CN111724184A - 一种转化概率预测方法及装置 - Google Patents
一种转化概率预测方法及装置 Download PDFInfo
- Publication number
- CN111724184A CN111724184A CN201910214776.6A CN201910214776A CN111724184A CN 111724184 A CN111724184 A CN 111724184A CN 201910214776 A CN201910214776 A CN 201910214776A CN 111724184 A CN111724184 A CN 111724184A
- Authority
- CN
- China
- Prior art keywords
- service
- sample
- conversion probability
- conversion
- determining
- 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 68
- 230000009466 transformation Effects 0.000 title claims description 33
- 238000006243 chemical reaction Methods 0.000 claims abstract description 212
- 238000003066 decision tree Methods 0.000 claims description 82
- 238000004891 communication Methods 0.000 claims description 50
- 238000012360 testing method Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012552 review Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 231100001224 moderate toxicity Toxicity 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/0201—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)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (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
本申请实施例提供了一种转化概率预测方法及装置，可以通过服务请求方的历史数据中的属性信息以及历史行为信息确定服务请求方在转化概率影响特征下的目标特征值，并通过转化概率预测模型使用目标特征值进行预测，能够准确高效的预测出服务请求方在未来预设时间段内转化为服务提供方的概率，有助于对服务请求方转化服务提供方进行分析，预测概率准确高效，有利于提前进行资源配置。
Description
技术领域
本申请涉及大数据技术领域，具体而言，涉及一种转化概率预测方法及装置。
背景技术
通过获取服务请求方转化为服务提供方的概率，可以随着科学技术的不断发展，汽车已经逐渐走入了人们的生活，成为大多数家庭不可缺少的出行工具，人们出行越来越多的会选择开车或者搭乘汽车，这也使得出租车服务和在线打车服务，也即网约车服务，得到了长足的发展，并且积累了大量的用户数据，通过挖掘此用户数据可以对软件平台带来更大的收益。
以打车软件为例，使用打车软件平台的乘客也可以是潜在的平台专职司机，通过充分挖掘打车软件平台的用户数据，可以将有车且具有较大可能性转化为平台司机的用户数据提取出，并采用适当的运营方法，提高用户转化为平台专职司机的概率。这不仅能够给打车软件平台带来更大的经济效益，还有利于提高车辆利用率和能源使用效率，也具有很好的社会效益。
目前虽然有大量的用户数据，但是当前并不存在预测乘客转化为司机的概率的预测方法，如何从大量的用户数据中提取出具有较大可能性转化为平台司机的用户数据，对乘客转化为司机的概率进行预测，仍是当前亟待解决的问题。
发明内容
有鉴于此，本申请实施例提供一种转化概率预测方法及装置，通过服务请求方在历史时间段内的数据，可以得到服务请求方在未来预设时间段内转化为服务提供方的概率，有助于对服务请求方转化服务提供方进行分析，预测概率准确高效。
一方面，本申请实施例提供了一种转化概率预测方法，所述方法包括：
获取待预测服务请求方在预设历史时间段内的属性信息以及历史行为信息；
根据所述属性信息以及所述历史行为信息，确定待预测服务请求方在至少一种转化概率影响特征下的目标特征值；
将所述目标特征值输入至预先训练的转化概率预测模型中，获取待预测服务请求方在未来待预测时间段转化为服务提供方的转化概率。
在本申请一些实施例中，获取所述转化概率之后，所述方法包括：
基于所述转化概率，确定推送信息，并将所述推送信息推送至所述待预测服务请求方的服务请求端。
在本申请一些实施例中，所述转化概率影响特征包括用户属性特征以及用户行为特征。
在本申请一些实施例中，所述用户属性特征包括：
应用使用特征、人际关系特征、区域特征以及个人属性特征中一种或者多种。
在上述实施例中，针对所述用户属性特征包括应用使用特征的情况，所述应用使用特征包括：目标应用的使用频率、使用的时间段以及目标应用的种类中一种或者多种；
针对所述用户属性特征包括人际关系特征的情况，所述人际关系特征包括：人际关系中服务提供方数量、推荐人的推荐成功率中一种或者多种；
针对所述用户属性特征包括区域特征的情况，所述区域特征包括：所述待预测服务请求方的家庭住址区域、工作区域、历史订单中的起始地以及目的地的兴趣点POI类型中一种或者多种；
针对所述用户属性特征包括个人属性特征的情况，所述个人属性特征包括：年龄、性别中一种或者多种。
在本申请一些实施例中，所述方法还包括：
当监听到所述服务请求端发生应用进入事件时，记录所进入应用的应用标识以及进入时间；以及，当监听到所述服务请求端发生应用退出事件时，记录服务请求端退出所述应用的退出时间；
根据下述方式筛选出所述目标应用：
根据服务请求端安装的应用对应的进入时间以及退出时间，确定所述应用的使用频率；
在所述使用频率大于预设的频率使用阈值时，确定所述应用为所述目标应用。
在本申请一些实施例中，采用下述方式获取所述人际关系中服务提供方数量：
获取服务请求端中的通讯号码；
检测各个通讯号码是否已经被注册为服务提供方通讯号码；
根据各个通讯号码是否注册为服务提供方通讯号码的检测结果，确定与服务请求方建立社交关系的服务提供方数量。
在本申请一些实施例中，采用下述方式确定推荐人的推荐成功率：
获取所述待预测服务请求方的推荐人推荐过的服务请求方数量，以及所述推荐人推荐过的服务请求方转化为服务提供方的数量；
根据所述服务请求方数量，以及服务请求方转化为服务提供方的数量，确定所述推荐人的推荐成功率。
在本申请一些实施例中，所述用户行为特征包括：
消费行为特征、激励资源使用特征、服务提供特征以及网络使用特征中一种或者多种。
在上述实施例中，针对所述用户行为特征包括消费行为特征的情况，所述消费行为特征包括：消费类型、消费指数、沉默时长、沉默且拥有服务工具的概率中一种或者多种；
针对所述用户行为特征包括激励资源使用特征的情况，所述激励资源使用特征包括：使用的激励资源的种类、使用的激励资源数量，以及使用了激励资源与未使用激励资源的订单数量比中一种或者多种；
针对所述用户行为特征包括服务提供特征的情况，所述服务提供特征包括：注册为兼职服务提供方时的审核通过时长、注册为兼职服务提供方的时间点、作为兼职服务提供方的服务提供次数、作为兼职服务提供方时完成兼职订单的数量；作为兼职服务提供方时完成兼职订单的出行地址信息，所述出行地址信息包括出发地兴趣点POI和/或目的地POI；
针对所述用户行为特征包括网络使用特征的情况，所述网络使用特征包括：使用无线网络的时间段以及时长。
在本申请一些实施例中，通过以下方法获取所述消费类型：
获取所述待预测服务请求方在所述预设历史时间段内历史订单的订单信息；
基于历史订单的订单信息，识别历史订单的订单类型、订单金额和订单中的服务项目；
根据历史订单的订单类型、订单金额和订单中的服务项目，确定所述消费类型。
在本申请一些实施例中，采用下述方式训练所述转化概率预测模型：
获取多个样本服务请求方在样本历史时间段内的样本属性信息以及样本行为信息；以及各个所述样本服务请求方在待预测历史时间段的实际转化结果；
根据所述样本属性信息以及所述样本行为信息，确定各个样本服务请求方在所述至少一种转化概率影响特征下的样本特征值；
基于各个样本服务请求方的所述样本特征值以及对应的实际转化结果，训练所述转化概率预测模型。
在本申请一些实施例中，所述基于各个样本服务请求方的所述样本特征值以及对应的实际转化结果，训练所述转化概率预测模型，包括：
基于各个样本服务请求方的样本特征值以及对应的实际转化结果，构建多棵子决策树；
将多棵所述子决策树确定为所述转化概率预测模型。
在本申请一些实施例中，所述基于各个样本服务请求方的样本特征值以及对应的实际转化结果，构建多棵子决策树，包括：
从多个所述转化概率影响特征中，随机确定多个目标特征；
基于所述样本服务请求方在各个所述目标特征下的样本特征值，以及对应的实际转化结果，构建当前迭代周期的子决策树；
