CN111160961A - 一种信息推荐方法及装置 - Google Patents
一种信息推荐方法及装置 Download PDFInfo
- Publication number
- CN111160961A CN111160961A CN201911329851.XA CN201911329851A CN111160961A CN 111160961 A CN111160961 A CN 111160961A CN 201911329851 A CN201911329851 A CN 201911329851A CN 111160961 A CN111160961 A CN 111160961A
- Authority
- CN
- China
- Prior art keywords
- terminal
- conversion
- user
- click
- estimation
- 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
Images
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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种信息推荐方法及装置,其中方法为:第一终端通过第二终端获得包含用户特征的转化数据;所述第一终端根据原始曝光数据、原始点击数据和所述转化数据,进行机器学习训练,获得点击预估模型和转化预估模型;所述第一终端根据所述点击预估模型和所述转化预估模型,确定所述第二终端的目标用户,并将待推荐信息推送给所述第二终端的目标用户。上述方法应用于金融科技(Fintech)时,因此对信息推荐的用户做了筛选,集中在目标用户范围内进行投放,提升了信息推送的用户成为转化用户的比例,从而提升信息推荐的转化效果。
Description
技术领域
本发明涉及金融科技(Fintech)领域和计算机软件领域,尤其涉及一种信息推荐方法及装置。
背景技术
随着计算机技术的发展,越来越多的技术(大数据、分布式、区块链(Blockchain)、人工智能等)应用在金融领域,传统金融业正在逐步向金融科技(Fintech)转变。目前,金融科技领域中的信息推荐尤其重要,是拓展金融产品用户的主要渠道。信息推荐是将信息推荐源想要投放的广告物料,通过信息推荐平台投放到用户端,展示给用户,刺激用户点击推送的信息并消费。
随着信息推荐诉求的丰富化、多样化、精细化,信息推荐源对信息推荐后转化效果的追求愈发强烈,信息推荐后转化多少用户与如何信息推荐存在显著关系。合理的针对性信息推荐,可以针对用户精准投放。然而,目前信息推荐方式中,对用户不加以区分,盲目地进行统一投放,导致信息推荐的转化效果不佳。
发明内容
本申请实施例提供一种信息推荐方法及装置,解决了现有技术中信息推荐的转化效果不佳的问题。
第一方面,本申请实施例提供一种信息推荐方法:第一终端通过第二终端获得包含用户特征的转化数据;所述第一终端根据原始曝光数据、原始点击数据和所述转化数据,进行机器学习训练,获得点击预估模型和转化预估模型;其中,所述点击预估模型及所述转化预估模型对任一用户的预估值与该用户的行为不相关;所述第一终端根据所述点击预估模型和所述转化预估模型,确定所述第二终端的目标用户,并将待推荐信息推送给所述第二终端的目标用户;所述第二终端的目标用户为所述第二终端的用户中转化概率大于第一预设概率阈值的用户。
上述方法中,第一终端获得包含用户特征的转化数据后,可以结合原始曝光数据、原始点击数据和所述转化数据,进行机器学习训练,获得点击预估模型和转化预估模型,由于所述点击预估模型及所述转化预估模型对任一用户的预估值与该用户的行为不相关,因此不会因为用户后续行为的改变影响模型的训练效果,第一终端可通过所述点击预估模型和所述转化预估模型确定每个用户的转化概率,进而确定满足预设条件的第二终端,并根据满足预设条件的第二终端的待信息推送,确定所述第二终端的目标用户,并将待推荐信息推送给所述第二终端的目标用户,因此对第二终端的信息推荐的用户做了筛选,集中在目标用户范围内进行投放,从而提升信息推荐的转化效果。
一种可选实施方式中,所述第一终端通过第二终端获得包含用户特征的转化数据,包括:所述第一终端向所述第二终端发送所述原始点击数据中多个点击用户的用户标识;所述第一终端从所述第二终端获取所述多个点击用户的标签值;所述多个点击用户的标签值是所述第二终端根据所述多个点击用户的用户标识确定的;所述第一终端根据所述多个点击用户的用户标识,将所述原始点击数据与所述多个点击用户的标签值匹配后得到的组合数据,作为所述转化数据。
上述方法中,所述第一终端积累的转化用户有限,但所述第一终端可以通过向所述第二终端发送多个点击用户的用户标识的方式,获得所述第二终端根据所述多个点击用户的用户标识确定的标签值,从而可以根据点击用户的标签值获得更多的转化用户,将所述原始点击数据与所述多个点击用户的标签值匹配后得到的组合数据,作为所述转化数据,从而提供了一种根据第二终端获得转化数据的方法。
一种可选实施方式中,所述多个点击用户中任一点击用户的标签值是所述第二终端根据预设加密算法对原始标签加密得到的加密标签值。
上述方法中,点击用户的标签值是所述第二终端根据预设加密算法对原始标签加密得到的加密标签值,因此点击用户的标签值对第一终端不可见,但在训练过程中会体现出标签值的作用,从而在获得了有效的转化预估模型基础上,保护了转化用户的隐私。
一种可选实施方式中,所述第一终端根据原始曝光数据、原始点击数据和所述转化数据,进行机器学习训练,获得点击预估模型和转化预估模型,包括:所述第一终端根据所述原始曝光数据、所述原始点击数据和所述转化数据,进行机器学习训练,获得所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数;所述第一终端将所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数发送至所述第二终端;所述第一终端获取来自所述第二终端的所述点击预估模型的解密模型参数和所述转化预估模型的解密模型参数,从而获得所述点击预估模型和所述转化预估模型;所述点击预估模型的解密模型参数和所述转化预估模型的解密模型参数是所述第二终端根据所述预设加密算法对应的解密算法得到的。
上述方式是转化预估模型的一种具体获取方式,根据所述原始曝光数据、所述原始点击数据和所述转化数据,进行机器学习训练,获得所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数,在这个过程中,第一终端是不知晓转化用户是哪些的,所述第一终端将所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数发送至所述第二终端,交由第二终端解密,所述第一终端获取来自所述第二终端的所述点击预估模型的解密模型参数和所述转化预估模型的解密模型参数,从而获得所述点击预估模型和所述转化预估模型,从而获得可以有效预测转化预估概率的转化预估模型,还使得转化预估模型训练过程中安全性更强,保护了数据隐私。
