荐对象的排序因子；
针对所述多个待推荐对象中除所述最优待推荐对象之外的每一者，基于所述最优待推荐对象和该待推荐对象的排序因子来调整该待推荐对象的分值范围，以及在该待推荐对象的经调整分值范围内选择一分值；
根据所述多个待推荐对象的所选分值和所述多个待推荐对象的第二关联行为数据对所述多个待推荐对象进行排序；以及
按照所述排序对所述多个待推荐对象进行推送。
3.如权利要求2的方法，其特征在于，所述排序因子是基于所述分值上界和第三关联行为数据来确定的。
4.如权利要求2的方法，其特征在于，所述待推荐对象的排序因子包括所述待推荐对象的第三关联行为数据与分值上界的乘积，并且所述基于所述最优待推荐对象和该待推荐对象的排序因子来调整该待推荐对象的分值包括：
对该待推荐对象的排序因子进行调整以使得该待推荐对象的排序因子不大于所述最优待推荐对象的排序因子；以及
使用该待推荐对象的经调整排序因子来获得经调整分值。
5.如权利要求1的方法，其特征在于，所述多个关联行为数据是通过模型预测获得的和/或是所述用户终端的历史行为数据。
6.如权利要求1的方法，其特征在于，所述多个关联行为数据包括所述用户终端关于待推荐对象的点击率和转化率及其组合。
7.如权利要求1的方法，其特征在于，所述确定所述待推荐对象的分值上界和下界包括：
如果所述待推荐对象的第一关联行为数据高于阈值，则提高所述待推荐对象的分值上界；以及
如果所述待推荐对象的第一关联行为数据低于所述阈值，则降低所述待推荐对象的分值下界。
8.如权利要求1的方法，其特征在于，所述确定该待推荐对象对应的推荐值包括：确定该待推荐对象的分值范围内目标函数的最大值，所述目标函数是所述第二关联行为数据和分值的函数。
9.一种用于使服务器向用户终端进行对象推送的装置，包括：
用于从数据库获取所述用户终端关于多个待推荐对象的多个关联行为数据的模块；
用于针对多个待推荐对象中的每一个推荐对象，根据所述用户终端关于该待推荐对象的第一关联行为数据确定该待推荐对象的分值范围的模块，所述分值范围包括分值上界和下界；
用于针对所述每一个待推荐对象，根据其分值范围内的分值以及所述用户终端关于该待推荐对象的第二关联行为数据，确定该待推荐对象对应的推荐值的模块；以及
用于使所述服务器将最大推荐值对应的待推荐对象作为最优待推荐对象推送给用户终端的模块。
10.如权利要求9的装置，其特征在于，进一步包括：
用于确定所述多个待推荐对象的排序因子的模块；
用于针对所述多个待推荐对象中除所述最优待推荐对象之外的每一者，基于所述最优待推荐对象和该待推荐对象的排序因子来调整该待推荐对象的分值范围，以及在该待推荐对象的经调整分值范围内选择一分值的模块；
用于根据所述多个待推荐对象的所选分值和所述多个待推荐对象的第二关联行为数据对所述多个待推荐对象进行排序的模块；以及
用于按照所述排序对所述多个待推荐对象进行推送的模块。
11.如权利要求10的装置，其特征在于，所述排序因子是基于所述分值上界和所述第三关联行为数据来确定的。
12.如权利要求10的装置，其特征在于，所述待推荐对象的排序因子包括所述待推荐对象的第三关联行为数据与分值上界的乘积，并且所述用于基于所述最优待推荐对象和该待推荐对象的排序因子来调整该待推荐对象的分值的模块包括：
用于对该待推荐对象的排序因子进行调整以使得该待推荐对象的排序因子不大于所述最优待推荐对象的排序因子的模块；以及
用于使用该待推荐对象的经调整排序因子来获得经调整分值的模块。
13.如权利要求9的装置，其特征在于，所述多个关联行为数据是通过模型预测获得的和/或是所述用户终端的历史行为数据。
14.如权利要求13的装置，其特征在于，所述多个关联行为数据包括所述用户终端关于待推荐对象的点击率和转化率及其组合。
15.如权利要求9的装置，其特征在于，所述用于确定所述待推荐对象的分值上界和下界的模块包括：
用于如果所述待推荐对象的第一关联行为数据高于阈值，则提高所述待推荐对象的分值上界的模块；以及
用于如果所述待推荐对象的第一关联行为数据低于所述阈值，则降低所述待推荐对象的分值下界的模块。
16.如权利要求9的装置，其特征在于，所述用于确定该待推荐对象对应的推荐值的模块包括：用于确定该待推荐对象的分值范围内目标函数的最大值的模块，所述目标函数是所述第二关联行为数据和分值的函数。
17.一种计算机设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
从数据库获取所述用户终端关于多个待推荐对象的多个关联行为数据；
针对多个待推荐对象中的每一个推荐对象，根据所述用户终端关于该待推荐对象的第一关联行为数据确定该待推荐对象的分值范围，所述分值范围包括分值上界和下界；
针对所述每一个待推荐对象，根据其分值范围内的分值以及所述用户终端关于该待推荐对象的第二关联行为数据，确定该待推荐对象对应的推荐值；以及
将最大推荐值对应的待推荐对象作为最优待推荐对象推送给用户终端。
18.如权利要求17所述的计算机设备，其特征在于，所述可执行指令在被执行时使所述处理器进一步执行以下操作：
确定所述多个待推荐对象的排序因子；
针对所述多个待推荐对象中除所述最优待推荐对象之外的每一者，基于所述最优待推荐对象和该待推荐对象的排序因子来调整该待推荐对象的分值范围，以及在该待推荐对象的经调整分值范围内选择一分值；
根据所述多个待推荐对象的所选分值和所述多个待推荐对象的第二关联行为数据对所述多个待推荐对象进行排序；以及
按照所述排序对所述多个待推荐对象进行推送。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910045738.2A CN109919651A (zh) | 2019-01-17 | 2019-01-17 | 对象的推送方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910045738.2A CN109919651A (zh) | 2019-01-17 | 2019-01-17 | 对象的推送方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109919651A true CN109919651A (zh) | 2019-06-21 |
Family
ID=66960330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910045738.2A Pending CN109919651A (zh) | 2019-01-17 | 2019-01-17 | 对象的推送方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919651A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021068449A (ja) * | 2019-10-24 | 2021-04-30 | エヌエイチエヌ アド コーポレーション | ユーザ端末にウェブページを提供するネットワークサーバおよび方法 |