基于当前迭代周期的子决策树，以及历史迭代周期的子决策树，构成当前决策树集，并确定当前决策树集的损失值；
在所述损失值大于预设损失阈值的情况下，返回至从多个所转化概率影响特征中，随机确定多个目标特征的步骤；
在所述损失值小于预设损失阈值的情况下，将所述当前决策树集确定为所述转化概率预测模型。
在本申请一些实施例中，所述确定当前决策树集的损失值，包括：
将多个测试服务请求方在所述至少一种转化概率影响特征下的测试特征值输入至所述当前决策树集中，获取与每个所述测试服务请求方对应的转化概率；
基于各个所述测试服务请求方对应的转化概率，以及各个所述测试服务请求方对应的实际转化结果，确定当前决策树集的损失值。
在本申请一些实施例中，所述将所述目标特征值输入至预先训练的转化概率预测模型中，获取待预测服务请求方在未来待预测时间段由服务请求方转化为服务提供方的转化概率，包括：
将所述目标特征值输入至预先训练的转化概率预测模型中，获取各棵子决策树的预测概率；
将各棵子决策树的预测概率进行加权求和，确定所述待预测服务请求方转化为服务提供方的转化概率。
另一方面，本申请实施例还提供一种转化概率预测装置，所述转化概率预测装置包括：
第一获取模块，用于获取待预测服务请求方在预设历史时间段内的属性信息以及历史行为信息；
确定模块，用于根据所述属性信息以及所述历史行为信息，确定待预测服务请求方在至少一种转化概率影响特征下的目标特征值；
第二获取模块，用于将所述目标特征值输入至预先训练的转化概率预测模型中，获取待预测服务请求方在未来待预测时间段转化为服务提供方的转化概率。
在本申请一些实施例中，获取所述转化概率之后，所述转化概率预测装置包括：
推送模块，用于基于所述转化概率，确定推送信息，并将所述推送信息推送至所述待预测服务请求方的服务请求端。
在本申请一些实施例中，所述转化概率影响特征包括用户属性特征以及用户行为特征。
在本申请一些实施例中，所述用户属性特征包括：
应用使用特征、人际关系特征、区域特征以及个人属性特征中一种或者多种。
在上述实施例中，针对所述用户属性特征包括应用使用特征的情况，所述应用使用特征包括：目标应用的使用频率、使用的时间段以及目标应用的种类中一种或者多种；
针对所述用户属性特征包括人际关系特征的情况，所述人际关系特征包括：人际关系中服务提供方数量、推荐人的推荐成功率中一种或者多种；
针对所述用户属性特征包括区域特征的情况，所述区域特征包括：所述待预测服务请求方的家庭住址区域、工作区域、历史订单中的起始地以及目的地的兴趣点POI类型中一种或者多种；
针对所述用户属性特征包括个人属性特征的情况，所述个人属性特征包括：年龄、性别中一种或者多种。
在本申请一些实施例中，所述转化概率预测装置还包括：
记录模块，用于当监听到所述服务请求端发生应用进入事件时，记录所进入应用的应用标识以及进入时间；以及，当监听到所述服务请求端发生应用退出事件时，记录服务请求端退出所述应用的退出时间；
所述第一获取模块还用于根据下述方式筛选出所述目标应用：
根据服务请求端安装的应用对应的进入时间以及退出时间，确定所述应用的使用频率；
在所述使用频率大于预设的频率使用阈值时，确定所述应用为所述目标应用。
在本申请一些实施例中，所述第一获取模块采用下述方式获取所述人际关系中服务提供方数量：
获取服务请求端中的通讯号码；
检测各个通讯号码是否已经被注册为服务提供方通讯号码；
根据各个通讯号码是否注册为服务提供方通讯号码的检测结果，确定与服务请求方建立社交关系的服务提供方数量。
在本申请一些实施例中，所述第一获取模块采用下述方式确定推荐人的推荐成功率：
获取所述待预测服务请求方的推荐人推荐过的服务请求方数量，以及所述推荐人推荐过的服务请求方转化为服务提供方的数量；
根据所述服务请求方数量，以及服务请求方转化为服务提供方的数量，确定所述推荐人的推荐成功率。
在本申请一些实施例中，所述用户行为特征包括：
消费行为特征、激励资源使用特征、服务提供特征以及网络使用特征中一种或者多种。
在上述实施例中，针对所述用户行为特征包括消费行为特征的情况，所述消费行为特征包括：消费类型、消费指数、沉默时长、沉默且拥有服务工具的概率中一种或者多种；
针对所述用户行为特征包括激励资源使用特征的情况，所述激励资源使用特征包括：使用的激励资源的种类、使用的激励资源数量，以及使用了激励资源与未使用激励资源的订单数量比中一种或者多种；
针对所述用户行为特征包括服务提供特征的情况，所述服务提供特征包括：注册为兼职服务提供方时的审核通过时长、注册为兼职服务提供方的时间点、作为兼职服务提供方的服务提供次数、作为兼职服务提供方时完成兼职订单的数量；作为兼职服务提供方时完成兼职订单的出行地址信息，所述出行地址信息包括出发地兴趣点POI和/或目的地POI；
针对所述用户行为特征包括网络使用特征的情况，所述网络使用特征包括：使用无线网络的时间段以及时长。
在本申请一些实施例中，所述第一获取模块通过以下方法获取所述消费类型：
获取所述待预测服务请求方在所述预设历史时间段内历史订单的订单信息；
基于历史订单的订单信息，识别历史订单的订单类型、订单金额和订单中的服务项目；
根据历史订单的订单类型、订单金额和订单中的服务项目，确定所述消费类型。
在本申请一些实施例中，所述转化概率预测装置还包括模型训练模块，所述模型训练模块采用下述方式训练所述转化概率预测模型：
获取多个样本服务请求方在样本历史时间段内的样本属性信息以及样本行为信息；以及各个所述样本服务请求方在待预测历史时间段的实际转化结果；
根据所述样本属性信息以及所述样本行为信息，确定各个样本服务请求方在所述至少一种转化概率影响特征下的样本特征值；
基于各个样本服务请求方的所述样本特征值以及对应的实际转化结果，训练所述转化概率预测模型。
在本申请一些实施例中，所述模型训练模块用于：
基于各个样本服务请求方的样本特征值以及对应的实际转化结果，构建多棵子决策树；
将多棵所述子决策树确定为所述转化概率预测模型。
在本申请一些实施例中，所述模型训练模块还用于：
从多个所述转化概率影响特征中，随机确定多个目标特征；
基于所述样本服务请求方在各个所述目标特征下的样本特征值，以及对应的实际转化结果，构建当前迭代周期的子决策树；
基于当前迭代周期的子决策树，以及历史迭代周期的子决策树，构成当前决策树集，并确定当前决策树集的损失值；
在所述损失值大于预设损失阈值的情况下，返回至从多个所转化概率影响特征中，随机确定多个目标特征的步骤；
在所述损失值小于预设损失阈值的情况下，将所述当前决策树集确定为所述转化概率预测模型。
在本申请一些实施例中，所述模型训练模块具体用于：
将多个测试服务请求方在所述至少一种转化概率影响特征下的测试特征值输入至所述当前决策树集中，获取与每个所述测试服务请求方对应的转化概率；
基于各个所述测试服务请求方对应的转化概率，以及各个所述测试服务请求方对应的实际转化结果，确定当前决策树集的损失值。
在本申请一些实施例中，所述第二获取模块具体用于：
将所述目标特征值输入至预先训练的转化概率预测模型中，获取各棵子决策树的预测概率；
将各棵子决策树的预测概率进行加权求和，确定所述待预测服务请求方转化为服务提供方的转化概率。
另一方面，本申请实施例还提供一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行上述的转化概率预测方法的步骤。
另一方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述的转化概率预测方法的步骤。
本申请实施例提供的转化概率预测方法及装置，获取待预测服务请求方在预设历史时间段内的属性信息以及历史行为信息；根据所述属性信息以及所述历史行为信息，确定待预测服务请求方在至少一种转化概率影响特征下的目标特征值；将所述目标特征值输入至预先训练的转化概率预测模型中，获取待预测服务请求方在未来待预测时间段转化为服务提供方的转化概率。这样，可以通过服务请求方的历史数据中的属性信息以及历史行为信息确定服务请求方在转化概率影响特征下的目标特征值，并通过转化概率预测模型使用目标特征值进行预测，能够准确高效的预测出服务请求方在未来预设时间段内转化为服务提供方的概率，有助于对服务请求方转化服务提供方进行分析，预测概率准确高效，有利于提前进行资源配置。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为根据本申请一些实施例的可以实现本申请思想的电子设备的示例性硬件和软件组件的示意图；
图2为本申请一实施例所提供的转化概率预测方法的流程图；
图3为图1所示实施例中训练转化概率预测模型的方法的流程图；
图4为本申请另一实施例所提供的转化概率预测方法的流程图；
图5为本申请实施例提供的转化概率预测装置的结构图之一；
图6为本申请实施例提供的转化概率预测装置的结构图之二；
图7为本申请实施例提供的转化概率预测装置的结构图之三；
图8为本申请实施例提供的转化概率预测装置的结构图之四。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约车中大数据处理场景”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕预测网约车中服务请求方转化为服务提供方的概率进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他交通运输类型。本申请的***或方法的应用也可以包括网页、浏览器的插件、客户端终端、定制***、内部分析***、或人工智能机器人等，或其任意组合。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