一种可选实施方式中,所述第一终端根据所述原始曝光数据、所述原始点击数据和所述转化数据,进行机器学习训练,获得所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数;所述第一终端根据所述点击预估模型和所述转化预估模型,确定所述第二终端的目标用户,包括:针对所述第二终端的任一用户,将所述用户的用户特征分别输入所述点击预估模型和所述转化预估模型,根据所述加密模型参数和所述加密模型参数,分别对应获得所述用户的加密点击预估概率和加密转化预估概率;所述第一终端将所述加密点击预估概率和所述加密转化预估概率发送至所述第二终端;所述第一终端获取来自所述第二终端的所述用户的解密点击预估概率和解密转化预估概率;所述解密点击预估概率和所述解密转化预估概率对应分别是所述第二终端根据所述预设加密算法对应的解密算法对所述加密点击预估概率和所述加密转化预估概率得到的;所述第一终端根据所述解密点击预估概率和所述解密转化预估概率,若确定所述用户的转化概率大于所述第一预设概率阈值,则确定所述用户为所述第二终端的目标用户。
上述方式下,先根据所述原始曝光数据、所述原始点击数据和所述转化数据,进行机器学习训练,获得所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数,在对用户进行预测时,先将用户的用户特征分别输入所述点击预估模型和所述转化预估模型,根据所述加密模型参数和所述加密模型参数,分别对应获得所述用户的加密点击预估概率和加密转化预估概率,并发送至所述第二终端解密,再获取来自所述第二终端的所述用户的解密点击预估概率和解密转化预估概率,这个过程中未向第一终端泄露转化用户具体是哪些,通过对加密概率解密的方式获得解密概率,从而提供了一种确定目标用户的方法。
一种可选实施方式中,针对所述第二终端的目标用户任一用户,若所述用户同时为多个终端的目标用户,所述第一终端将待推荐信息推送给所述第二终端的目标用户之前,还包括:所述第一终端确定所述多个终端针对所述用户的转化预测成本;所述转化预测成本表征了所述用户执行预设行为所需的代价;所述第一终端确定所述第二终端针对所述用户的转化预测成本在所述多个终端中最低。
上述方法中,在用户同时为多个终端的目标用户时,所述第一终端确定所述多个终端针对所述用户的转化预测成本,并确定所述第二终端针对所述用户的转化预测成本在所述多个终端中最低,从而通过最少的转化预测成本进行信息推荐。
所述第一终端根据所述点击预估模型和所述转化预估模型,确定所述第二终端的目标用户之后,所述第一终端将待推荐信息推送给所述第二终端的目标用户之前,还包括:所述第一终端若确定所述第二终端的目标用户在所述第二终端的用户所占比例大于或等于预设比例,则将所述第一预设概率阈值调整为第二预设概率阈值;所述第一终端根据所述第二预设概率阈值,重新确定所述第二终端对应的目标用户,所述第二预设概率阈值大于所述第一预设概率阈值。
上述方法中,当所述第二终端对应的目标用户与所述第二终端的用户的投放比例大于或等于预设比例,将所述第一预设概率阈值调整为第二预设概率阈值,并根据所述第二预设概率阈值,重新确定所述第二终端对应的目标用户,从而减少所述第二终端对应的目标用户的数量,将广告更集中投放,提升了信息推荐的转化效果。
第二方面,本申请提供一种信息推荐方法装置,包括:获取模块,用于通过第二终端获得包含用户特征的转化数据;训练模块,用于根据原始曝光数据、原始点击数据和所述转化数据,进行机器学习训练,获得点击预估模型和转化预估模型;其中,所述点击预估模型及所述转化预估模型对任一用户的预估值与该用户的行为不相关;处理模块,用于根据所述点击预估模型和所述转化预估模型,确定所述第二终端的目标用户,并将待推荐信息推送给所述第二终端的目标用户;所述第二终端的目标用户为所述第二终端的用户中转化概率大于第一预设概率阈值的用户。
一种可选实施方式中,所述获取模块具体用于:向所述第二终端发送所述原始点击数据中多个点击用户的用户标识;从所述第二终端获取所述多个点击用户的标签值;所述多个点击用户的标签值是所述第二终端根据所述多个点击用户的用户标识确定的;所述标签值为点击标签值或转化标签值;根据所述多个点击用户的用户标识,将所述原始点击数据与所述多个点击用户相应转化标签值匹配后得到的组合数据,作为所述转化数据。
一种可选实施方式中,所述多个点击用户中任一点击用户的标签值是所述第二终端根据预设加密算法对原始标签加密得到的加密标签值。
一种可选实施方式中,所述训练模块具体用于:根据所述原始曝光数据、所述原始点击数据和所述转化数据,进行机器学习训练,获得所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数;将所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数发送至所述第二终端;获取来自所述第二终端的所述点击预估模型的解密模型参数和所述转化预估模型的解密模型参数,从而获得所述点击预估模型和所述转化预估模型;所述点击预估模型的解密模型参数和所述转化预估模型的解密模型参数是所述第二终端根据所述预设加密算法对应的解密算法得到的。
一种可选实施方式中,所述训练模块具体用于:根据所述原始曝光数据、所述原始点击数据和所述转化数据,进行机器学习训练,获得所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数;所述处理模块具体用于:针对所述第二终端的任一用户,将所述用户的用户特征分别输入所述点击预估模型和所述转化预估模型,根据所述加密模型参数和所述加密模型参数,分别对应获得所述用户的加密点击预估概率和加密转化预估概率;将所述加密点击预估概率和所述加密转化预估概率发送至所述第二终端;获取来自所述第二终端的所述用户的解密点击预估概率和解密转化预估概率;所述解密点击预估概率和所述解密转化预估概率对应分别是所述第二终端根据所述预设加密算法对应的解密算法对所述加密点击预估概率和所述加密转化预估概率得到的;根据所述解密点击预估概率和所述解密转化预估概率,若确定所述用户的转化概率大于所述第一预设概率阈值,则确定所述用户为所述第二终端的目标用户。
一种可选实施方式中,针对所述第二终端的目标用户任一用户,若所述用户同时为多个终端的目标用户,所述处理模块还用于:确定所述多个终端针对所述用户的转化预测成本;所述转化预测成本表征了所述用户执行预设行为所需的代价;确定所述第二终端针对所述用户的转化预测成本在所述多个终端中最低。
