CN110324418A - 基于用户关系推送业务的方法和装置 - Google Patents

基于用户关系推送业务的方法和装置 Download PDF

Info

Publication number
CN110324418A
CN110324418A CN201910584353.3A CN201910584353A CN110324418A CN 110324418 A CN110324418 A CN 110324418A CN 201910584353 A CN201910584353 A CN 201910584353A CN 110324418 A CN110324418 A CN 110324418A
Authority
CN
China
Prior art keywords
user
couple
users
business
module
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
Application number
CN201910584353.3A
Other languages
English (en)
Other versions
CN110324418B (zh
Inventor
陈喆
杨一鹏
王宁
赵华
朱通
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910584353.3A priority Critical patent/CN110324418B/zh
Publication of CN110324418A publication Critical patent/CN110324418A/zh
Application granted granted Critical
Publication of CN110324418B publication Critical patent/CN110324418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了基于用户关系推送业务的方法和装置。具体而言，本公开提供了一种用于推送业务的方法，包括：从第一用户集合形成第一多个用户对；针对所述第一多个用户对中的每个用户对，使用该用户对的一个或多个关系特征、以及该用户对中两个用户的行为标签来训练预测模型，用户的行为标签表示该用户是否已选择所述业务；从第二用户集合形成第二多个用户对；针对所述第二多个用户对中的每个用户对，使用经训练的预测模型基于该用户对的一个或多个关系特征来预测该用户对选择所述业务的概率；以及基于所述概率从所述第二多个用户对中选择目标用户对集合来推送所述业务。