值得注意的是，目前网约车中积累有大量的用户数据，但是如何从大量的用户数据中提取出具有较大可能性转化为平台司机的用户数据，对乘客转化为司机的概率进行预测，仍是当前亟待解决的问题。
对于此，本申请的一个方面提出一种转化概率预测方法，通过对服务请求方的历史数据进行处理，并通过转化概率预测模型使用处理得到的服务请求方的目标特征值进行预测，能够准确高效的预测出服务请求方在未来预设时间段内转化为服务提供方的概率，有助于对服务请求方转化服务提供方进行分析，预测概率准确高效，有利于提前进行资源配置。
本申请实施例可以通过与用户端交互的云平台、服务器或者服务器组实施(以下统称为服务***)，本申请实施例中的用户端可以理解为终端设备，也可以理解为用户在平台注册的客户端，其中，终端设备可以理解为移动终端、个人电脑(Personal Computer，PC)以及任何可以安装平台应用程序的设备。
在一些实施例中，服务***可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务***可以是分布式***)。在一些实施例中，服务***相对于终端，可以是本地的、也可以是远程的。例如，服务***可以经由网络访问存储在用户端或数据库、或其任意组合中的信息和/或数据。在一些实施例中，服务***可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(communitycloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。在一些实施例中，服务***可以在具有本申请中图1所示的一个或多个组件的电子设备100上实现。
在一些实施例中，服务***可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、专用指令集处理器(Application Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing，RISC)、或微处理器等，或其任意组合。
图1为根据本申请一些实施例的可以实现本申请思想的电子设备100的示例性硬件和软件组件的示意图。例如，处理器120可以用于电子设备100上，并且用于执行本申请中的功能。
电子设备100可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的转化概率预测方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。
例如，电子设备100可以包括连接到网络的网络端口110、用于执行程序指令的一个或多个处理器120、通信总线130、和不同形式的存储介质140，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备100还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output，I/O)接口150。
为了便于说明，在电子设备100中仅描述了一个处理器。然而，应当注意，本申请中的电子设备100还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备100的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。
下面从执行方法角度，以出行服务场景为例，对本申请实施例的思想做进一步描述。
图2为本申请实施例提供的转化概率预测方法的流程图，如图2中所示，所述方法包括：
S201：获取待预测服务请求方在预设历史时间段内的属性信息以及历史行为信息。
该步骤中，在需要对待预测服务请求方是否有几率转化成服务提供方进行预测时，可以使用所述服务请求方的历史数据，来对所述服务请求方进行分析，具体的，可以是获取所述服务请求方在预设历史时间段内的属性信息以及历史行为信息相应的历史数据。
其中，所述待预测服务请求方可以是使用网约车平台的用户，例如使用网约车平台进行兼职做专车司机或者顺风车司机等的用户；所述服务提供方可以是使用网约车平台作为专职司机的用户。
其中，所述待预测服务请求方的属性信息，可以是包括用户的性别信息、家庭信息、收入信息、人际关系信息、经常出没的地域信息以及是否有车等信息中的至少一种。
所述服务请求方的历史行为信息，可以是包括用户平时在移动终端或其他终端上使用应用情况、消费情况、收入情况、使用网约车平台的情况、是否有作为兼职司机的情况等信息中的至少一种。
在具体实施例中，所述待预测服务请求方可以是网约车平台中的全部用户。但是，由于网约车平台上用户数量巨大，为了便于预测和有针对性的预测，可以是基于一定的条件对网约车平台中的用户进行筛选。
示例性，可以是周期性的筛选网约车平台中作为兼职司机，即在网约车平台上作为兼职司机的用户，如果任一用户在周期内使用网约车平台作为过兼职的司机，可以将该用户确定为待预测服务请求方。
示例性，对用户进行筛选时，还可以进一步缩小筛选范围，如可以是周期性的筛选网约车平台中作为兼职司机，即在网约车平台上作为兼职司机的用户，并且在周期内使用网约车平台作为兼职司机的次数大于预设次数的任意一个用户，可以将该用户确定为待预测服务请求方。
S202：根据所述属性信息以及所述历史行为信息，确定待预测服务请求方在至少一种转化概率影响特征下的目标特征值。
该步骤中，在获取到所述属性信息以及所述历史行为信息之后，可以使用所述属性信息和所述历史行为信息，从所述属性信息以及所述历史行为信息中确定所述待预测服务请求方在至少一种转化概率影响特征下的目标特征。
需要注意的是，所述转化概率影响特征，可以是指对用户具有一定影响，可以表明用户具有转化为网约车平台中专职司机几率的特征。
其中，所述转化概率影响特征包括用户属性特征以及用户行为特征。
在本申请的一些实施例中，所述用户属性特征包括：应用使用特征、人际关系特征、区域特征以及个人属性特征中一种或者多种。
具体的，针对所述用户属性特征包括应用使用特征的情况，所述应用使用特征可以包括：目标应用的使用频率、使用的时间段以及目标应用的种类中一种或者多种。
其中，所述目标应用可以是所述待预测服务请求方的服务请求端(如移动终端)中安装的应用中的任意一个。但是，所述待预测服务请求方在服务请求端中安装有多个应用，为了便于预测和有针对性的预测，可以是基于一定条件对所述待预测服务请求方的服务请求端中的应用进行筛选。
在本申请的一些实施例中，为了便于对应用进行筛选，以及便于确定所述应用使用特征，可以对所述服务请求端，所述方法还包括：
当监听到所述服务请求端发生应用进入事件时，记录所进入应用的应用标识以及进入时间；以及，当监听到所述服务请求端发生应用退出事件时，记录服务请求端退出所述应用的退出时间。
该步骤中，可以实时性的或者周期性的对所述服务请求端进行监测，如果监听到所述服务请端发生应用进入事件的时候，如监听到所述待预测服务请求方使用其服务请求端开启某个应用进行使用，可以在进入(或者开启)该应用时，记录所进入应用的进入事件，以及该应用的应用标识，并且可以在监听到所述服务请求端发生应用退出事件的时候，如监听到所述待预测服务请求方在其服务请求端使用上述进入的应用完毕后，退出(或者关闭)该应用的退出时间。
在本申请的一些实施例中，可以根据下述方式筛选出所述目标应用：
根据服务请求端安装的应用对应的进入时间以及退出时间，确定所述应用的使用频率；在所述使用频率大于预设的频率使用阈值时，确定所述应用为所述目标应用。
该步骤中，在监听到所述服务请求端中安装的各应用的进入时间以及退出时间后，可以使用所述服务请求端安装的应用的进入时间以及退出时间，通过计算或者统计等方式确定在监听周期或者某个预设时间段内所述应用的使用次数等数据，进而确定所述应用的使用频率，如果所述应用被使用的频率大于预设的频率使用阈值的话，就可以确定所述应用为所述目标应用。
相应的，还可以根据所述所述服务请求端中安装的各应用的进入时间以及退出时间，确定所述目标应用被使用时的时间段。
其中，目标应用的种类，可以是根据所述目标应用的属性信息或者分类信息等进行确定，如所述目标应用是购物类应用、出行类应用、休闲游戏类应用、阅读类应用等。
具体的，针对所述用户属性特征包括人际关系特征的情况，所述人际关系特征可以包括：人际关系中服务提供方数量、推荐人的推荐成功率中一种或者多种。
在本申请的一些实施例中，可以采用下述方式获取所述人际关系中服务提供方数量：
获取服务请求端中的通讯号码；检测各个通讯号码是否已经被注册为服务提供方通讯号码；根据各个通讯号码是否注册为服务提供方通讯号码的检测结果，确定与服务请求方建立社交关系的服务提供方数量。
其中，检测各个通讯号码是否已经被注册为服务提供方通讯号码，可以是将获取到的各个通讯号码与网约车平台中注册为服务提供方的通讯号码进行匹配，针对每个获取到的通讯号码，看其是否与网约车平台中注册为服务提供方的某个通讯号码一致，如果一致的话则可以认为次获取到的通讯号码为网约车平台中已经被注册为服务提供方通讯号码。
各个通讯号码是否注册为服务提供方通讯号码的检测结果，可以是各个通讯号码中被注册为服务提供方通讯号码的数量，相应的，服务请求方建立社交关系的服务提供方数量，即可以是与各个通讯号码中被注册为服务提供方通讯号码的数量一致。