一种可选实施方式中,所述处理模块还用于:若确定所述第二终端的目标用户在所述第二终端的用户所占比例大于或等于预设比例,则将所述第一预设概率阈值调整为第二预设概率阈值;根据所述第二预设概率阈值,重新确定所述第二终端对应的目标用户,所述第二预设概率阈值大于所述第一预设概率阈值。
上述第二方面及第二方面各个实施例的有益效果,可以参考上述第一方面及第一方面各个实施例的有益效果,这里不再赘述。
第三方面,本申请实施例提供一种计算机设备,包括程序或指令,当所述程序或指令被执行时,用以执行上述第一方面及第一方面各个实施例的方法。
第四方面,本申请实施例提供一种存储介质,包括程序或指令,当所述程序或指令被执行时,用以执行上述第一方面及第一方面各个实施例的方法。
附图说明
图1为本申请实施例提供的一种信息推荐方法的步骤流程示意图;
图2为本申请实施例提供的一种信息推荐方法装置的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图及具体的实施方式对上述技术方案进行详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互结合。
互联网信息推荐是将信息推荐源想要投放的信息物料,通过信息推荐***投放到用户端,并给用户展现阅读的一种信息推荐投递方式,受益于互联网大数据、用户画像、高效计算能力发展,信息推荐后的效果得以提高。
目前,信息推荐源对投放效果数据的需求愈发强烈,不同场景下不同用户行为与信息推荐诉求存在显著关系。合理的针对性信息推荐,可以针对用户精准投放。然而,目前信息推荐方式中,对用户不加以区分,盲目地进行统一投放,导致信息推荐的转化效果不佳。
为此,如图1所示的步骤流程图,为本申请提供的一种信息推荐方法。
步骤101:第一终端通过第二终端获得包含用户特征的转化数据。
步骤102:所述第一终端根据原始曝光数据、原始点击数据和所述转化数据,进行机器学习训练,获得点击预估模型和转化预估模型。
其中,所述点击预估模型及所述转化预估模型对任一用户的预估值与该用户的行为不相关。
步骤103:所述第一终端根据所述点击预估模型和所述转化预估模型,确定所述第二终端的目标用户,并将待推荐信息推送给所述第二终端的目标用户。
所述第二终端的目标用户为所述第二终端的用户中转化概率大于第一预设概率阈值的用户,用户的转化概率是根据用户的点击预估概率和转化预估概率确定的。点击预估概率是根据点击预估模型确定的,转化预估概率是根据转化预估概率。
需要说明的是,对于信息推送来说,用户的行为可以分为三个阶段:曝光、点击、转化。曝光指信息推送给了用户,如在用户的网页上***推荐信息;点击指用户点击了所推送的推荐信息;转化用户发生了转化行为。因此,曝光数据为推送了信息但未发生点击行为的用户特征数据;点击数据为点击了推送信息但未发生转化行为的用户特征数据;转化数据为点击了推送信息且发生转化行为的用户特征数据。举例来说,转化行为是注册、购买等点击后的进一步的预设行为。所以用户在点击之前必然推送了信息,用户在发生转化行为之前必然要点击所推送的信息。所述转化数据点击了推荐信息用户的特征数据;所述原始曝光数据为投放了推荐信息但未点击用户的特征数据;所述原始点击数据为投放了推荐信息且点击用户的特征数据。
步骤101具体可以为:所述第一终端向所述第二终端发送所述原始点击数据中多个点击用户的用户标识;所述第一终端从所述第二终端获取所述多个点击用户的标签值;所述多个点击用户的标签值是所述第二终端根据所述多个点击用户的用户标识确定的;所述标签值为点击标签值或转化标签值;所述第一终端根据所述多个点击用户的用户标识,将所述原始点击数据与所述多个点击用户相应转化标签值匹配后得到的组合数据,作为所述转化数据。
由于信息推荐源端转化用户数据的安全是本方案的首要考量目标。本申请提出转化保护技术实现该目标。转化保护利用某推荐信息产生的点击数据与转化数据进行混合后加密。该技术使得包括信息推荐平台端在内的其他方无法区分据,从而成功保护转化数据。转化保护技术由数据混合和数据加密两步组成。
数据混合:信息推荐源端从信息推荐平台端安全地获取其推荐信息的点击用户的用户标识而后信息推荐源端将获取点击用户标识后与信息推荐源端的转化用户进行匹配。若用户i同时出现为点击用户和转化用户,则用户表示i对应的标签置为1,即若用户i仅为点击用户,则用户标识i对应的标签为0,即:显然,用户标识i对应的0或1表征了用户点击数据后是否转化。
举例来说,第一终端向第二终端发送10个点击用户的用户标识,第二终端根据10个点击用户的用户标识与第二终端中的转化用户匹配得到4个点击用户为转化用户,便将这4个点击用户的标签值设置为转化标签值,将剩余6个点击用户的标签值设置为点击标签值,而第一终端收到10个点击用户的点击标识及标签值,从而可以根据点击标识将原始点击数据与相应的标签值匹配,作为转化数据。如点击用户A将点击用户A的特征,与点击用户A对应的标签值一同作为点击用户A的转化数据。
数据加密:信息推荐源端可以利用同态加密算法等加密算法,严格保护是否转化这一信息的安全。具体地说,信息推荐源端利用同态加密方法生成一对私钥sk和公钥pk。然后,信息推荐源端利用公钥将每个用户i对应的是否转化的标签加密,即{i:[[0,1]]pk}。最后信息推荐源端将该加密标签提交于信息推荐平台端。
需要说明的是,上述标签值可以是加密的,加密算法不做限定,如同态加密算法。因此,一种实施方式中,所述多个点击用户中任一点击用户的标签值是所述第二终端根据预设加密算法对原始标签加密得到的加密标签值。举例来说,点击用户A的加密标签值为L(A),第一终端得到的是标签值密文,但不知道对应的原文是什么,只有第二终端才能解密。
举例来说,某个用户的标识为X1;在上述可选实施方式中,信息推荐平台端向信息推荐源端发送X1。信息推荐源端接收到X1后,可以在信息推荐源端的本地转化数据中搜索,是否存在X1。如果存在,则将X1的标签值置为转化标签值,否则,将X1的标签值置为点击数据标签值。然后信息推荐源端将X1的标签值加密,得到加密标签值[X1]PK,并进行(2)(3)。在(3)中,信息推荐平台端根据获得了,X1、[X1]pk,便将[X1]pk作为信息推荐平台端中X1的标签值。
步骤102中,信息推荐平台端可以按照以下实施方式获取转化模型,包括以下第一步至第三步:
第一步:所述第一终端根据所述原始曝光数据、所述原始点击数据和所述转化数据,进行机器学习训练,获得所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数。
第二步:所述第一终端将所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数发送至所述第二终端。