| CN112905879A (zh) * | 2021-01-29 | 2021-06-04 | 北京达佳互联信息技术有限公司 | 推荐方法、装置、服务器以及存储介质 |
| CN113077352A (zh) * | 2021-04-22 | 2021-07-06 | 北京十一贝科技有限公司 | 基于用户信息和保险相关信息的保险服务物品推荐方法 |
| CN113868522A (zh) * | 2021-09-26 | 2021-12-31 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
| JP2022530725A (ja) * | 2020-03-31 | 2022-07-01 | バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド | 情報プッシュ方法、装置、機器及び記憶媒体 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140195348A1 (en) * | 2013-01-09 | 2014-07-10 | Alibaba Group Holding Limited | Method and apparatus for composing search phrases, distributing ads and searching product information |
| CN105630836A (zh) * | 2014-11-05 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 搜索结果的排序方法和装置 |
| US20170161806A1 (en) * | 2014-07-04 | 2017-06-08 | Alphatise Holdings Pty Ltd | A social e-commerce system and server for price-adjusted item purchaser aggregation |
| CN108537567A (zh) * | 2018-03-06 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种目标用户群体的确定方法和装置 |
-
2019
- 2019-01-17 CN CN201910045738.2A patent/CN109919651A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140195348A1 (en) * | 2013-01-09 | 2014-07-10 | Alibaba Group Holding Limited | Method and apparatus for composing search phrases, distributing ads and searching product information |
| US20170161806A1 (en) * | 2014-07-04 | 2017-06-08 | Alphatise Holdings Pty Ltd | A social e-commerce system and server for price-adjusted item purchaser aggregation |
| CN105630836A (zh) * | 2014-11-05 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 搜索结果的排序方法和装置 |
| CN108537567A (zh) * | 2018-03-06 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种目标用户群体的确定方法和装置 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021068449A (ja) * | 2019-10-24 | 2021-04-30 | エヌエイチエヌ アド コーポレーション | ユーザ端末にウェブページを提供するネットワークサーバおよび方法 |
| JP7025507B2 (ja) | 2019-10-24 | 2022-02-24 | エヌエイチエヌ アド コーポレーション | ユーザ端末にウェブページを提供するネットワークサーバおよび方法 |
| US11663632B2 (en) | 2019-10-24 | 2023-05-30 | Nhn Corporation | Network server and method for providing web pages to user terminals |
| JP2022530725A (ja) * | 2020-03-31 | 2022-07-01 | バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド | 情報プッシュ方法、装置、機器及び記憶媒体 |
| JP7204903B2 (ja) | 2020-03-31 | 2023-01-16 | バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド | 情報プッシュ方法、装置、機器及び記憶媒体 |
| US11669530B2 (en) | 2020-03-31 | 2023-06-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Information push method and apparatus, device, and storage medium |
| CN112905879A (zh) * | 2021-01-29 | 2021-06-04 | 北京达佳互联信息技术有限公司 | 推荐方法、装置、服务器以及存储介质 |
| CN112905879B (zh) * | 2021-01-29 | 2024-03-19 | 北京达佳互联信息技术有限公司 | 推荐方法、装置、服务器以及存储介质 |