在本申请的一些实施例中，可以采用下述方式确定推荐人的推荐成功率：
获取所述待预测服务请求方的推荐人推荐过的服务请求方数量，以及所述推荐人推荐过的服务请求方转化为服务提供方的数量；根据所述服务请求方数量，以及服务请求方转化为服务提供方的数量，确定所述推荐人的推荐成功率。
示例性的，所述待预测服务请求方的推荐人推荐过的服务请求方数量，可以是网约车平台中存储或者记录的该推荐人发送的或者获取的用于发送给服务请求方的推荐信息的数量，还可以是网约车平台中存储或者记录的各服务请求方的推荐信息中推荐人为该推荐人的服务请求方数量。
示例性的，所述推荐人推荐过的服务请求方转化为服务提供方的数量，可以是包括所述推荐人推荐过的服务请求方转化为网约车平台中专职的服务提供方的数量、所述推荐人推荐过的服务请求方转化为网约车平台中兼职的服务提供方的数量中的至少一种。
针对所述用户属性特征包括区域特征的情况，所述区域特征可以包括：所述待预测服务请求方的家庭住址区域、工作区域、历史订单中的起始地以及目的地的兴趣点POI类型中一种或者多种。
示例性的，所述待预测服务请求方的家庭住址区域和工作区域，可以是提取所述待遇测服务请求方在网约车平台上进行注册的预留信息中的家庭地址和工作地址，然后分别以所述待预测服务请求方的家庭地址和工作地址为中心，以预设范围来确定，所述待预测服务请求方的家庭住址区域和工作区域。
可以通过以下方法获取所述出发地兴趣点POI和/或目的地POI：
获取所述待预测服务请求方在所述预设历史时间段内历史订单的订单信息；根据基于历史订单的订单信息，从该订单信息中提取出提供服务的出发地和/或目的地；基于提取出的出发地和/或目的地，统计所述出发地兴趣点POI和/或目的地POI。
示例性的，所述待预测服务请求方的历史订单中的起始地以及目的地的兴趣点POI类型，可以是提取所述待预测服务请求方的历史订单中的各个起始地和目的地，然后通过统计等方式确定出现次数较多的起始地和目的地，如出现次数超过预设出现次数的起始地和目的地，确定该起始地和目的地为所述待预测服务请求方的历史订单中的起始地以及目的地的兴趣点POI，再可以根据不同的起始地以及目的地的兴趣点POI来进行分类，确定起始地以及目的地的兴趣点POI类型。
针对所述用户属性特征包括个人属性特征的情况，所述个人属性特征可以包括：年龄、性别中一种或者多种。
在本申请的一些实施例中，所述用户行为特征包括：消费行为特征、激励资源使用特征、服务提供特征以及网络使用特征中一种或者多种。
具体的，针对所述用户行为特征包括消费行为特征的情况，所述消费行为特征可以包括：消费类型、消费指数、沉默时长、沉默且拥有服务工具的概率中一种或者多种。
其中，所述消费行为特征，可以是所述待预测服务请求方使用网约车平台进行出行的消费情况，但并不局限于此，在其他实施例中，所述消费行为特征还可以包含有所述待预测服务请求方在其他方面的消费情况，或者所述待预测服务请求方收支情况等。
在本申请的一些实施例中，可以通过以下方法获取所述消费类型：
获取所述待预测服务请求方在所述预设历史时间段内历史订单的订单信息；基于历史订单的订单信息，识别历史订单的订单类型、订单金额和订单中的服务项目；根据历史订单的订单类型、订单金额和订单中的服务项目，确定所述消费类型。
其中，所述预设历史时间段，可以是预设在需要获取订单信息之前的某个时间段，如在需要获取订单信息时之前七天或者三天，作为预设历史时间段。
示例性的，根据历史订单的订单类型、订单金额和订单中的服务项目，确定所述消费类型，可以是使用历史订单的订单类型、订单金额和订单中的服务项目，综合分析所述待预测服务请求方是否为经常使用网约车、出行时短途居多还是长途居多、以及使用的是快车、顺风车或者其他服务项目等消费情况，以此确定所述待预测服务请求方的消费类型，如所述待预测服务请求方是易消费类型用户、谨慎消费类型用户、轻度消费类型用户或者和中毒消费类型用户等类型中的至少一种。
示例性的，历史订单的订单类型，可以是所述待预测服务请求方作为乘客使用网约车产生的订单的类型，例如出行使用的快车订单、顺风车订单或者预约车订单等类型，还可以是所述待预测服务请求方作为兼职司机提供出行服务的订单的类型，例如提供出行服务的快车订单、顺风车订单或者预约车订单等类型。
针对所述用户行为特征包括激励资源使用特征的情况，所述激励资源使用特征可以包括：使用的激励资源的种类、使用的激励资源数量，以及使用了激励资源与未使用激励资源的订单数量比中一种或者多种。
示例性的，使用的激励资源的种类，可以是指所述待预测服务请求方使用的激励资源，是打折资源或者减免资源等优惠资源类型。
针对所述用户行为特征包括服务提供特征的情况，所述服务提供特征可以包括：注册为兼职服务提供方时的审核通过时长、注册为兼职服务提供方的时间点、作为兼职服务提供方的服务提供次数、作为兼职服务提供方时完成兼职订单的数量；作为兼职服务提供方时完成兼职订单的出行地址信息，所述出行地址信息包括出发地兴趣点POI和/或目的地POI。
其中，作为兼职服务提供方的服务提供次数，可以是通过从网约车平台中获取所述待预测服务请求方注册为兼职服务提供方后提供出行服务的订单的数量，根据该数量确定上述的服务提供次数。
针对所述用户行为特征包括网络使用特征的情况，所述网络使用特征可以包括：使用无线网络的时间段以及时长。
S203：将所述目标特征值输入至预先训练的转化概率预测模型中，获取待预测服务请求方在未来待预测时间段转化为服务提供方的转化概率。
该步骤中，在确定了所述目标特征值后，可以使用预先训练好的转化概率预测模型，将所述目标特征值输入至所述转化概率预测模型中进行处理，从而可以获取到待预测服务请求方在未来待预测时间段转化为服务提供方的转化概率。
其中，所述转化概率预测模型，可以是使用集成学习的思想，以分类回归树进行组合的形式的模型，如极端梯度提升(eXtreme Gradient Boosting，XGBoost)模型等。
相应的，请参阅图3，图3为图1所示实施例中训练转化概率预测模型的具体方法的流程图，如图3中所示，包括：
S301：获取多个样本服务请求方在样本历史时间段内的样本属性信息以及样本行为信息；以及各个所述样本服务请求方在待预测历史时间段的实际转化结果。
该步骤中，可以从网约车平台的数据库中获取多个样本数据，每个样本数据中可以包含对应的样本服务请求方在样本历史时间段内的样本属性信息以及样本行为信息，和该样本服务请求方在待预测历史时间段的实际转化结果。
其中，各个所述样本服务请求方在待预测历史时间段的实际转化结果，即为各个所述样本服务请求方在待预测历史时间段内转化为服务提供方或者未转化为服务提供方两种结果。
在具体实施例中，获取的多个样本服务请求方中，不同样本服务请求方的历史预设时间段可以相同，也可以不同。例如，样本服务请求方A习惯上午出行，那么可以将过去一个星期内每天的上午确定为样本服务请求方A的历史时间段，而样本服务请求方B习惯下午出行，那么可以将过去一个星期内每天的下午确定为样本服务请求方B的历史时间段。但不同的样本用户的历史预设时间段的时长相同，且与上述未来待预测时间段的时长相同。
其中，若样本服务请求方在待预测历史时间段内转化为服务提供方，则该样本服务请求方为正样本服务请求方，若该样本服务请求方在待预测历史时间段内转未化为服务提供方，则该样本服务请求方为负样本服务请求方。
相应的，由于正样本服务请求方在待预测历史时间段内转化为服务提供方，因此在待预测历史时间段内正样本服务请求方转化为服务提供方的概率可以使用1来表示，或者是使用超过一定概率预设值的概率值表示，如大于或者等于50％的概率值表示；负样本服务请求方在待预测历史时间段内未转化为服务提供方，因此在待预测历史时间段内负样本服务请求方转化为服务提供方的概率可以使用0来表示，或者是使用小于一定概率预设值的概率值表示，如使用小于50％的概率值。
S302：根据所述样本属性信息以及所述样本行为信息，确定各个样本服务请求方在所述至少一种转化概率影响特征下的样本特征值。
该步骤中，在获取到所述样本属性信息以及所述样本行为信息之后，可以使用所述样本属性信息以及所述样本行为信息，从所述样本属性信息以及所述样本行为信息中确定各个样本服务请求方在所述至少一种转化概率影响特征下的样本特征值。
其中，所述样本特征值所包含的内容与上述的目标特征所包含的内容可以是相同的，并且，所述样本特征值的确定方式与上述的目标特征值的确定方式向类似，在此不做赘述。
S303：基于各个样本服务请求方的所述样本特征值以及对应的实际转化结果，训练所述转化概率预测模型。
该步骤中，可以使用所述样本特征值以及对应的实际转化结果对所述转化概率预测模型进行训练。
其中，所述转化概率预测模型，可以是基于各个样本服务请求方的样本特征值以及对应的实际转化结果，来构建多棵子决策树，然后将多棵所述子决策树确定为所述转化概率预测模型。
在具体实施例中，可以通过以下方式，来基于各个样本服务请求方的样本特征值以及对应的实际转化结果，构建多棵子决策树：
(1)从多个所述转化概率影响特征中，随机确定多个目标特征；
(2)基于所述样本服务请求方在各个所述目标特征下的样本特征值，以及对应的实际转化结果，构建当前迭代周期的子决策树；
(3)基于当前迭代周期的子决策树，以及历史迭代周期的子决策树，构成当前决策树集，并确定当前决策树集的损失值；