第三步:所述第一终端获取来自所述第二终端的所述点击预估模型的解密模型参数和所述转化预估模型的解密模型参数,从而获得所述点击预估模型和所述转化预估模型。
其中,在第一步,还可以把所述原始曝光数据、所述原始点击数据和所述转化数据通过特征表达模型转换后再进行机器学习训练。具体来说:
所述第一终端根据所述原始曝光数据、所述原始点击数据和所述转化数据,根据特征表达模型,得到加密的特征表达数据;所述特征表达模型用于区分所述曝光数据和所述加密的混合数据。所述第一终端根据所述加密的特征表达数据得到转化预估模型。
所述特征表达模型是根据所述曝光数据和所述加密的混合数据基于最小化预设损失函数训练得到的;所述预设损失函数表征了曝光数据之间的聚合程度,以及表征了点击数据和转化数据之间的聚合程度。
上述第一步至第三步中,所述点击预估模型的解密模型参数和所述转化预估模型的解密模型参数是所述第二终端根据所述预设加密算法对应的解密算法得到的。需要说明的是,所述点击预估模型与转化预估模型的训练算法不做限定,如训练算法可以是梯度下降算法等。这种实施方式为第一终端直接获取转化预估模型的和点击预估模型的方式,后续有用户需要预测时,第一终端所述点击预估模型的解密模型参数和所述转化预估模型的解密模型参数,计算出用户的转化概率。
步骤102~步骤103的一种可选实施方式为:
所述第一终端根据所述原始曝光数据、所述原始点击数据和所述转化数据,进行机器学习训练,获得所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数;针对所述第二终端的任一用户,将所述用户的用户特征分别输入所述点击预估模型和所述转化预估模型,根据所述加密模型参数和所述加密模型参数,分别对应获得所述用户的加密点击预估概率和加密转化预估概率;所述第一终端将所述加密点击预估概率和所述加密转化预估概率发送至所述第二终端;所述第一终端获取来自所述第二终端的所述用户的解密点击预估概率和解密转化预估概率;所述第一终端根据所述解密点击预估概率和所述解密转化预估概率,若确定所述用户的转化概率大于所述第一预设概率阈值,则确定所述用户为所述第二终端的目标用户。
上述实施方式中,所述解密点击预估概率和所述解密转化预估概率对应分别是所述第二终端根据所述预设加密算法对应的解密算法对所述加密点击预估概率和所述加密转化预估概率得到的。这种实施方式为第一终端并未直接获取转化预估模型的和点击预估模型的方式,后续每当有用户需要预测时,第一终端根据所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数,计算出用户的加密点击预估概率和所述加密转化预估概率,再由第二终端解密为解密点击预估概率和所述解密转化预估概率,在得到用户的转化概率,并进一步判断是否为目标用户。
步骤103的一种可选实施方式中,对于第二终端的任一待评估用户,所述第一终端都可以根据所述点击预估模型和所述转化预估模型,确定所述待评估用户是否为目标用户。具体来说:
所述第一终端获取待评估用户的第一用户特征;所述第一终端将所述待评估用户的第一用户特征输入所述转化预估模型,基于所述解密后的模型参数,获得所述待评估用户的转化预估概率。
这种方式是直接根据训练获得的转化预估模型获得所述待评估用户的转化预估概率。其中,待评估用户为未参与转化预估模型模型训练的新用户,第一用户特征是待评估用户的特征信息。具体来说,特征信息可以包括以下至少一项:用户的属性特征,用户所推荐信息的信息特征和用户所推荐场景的场景特征,属性特征指用户的基础属性,如年龄、性别等,信息特征指推荐信息的基础属性,如推荐信息的格式、布局,场景特征指将推荐资源推荐给用户的场景,如推荐的地点、触发推荐的用户操作。在之后的叙述中,还涉及到第二用户特征和第三用户特征,均是包含上述至少一项的特征信息,但与第一用户特征是不同的特征信息。
步骤103的另一种实施方式中,训练出的所述转化预估模型中可以包括所述点击数据的第一基准特征,以及转化数据的第二基准特征。第一基准特征表征点击数据但未发生转化行为的特征的平均水平,以及用第二基准特征表征点击数据了推荐信息并进行消费用户的数据,可以按照以下方式确定待评估用户的转化预估概率:
所述第一终端获取待评估用户的第二用户特征;所述第一终端通过所述待评估用户的第二用户特征分别与所述第一基准特征及所述第二基准特征的关系,确定所述待评估用户的转化预估概率。这种方式下,仅需要做简单运算即可确定所述待评估用户的转化预估概率,提升了待评估用户的转化预估概率的效率。
具体来说,该方式包括:
步骤(1)所述第一终端通过所述特征表达模型将所述第二用户特征转换为第三用户特征。
步骤(2)所述第一终端确定所述第三用户特征与所述第一基准特征的第一欧氏距离。
步骤(3)所述第一终端根据所述第三用户特征与所述第二基准特征的第二欧氏距离。
步骤(4)所述第一终端根据所述第一欧氏距离与所述第二欧氏距离的距离差值,确定所述待评估用户的转化预估概率。
需要说明的是,步骤(4)中的第一欧氏距离表征了第三用户特征与第一基准特征的相似性,第二欧氏距离表征了第三用户特征与第二基准特征的相似性,通过差值可以得出第三用户特征与转化数据的相似性更高,还是与点击数据的相似性更高。
步骤103中还可以采取的一种可选实施方式如下:
所述第一终端若确定所述第二终端的目标用户在所述第二终端的用户所占比例大于或等于预设比例,则将所述第一预设概率阈值调整为第二预设概率阈值;所述第一终端根据所述第二预设概率阈值,重新确定所述第二终端对应的目标用户,所述第二预设概率阈值大于所述第一预设概率阈值。
上述可选实施方式适用于满足转化概率大于第一预设概率阈值的目标用户较多的情况。(即所述第一终端对应的目标用户在所述多个目标用户的投放比例大于或等于预设比例)。举例来说,第一预设概率阈值为40%,对于某一个第一终端的总用户,转化概率达到40%的用户占该第一终端的总用户的90%,但转化概率达到80%的用户只占该第一终端的总用户的30%。显然,转化概率达到80%的用户对于第一终端是投放更精准的用户,而对第一终端来说,投每个用户的广告成本都一样,那么显然转化概率达到40%的用户较多,有90%,“平均用力”的投放对信息推荐平台来说并不划算,可以采取“抓大放小”的策略,重点投放给转化概率达到80%的用户。因此可以就相应调整下预设概率阈值,举例来说第二预设概率阈值为8%,减少满足转化概率大于第一预设概率阈值的目标用户的数量,降低目标用户的数量,可以用更少成本达到了更好效果。
步骤101~步骤103的方法中,如果不涉及同一用户多家信息推荐源端竞争关系的情况,针对每一个用户,如果多个信息推荐源端都想给同一个用户投放不同产品类型的推荐信息(即信息推荐源端之间没有竞争关系),只要对这个用户的转化概率达到预设概率阈值的信息推荐源端都可以进行信息推送。