Description

基于用户关系推送业务的方法和装置
技术领域
本申请涉及互联网技术领域，尤其涉及一种基于用户关系推送业务的方法和装置。
背景技术
随着互联网的快速发展，社交网络成为人们生活中必不可少的一部分。随着使用平台类应用(App)产品(例如，支付宝、微信等)的用户越来越多，平台可以向用户推送各种业务。
一般而言，推送业务时可以通过使用每个用户自身的用户特征数据(例如，用户的年龄、性别、学历、历史行为数据，等等)预测该用户将点击/购买某种业务的概率(例如，点击率(CTR)、转化率(CVR))，进而决定向哪些用户进行业务推送，由此提高业务推送的精准度。
但是个体用户的特征数据对于推广互动类业务(例如，亲密户、安全守护等)不那么有效。因此期望一种更准确地推送互动类业务的改进方案。
发明内容
本公开提供了一种用于推送业务的方法，包括：
从第一用户集合形成第一多个用户对；
针对所述第一多个用户对中的每个用户对，使用该用户对的一个或多个关系特征、以及该用户对中两个用户的行为标签来训练预测模型，用户的行为标签表示该用户是否已选择所述业务；
从第二用户集合形成第二多个用户对；
针对所述第二多个用户对中的每个用户对，使用经训练的预测模型基于该用户对的一个或多个关系特征来预测该用户对选择所述业务的概率；以及
基于所述概率从所述第二多个用户对中选择目标用户对集合来推送所述业务。
可任选地，该方法进一步包括：
向所述第一多个用户对中的用户推送业务；以及
获取所述第一多个用户对中每个用户的所述行为标签。
可任选地，所述获取行为标签包括：
如果用户选择所述业务，则确定所述行为标签为第一值；以及
如果用户不选择所述业务，则确定所述行为标签为第二值。
可任选地，所述从第一用户集合形成第一多个用户对包括：
针对所述第一用户集合中的每个用户对：
确定该用户对的关系强度；
将所述关系强度与第一阈值进行比较；
如果所述关系强度大于或等于所述第一阈值，则将该用户对包括在所述第一多个用户对中；以及
如果所述关系强度小于所述第一阈值，则不将该用户对包括在所述第一多个用户对中。
可任选地，所述从第二用户集合形成第二多个用户对包括：
针对所述第二用户集合中的每个用户对：
确定该用户对的关系强度；
将所述关系强度与第二阈值进行比较；
如果所述关系强度大于或等于所述第二阈值，则将该用户对包括在所述第二多个用户对中；以及
如果所述关系强度小于所述第二阈值，则不将该用户对包括在所述第二多个用户对中。
可任选地，所述确定该用户对的关系强度包括：
将该用户对的一个或多个关系特征的值进行加权求和，以获得该用户对的关系强度。
可任选地，选择所述业务包括：点击和/或购买所述业务。
可任选地，所述训练预测模型包括：针对所述第一多个用户对中的每个用户对，进一步使用该用户对中的两个用户的一个或多个用户特征来训练所述预测模型；并且
所述预测概率包括：针对所述第二多个用户对中的每个用户对，使用经训练的预测模型进一步基于该用户对中两个用户的一个或多个用户特征来预测该用户对选择所述业务的概率。
可任选地，所述用户对的关系特征包括用户对中两个用户的设备共用数据特征、社交关系数据特征和/或资金关系数据特征。
可任选地，所述选择目标用户对集合包括：
将所述第二多个用户对选择所述业务的概率进行排序；以及
根据所述排序来选择所述目标用户对集合。
可任选地，所述选择多个目标用户对包括：
针对所述第二多个用户对中的每个用户对，确定该用户对选择所述业务的概率是否大于第三阈值；以及
如果该用户对选择所述业务的概率大于第三阈值，则将该用户对确定为目标用户对。
本公开的另一方面提供了一种用于推送业务的装置，包括：
用于从第一用户集合形成第一多个用户对的模块；
用于针对所述第一多个用户对中的每个用户对，使用该用户对的一个或多个关系特征、以及该用户对中两个用户的行为标签来训练预测模型的模块，用户的行为标签表示该用户是否已选择所述业务；
用于从第二用户集合形成第二多个用户对的模块；
用于针对所述第二多个用户对中的每个用户对，使用经训练的预测模型基于该用户对的一个或多个关系特征来预测该用户对选择所述业务的概率的模块；以及
用于基于所述概率从所述第二多个用户对中选择目标用户对集合来推送所述业务的模块。
可任选地，该装置进一步包括：
用于向所述第一多个用户对中的用户推送业务的模块；以及
用于获取所述第一多个用户对中每个用户的所述行为标签的模块。
可任选地，所述用于获取行为标签的模块包括：
用于如果用户选择所述业务，则确定所述行为标签为第一值的模块；以及
用于如果用户不选择所述业务，则确定所述行为标签为第二值的模块。
可任选地，所述用于从第一用户集合形成第一多个用户对的模块包括：
用于针对所述第一用户集合中的每个用户对执行以下操作的模块：
确定该用户对的关系强度；
将所述关系强度与第一阈值进行比较；
如果所述关系强度大于或等于所述第一阈值，则将该用户对包括在所述第一多个用户对中；以及
如果所述关系强度小于所述第一阈值，则不将该用户对包括在所述第一多个用户对中。
可任选地，用于所述从第二用户集合形成第二多个用户对的模块包括：
用于针对所述第二用户集合中的每个用户对执行以下操作的模块：
确定该用户对的关系强度；
将所述关系强度与第二阈值进行比较；
如果所述关系强度大于或等于所述第二阈值，则将该用户对包括在所述第二多个用户对中；以及
如果所述关系强度小于所述第二阈值，则不将该用户对包括在所述第二多个用户对中。
可任选地，所述用于确定该用户对的关系强度的模块包括：
用于将该用户对的一个或多个关系特征的值进行加权求和，以获得该用户对的关系强度的模块。
可任选地，选择所述业务包括：点击和/或购买所述业务。