| CN113077352A (zh) * | 2021-04-22 | 2021-07-06 | 北京十一贝科技有限公司 | 基于用户信息和保险相关信息的保险服务物品推荐方法 |
| CN113077352B (zh) * | 2021-04-22 | 2024-02-02 | 北京十一贝科技有限公司 | 基于用户信息和保险相关信息的保险服务物品推荐方法 |
| CN113868522A (zh) * | 2021-09-26 | 2021-12-31 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110795624B (zh) | 分析个性化框架 | |
| CN109919651A (zh) | 对象的推送方法及装置 | |
| CN106991107B (zh) | 信息提供***、信息提供方法及存储介质 | |
| US8364528B2 (en) | System and process for improving product recommendations for use in providing personalized advertisements to retail customers | |
| US8583524B2 (en) | System and process for improving recommendations for use in providing personalized advertisements to retail customers | |
| US8156138B2 (en) | System and method for providing targeted content | |
| US8019642B2 (en) | System and process for receiving boosting recommendations for use in providing personalized advertisements to retail customers | |
| WO2015188699A1 (zh) | 推荐项目的方法和装置 | |
| US20130246170A1 (en) | Systems and methods for interacting with messages, authors, and followers | |
| TW201520936A (zh) | 使用者參與度上下文相關之非保證交付自動標價 | |
| US20120316970A1 (en) | System and method for providing targeted content | |
| CN101385018A (zh) | 使用估计的广告质量来进行广告过滤、排名和提升 | |
| US20210350419A1 (en) | Method and system for facilitating a provisioning of advertisements to customers | |
| US20170039578A1 (en) | Ranking of Search Results Based on Customer Intent | |
| CN103383702A (zh) | 一种基于用户投票排名的个性化新闻推荐的方法及*** | |
| US20210012363A1 (en) | Device, method and computer-readable medium for analyzing customer attribute information | |
| US20090198553A1 (en) | System and process for generating a user model for use in providing personalized advertisements to retail customers | |
| US20090198552A1 (en) | System and process for identifying users for which cooperative electronic advertising is relevant | |
| WO2020150570A1 (en) | Dynamically personalized product recommendation engine using stochastic and adversarial bandits | |
| US20090198556A1 (en) | System and process for selecting personalized non-competitive electronic advertising | |
| US20090199233A1 (en) | System and process for generating a selection model for use in personalized non-competitive advertising | |
| CN112801743B (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
| US20090198554A1 (en) | System and process for identifying users for which non-competitive advertisements is relevant | |
| US20090198551A1 (en) | System and process for selecting personalized non-competitive electronic advertising for electronic display | |
| US20090198555A1 (en) | System and process for providing cooperative electronic advertising |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200925 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200925 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |
|
| RJ01 | Rejection of invention patent application after publication |