下面以一具体实施例详细说明步骤103中转化预估模型的建立:
信息推荐平台端从信息推荐源端获取所有点击用户对应的加密的转化标签,而后通过与信息推荐平台的数据匹配可以获得用户标签、是否转化、以及用户特征的三元组数据,也就是混合后的加密数据。例如,对于用户i,三元组数据为另外,信息推荐平台端拥有未加密的曝光数据点击数据及曝光数据和点击数据分别对应的用户特征。
信息推荐平台端结合使用曝光数据、点击数据、和加密的转化数据建立转化预估模型f(x|θ)。给定用户特征x,f(x|θ)输出预估转化率。具体地说,首先,转化预估模型利用曝光数据点击数据及转化数据学***台端直接获取,信息推荐平台端可以使用神经网络训练特征表达模型。该神经网络通过最小化以下预设损失函数(1)学习特征表达函数h(x)→e。该损失函数试图使得特征表达模型具有区分曝光数据与点击数据及转化数据的能力。值得注意的,特征表达模型可以使用海量的曝光数据与点击数据及转化数据以提升泛化能力。
基于上述方法,可以获得点击用户及转化用户的新的三元组其中,[[0,1]]pk是表示用户是否转化的加密标签,是转化数据对应的特征表达数据,是点击数据对应的特征表达数据。另外,为了更好的区分点击数据与转化数据。本申请中可以建立以下函数(2):
其中用于评估新的待评估用户的特征表达e与转化数据对应的特征表达数据的相似性,在加密空间评估新的待评估用户的特征表达e与点击数据对应的特征表达数据的相似性。具体来说,可以为第一基准特征,通过第一基准特征来评估,那么 为第一欧式距离;可以为第二基准特征,通过第二基准特征来评估,那么为第二欧式距离。会通过 来对参数[[θ]]pk进行训练,最终得到该转化率预估函数。由于转化率预估函数构建时函数结构是固定的,只有参数[[θ]]pk未知,最终转化率预估函数以加密的参数[[θ]]pk形式存在。
之后,信息推荐源端首先从信息推荐平台端获取加密的转化预估模型参数[[θ]]pk。为使得线上的实时转化预测成为可能,也就是说让信息推荐源端也有能力实时得到预估转化率,那么信息推荐源端使用私钥sk解密转化预估参数并拥有解密的θ。最终,信息推荐源端将解密的转化预估参数提交给信息推荐平台端。
信息推荐平台端获取信息推荐源端解密的转化预估模型参数θ。当任一用户和信息推荐源端请求时,信息推荐平台端基于特征表达和转化预估模型参数θ来获得用户的预估转化率。
步骤101~步骤103中第一终端为信息推荐平台,第二终端为信息推荐源,步骤101~步骤103适用多个信息推荐源端委托了信息推荐平台端对多个用户进行信息推荐的场景。多个信息推荐源端都有各自的用户,不同信息推荐源端之间可能存在相同的用户,也可能存在不同的用户。每个信息推荐平台端的用户对于该信息推荐平台端都有转化概率。需要说明的是,对同一个用户而言,可能同时属于多个信息推荐源端的用户,对应多个信息推荐源端都有相应的转化概率。因此,一个用户可能是信息推荐源端一的目标用户,但不是信息推荐源端二的目标用户。而从信息推荐源端的角度来说,如果一个信息推荐源端的存在目标用户,都可以考虑进行投放。如果出现一个目标用户同属于多个信息推荐源端的目标用户,且所述多个信息推荐源端的待信息推送对应的产品为同一类型产品的情况。
而信息推荐平台端还可以根据预估转化率实时决定信息推送的成本。举例来说,当用户i的特征x到达后,通过特征表达模型,将信息推荐源端请求x转化为ex,i,再将ex,i输入到转化预估模型,获得该信息推荐源端请求对应的转化预估概率P(ex,i)。可通过以下方式根据P(ex,i)确定是否投放以及信息推送的成本:
设定一概率阈值,如0.6,当P(ex,i)大于或等于概率阈值0.6时,就投放推荐信息给用户i;反之,不投放推荐信息给用户i。再根据P(ex,i)确定信息推送的成本,用户i的信息推送的成本需与P(ex,i)呈正相关,即认为预估转化概率越高的用户越值得投放。另外,当P(ex,i)小于或等于概率阈值0.6时,可以设置用户i的信息推送的成本为0。
当多个信息推荐源端出现竞争关系时,那么步骤103中,所述信息推荐平台端可以按照以下方式,对所述目标用户进行投放:
也就是说,针对所述第二终端的目标用户任一用户,若所述用户同时为多个终端的目标用户,所述第一终端将待推荐信息推送给所述第二终端的目标用户之前,还可以进行如下步骤:
所述第一终端确定所述多个终端针对所述用户的转化预测成本;所述转化预测成本表征了所述用户执行预设行为所需的代价;所述第一终端确定所述第二终端针对所述用户的转化预测成本在所述多个终端中最低。
具体来说,针对所述多个信息推荐源端中每个信息推荐源端的待信息推送,所述信息推荐平台端确定每个信息推荐源端针对所述目标用户的转化预测成本;所述转化预测成本是根据信息推荐源端针对所述待推送信息的竞争成本和所述目标用户针对所述待信息推送的转化概率确定的;所述转化预测成本表征了所述目标用户转化为转化用户所需的竞争成本;所述信息推荐平台端将目标信息推荐源端的待信息推送,投放给所述目标用户;所述目标信息推荐源端为转化预测成本在所述多个信息推荐源端中最低的唯一信息推荐源端。若转化预测成本最低的信息推荐源端存在多个,可以随机从中挑选一个信息推荐源端,作为目标信息推荐源端。也可以再通过其他规则从中挑选一个信息推荐源端作为目标信息推荐源端。
举例来说,每个信息推荐源端都支付了信息推荐平台端的一笔信息推送费用,用于信息推荐平台端对各信息推荐源端的用户进行投放。一般来说,信息推荐源端支付的信息推送费用除以信息推荐源端目标用户总数量得到的商值,就是信息推荐源端为每个用户设置的信息推荐的竞争成本。举例来说,信息推荐源端的信息推送费用是10万元,信息推荐源端的目标用户为1万个,则每个目标用户的竞争成本为10元。也可以按照用户的属性信息,对用户进行分类,对不同的用户设置不同的竞争成本,具体竞争成本的设置方法在此不做限定。转化预测成本K0可以设置为信息推荐源端针对所述待信息推送的竞争成本(以下称为C0)与所述目标用户针对所述待信息推送的转化概率(P0)的商值。即K0=C0/P0。K0意义为,按照转化概率,产生一个消费用户所投入的信息推送费用的期望值。
下面以一个用户A来举例,说明上述竞价过程。
举例来说,有信息推荐源端一、信息推荐源端二、信息推荐源端三、信息推荐源端四和信息推荐源端五等5个信息推荐源端。用户A属于信息推荐源端一、信息推荐源端二、信息推荐源端三的目标用户,但不属于信息推荐源端四和信息推荐源端五的目标用户。因此,信息推荐源端四和信息推荐源端五是没有竞争资格的。信息推荐源端一、信息推荐源端二、信息推荐源端三为用户A设置的竞争成本C1、C2、C3对应分别为10元、8元和6元。用户A对应信息推荐源端一、信息推荐源端二、信息推荐源端三的转化概率P1、P2、P3分别为0.8、0.5、0.6。