(4)在所述损失值大于预设损失阈值的情况下，返回至从多个所转化概率影响特征中，随机确定多个目标特征的步骤，即如果所述损失值大于预设损失阈值，跳转至(1)，否则，跳转至(5)；
(5)在所述损失值小于预设损失阈值的情况下，将所述当前决策树集确定为所述转化概率预测模型。
具体的，可以是在样本属性信息中包含有应用使用特征、人际关系特征、区域特征以及个人属性特征中一种或者多种的样本属性特征，以及样本行为信息中包含有消费行为特征、激励资源使用特征、服务提供特征以及网络使用特征中一种或者多种的样本行为特征中，随机确定多个所述转化概率影响特征，并在多个所述转化概率影响特征中随机确定多个目标特征，然后使用多个所述目标特征对应的样本特征值，以及对应的样本服务请求方的实际转化结果，对转化概率预测模型进行训练，得到当前迭代周期的多棵子决策树。
之后，将多个测试服务请求方在至少一种转化概率影响特征下的测试特征值，输入至当前迭代周期的多棵子决策树中，获取与每个所述测试服务请求方对应的转化为服务提供方的预测概率，然后根据各个所述测试服务请求方对应的转化概率，以及各个所述测试服务请求方对应的实际转化结果，确定当前决策树集的损失值。
其中，所述测试服务请求方可以是未使用的样本服务请求方，也可以是重新获取的用于测试的服务请求方。
之后，基于所述样本服务请求方对所述当前决策树集进行验证，确定所述当前决策树集的损失值。
按照上述步骤，不断迭代优化转化概率预测模型，最终通过迭代得到一个包含N个子决策树的决策树集，N为正整数。
该转化概率预测模型在对待预测服务请求方的转化概率进行预测的时候，是将所述目标特征值输入至预先训练的转化概率预测模型中，获取各棵子决策树的子预测结果；
将各棵子决策树的子预测结果进行加权求和，确定所述待预测服务请求方在未来待预测时间段转化为服务提供方的转化概率。
本申请实施例提供的转化概率预测方法，通过服务请求方的历史数据中的属性信息以及历史行为信息确定服务请求方在转化概率影响特征下的目标特征值，并通过转化概率预测模型使用目标特征值进行预测，能够准确高效的预测出服务请求方在未来预设时间段内转化为服务提供方的概率，有助于对服务请求方转化服务提供方进行分析，预测概率准确高效，有利于提前进行资源配置。
图4为本申请另一实施例提供的转化概率预测方法的流程图，如图2中所示，所述方法包括：
S401：获取待预测服务请求方在预设历史时间段内的属性信息以及历史行为信息。
S402：根据所述属性信息以及所述历史行为信息，确定待预测服务请求方在至少一种转化概率影响特征下的目标特征值。
S403：将所述目标特征值输入至预先训练的转化概率预测模型中，获取待预测服务请求方在未来待预测时间段转化为服务提供方的转化概率。
其中，S401至S403的实现方式与图2中所示的S201至S203的实现方式类似，在此不做赘述。
S404：基于所述转化概率，确定推送信息，并将所述推送信息推送至所述待预测服务请求方的服务请求端。
该步骤中，在获取到所述待预测服务请求方的转化概率之后，可以针对所述转化概率，判断所述待预测服务请求方是否会转化为服务提供方，如果所述待预测服务请求方会转化为服务提供方，或者所述待预测服务请求方会转化为服务提供方的概率比较大，那么就可以根据所述待预测服务请求方的属性信息或者历史行为信息等，确定推送信息，并将所述推送信息推送至所述待预测服务请求方的服务请求端。
所述激励资源使用特征可以包括：使用的激励资源的种类、使用的激励资源数量，以及使用了激励资源与未使用激励资源的订单数量比中一种或者多种。
其中，所述推送信息包括激励资源信息，激励资源信息中可以包括各种激励资源，如一些加倍券或者减免券等激励资源，以用于激励或者促进所述待预测服务请求方转化为服务提供方。
本申请实施例提供的转化概率预测方法，通过服务请求方的历史数据中的属性信息以及历史行为信息确定服务请求方在转化概率影响特征下的目标特征值，并通过转化概率预测模型使用目标特征值进行预测，然后可以根据预测的转化概率向待预测服务请求方发送推送信息和/或激励资源信息，能够准确高效的预测出服务请求方在未来预设时间段内转化为服务提供方的概率，有助于对服务请求方转化服务提供方进行分析，预测概率准确高效，有利于提前进行资源配置，并且可以提高待预测服务请求方转化为服务提供方的概率。
请参阅图5和图6，图5为本申请实施例提供的转化概率预测装置的结构图之一，图6为本申请实施例提供的转化概率预测装置的结构图之二，图7为本申请实施例提供的转化概率预测装置的结构图之三，图8为本申请实施例提供的转化概率预测装置的结构图之四。所述转化概率预测装置500可以实现上述转化概率预测方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件。如图5中所示，所述转化概率预测装置500包括：
第一获取模块510，用于获取待预测服务请求方在预设历史时间段内的属性信息以及历史行为信息。
确定模块520，用于根据所述属性信息以及所述历史行为信息，确定待预测服务请求方在至少一种转化概率影响特征下的目标特征值。
第二获取模块530，用于将所述目标特征值输入至预先训练的转化概率预测模型中，获取待预测服务请求方在未来待预测时间段转化为服务提供方的转化概率。
在本申请一些实施例中，如图6中所示，获取所述转化概率之后，所述转化概率预测装置500包括：
推送模块540，用于基于所述转化概率，确定推送信息，并将所述推送信息推送至所述待预测服务请求方的服务请求端。
在本申请一些实施例中，所述转化概率影响特征包括用户属性特征以及用户行为特征。
在本申请一些实施例中，所述用户属性特征包括：
应用使用特征、人际关系特征、区域特征以及个人属性特征中一种或者多种。
在上述实施例中，针对所述用户属性特征包括应用使用特征的情况，所述应用使用特征包括：目标应用的使用频率、使用的时间段以及目标应用的种类中一种或者多种。
针对所述用户属性特征包括人际关系特征的情况，所述人际关系特征包括：人际关系中服务提供方数量、推荐人的推荐成功率中一种或者多种。
针对所述用户属性特征包括区域特征的情况，所述区域特征包括：所述待预测服务请求方的家庭住址区域、工作区域、历史订单中的起始地以及目的地的兴趣点POI类型中一种或者多种。
针对所述用户属性特征包括个人属性特征的情况，所述个人属性特征包括：年龄、性别中一种或者多种。
在本申请一些实施例中，如图7中所示，所述转化概率预测装置500还包括：
记录模块550，用于当监听到所述服务请求端发生应用进入事件时，记录所进入应用的应用标识以及进入时间；以及，当监听到所述服务请求端发生应用退出事件时，记录服务请求端退出所述应用的退出时间。
所述第一获取模块510还用于根据下述方式筛选出所述目标应用：
根据服务请求端安装的应用对应的进入时间以及退出时间，确定所述应用的使用频率；
在所述使用频率大于预设的频率使用阈值时，确定所述应用为所述目标应用。
在本申请一些实施例中，所述第一获取模块510采用下述方式获取所述人际关系中服务提供方数量：
获取服务请求端中的通讯号码。
检测各个通讯号码是否已经被注册为服务提供方通讯号码。
根据各个通讯号码是否注册为服务提供方通讯号码的检测结果，确定与服务请求方建立社交关系的服务提供方数量。
在本申请一些实施例中，所述第一获取模块510采用下述方式确定推荐人的推荐成功率：
获取所述待预测服务请求方的推荐人推荐过的服务请求方数量，以及所述推荐人推荐过的服务请求方转化为服务提供方的数量。
根据所述服务请求方数量，以及服务请求方转化为服务提供方的数量，确定所述推荐人的推荐成功率。
在本申请一些实施例中，所述用户行为特征包括：
消费行为特征、激励资源使用特征、服务提供特征以及网络使用特征中一种或者多种。
在上述实施例中，针对所述用户行为特征包括消费行为特征的情况，所述消费行为特征包括：消费类型、消费指数、沉默时长、沉默且拥有服务工具的概率中一种或者多种。
针对所述用户行为特征包括激励资源使用特征的情况，所述激励资源使用特征包括：使用的激励资源的种类、使用的激励资源数量，以及使用了激励资源与未使用激励资源的订单数量比中一种或者多种。
针对所述用户行为特征包括服务提供特征的情况，所述服务提供特征包括：注册为兼职服务提供方时的审核通过时长、注册为兼职服务提供方的时间点、作为兼职服务提供方的服务提供次数、作为兼职服务提供方时完成兼职订单的数量；作为兼职服务提供方时完成兼职订单的出行地址信息，所述出行地址信息包括出发地兴趣点POI和/或目的地POI。
针对所述用户行为特征包括网络使用特征的情况，所述网络使用特征包括：使用无线网络的时间段以及时长。
在本申请一些实施例中，所述第一获取模块510通过以下方法获取所述消费类型：
获取所述待预测服务请求方在所述预设历史时间段内历史订单的订单信息。
基于历史订单的订单信息，识别历史订单的订单类型、订单金额和订单中的服务项目。
根据历史订单的订单类型、订单金额和订单中的服务项目，确定所述消费类型。
在本申请一些实施例中，如图8中所示，所述转化概率预测装置500还包括模型训练模块560，所述模型训练模块560采用下述方式训练所述转化概率预测模型：
获取多个样本服务请求方在样本历史时间段内的样本属性信息以及样本行为信息；以及各个所述样本服务请求方在待预测历史时间段的实际转化结果。
根据所述样本属性信息以及所述样本行为信息，确定各个样本服务请求方在所述至少一种转化概率影响特征下的样本特征值。
基于各个样本服务请求方的所述样本特征值以及对应的实际转化结果，训练所述转化概率预测模型。
在本申请一些实施例中，所述模型训练模块560用于：