可任选地，所述用于训练预测模型的模块包括：用于针对所述第一多个用户对中的每个用户对，进一步使用该用户对中的两个用户的一个或多个用户特征来训练所述预测模型的模块；并且
所述用于预测概率的模块包括：用于针对所述第二多个用户对中的每个用户对，使用经训练的预测模型进一步基于该用户对中两个用户的一个或多个用户特征来预测该用户对选择所述业务的概率的模块。
可任选地，所述用户对的关系特征包括用户对中两个用户的设备共用数据特征、社交关系数据特征和/或资金关系数据特征。
可任选地，所述用于选择目标用户对集合的模块包括：
用于将所述第二多个用户对选择所述业务的概率进行排序的模块；以及
用于根据所述排序来选择所述目标用户对集合的模块。
可任选地，所述用于选择多个目标用户对的模块包括：
用于针对所述第二多个用户对中的每个用户对，确定该用户对选择所述业务的概率是否大于第三阈值的模块；以及
用于如果该用户对选择所述业务的概率大于第三阈值，则将该用户对确定为目标用户对的模块。
本公开的有一方面提供了一种用于推送业务的装置，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：
从第一用户集合形成第一多个用户对；
针对所述第一多个用户对中的每个用户对，使用该用户对的一个或多个关系特征、以及该用户对中两个用户的行为标签来训练预测模型，用户的行为标签表示该用户是否已选择所述业务；
从第二用户集合形成第二多个用户对；
针对所述第二多个用户对中的每个用户对，使用经训练的预测模型基于该用户对的一个或多个关系特征来预测该用户对选择所述业务的概率；以及
基于所述概率从所述第二多个用户对中选择目标用户对集合来推送所述业务。
附图说明
图1是根据本公开的各个方面的用于基于用户关系推送业务的***示图。
图2是包括用户1-4的用户集合中的用户关系的示图。
图3是根据本公开的各方面的基于用户对关系来推送业务的方法的示图。
图4是根据本公开的各方面的基于用户对关系来推送业务的方法的流程图。
图5是根据本公开的各方面的用于基于用户对关系来推送业务的装置的示图。
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。
常规地，在业务推送中，可以根据用户自身的用户特征数据(例如，用户的年龄、星座、学历、地域、收入等等)来预测用户将点击/购买某种业务的概率，但用户特征数据对于互动类业务的点击/购买率的预测不够准确。
互动类业务是近来涌现的业务形式，其可涉及两个或更多个用户之间的互动操作，例如亲密付、安全守护等等。亲密付可以允许使用一个账户为另一个账户进行支付，例如，购物支付、转账等等。安全守护可将两个关联账户分别定义为守护账户和被守护账户，如果被守护账户有异常状况，则可向守护账户发出警报。
互动类业务往往涉及多个用户之间的关系数据。例如，亲密付和安全守护的两个关联账户的用户之间的关系往往是家庭成员(例如，配偶、父母、子女等)或者亲密的朋友。因此在向用户推送互动类业务时，将两个或更多个用户之间的关系纳入考虑可以提高点击/购买率预测的准确度。
本公开考虑到互动类业务的上述特性，为了弥补个体用户特征的不足，在预测业务的点击/购买概率的过程中使用用户对关系特征。用户对关系特征是表征两个用户(用户对)之间的关系的特征。
例如，用户对关系特征可包括以下三类：
一、媒介关系特征，可包括两个用户关于媒介(例如，设备、网关、电话号码、邮箱等)的共用数据(例如，共用次数、共用时长等)；
二、社交关系特征，可包括两个用户的手机/电话通话信息，社交软件(例如，淘宝旺旺、微信、微博等)的操作信息(例如，添加好友、聊天次数、转发次数、评论次数)，等等；
三、资金关系特征，可包括两个用户之间的代付、转账数据(例如，次数、金额等)。
以上列举了用户对的关系特征的几个示例，但本领域技术人员将领会，用户对的关系特征不仅仅限于以上示例，只要能够反映不同用户之间的关系紧密度的数据都在本公开的构想中。
进一步，用户往往使用账户进行操作，因此在本文术语“用户”和“账户”是可互换地使用的。
图1是根据本公开的各个方面的用于基于用户关系推送业务的***100的示图。
如图1所示，***100可包括多个终端101 1-N、服务器102和数据库103。多个终端101-1-N、服务器102和数据库103之间可以通过有线或无线连接进行通信。
终端101可以是具有网络连接功能的装置，例如，智能手机、笔记本电脑、平板电脑、台式计算机等等。终端101上可以运行应用程序(例如，支付宝、微信等)。
服务器102可以是一个服务器，也可以是包括多个服务器的服务器群集。服务器102可以为多个终端101-1-N提供各种业务服务。
各个终端101可以通过服务器102进行各种操作，包括交互性操作。例如，这些操作可包括发送邮件、语音通话、使用app聊天、账户之间的转账、账户代付等等。
进一步，服务器102可以从各个终端101收集数据，例如，两个用户(用户对)之间的关系特征(用户对的关系特征，简称为关系特征)和/或用户的个体特征(在本文称为用户特征)。例如，服务器102可以在终端101的操作日志和/或操作消息(例如，操作请求)中收集关系特征和用户特征。
关系特征可包括如上所述的媒介关系特征、社交关系特征和资金关系特征。用户特征可包括用户自身的年龄、星座、学历、收入、历史行为等等。
服务器102可将收集到的关系特征和用户特征存储到数据库103中以供后续使用。数据库103可存储用户的行为标签数据、用户对的关系特征、以及可任选的用户特征。