转化预测成本K0以C0和P0的商值设置为例。信息推荐源端一、信息推荐源端二、信息推荐源端三的转化预测成本K1、K2、K3分别为12.5元、16元、10元。那么将信息推荐源端三的待投放信息推荐给用户A。
如图2所示,本申请提供一种信息推荐方法装置,包括:获取模块201,用于通过第二终端获得包含用户特征的转化数据;训练模块202,用于根据原始曝光数据、原始点击数据和所述转化数据,进行机器学习训练,获得点击预估模型和转化预估模型;其中,所述点击预估模型及所述转化预估模型对任一用户的预估值与该用户的行为不相关;处理模块203,用于根据所述点击预估模型和所述转化预估模型,确定所述第二终端的目标用户,并将待推荐信息推送给所述第二终端的目标用户;所述第二终端的目标用户为所述第二终端的用户中转化概率大于第一预设概率阈值的用户。
一种可选实施方式中,所述获取模块201具体用于:向所述第二终端发送所述原始点击数据中多个点击用户的用户标识;从所述第二终端获取所述多个点击用户的标签值;所述多个点击用户的标签值是所述第二终端根据所述多个点击用户的用户标识确定的;所述标签值为点击标签值或转化标签值;根据所述多个点击用户的用户标识,将所述原始点击数据与所述多个点击用户相应转化标签值匹配后得到的组合数据,作为所述转化数据。
一种可选实施方式中,所述多个点击用户中任一点击用户的标签值是所述第二终端根据预设加密算法对原始标签加密得到的加密标签值。
一种可选实施方式中,所述训练模块202具体用于:根据所述原始曝光数据、所述原始点击数据和所述转化数据,进行机器学习训练,获得所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数;将所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数发送至所述第二终端;获取来自所述第二终端的所述点击预估模型的解密模型参数和所述转化预估模型的解密模型参数,从而获得所述点击预估模型和所述转化预估模型;所述点击预估模型的解密模型参数和所述转化预估模型的解密模型参数是所述第二终端根据所述预设加密算法对应的解密算法得到的。
一种可选实施方式中,所述训练模块202具体用于:根据所述原始曝光数据、所述原始点击数据和所述转化数据,进行机器学习训练,获得所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数;所述处理模块203具体用于:针对所述第二终端的任一用户,将所述用户的用户特征分别输入所述点击预估模型和所述转化预估模型,根据所述加密模型参数和所述加密模型参数,分别对应获得所述用户的加密点击预估概率和加密转化预估概率;将所述加密点击预估概率和所述加密转化预估概率发送至所述第二终端;获取来自所述第二终端的所述用户的解密点击预估概率和解密转化预估概率;所述解密点击预估概率和所述解密转化预估概率对应分别是所述第二终端根据所述预设加密算法对应的解密算法对所述加密点击预估概率和所述加密转化预估概率得到的;根据所述解密点击预估概率和所述解密转化预估概率,若确定所述用户的转化概率大于所述第一预设概率阈值,则确定所述用户为所述第二终端的目标用户。
一种可选实施方式中,针对所述第二终端的目标用户任一用户,若所述用户同时为多个终端的目标用户,所述处理模块203还用于:确定所述多个终端针对所述用户的转化预测成本;所述转化预测成本表征了所述用户执行预设行为所需的代价;确定所述第二终端针对所述用户的转化预测成本在所述多个终端中最低。
一种可选实施方式中,所述处理模块203还用于:若确定所述第二终端的目标用户在所述第二终端的用户所占比例大于或等于预设比例,则将所述第一预设概率阈值调整为第二预设概率阈值;根据所述第二预设概率阈值,重新确定所述第二终端对应的目标用户,所述第二预设概率阈值大于所述第一预设概率阈值。
本申请实施例提供一种计算机设备,包括程序或指令,当所述程序或指令被执行时,用以执行本申请实施例提供的一种信息推荐方法及任一可选方法。
本申请实施例提供一种存储介质,包括程序或指令,当所述程序或指令被执行时,用以执行本申请实施例提供的一种信息推荐方法及任一可选方法。
最后应说明的是:本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种信息推荐方法,其特征在于,包括:
第一终端通过第二终端获得包含用户特征的转化数据;
所述第一终端根据原始曝光数据、原始点击数据和所述转化数据,进行机器学习训练,获得点击预估模型和转化预估模型;其中,所述点击预估模型及所述转化预估模型对任一用户的预估值与该用户的行为不相关;
所述第一终端根据所述点击预估模型和所述转化预估模型,确定所述第二终端的目标用户,并将待推荐信息推送给所述第二终端的目标用户;所述第二终端的目标用户为所述第二终端的用户中转化概率大于第一预设概率阈值的用户。
2.如权利要求1所述的方法,其特征在于,所述第一终端通过第二终端获得包含用户特征的转化数据,包括:
所述第一终端向所述第二终端发送所述原始点击数据中多个点击用户的用户标识;
所述第一终端从所述第二终端获取所述多个点击用户的标签值;所述多个点击用户的标签值是所述第二终端根据所述多个点击用户的用户标识确定的;所述标签值为点击标签值或转化标签值;
所述第一终端根据所述多个点击用户的用户标识,将所述原始点击数据与所述多个点击用户相应转化标签值匹配后得到的组合数据,作为所述转化数据。
3.如权利要求2所述的方法,其特征在于,所述多个点击用户中任一点击用户的标签值是所述第二终端根据预设加密算法对原始标签加密得到的加密标签值。
4.如权利要求3所述的方法,其特征在于,所述第一终端根据原始曝光数据、原始点击数据和所述转化数据,进行机器学习训练,获得点击预估模型和转化预估模型,包括:
所述第一终端根据所述原始曝光数据、所述原始点击数据和所述转化数据,进行机器学习训练,获得所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数;
所述第一终端将所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数发送至所述第二终端;
所述第一终端获取来自所述第二终端的所述点击预估模型的解密模型参数和所述转化预估模型的解密模型参数,从而获得所述点击预估模型和所述转化预估模型;所述点击预估模型的解密模型参数和所述转化预估模型的解密模型参数是所述第二终端根据所述预设加密算法对应的解密算法得到的。
5.如权利要求3所述的方法,其特征在于,所述第一终端根据原始曝光数据、原始点击数据和所述转化数据,进行机器学习训练,获得点击预估模型和转化预估模型,包括:
所述第一终端根据所述原始曝光数据、所述原始点击数据和所述转化数据,进行机器学习训练,获得所述点击预估模型的加密模型参数和所述转化预估模型的加密模型参数;