基于各个样本服务请求方的样本特征值以及对应的实际转化结果，构建多棵子决策树；
将多棵所述子决策树确定为所述转化概率预测模型。
在本申请一些实施例中，所述模型训练模块560还用于：
从多个所述转化概率影响特征中，随机确定多个目标特征。
基于所述样本服务请求方在各个所述目标特征下的样本特征值，以及对应的实际转化结果，构建当前迭代周期的子决策树。
基于当前迭代周期的子决策树，以及历史迭代周期的子决策树，构成当前决策树集，并确定当前决策树集的损失值。
在所述损失值大于预设损失阈值的情况下，返回至从多个所转化概率影响特征中，随机确定多个目标特征的步骤。
在所述损失值小于预设损失阈值的情况下，将所述当前决策树集确定为所述转化概率预测模型。
在本申请一些实施例中，所述模型训练模块560具体用于：
将多个测试服务请求方在所述至少一种转化概率影响特征下的测试特征值输入至所述当前决策树集中，获取与每个所述测试服务请求方对应的转化概率。
基于各个所述测试服务请求方对应的转化概率，以及各个所述测试服务请求方对应的实际转化结果，确定当前决策树集的损失值。
在本申请一些实施例中，所述第二获取模块530具体用于：
将所述目标特征值输入至预先训练的转化概率预测模型中，获取各棵子决策树的预测概率。
将各棵子决策树的预测概率进行加权求和，确定所述待预测服务请求方转化为服务提供方的转化概率。
本申请实施例提供的转化概率预测装置，通过服务请求方的历史数据中的属性信息以及历史行为信息确定服务请求方在转化概率影响特征下的目标特征值，并通过转化概率预测模型使用目标特征值进行预测，能够准确高效的预测出服务请求方在未来预设时间段内转化为服务提供方的概率，有助于对服务请求方转化服务提供方进行分析，预测概率准确高效，有利于提前进行资源配置。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图2以及图4所示方法实施例中的转化概率预测方法的步骤，以及图3所示的训练转化概率预测模型的方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (34)
1.一种转化概率预测方法，其特征在于，该方法包括：
获取待预测服务请求方在预设历史时间段内的属性信息以及历史行为信息；
根据所述属性信息以及所述历史行为信息，确定待预测服务请求方在至少一种转化概率影响特征下的目标特征值；
将所述目标特征值输入至预先训练的转化概率预测模型中，获取待预测服务请求方在未来待预测时间段转化为服务提供方的转化概率。
2.如权利要求1所述的方法，其特征在于，获取所述转化概率之后，所述方法包括：
基于所述转化概率，确定推送信息，并将所述推送信息推送至所述待预测服务请求方的服务请求端。
3.如权利要求1所述的方法，其特征在于，所述转化概率影响特征包括用户属性特征以及用户行为特征。
4.如权利要求3所述的方法，其特征在于，所述用户属性特征包括：
应用使用特征、人际关系特征、区域特征以及个人属性特征中一种或者多种。
5.如权利要求4所述的方法，其特征在于，针对所述用户属性特征包括应用使用特征的情况，所述应用使用特征包括：目标应用的使用频率、使用的时间段以及目标应用的种类中一种或者多种；
针对所述用户属性特征包括人际关系特征的情况，所述人际关系特征包括：人际关系中服务提供方数量、推荐人的推荐成功率中一种或者多种；
针对所述用户属性特征包括区域特征的情况，所述区域特征包括：所述待预测服务请求方的家庭住址区域、工作区域、历史订单中的起始地以及目的地的兴趣点POI类型中一种或者多种；
针对所述用户属性特征包括个人属性特征的情况，所述个人属性特征包括：年龄、性别中一种或者多种。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
当监听到所述服务请求端发生应用进入事件时，记录所进入应用的应用标识以及进入时间；以及，当监听到所述服务请求端发生应用退出事件时，记录服务请求端退出所述应用的退出时间；
根据下述方式筛选出所述目标应用：
根据服务请求端安装的应用对应的进入时间以及退出时间，确定所述应用的使用频率；
在所述使用频率大于预设的频率使用阈值时，确定所述应用为所述目标应用。
7.如权利要求5所述的方法，其特征在于，采用下述方式获取所述人际关系中服务提供方数量：
获取服务请求端中的通讯号码；
检测各个通讯号码是否已经被注册为服务提供方通讯号码；
根据各个通讯号码是否注册为服务提供方通讯号码的检测结果，确定与服务请求方建立社交关系的服务提供方数量。
8.如权利要求5所述的方法，其特征在于，采用下述方式确定推荐人的推荐成功率：
获取所述待预测服务请求方的推荐人推荐过的服务请求方数量，以及所述推荐人推荐过的服务请求方转化为服务提供方的数量；
根据所述服务请求方数量，以及服务请求方转化为服务提供方的数量，确定所述推荐人的推荐成功率。
9.如权利要求3所述的方法，其特征在于，所述用户行为特征包括：
消费行为特征、激励资源使用特征、服务提供特征以及网络使用特征中一种或者多种。
10.如权利要求9所述的方法，其特征在于，针对所述用户行为特征包括消费行为特征的情况，所述消费行为特征包括：消费类型、消费指数、沉默时长、沉默且拥有服务工具的概率中一种或者多种；
针对所述用户行为特征包括激励资源使用特征的情况，所述激励资源使用特征包括：使用的激励资源的种类、使用的激励资源数量，以及使用了激励资源与未使用激励资源的订单数量比中一种或者多种；
针对所述用户行为特征包括服务提供特征的情况，所述服务提供特征包括：注册为兼职服务提供方时的审核通过时长、注册为兼职服务提供方的时间点、作为兼职服务提供方的服务提供次数、作为兼职服务提供方时完成兼职订单的数量；作为兼职服务提供方时完成兼职订单的出行地址信息，所述出行地址信息包括出发地兴趣点POI和/或目的地POI；
针对所述用户行为特征包括网络使用特征的情况，所述网络使用特征包括：使用无线网络的时间段以及时长。
11.如权利要求10所述的方法，其特征在于，通过以下方法获取所述消费类型：
获取所述待预测服务请求方在所述预设历史时间段内历史订单的订单信息；
基于历史订单的订单信息，识别历史订单的订单类型、订单金额和订单中的服务项目；
根据历史订单的订单类型、订单金额和订单中的服务项目，确定所述消费类型。
12.如权利要求1所述的方法，其特征在于，采用下述方式训练所述转化概率预测模型：
获取多个样本服务请求方在样本历史时间段内的样本属性信息以及样本行为信息；以及各个所述样本服务请求方在待预测历史时间段的实际转化结果；
根据所述样本属性信息以及所述样本行为信息，确定各个样本服务请求方在所述至少一种转化概率影响特征下的样本特征值；
基于各个样本服务请求方的所述样本特征值以及对应的实际转化结果，训练所述转化概率预测模型。
13.如权利要求12所述的方法，其特征在于，所述基于各个样本服务请求方的所述样本特征值以及对应的实际转化结果，训练所述转化概率预测模型，包括：
基于各个样本服务请求方的样本特征值以及对应的实际转化结果，构建多棵子决策树；
将多棵所述子决策树确定为所述转化概率预测模型。
14.如权利要求13所述的方法，其特征在于，所述基于各个样本服务请求方的样本特征值以及对应的实际转化结果，构建多棵子决策树，包括：
从多个所述转化概率影响特征中，随机确定多个目标特征；
基于所述样本服务请求方在各个所述目标特征下的样本特征值，以及对应的实际转化结果，构建当前迭代周期的子决策树；
基于当前迭代周期的子决策树，以及历史迭代周期的子决策树，构成当前决策树集，并确定当前决策树集的损失值；
在所述损失值大于预设损失阈值的情况下，返回至从多个所转化概率影响特征中，随机确定多个目标特征的步骤；
在所述损失值小于预设损失阈值的情况下，将所述当前决策树集确定为所述转化概率预测模型。
15.如权利要求14所述的方法，其特征在于，所述确定当前决策树集的损失值，包括：
将多个测试服务请求方在所述至少一种转化概率影响特征下的测试特征值输入至所述当前决策树集中，获取与每个所述测试服务请求方对应的转化概率；
基于各个所述测试服务请求方对应的转化概率，以及各个所述测试服务请求方对应的实际转化结果，确定当前决策树集的损失值。
16.如权利要求13所述的方法，其特征在于，所述将所述目标特征值输入至预先训练的转化概率预测模型中，获取待预测服务请求方在未来待预测时间段由服务请求方转化为服务提供方的转化概率，包括：
将所述目标特征值输入至预先训练的转化概率预测模型中，获取各棵子决策树的预测概率；
将各棵子决策树的预测概率进行加权求和，确定所述待预测服务请求方转化为服务提供方的转化概率。
17.一种转化概率预测装置，其特征在于，所述转化概率预测装置包括：
第一获取模块，用于获取待预测服务请求方在预设历史时间段内的属性信息以及历史行为信息；
确定模块，用于根据所述属性信息以及所述历史行为信息，确定待预测服务请求方在至少一种转化概率影响特征下的目标特征值；
第二获取模块，用于将所述目标特征值输入至预先训练的转化概率预测模型中，获取待预测服务请求方在未来待预测时间段转化为服务提供方的转化概率。
18.如权利要求17所述的转化概率预测装置，其特征在于，获取所述转化概率之后，所述转化概率预测装置包括：
推送模块，用于基于所述转化概率，确定推送信息，并将所述推送信息推送至所述待预测服务请求方的服务请求端。
19.如权利要求18所述的转化概率预测装置，其特征在于，所述转化概率影响特征包括用户属性特征以及用户行为特征。