服务器102进一步可包括用于预测用户选择业务的概率的预测模型(例如，有监督模型)。服务器102可使用训练集来训练该有监督模型，训练集可包括用户集合(包括多个用户对)中的用户的行为标签(表示用户是否选择了业务，例如，是否点击、购买业务)、以及该多个用户对的关系特征和可任选的用户特征来训练该有监督模型；随后可使用经训练的有监督模型来预测其它用户的行为数据，例如，用户对选择(点击或购买)业务的概率。
请注意，虽然在图1中，服务器102和数据库103被分开显示，但数据库103也可被纳入服务器102中。
图2是包括四个用户(即，用户1-4)的用户集合中的用户对关系的示图。
用户集合中的用户对关系可包括该用户集合中的任何两个用户之间的关系。如图2所述，包括用户1、用户2、用户3和用户4的用户集合的用户对关系可包括：用户对12(用户1和用户2)、用户对13(用户1和用户3)、用户对14(用户1和用户4)、用户对23(用户2和用户3)、用户对24(用户2和用户4)、以及用户对34(用户3和用户4)之间的关系。
包括n个用户的用户集合可包括个用户对。
用户对的关系特征可以使用两个用户的标识作为索引存储在数据库103中。表1示出了包括n个用户的用户集合的用户对特征的存储结构的一个示例，其中每个用户的标识使用数字1-n来表示。本领域技术人员将领会，其它标识用户对的方式也在本公开的构想中。每个用户对关系可具有一个或多个关系特征。
表1
用户对关系特征可包括两个用户对于设备、网关、电话号码、邮箱的共用数据(例如，共用次数、共用时长)；两个用户在社交软件上互相添加好友的行为、聊天次数、转发次数、评论次数等；两个用户之间的资金往来数据，例如，代付、转账次数、金额等。
图3是根据本公开的各方面的基于用户对关系特征来推送业务的方法的示图。
在本公开的基于用户对关系特征来推送业务的方法中，服务器102首先小规模地投放业务，例如，随机地向相关用户的子集(在图3中示为第一用户集合，例如，几百个或几千个用户)投放业务，并获取该用户子集中每个用户的行为标签，行为标签表示用户是否选择该业务，例如，是否点击该业务、是否购买该业务等。随后服务器102可从数据库103获取该用户子集的用户对关系特征(和可任选的用户特征)，并且使用所获取的关系特征(和可任选的用户特征)以及用户的行为标签来训练有监督模型。在训练有监督模型之后，服务器102可使用经训练的有监督模型来预测用户对的行为数据(用户对选择业务的概率，例如，点击业务的概率、购买业务的概率)。
训练有监督模型的行为标签与使用有监督模型预测的行为数据是相同类型的。例如，如果***要预测第二用户集合中的用户对点击业务的概率，则服务器102获取的行为标签可以是第一用户集合中的用户是否已点击该业务；如果***要预测第二用户集合中的用户对购买业务的概率，则服务器102获取的行为标签为第一用户集合中的用户是否购买该业务，依此类推。
在以下描述中，以行为标签和行为数据针对购买业务来进行解说，但本领域技术人员将领会，其它类型的行为标签和行为数据也在本公开的构想中。
如图3所示，在步骤301，服务器102可向第一用户集合中的用户推送业务。
第一用户集合可以是业务的相关用户集合(例如，购买业务的***集合)的子集。服务器102可以随机地选择业务的相关用户结合的子集作为第一用户集合。进一步，服务器102可从第一用户集合形成第一多个用户对，并且向第一多个用户对推送业务。
具体而言，服务器102可将第一用户集合中的用户两两形成一个用户对，从而形成第一多个用户对，例如，如图2中的示例所示。包括n个用户的第一用户集合可以形成个用户对。
可任选地，服务器102可以在第一用户集合中的全部用户对中筛选出关系强度较高(例如，高于阈值)的多个用户对作为第一多个用户对进行业务推送。
例如，针对第一用户集合中形成的每个用户对，可以将该用户对的多个关系特征的值进行加权求和以确定其关系强度S。如果关系强度S高于一阈值(第一强度阈值)，则可将该用户对包括在第一多个用户对中以推送业务，从而用于后续的模型训练操作；如果关系强度S低于第一强度阈值，则可不将该用户对包括在第一多个用户对中。
如果用户对的关系强度较低，说明用户对的两个用户的关系不够紧密，对于互动类业务的数据预测的参考意义不大。
通过用户强度筛选第一多个用户对可以降低训练模型的计算量，并且节省业务推送的通信资源。
在步骤302，服务器102可获取第一多个用户对中每个用户关于业务的行为标签。
用户的行为标签可表征该用户是否选择(例如，点击或购买)该业务。
例如，如果用户购买该业务，则服务器102可确定该用户的行为标签为第一值(例如，1)；如果用户未购买该业务，则服务器102可确定该用户的行为标签为第二值(例如，0)。这里的取值仅仅是示例，其它取值也是可能的。
服务器102获取用户的行为标签之后，可将其存储在数据库103中以供后续使用。
在步骤303，服务器102可以从数据库103获取第一多个用户对的关系特征。
针对第一多个用户对中的每个用户对，服务器102可以在数据库103中查找该用户对的与该业务相关的一个或多个关系特征、以及该用户对的两个用户各自的一个或多个用户特征。
用户对关系特征可包括两个用户对于设备、网关、电话号码的共用数据(例如，共用次数、共用时长)；两个用户在社交软件上互相添加好友的行为、聊天次数、转发次数、评论次数等；两个用户之间的资金往来数据，例如，代付、转账的次数、金额等。
用户特征可包括用户的年龄、性别、星座、地域、会员信息、历史行为标签(例如，关于相关业务的历史点击率、转化率等)，等等。
虽然在图3中步骤301和302在步骤303之前，但步骤303也可在步骤301或302之前执行。
服务器102还可以获取第一多个用户对中的用户的用户特征以用于后续模型训练。
在步骤304，服务器102可以使用在步骤302获取的第一多个用户对中的用户的行为标签、以及在步骤303获取的用户对的关系特征来训练预测模型。