所述第一终端根据所述点击预估模型和所述转化预估模型,确定所述第二终端的目标用户,包括:
针对所述第二终端的任一用户,将所述用户的用户特征分别输入所述点击预估模型和所述转化预估模型,根据所述加密模型参数和所述加密模型参数,分别对应获得所述用户的加密点击预估概率和加密转化预估概率;
所述第一终端将所述加密点击预估概率和所述加密转化预估概率发送至所述第二终端;
所述第一终端获取来自所述第二终端的所述用户的解密点击预估概率和解密转化预估概率;所述解密点击预估概率和所述解密转化预估概率对应分别是所述第二终端根据所述预设加密算法对应的解密算法对所述加密点击预估概率和所述加密转化预估概率得到的;
所述第一终端根据所述解密点击预估概率和所述解密转化预估概率,若确定所述用户的转化概率大于所述第一预设概率阈值,则确定所述用户为所述第二终端的目标用户。
6.如权利要求1-5任一所述的方法,其特征在于,针对所述第二终端的目标用户任一用户,若所述用户同时为多个终端的目标用户,所述第一终端将待推荐信息推送给所述第二终端的目标用户之前,还包括:
所述第一终端确定所述多个终端针对所述用户的转化预测成本;所述转化预测成本表征了所述用户执行预设行为所需的代价;
所述第一终端确定所述第二终端针对所述用户的转化预测成本在所述多个终端中最低。
7.如权利要求1-5任一所述的方法,其特征在于,所述第一终端根据所述点击预估模型和所述转化预估模型,确定所述第二终端的目标用户之后,所述第一终端将待推荐信息推送给所述第二终端的目标用户之前,还包括:
所述第一终端若确定所述第二终端的目标用户在所述第二终端的用户所占比例大于或等于预设比例,则将所述第一预设概率阈值调整为第二预设概率阈值;
所述第一终端根据所述第二预设概率阈值,重新确定所述第二终端对应的目标用户,所述第二预设概率阈值大于所述第一预设概率阈值。
8.一种信息推荐装置,其特征在于,包括:
获取模块,用于通过第二终端获得包含用户特征的转化数据;
训练模块,用于根据原始曝光数据、原始点击数据和所述转化数据,进行机器学习训练,获得点击预估模型和转化预估模型;其中,所述点击预估模型及所述转化预估模型对任一用户的预估值与该用户的行为不相关;
处理模块,用于根据所述点击预估模型和所述转化预估模型,确定所述第二终端的目标用户,并将待推荐信息推送给所述第二终端的目标用户;所述第二终端的目标用户为所述第二终端的用户中转化概率大于第一预设概率阈值的用户。
9.一种计算机设备,其特征在于,包括程序或指令,当所述程序或指令被执行时,如权利要求1至7中任意一项所述的方法被执行。
10.一种存储介质,其特征在于,包括程序或指令,当所述程序或指令被执行时,如权利要求1至7中任意一项所述的方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911329851.XA CN111160961B (zh) | 2019-12-20 | 2019-12-20 | 一种信息推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911329851.XA CN111160961B (zh) | 2019-12-20 | 2019-12-20 | 一种信息推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160961A true CN111160961A (zh) | 2020-05-15 |
CN111160961B CN111160961B (zh) | 2023-10-17 |
Family
ID=70557704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911329851.XA Active CN111160961B (zh) | 2019-12-20 | 2019-12-20 | 一种信息推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160961B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931049A (zh) * | 2020-08-02 | 2020-11-13 | 吕维东 | 基于大数据和人工智能的业务处理方法及区块链金融平台 |
CN112579910A (zh) * | 2020-12-28 | 2021-03-30 | 北京嘀嘀无限科技发展有限公司 | 信息处理方法、信息处理装置、存储介质和电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140046754A1 (en) * | 2012-08-13 | 2014-02-13 | Kuang-chih Lee | Estimating conversion rate in display advertising from past performance data |
CN108259158A (zh) * | 2018-01-11 | 2018-07-06 | 西安电子科技大学 | 一种云计算环境下高效和隐私保护的单层感知机学习方法 |
CN109635462A (zh) * | 2018-12-17 | 2019-04-16 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、装置、设备及介质 |
WO2019076173A1 (zh) * | 2017-10-20 | 2019-04-25 | 广州优视网络科技有限公司 | 内容推送方法、装置及计算机设备 |
CN110046952A (zh) * | 2019-01-30 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN110276210A (zh) * | 2019-06-12 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数的确定方法及装置 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN110415032A (zh) * | 2019-07-24 | 2019-11-05 | 深圳乐信软件技术有限公司 | 一种曝光转化率预估方法、装置、设备以及存储介质 |
CN110570232A (zh) * | 2019-08-05 | 2019-12-13 | 科大讯飞股份有限公司 | 互联网广告投放方法、装置、服务器及存储介质 |
-
2019