20.如权利要求19所述的转化概率预测装置，其特征在于，所述用户属性特征包括：
应用使用特征、人际关系特征、区域特征以及个人属性特征中一种或者多种。
21.如权利要求20所述的转化概率预测装置，其特征在于，针对所述用户属性特征包括应用使用特征的情况，所述应用使用特征包括：目标应用的使用频率、使用的时间段以及目标应用的种类中一种或者多种；
针对所述用户属性特征包括人际关系特征的情况，所述人际关系特征包括：人际关系中服务提供方数量、推荐人的推荐成功率中一种或者多种；
针对所述用户属性特征包括区域特征的情况，所述区域特征包括：所述待预测服务请求方的家庭住址区域、工作区域、历史订单中的起始地以及目的地的兴趣点POI类型中一种或者多种；
针对所述用户属性特征包括个人属性特征的情况，所述个人属性特征包括：年龄、性别中一种或者多种。
22.如权利要求21所述的转化概率预测装置，其特征在于，所述转化概率预测装置还包括：
记录模块，用于当监听到所述服务请求端发生应用进入事件时，记录所进入应用的应用标识以及进入时间；以及，当监听到所述服务请求端发生应用退出事件时，记录服务请求端退出所述应用的退出时间；
所述第一获取模块还用于根据下述方式筛选出所述目标应用：
根据服务请求端安装的应用对应的进入时间以及退出时间，确定所述应用的使用频率；
在所述使用频率大于预设的频率使用阈值时，确定所述应用为所述目标应用。
23.如权利要求21所述的转化概率预测装置，其特征在于，所述第一获取模块采用下述方式获取所述人际关系中服务提供方数量：
获取服务请求端中的通讯号码；
检测各个通讯号码是否已经被注册为服务提供方通讯号码；
根据各个通讯号码是否注册为服务提供方通讯号码的检测结果，确定与服务请求方建立社交关系的服务提供方数量。
24.如权利要求21所述的转化概率预测装置，其特征在于，所述第一获取模块采用下述方式确定推荐人的推荐成功率：
获取所述待预测服务请求方的推荐人推荐过的服务请求方数量，以及所述推荐人推荐过的服务请求方转化为服务提供方的数量；
根据所述服务请求方数量，以及服务请求方转化为服务提供方的数量，确定所述推荐人的推荐成功率。
25.如权利要求19所述的转化概率预测装置，其特征在于，所述用户行为特征包括：
消费行为特征、激励资源使用特征、服务提供特征以及网络使用特征中一种或者多种。
26.如权利要求25所述的转化概率预测装置，其特征在于，针对所述用户行为特征包括消费行为特征的情况，所述消费行为特征包括：消费类型、消费指数、沉默时长、沉默且拥有服务工具的概率中一种或者多种；
针对所述用户行为特征包括激励资源使用特征的情况，所述激励资源使用特征包括：使用的激励资源的种类、使用的激励资源数量，以及使用了激励资源与未使用激励资源的订单数量比中一种或者多种；
针对所述用户行为特征包括服务提供特征的情况，所述服务提供特征包括：注册为兼职服务提供方时的审核通过时长、注册为兼职服务提供方的时间点、作为兼职服务提供方的服务提供次数、作为兼职服务提供方时完成兼职订单的数量；作为兼职服务提供方时完成兼职订单的出行地址信息，所述出行地址信息包括出发地兴趣点POI和/或目的地POI；
针对所述用户行为特征包括网络使用特征的情况，所述网络使用特征包括：使用无线网络的时间段以及时长。
27.如权利要求26所述的转化概率预测装置，其特征在于，所述第一获取模块通过以下方法获取所述消费类型：
获取所述待预测服务请求方在所述预设历史时间段内历史订单的订单信息；
基于历史订单的订单信息，识别历史订单的订单类型、订单金额和订单中的服务项目；
根据历史订单的订单类型、订单金额和订单中的服务项目，确定所述消费类型。
28.如权利要求17所述的转化概率预测装置，其特征在于，所述转化概率预测装置还包括模型训练模块，所述模型训练模块采用下述方式训练所述转化概率预测模型：
获取多个样本服务请求方在样本历史时间段内的样本属性信息以及样本行为信息；以及各个所述样本服务请求方在待预测历史时间段的实际转化结果；
根据所述样本属性信息以及所述样本行为信息，确定各个样本服务请求方在所述至少一种转化概率影响特征下的样本特征值；
基于各个样本服务请求方的所述样本特征值以及对应的实际转化结果，训练所述转化概率预测模型。
29.如权利要求28所述的转化概率预测装置，其特征在于，所述模型训练模块用于：
基于各个样本服务请求方的样本特征值以及对应的实际转化结果，构建多棵子决策树；
将多棵所述子决策树确定为所述转化概率预测模型。
30.如权利要求29所述的转化概率预测装置，其特征在于，所述模型训练模块还用于：
从多个所述转化概率影响特征中，随机确定多个目标特征；
基于所述样本服务请求方在各个所述目标特征下的样本特征值，以及对应的实际转化结果，构建当前迭代周期的子决策树；
基于当前迭代周期的子决策树，以及历史迭代周期的子决策树，构成当前决策树集，并确定当前决策树集的损失值；
在所述损失值大于预设损失阈值的情况下，返回至从多个所转化概率影响特征中，随机确定多个目标特征的步骤；
在所述损失值小于预设损失阈值的情况下，将所述当前决策树集确定为所述转化概率预测模型。
31.如权利要求30所述的转化概率预测装置，其特征在于，所述模型训练模块具体用于：
将多个测试服务请求方在所述至少一种转化概率影响特征下的测试特征值输入至所述当前决策树集中，获取与每个所述测试服务请求方对应的转化概率；
基于各个所述测试服务请求方对应的转化概率，以及各个所述测试服务请求方对应的实际转化结果，确定当前决策树集的损失值。
32.如权利要求29所述的转化概率预测装置，其特征在于，所述第二获取模块具体用于：
将所述目标特征值输入至预先训练的转化概率预测模型中，获取各棵子决策树的预测概率；
将各棵子决策树的预测概率进行加权求和，确定所述待预测服务请求方转化为服务提供方的转化概率。
33.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至16中任一所述的转化概率预测方法的步骤。
34.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至16中任一所述的转化概率预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910214776.6A CN111724184A (zh) | 2019-03-20 | 2019-03-20 | 一种转化概率预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910214776.6A CN111724184A (zh) | 2019-03-20 | 2019-03-20 | 一种转化概率预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111724184A true CN111724184A (zh) | 2020-09-29 |
Family
ID=72563371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910214776.6A Pending CN111724184A (zh) | 2019-03-20 | 2019-03-20 | 一种转化概率预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111724184A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112633916A (zh) * | 2020-12-09 | 2021-04-09 | 深圳前海微众银行股份有限公司 | 一种需求预测方法及装置、设备、存储介质 |
| CN112669073A (zh) * | 2020-12-31 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 一种用户留存预测方法、装置、电子设备及存储介质 |
| CN112801700A (zh) * | 2021-01-29 | 2021-05-14 | 北京达佳互联信息技术有限公司 | 虚拟对象变更方法及装置、电子设备及存储介质 |
| CN112836121A (zh) * | 2021-01-28 | 2021-05-25 | 北京市城市规划设计研究院 | 一种出行目的识别方法及*** |
| CN113129080A (zh) * | 2021-05-13 | 2021-07-16 | 北京大米科技有限公司 | 一种数据处理方法及装置 |
| CN118014167A (zh) * | 2024-04-08 | 2024-05-10 | 北京嘀嘀无限科技发展有限公司 | 用于转化预测的方法、装置、设备、介质和产品 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104536983A (zh) * | 2014-12-08 | 2015-04-22 | 北京掌阔技术有限公司 | 一种预测广告点击率的方法和装置 |
| CN107025565A (zh) * | 2016-01-29 | 2017-08-08 | 北京京东尚科信息技术有限公司 | 一种提高电子商务网站转化率的方法和*** |
| CN107093084A (zh) * | 2016-08-01 | 2017-08-25 | 北京小度信息科技有限公司 | ***预测转化方法及装置 |