优选地，服务器102可以进一步使用第一多个用户对中的用户的用户特征来训练模型。
服务器102可以根据业务的特性来选择用户对的关系特征以及可任选的用户特征，将其量化并形成特征向量。服务器102可以将该特征向量和用户对中两个用户的行为标签作为输入来训练模型。
例如，亲密付一般涉及家庭成员中的两个用户。在这种情况下，用户对关系特征可以包括两个用户的账户共用网关、计算机设备的次数和/或时长，这是因为家庭成员往往会在住宅使用相同的网关上网或者使用相同的计算机设备登录账户进行操作；用户对关系特征还可以包括两个用户的账户在聊天软件上的聊天次数、转账记录(转账次数、金额)；用户对关系特征进一步可包括两个用户的账户共用电话号码或邮箱的信息，例如，两个账户可能在平台(例如，支付宝、微信)上登记有相同的电话号码或邮箱。
优选地，亲密付还可涉及用户自身的用户特征，例如，两个用户各自的年龄、性别、地域等。例如，如果两个用户的性别分别为男和女并且年龄相差较近(例如，小于十岁)，则两个用户为配偶的概率较大；如果两个用户的年龄相差二十到三十岁，则两个用户的关系可能为父母与子女的关系，使用亲密付的概率较高。作为另一示例，用户特征还可包括支付能力，如果两个用户的支付能力都很低，则使用亲密付的概率较低；如果两个用户中至少一者的支付能力较高，则使用亲密付的概率较高。作为又一示例，用户特征进一步可包括两个用户的账户活跃度，例如，如果两个用户的账户活跃度都较高(例如，活跃天数较长)，则使用亲密付的概率也较高。
以上以亲密付为例说明了用户对关系特征和用户特征的示例，但本公开的关系特征和用户特征并不限于此。本领域技术人员将领会，还可使用其它关系特征和用户特征，并且不同的业务可以考虑不同的关系特征和用户特征。
针对第一用户集合中的每个用户对，服务器102可以使用该用户对的关系特征以及可任选的用户特征形成特征向量，将该特征向量与两个用户的行为标签输入有监督模型，从而训练该有监督模型。
例如，包括用户i和用户j的用户对的特征向量可以表达为：
fij＝[P1,P2,…,Pa,I1,I2,…,Ib,J1,J2,…,Jc,]，
其中P1,P2,…,Pa为关系特征值，I1,I2,…,Ib为用户i的用户特征值，J1,J2,…,Jc为用户j的用户特征值。
作为一个示例，如果用户对的关系特征包括P1＝聊天次数(159)，P2＝共用计算机时长(512(小时))，P3＝转账金额(15600(元))；用户i的用户特征包括I1＝性别(1/女)、I2＝年龄(30)，用户j的用户特征包括J1＝性别(0/男)、J2＝年龄(35)，则特征向量fij＝[159,512,15600,1,30,0,30]。
服务器102将用户对的特征向量与用户对中的两个用户的行为标签一起输入到有监督模型进行训练。
例如，模型的输入可以为{fij，Li,Lj}。
其中Li为用户i的行为标签，并且Lj为用户j的行为标签。例如，如果用户i购买了业务，则Li可以为1，如果用户i未购买业务，则Li可以为0；如果用户j购买了业务，则Lj可以为1，如果用户j未购买业务，则Lj可以为0。
以上示例使用关系特征和用户特征来训练模型，但也可以仅使用关系特征来训练模型。
在步骤305，服务器102从数据库103获取第二用户集合中的第二多个用户对的用户对的关系特征。
第二用户集合可以是业务的相关用户集合。服务器102可以预测第二用户集合中各用户的行为数据，并且根据行为数据从第二用户集合中选择目标用户集合来推送业务。
服务器102可以将第二用户集合中的用户两两形成一个用户对，从而形成第二多个用户对。
可任选地，服务器102可以在第二用户集合中的全部用户对中筛选出关系强度较高(例如，高于第二强度阈值)的多个用户对作为第二多个用户对。
例如，针对第二用户集合中形成的每个用户对，可以将该用户对的多个关系特征的值进行加权求和以确定其关系强度S。如果关系强度S高于第二强度阈值，则可将该用户对包括在第二多个用户对中以进行后续的预测操作；如果关系强度S低于第二强度阈值，则可不将该用户对包括在第二多个用户对中。
例如，如果包括用户i和用户j的用户对具有关系特征值P1,P2,…,Pa，则可以如下计算该用户对的关系强度：
S＝ω1P1+ω2P2+…+ωaPa。
其中0≤ωi≤1，ωi的值可以根据实际需要来选择。
如果关系强度S低于一阈值，说明两个用户的关系不够紧密，不太可能购买互动类业务，则可将该用户对中的两个用户从相关用户集合中剔除，不进行后续的预测操作。换言之，服务器102可以仅将相关用户集合中关系强度S高于阈值的用户对中的两个用户纳入第二用户集合中，由此可以降低模型预测的计算量。
在步骤306，服务器102使用在步骤305获取的第二多个用户对的关系特征来预测该用户对关于业务的行为数据。
具体而言，对于每个用户对，例如，包括用户i和用户j的用户对i-j，可以将用户对i-j的关系特征输入经训练的预测模型来预测用户对i-j购买/点击业务的概率。
可任选地，还可将用户i的用户特征以及用户j的用户特征与关系特征一起输入经训练的模型进行预测。
步骤306中预测模型的输入中所包括的关系特征以及可任选的用户特征可以与步骤304中用于训练模型的输入中所包括的关系特征以及可任选的用户特征相对应。
在步骤307，服务器102可确定第二用户集合中的目标用户对集合。
例如，服务器102可将用户对的行为数据进行排序，选择排名靠前的用户对作为目标用户对。
作为另一示例，服务器102也可以设置一阈值，如果用户对的预测行为数据高于该阈值，则将该用户对确定为目标用户对。
在步骤308，服务器102可向目标用户对集合中的用户推送业务。