- 2019-12-20 CN CN201911329851.XA patent/CN111160961B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140046754A1 (en) * | 2012-08-13 | 2014-02-13 | Kuang-chih Lee | Estimating conversion rate in display advertising from past performance data |
WO2019076173A1 (zh) * | 2017-10-20 | 2019-04-25 | 广州优视网络科技有限公司 | 内容推送方法、装置及计算机设备 |
CN108259158A (zh) * | 2018-01-11 | 2018-07-06 | 西安电子科技大学 | 一种云计算环境下高效和隐私保护的单层感知机学习方法 |
CN109635462A (zh) * | 2018-12-17 | 2019-04-16 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、装置、设备及介质 |
CN110046952A (zh) * | 2019-01-30 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN110276210A (zh) * | 2019-06-12 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数的确定方法及装置 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN110415032A (zh) * | 2019-07-24 | 2019-11-05 | 深圳乐信软件技术有限公司 | 一种曝光转化率预估方法、装置、设备以及存储介质 |
CN110570232A (zh) * | 2019-08-05 | 2019-12-13 | 科大讯飞股份有限公司 | 互联网广告投放方法、装置、服务器及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931049A (zh) * | 2020-08-02 | 2020-11-13 | 吕维东 | 基于大数据和人工智能的业务处理方法及区块链金融平台 |
CN112579910A (zh) * | 2020-12-28 | 2021-03-30 | 北京嘀嘀无限科技发展有限公司 | 信息处理方法、信息处理装置、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111160961B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | A task-oriented user selection incentive mechanism in edge-aided mobile crowdsensing | |
CN109981641B (zh) | 一种基于区块链技术的安全发布订阅***及发布订阅方法 | |
Xiao et al. | SRA: Secure reverse auction for task assignment in spatial crowdsourcing | |
Bhagat et al. | Maximizing product adoption in social networks | |
Wen et al. | SESA: An efficient searchable encryption scheme for auction in emerging smart grid marketing | |
CN109361644B (zh) | 一种支持快速搜索和解密的模糊属性基加密方法 | |
CN113489681A (zh) | 区块链节点数据一致性共识方法、装置、设备及存储介质 | |
CN111027981B (zh) | 多方联合训练针对IoT机具的风险评估模型的方法及装置 | |
CN113449048B (zh) | 数据标签分布确定方法、装置、计算机设备和存储介质 | |
CN111160961A (zh) | 一种信息推荐方法及装置 | |
Goyal et al. | Recmax: Exploiting recommender systems for fun and profit | |
CN107749034A (zh) | 社交网络中一种安全的朋友推荐方法 | |
Xu et al. | Knowledge as a service and knowledge breaching | |
CN112700281A (zh) | 行为预测方法、装置、设备及计算机可读存储介质 | |
KR102149035B1 (ko) | 퍼포먼스 마케팅을 위한 광고페이지 생성 및 관리 시스템 | |
CN116186754A (zh) | 一种基于区块链的联邦随机森林电力数据协作分析方法 | |
CN109274659B (zh) | 一种无证书的在线/离线可搜索密文方法 | |
CN113468440A (zh) | 一种基于sf-盲过滤协议的位置隐私保护的匿名查询方法 | |
CN110175283B (zh) | 一种推荐模型的生成方法及装置 | |
CN115461744A (zh) | 处理机器学习建模数据以提高分类的准确性 | |
Kou et al. | Exgfair: A crowdsourcing data exchange approach to fair human face datasets augmentation | |
CN115239442B (zh) | 一种互联网金融产品推广的方法及***和存储介质 | |
Wang et al. | Recommender systems and their security concerns | |
Sina et al. | Solving the missing node problem using structure and attribute information | |
US10650083B2 (en) | Information processing device, information processing system, and information processing method to determine correlation of data |
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 |