| CN107179503A (zh) * | 2017-04-21 | 2017-09-19 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
| US20170372436A1 (en) * | 2016-06-24 | 2017-12-28 | Linkedln Corporation | Matching requests-for-proposals with service providers |
| CN108133390A (zh) * | 2017-12-22 | 2018-06-08 | 北京三快在线科技有限公司 | 用于预测用户行为的方法和装置以及计算设备 |
| CN109063900A (zh) * | 2018-07-16 | 2018-12-21 | 广州视源电子科技股份有限公司 | 用户转化率预测模型的训练及用户转化率预测方法和装置 |
-
2019
- 2019-03-20 CN CN201910214776.6A patent/CN111724184A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104536983A (zh) * | 2014-12-08 | 2015-04-22 | 北京掌阔技术有限公司 | 一种预测广告点击率的方法和装置 |
| CN107025565A (zh) * | 2016-01-29 | 2017-08-08 | 北京京东尚科信息技术有限公司 | 一种提高电子商务网站转化率的方法和*** |
| US20170372436A1 (en) * | 2016-06-24 | 2017-12-28 | Linkedln Corporation | Matching requests-for-proposals with service providers |
| CN107093084A (zh) * | 2016-08-01 | 2017-08-25 | 北京小度信息科技有限公司 | ***预测转化方法及装置 |
| CN107179503A (zh) * | 2017-04-21 | 2017-09-19 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
| CN108133390A (zh) * | 2017-12-22 | 2018-06-08 | 北京三快在线科技有限公司 | 用于预测用户行为的方法和装置以及计算设备 |
| CN109063900A (zh) * | 2018-07-16 | 2018-12-21 | 广州视源电子科技股份有限公司 | 用户转化率预测模型的训练及用户转化率预测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 苏春晶: "分类方法在钓鱼网站数据鉴别中的应用" * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112633916A (zh) * | 2020-12-09 | 2021-04-09 | 深圳前海微众银行股份有限公司 | 一种需求预测方法及装置、设备、存储介质 |
| CN112633916B (zh) * | 2020-12-09 | 2024-05-31 | 深圳前海微众银行股份有限公司 | 一种需求预测方法及装置、设备、存储介质 |
| CN112669073A (zh) * | 2020-12-31 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 一种用户留存预测方法、装置、电子设备及存储介质 |
| CN112836121A (zh) * | 2021-01-28 | 2021-05-25 | 北京市城市规划设计研究院 | 一种出行目的识别方法及*** |
| CN112801700A (zh) * | 2021-01-29 | 2021-05-14 | 北京达佳互联信息技术有限公司 | 虚拟对象变更方法及装置、电子设备及存储介质 |
| CN113129080A (zh) * | 2021-05-13 | 2021-07-16 | 北京大米科技有限公司 | 一种数据处理方法及装置 |
| CN118014167A (zh) * | 2024-04-08 | 2024-05-10 | 北京嘀嘀无限科技发展有限公司 | 用于转化预测的方法、装置、设备、介质和产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111724184A (zh) | 一种转化概率预测方法及装置 | |
| Iliopoulou et al. | Combining ITS and optimization in public transportation planning: state of the art and future research paths | |
| CN111275228B (zh) | 预测方法、装置、电子设备及存储介质 | |
| Ke et al. | Data-driven analysis on matching probability, routing distance and detour distance in ride-pooling services | |
| CN109974735B (zh) | 到达时间的预估方法、装置及计算机设备 | |
| JP6802916B2 (ja) | 需要予測装置 | |
| CN111260102A (zh) | 一种用户满意度预测方法、装置、电子设备及存储介质 | |
| CN112509317B (zh) | 基于机器学习算法的公交实时到站预测方法、装置和设备 | |
| Shao et al. | Estimating taxi demand-supply level using taxi trajectory data stream | |
| CN114446064A (zh) | 一种分析高速公路服务区流量的方法、装置、存储介质及终端 | |
| CN111861521A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| Barabino et al. | Regularity analysis on bus networks and route directions by automatic vehicle location raw data | |
| Ma et al. | Public transportation big data mining and analysis | |
| CN111292105A (zh) | 一种业务需求确定方法以及装置 | |
| Costa et al. | Prediction of journey destination in urban public transport | |
| Kim et al. | A scenario-based stochastic programming approach for the public charging station location problem | |
| Chen et al. | Transfer station choice in a multimodal transit system: An empirical study | |
| CN110555473A (zh) | 行车线路规划方法、服务器及*** | |
| Liu et al. | Travel impedance, the built environment, and customized-bus ridership: A stop-to-stop level analysis | |
| Nasiboglu | Dijkstra solution algorithm considering fuzzy accessibility degree for patch optimization problem | |
| CN111123778B (zh) | 监控车辆使用状况的方法、装置及电子设备 | |
| CN111209979A (zh) | 监控车辆电压的方法、装置及电子设备 | |
| Yang et al. | Mechanism design for stochastic dynamic parking resource allocation | |
| CN116029766A (zh) | 用户交易决策识别方法、激励策略优化方法、装置和设备 | |
| Yu et al. | Combining travel behavior in metro passenger flow prediction: A smart explainable Stacking-Catboost algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200929 |
|
| WD01 | Invention patent application deemed withdrawn after publication |