请注意，在以上实施例中描述了在步骤303和305中获取用户对关系特征和用户特征来训练模型和预测行为数据，但也可以仅使用用户对关系特征、而不使用用户特征来训练模型和预测行为数据。
图4是根据本公开的各方面的基于用户对关系来推送业务的方法的流程图。
在步骤402，可以从第一用户集合形成第一多个用户对。
第一用户集合可以是业务的相关用户集合(例如，购买业务的***集合)的子集。第一多个用户对的关系特征和指示第一多个用户对中的用户是否选择业务的行为标签可被用来训练模型。
在一方面，可以将第一用户集合中的所有用户两两形成用户对作为第一多个用户对。
在另一方面，可基于用户对的关系强度对第一用户集合中的所有用户对进行筛选以形成第一多个用户对。例如，可以对用户对的多个关系特征的值进行加权求和以确定该用户对的关系强度S。如果关系强度S低于第一强度阈值，则可将该用户对从第一多个用户对中剔除，不进行后续的模型训练。
在步骤404，可以使用第一多个用户对的关系特征和行为标签来训练模型。
具体而言，可以向第一多个用户对中的用户推送业务，随后获取每个用户的行为标签，该行为标签表征该用户是否选择该业务，例如，是否点击或购买该业务。
用户对的关系特征可包括两个用户关于媒介的共用数据特征(例如，两个用户对于设备、网关、电话号码的共用数据(例如，共用次数、共用时长))；两个用户的社交关系数据特征(例如，两个用户在社交软件上互相添加好友的行为、聊天次数、转发次数、评论次数等)；资金关系特征(例如，两个用户之间的资金往来数据，例如，代付、转账的次数、金额等)。
可以使用第一多个用户对的关系特征和行为标签来训练预测模型。
在步骤406，可以从第二用户集合形成第二多个用户对。
第二用户集合可以是业务的相关用户集合。
在一方面，可通过将业务的相关用户集合中的用户两两形成用户对来形成第二多个用户对。
在另一方面，可基于用户对的关系强度对第二用户集合中的所有用户对进行筛选以形成第二多个用户对。例如，可以对用户对的多个关系特征进行加权求和以确定该用户对的关系强度S。如果关系强度S低于第二强度阈值，则可将该用户对从第二多个用户对中剔除，不进行后续的预测操作。
在步骤408，可以使用经训练的预测模型基于第二多个用户对的关系特征来预测用户对选择业务的概率。
例如，对于包括用户i和用户j的用户对ij，可以将用户对ij的关系特征输入经训练的模型来预测用户对ij选择业务的概率(例如，用户i和用户j均选择业务的概率)。
优选地，还可以使用用户i和用户j的用户特征来预测用户对ij选择业务的概率。
在步骤410，基于在步骤408获得的概率来选择目标用户对集合进行业务推送。
例如，可以将用户对选择业务的概率进行排序，选择排名靠前的多个用户对来组成目标用户对集合。
作为另一示例，可以设置一阈值，如果用户对选择业务的概率高于该阈值，则将该用户对确定为目标用户对。
随后可以向目标用户对推送业务。
可任选地，在步骤404的训练模型和步骤408的预测操作中还可以使用用户自身的用户特征。
图5是根据本公开的各方面的用于基于用户对关系来推送业务的过程示意图。
在501，可以获取第一多个用户对的特征。
第一多个用户对可从第一用户集合形成。第一用户集合可以是业务的相关用户集合(例如，购买业务的***集合)的子集。例如，第一用户集合可以是随机选择的用户子集，第一用户集合的数据(例如，用户对关系特征、用户的行为标签)可被用来训练模型。可以将第一用户集合中的用户两两形成一个用户对，以形成第一多个用户对。可任选地，可以根据关系强度从第一多个用户对中剔除掉一些关系较弱的用户对，从而降低训练模型的计算量。
第一多个用户对的特征可包括第一多个用户对中每个用户对的一个或多个关系特征。可任选地，第一多个用户对的特征还可包括第一多个用户对中每个用户的一个或多个用户特征。
在502，可以获取第一多个用户对的行为标签。
例如，可预先向第一多个用户对中的用户推送业务，并且根据每个用户是否选择(点击或购买)业务来生成该用户的行为标签。
例如，如果用户选择该业务，则可确定该用户的行为标签为第一值；如果用户未选择该业务，则可确定该用户的行为标签为第二值。
可以使用501的第一多个用户对的特征和502的第一多个用户对的行为标签来训练模型504。
在503，可以获取第二多个用户对的特征。
第二多个用户对可从第二用户集合生成。第二用户集合可以是业务的相关用户集合(例如，潜在购买业务的用户集合)。可以将第二用户集合中的用户两两形成一个用户对，以形成第二多个用户对。可任选地，可以根据关系强度从第二多个用户对中剔除掉一些关系较弱的用户对，从而降低预测的计算量。
第二多个用户对的特征可包括第二多个用户对中每个用户对的一个或多个关系特征。可任选地，第二多个用户对的特征还可包括第二多个用户对中的各用户的一个或多个用户特征。
可将第二多个用户对的特征输入模型504来预测第二多个用户对中每个用户对的行为数据505，例如，用户对选择(点击或购买)该业务的概率。
在506，可以根据行为数据505来确定目标用户。
例如，可将用户对的行为数据进行排序，选择排名靠前的用户对作为目标用户对。
替换地，可以将用户对的预测行为数据与一阈值进行比较，如果用户对的预测行为数据高于该阈值，则将该用户对确定为目标用户对。
在507，向目标用户对集合推送业务。
具体而言，向目标用户对集合中的各用户推送业务。
本公开在预测业务的点击率/转化率的过程中使用两个用户之间的关系特征，考虑到两个用户的关系紧密度，从而有效地提高了互动类业务的推送效率。
优选地，本公开选取训练模型的训练集和使用经训练的模型确定目标用户对的过程中，通过关系强度来筛选用户对，由此可以降低计算量。
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 (23)

1.一种用于推送业务的方法，包括：
从第一用户集合形成第一多个用户对；
针对所述第一多个用户对中的每个用户对，使用该用户对的一个或多个关系特征、以及该用户对中两个用户的行为标签来训练预测模型，用户的行为标签表示该用户是否已选择所述业务；
从第二用户集合形成第二多个用户对；
针对所述第二多个用户对中的每个用户对，使用经训练的预测模型基于该用户对的一个或多个关系特征来预测该用户对选择所述业务的概率；以及
基于所述概率从所述第二多个用户对中选择目标用户对集合来推送所述业务。
2.如权利要求1所述的方法，其特征在于，进一步包括：
向所述第一多个用户对中的用户推送业务；以及
获取所述第一多个用户对中每个用户的所述行为标签。
3.如权利要求2所述的方法，其特征在于，所述获取行为标签包括：
如果用户选择所述业务，则确定所述行为标签为第一值；以及
如果用户不选择所述业务，则确定所述行为标签为第二值。
4.如权利要求1所述的方法，其特征在于，所述从第一用户集合形成第一多个用户对包括：
针对所述第一用户集合中的每个用户对：
确定该用户对的关系强度；
将所述关系强度与第一阈值进行比较；
如果所述关系强度大于或等于所述第一阈值，则将该用户对包括在所述第一多个用户对中；以及
如果所述关系强度小于所述第一阈值，则不将该用户对包括在所述第一多个用户对中。
5.如权利要求1所述的方法，其特征在于，所述从第二用户集合形成第二多个用户对包括：
针对所述第二用户集合中的每个用户对：
确定该用户对的关系强度；
将所述关系强度与第二阈值进行比较；
如果所述关系强度大于或等于所述第二阈值，则将该用户对包括在所述第二多个用户对中；以及
如果所述关系强度小于所述第二阈值，则不将该用户对包括在所述第二多个用户对中。
6.如权利要求4或5所述的方法，其特征在于，所述确定该用户对的关系强度包括：
将该用户对的一个或多个关系特征的值进行加权求和，以获得该用户对的关系强度。
7.如权利要求1所述的方法，其特征在于，选择所述业务包括：点击和/或购买所述业务。
8.如权利要求1所述的方法，其特征在于，
所述训练预测模型包括：针对所述第一多个用户对中的每个用户对，进一步使用该用户对中的两个用户的一个或多个用户特征来训练所述预测模型；并且
所述预测概率包括：针对所述第二多个用户对中的每个用户对，使用经训练的预测模型进一步基于该用户对中两个用户的一个或多个用户特征来预测该用户对选择所述业务的概率。
9.如权利要求1所述的方法，其特征在于，所述用户对的关系特征包括用户对中两个用户的设备共用数据特征、社交关系数据特征和/或资金关系数据特征。
10.如权利要求1所述的方法，其特征在于，所述选择目标用户对集合包括：
将所述第二多个用户对选择所述业务的概率进行排序；以及
根据所述排序来选择所述目标用户对集合。
11.如权利要求1所述的方法，其特征在于，所述选择多个目标用户对包括：
针对所述第二多个用户对中的每个用户对，确定该用户对选择所述业务的概率是否大于第三阈值；以及
如果该用户对选择所述业务的概率大于第三阈值，则将该用户对确定为目标用户对。
12.一种用于推送业务的装置，包括：
用于从第一用户集合形成第一多个用户对的模块；
用于针对所述第一多个用户对中的每个用户对，使用该用户对的一个或多个关系特征、以及该用户对中两个用户的行为标签来训练预测模型的模块，用户的行为标签表示该用户是否已选择所述业务；
用于从第二用户集合形成第二多个用户对的模块；
用于针对所述第二多个用户对中的每个用户对，使用经训练的预测模型基于该用户对的一个或多个关系特征来预测该用户对选择所述业务的概率的模块；以及
用于基于所述概率从所述第二多个用户对中选择目标用户对集合来推送所述业务的模块。
13.如权利要求12所述的装置，其特征在于，进一步包括：
用于向所述第一多个用户对中的用户推送业务的模块；以及
用于获取所述第一多个用户对中每个用户的所述行为标签的模块。
14.如权利要求13所述的装置，其特征在于，所述用于获取行为标签的模块包括：
用于如果用户选择所述业务，则确定所述行为标签为第一值的模块；以及
用于如果用户不选择所述业务，则确定所述行为标签为第二值的模块。
15.如权利要求12所述的装置，其特征在于，所述用于从第一用户集合形成第一多个用户对的模块包括：
用于针对所述第一用户集合中的每个用户对执行以下操作的模块：
确定该用户对的关系强度；
将所述关系强度与第一阈值进行比较；
如果所述关系强度大于或等于所述第一阈值，则将该用户对包括在所述第一多个用户对中；以及
如果所述关系强度小于所述第一阈值，则不将该用户对包括在所述第一多个用户对中。
16.如权利要求12所述的装置，其特征在于，用于所述从第二用户集合形成第二多个用户对的模块包括：
用于针对所述第二用户集合中的每个用户对执行以下操作的模块：
确定该用户对的关系强度；
将所述关系强度与第二阈值进行比较；
如果所述关系强度大于或等于所述第二阈值，则将该用户对包括在所述第二多个用户对中；以及
如果所述关系强度小于所述第二阈值，则不将该用户对包括在所述第二多个用户对中。
17.如权利要求15或16所述的装置，其特征在于，所述用于确定该用户对的关系强度的模块包括：
用于将该用户对的一个或多个关系特征的值进行加权求和，以获得该用户对的关系强度的模块。
18.如权利要求12所述的方法，其特征在于，选择所述业务包括：点击和/或购买所述业务。
19.如权利要求12所述的装置，其特征在于，
所述用于训练预测模型的模块包括：用于针对所述第一多个用户对中的每个用户对，进一步使用该用户对中的两个用户的一个或多个用户特征来训练所述预测模型的模块；并且
所述用于预测概率的模块包括：用于针对所述第二多个用户对中的每个用户对，使用经训练的预测模型进一步基于该用户对中两个用户的一个或多个用户特征来预测该用户对选择所述业务的概率的模块。
20.如权利要求12所述的装置，其特征在于，所述用户对的关系特征包括用户对中两个用户的设备共用数据特征、社交关系数据特征和/或资金关系数据特征。
21.如权利要求12所述的装置，其特征在于，所述用于选择目标用户对集合的模块包括：
用于将所述第二多个用户对选择所述业务的概率进行排序的模块；以及
用于根据所述排序来选择所述目标用户对集合的模块。
22.如权利要求12所述的装置，其特征在于，所述用于选择多个目标用户对的模块包括：
用于针对所述第二多个用户对中的每个用户对，确定该用户对选择所述业务的概率是否大于第三阈值的模块；以及
用于如果该用户对选择所述业务的概率大于第三阈值，则将该用户对确定为目标用户对的模块。
23.一种用于推送业务的装置，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：
从第一用户集合形成第一多个用户对；
针对所述第一多个用户对中的每个用户对，使用该用户对的一个或多个关系特征、以及该用户对中两个用户的行为标签来训练预测模型，用户的行为标签表示该用户是否已选择所述业务；
从第二用户集合形成第二多个用户对；
针对所述第二多个用户对中的每个用户对，使用经训练的预测模型基于该用户对的一个或多个关系特征来预测该用户对选择所述业务的概率；以及
基于所述概率从所述第二多个用户对中选择目标用户对集合来推送所述业务。
CN201910584353.3A 2019-07-01 2019-07-01 基于用户关系推送业务的方法和装置 Active CN110324418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910584353.3A CN110324418B (zh) 2019-07-01 2019-07-01 基于用户关系推送业务的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910584353.3A CN110324418B (zh) 2019-07-01 2019-07-01 基于用户关系推送业务的方法和装置

Publications (2)

Publication Number Publication Date
CN110324418A true CN110324418A (zh) 2019-10-11
CN110324418B CN110324418B (zh) 2022-09-20

Family

ID=68122142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910584353.3A Active CN110324418B (zh) 2019-07-01 2019-07-01 基于用户关系推送业务的方法和装置

Country Status (1)

Country Link
CN (1) CN110324418B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340605A (zh) * 2020-05-22 2020-06-26 支付宝(杭州)信息技术有限公司 训练用户行为预测模型、用户行为预测的方法和装置
CN112243021A (zh) * 2020-05-25 2021-01-19 北京沃东天骏信息技术有限公司 信息推送方法、装置、设备及计算机可读存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150663A (zh) * 2013-02-18 2013-06-12 亿赞普(北京)科技有限公司 一种网络投放数据投放的方法和装置
CN103955545A (zh) * 2014-05-22 2014-07-30 成都品果科技有限公司 一种个性化的社交网络影响识别方法
US20160241605A1 (en) * 2015-02-17 2016-08-18 Google Inc. Second-screen control automatic pairing using push notifications
CN106570014A (zh) * 2015-10-09 2017-04-19 阿里巴巴集团控股有限公司 用于确定用户的家庭属性信息的方法与设备
CN107103057A (zh) * 2017-04-13 2017-08-29 腾讯科技（深圳）有限公司 一种资源推送方法及装置
CN107464141A (zh) * 2017-08-07 2017-12-12 北京京东尚科信息技术有限公司 用于信息推广的方法、装置、电子设备及计算机可读介质
CN107895277A (zh) * 2017-09-30 2018-04-10 平安科技（深圳）有限公司 在应用程序中推送贷款广告的方法、电子装置及介质
US20180150464A1 (en) * 2016-11-30 2018-05-31 Facebook, Inc. Multi-stage Filtering for Recommended User Connections on Online Social Networks
CN108460590A (zh) * 2018-02-06 2018-08-28 北京三快在线科技有限公司 信息推荐的方法、装置及电子设备
CN109002488A (zh) * 2018-06-26 2018-12-14 北京邮电大学 一种基于元路径上下文的推荐模型训练方法及装置
CN109241403A (zh) * 2018-08-03 2019-01-18 腾讯科技（深圳）有限公司 项目推荐方法、装置、机器设备和计算机可读存储介质
CN109460513A (zh) * 2018-10-31 2019-03-12 北京字节跳动网络技术有限公司 用于生成点击率预测模型的方法和装置
CN109658120A (zh) * 2017-10-12 2019-04-19 腾讯科技（深圳）有限公司 一种业务数据处理方法以及装置
CN109902753A (zh) * 2019-03-06 2019-06-18 深圳市珍爱捷云信息技术有限公司 用户推荐模型训练方法、装置、计算机设备和存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150663A (zh) * 2013-02-18 2013-06-12 亿赞普(北京)科技有限公司 一种网络投放数据投放的方法和装置
CN103955545A (zh) * 2014-05-22 2014-07-30 成都品果科技有限公司 一种个性化的社交网络影响识别方法
US20160241605A1 (en) * 2015-02-17 2016-08-18 Google Inc. Second-screen control automatic pairing using push notifications
CN106570014A (zh) * 2015-10-09 2017-04-19 阿里巴巴集团控股有限公司 用于确定用户的家庭属性信息的方法与设备
US20180150464A1 (en) * 2016-11-30 2018-05-31 Facebook, Inc. Multi-stage Filtering for Recommended User Connections on Online Social Networks
CN107103057A (zh) * 2017-04-13 2017-08-29 腾讯科技（深圳）有限公司 一种资源推送方法及装置
CN107464141A (zh) * 2017-08-07 2017-12-12 北京京东尚科信息技术有限公司 用于信息推广的方法、装置、电子设备及计算机可读介质
CN107895277A (zh) * 2017-09-30 2018-04-10 平安科技（深圳）有限公司 在应用程序中推送贷款广告的方法、电子装置及介质
CN109658120A (zh) * 2017-10-12 2019-04-19 腾讯科技（深圳）有限公司 一种业务数据处理方法以及装置
CN108460590A (zh) * 2018-02-06 2018-08-28 北京三快在线科技有限公司 信息推荐的方法、装置及电子设备
CN109002488A (zh) * 2018-06-26 2018-12-14 北京邮电大学 一种基于元路径上下文的推荐模型训练方法及装置
CN109241403A (zh) * 2018-08-03 2019-01-18 腾讯科技（深圳）有限公司 项目推荐方法、装置、机器设备和计算机可读存储介质
CN109460513A (zh) * 2018-10-31 2019-03-12 北京字节跳动网络技术有限公司 用于生成点击率预测模型的方法和装置
CN109902753A (zh) * 2019-03-06 2019-06-18 深圳市珍爱捷云信息技术有限公司 用户推荐模型训练方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340605A (zh) * 2020-05-22 2020-06-26 支付宝(杭州)信息技术有限公司 训练用户行为预测模型、用户行为预测的方法和装置
CN112243021A (zh) * 2020-05-25 2021-01-19 北京沃东天骏信息技术有限公司 信息推送方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN110324418B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
Amin et al. Customer churn prediction in telecommunication industry using data certainty
Zeinalizadeh et al. Modeling and analysis of bank customer satisfaction using neural networks approach
Tsai et al. Variable selection by association rules for customer churn prediction of multimedia on demand
Åstebro et al. Predictors of the survival of innovations
KR100751965B1 (ko) 탈퇴 고객들을 예측하기 위한 방법 및 시스템
JP2020522832A (ja) 信用力があると判定された消費者にローンを発行するシステムおよび方法
CN112668859A (zh) 基于大数据的客户风险评级方法、装置、设备及存储介质
JP2004528628A (ja) 人工知能傾向システム
Cao et al. Hybrid computational model for forecasting Taiwan construction cost index
CN104321794A (zh) 一种使用多维评级来确定一实体的未来商业可行性的***和方法
CN106408325A (zh) 基于用户支付信息的用户消费行为预测分析方法及***
Rachid et al. Clustering prediction techniques in defining and predicting customers defection: The case of e-commerce context
Chen et al. A combined mining-based framework for predicting telecommunications customer payment behaviors
Iranmanesh et al. Customer churn prediction using artificial neural network: An analytical CRM application
CN110324418A (zh) 基于用户关系推送业务的方法和装置
CN110310123A (zh) 风险判断方法和装置
Wagh et al. Customer churn prediction in telecom sector using machine learning techniques
Giri et al. Biogeography based optimization for mining rules to assess credit risk
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
CN111199473A (zh) 基于交易记录信息的反作弊方法、装置和***
Mohammadi et al. Hierarchical neural regression models for customer churn prediction
CN113538126A (zh) 基于gcn的欺诈风险预测方法及装置
Monfared et al. Using business intelligence capabilities to improve the quality of decision-making: a case study of Mellat bank
CN116645134A (zh) 一种***分期的推荐方法、装置、设备及介质
CN107871286A (zh) 用户与联系人间亲密度判定方法/***、存储介质及设备

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40015620

Country of ref document: HK

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200923

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.

Effective date of registration: 20200923

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.

GR01 Patent grant
GR01 Patent grant