CN112148973A - 一种信息推送的数据处理方法及装置 - Google Patents
一种信息推送的数据处理方法及装置 Download PDFInfo
- Publication number
- CN112148973A CN112148973A CN202010921701.4A CN202010921701A CN112148973A CN 112148973 A CN112148973 A CN 112148973A CN 202010921701 A CN202010921701 A CN 202010921701A CN 112148973 A CN112148973 A CN 112148973A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- prediction model
- determining
- target user
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 50
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000001737 promoting effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种信息推送的数据处理方法及装置,方法包括:运用确定模块确定需要进行信息推送的目标用户;运用记录获取模块获取目标用户对应的第一历史记录信息;运用用户信息确定模块,根据第一历史记录信息确定目标用户的用户类型以及用户特征;运用信息获取模块,根据用户特征获取与目标用户对应的候选推送信息;运用模型获取模块获取与用户类型对应的预先训练得到的预测模型;运用结果获取模块,得到与候选推送信息对应的预计推荐结果。本申请在推荐时能够结合用户的所有特征信息,而非依据一个属性进行排序,可以得到更准确的推荐结果,提高推送用户的信息点击率及成单率;同时,无需进行分群排序,可以大大提高推荐效率,节约人力物力成本。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种信息推送的数据处理方法及装置。
背景技术
活动推荐,即针对浏览APP的用户在各不同资源位进行有关于产品或者内容的活动展示,以达到一定的运营转化目的。
目前,活动展示需要有专门的运营人员配置和调整,前置按照优先级将用户分为不同类型后,在活动期间人为匹配展示,将不同的活动展示给不同分层的用户,该传统方法具有强烈的主观性和经验性。当需要举办大型活动时,牵扯的用户较多,涉及产品复杂性、活动多样性,这时需要大量的人力和时间讨论活动展示优先级和前置人群分层。当活动更换迭代时,又要重新进行上述流程,导致活动展示迭代效率低下并且容易因为逻辑漏洞造成展示的失误。
此外,虽然活动推荐在广告曝光流程以及一些APP广告位上面有一些比较成熟的发展,但是在非广告领域和一些需要结合用户金融、财富属性的场景,活动推荐相关技术,大部分还是采取前置用户分群,根据优先级人为排序后,在资源位前端展示,尚未出现对于活动自动化推荐的技术。
由上可知,现有技术中,采用前置用户分群进行排序,需要耗费大量人力进行,因此效率低下;此外,只是通过用户的不同属性信息对用户进行分群,因此,按此方式进行广告推送无法考虑到用户的所有特征,导致针对性较低,进一步导致广告的点击率较低的问题。
针对相关技术中存在的诸多技术问题,目前尚未提供有效的解决方案。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种信息推送的数据处理方法及装置。
第一方面,本申请实施例提供了一种信息推送的数据处理方法,包括:
运用确定模块确定需要进行信息推送的目标用户;
运用记录获取模块获取所述目标用户对应的第一历史记录信息;
运用用户信息确定模块根据所述第一历史记录信息确定所述目标用户的用户类型以及用户特征;
运用信息获取模块根据所述用户特征获取与所述目标用户对应的候选推送信息;
运用模型获取模块获取与所述用户类型对应的预先训练得到的预测模型;
运用结果获取模块,根据所述用户特征、推送信息特征以及所述预测模型得到与所述候选推送信息对应的预计推荐结果;所述推送信息特征用于表征所述候选推送信息的特征。
可选的,如前述的数据处理方法,
所述运用信息获取模块根据所述用户特征获取与所述目标用户对应的候选推送信息,包括:
运用匹配单元根据所述用户特征匹配得到与所述目标用户满足预设匹配度的关联用户;
运用第一获取单元获取所述关联用户对应的第二历史记录信息;
运用候选推送信息确定单元,根据所述第二历史记录信息确定与所述关联用户发生过交互的所述候选推送信息。
可选的,如前述的数据处理方法,所述运用用户信息确定模块根据所述第一历史记录信息确定所述目标用户的用户类型,包括:
运用第二获取单元,根据所述第一历史记录信息获取所述目标用户具备的特征类型以及活跃度;所述特征类型包括:人口属性、金融特征、点击特征、点击至交易转换特征、历史浏览特征、实时搜索特征、实时浏览特征;所述活跃度包括:交易频率、点击频率;
运用分析单元,通过预设的用户类型划分策略对所述特征类型以及活跃度进行分析,得到所述目标用户对应的生命周期;
运用用户类型确定单元,根据所述目标用户对应的生命周期确定所述用户类型。
可选的,如前述的数据处理方法,所述候选推送信息至少包括两个,所述方法还包括:
运用评分获取模块,按照预设的计算策略对每个所述候选推送信息对应的所述预计推荐结果进行计算,得到与每个所述候选推送信息对应的推荐评分;所述预计推荐结果包括:点击概率、交易概率和预测交易金额;
运用推送模块将所述推荐评分最高的N个所述候选推送信息推送给所述目标用户;其中,N为≥1的整数。
可选的,如前述的数据处理方法,所述运用推送模块将所述推荐评分最高的N个所述候选推送信息推送给所述目标用户,包括:
运用资源位展示单元,将目标推送信息上传至与所述目标用户对应的活动池;以使所述目标用户通过用户端获取所述活动池中的目标推送信息;所述推荐评分最高的N个所述候选推送信息中包括所述目标推送信息;
运用发送单元,分别确定各个目标推送信息中的关键词信息,将所述关键词信息写入预设模板中的对应位置,生成与各个所述目标推送信息对应的推送信息,将所述推送信息发送至所述目标用户。
可选的,如前述的数据处理方法,所述运用结果获取模块,根据所述用户特征、推送信息特征以及所述预测模型得到与所述候选推送信息的预计推荐结果,包括:
运用目标预测模型确定单元,根据所述推送信息特征对所述预测模型进行配置,得到与所述候选推送信息对应的目标预测模型;
运用结果确定单元将所述用户特征输入所述目标预测模型进行预测,得到所述预计推荐结果。
可选的,如前述的数据处理方法,还包括:
运用第三获取单元,按照预设的训练数据获取策略获取与候选用户对应的第三历史记录信息;所述第三历史记录信息未用于训练所述预测模型,所述候选用户包括所述目标用户,且所述候选用户与所述目标用户的用户类型一致;
运用划分单元对所述第三历史记录信息进行随机划分,得到训练集补充数据和验证集补充数据;
运用第一更新单元,通过训练集补充数据对所述预测模型进行训练,在通过验证集补充数据对训练后的所述预测模型进行验证,并满足预设的性能要求时,得到第一更新后预测模型。
可选的,如前述的数据处理方法,还包括:
运用第四获取单元获取新上传的待处理信息;
运用待处理特征确定单元确定所述待处理信息中的待处理特征;
运用新特征确定单元确定所述待处理特征中不存在于所述预测模型中的新特征;
运用第二更新单元,根据所述新特征对所述预测模型进行特征添加得到第二更新后预测模型。
可选的,如前述的数据处理方法,还包括
第二方面,本申请实施例提供了一种信息推送的数据处理装置,包括:
确定模块,用于确定需要进行信息推送的目标用户;
记录获取模块,用于获取所述目标用户对应的第一历史记录信息;
用户信息确定模块,用于根据所述第一历史记录信息确定所述目标用户的用户类型以及用户特征;
信息获取模块,用于根据所述用户特征获取与所述目标用户对应的候选推送信息;
模型获取模块,用于获取与所述用户类型对应的预先训练得到的预测模型;
结果获取模块,用于根据所述用户特征、推送信息特征以及所述预测模型得到与所述候选推送信息对应的预计推荐结果;所述推送信息特征用于表征所述候选推送信息的特征。
可选的,如前述的数据处理装置,所述信息获取模块包括:
匹配单元,用于根据所述用户特征匹配得到与所述目标用户满足预设匹配度的关联用户;
第一获取单元,用于获取所述关联用户对应的第二历史记录信息;
候选推送信息确定单元,用于根据所述第二历史记录信息确定与所述关联用户发生过交互的所述候选推送信息。
可选的,如前述的数据处理装置,所述用户信息确定模块包括:
第二获取单元,用于根据所述第一历史记录信息获取所述目标用户具备的特征类型以及活跃度;所述特征类型包括:人口属性、金融特征、点击特征、点击至交易转换特征、历史浏览特征、实时搜索特征、实时浏览特征;所述活跃度包括:交易频率、点击频率;
分析单元,用于通过预设的用户类型划分策略对所述特征类型以及活跃度进行分析,得到所述目标用户对应的生命周期;
用户类型确定单元,用于根据所述目标用户对应的生命周期确定所述用户类型。
可选的,如前述的数据处理装置,所述候选推送信息至少包括两个,还包括:
评分获取模块,用于按照预设的计算策略对每个所述候选推送信息对应的所述预计推荐结果进行计算,得到与每个所述候选推送信息对应的推荐评分;所述预计推荐结果包括:点击概率、交易概率和预测交易金额;
推送模块,用于将所述推荐评分最高的N个所述候选推送信息推送给所述目标用户;其中,N为≥1的整数。
可选的,如前述的数据处理装置,所述结果获取模块,包括:
目标预测模型确定单元,用于根据所述推送信息特征对所述预测模型进行配置,得到与所述候选推送信息对应的目标预测模型;
结果确定单元,用于将所述用户特征输入所述目标预测模型进行预测,得到所述预计推荐结果。
可选的,如前述的数据处理装置,还包括:第一模型更新模块;所述第一模型更新模块包括:
第三获取单元,用于按照预设的训练数据获取策略获取与候选用户对应的第三历史记录信息;所述第三历史记录信息未用于训练所述预测模型,所述候选用户包括所述目标用户,且所述候选用户与所述目标用户的用户类型一致;
划分单元,用于对所述第三历史记录信息进行随机划分,得到训练集补充数据和验证集补充数据;
第一更新单元,用于通过训练集补充数据对所述预测模型进行训练,在通过验证集补充数据对训练后的所述预测模型进行验证,并满足预设的性能要求时,得到第一更新后预测模型。
可选的,如前述的数据处理装置,还包括:第二模型更新模块;所述第二模型更新模块包括:
第四获取单元,用于获取新上传的待处理信息;
待处理特征确定单元,用于确定所述待处理信息中的待处理特征;
新特征确定单元,用于确定所述待处理特征中不存在于所述预测模型中的新特征;
第二更新单元,用于根据所述新特征对所述预测模型进行特征添加得到第二更新后预测模型。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,所述处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述计算机程序时,实现如前述任一项所述的处理方法。
第四方面,本申请实施例提供了一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如前述任一项所述的处理方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:在推荐时能够结合用户的所有特征信息,而非依据一个属性进行排序,可以得到更准确的推荐结果,提高推送用户的信息点击率以及成单率;同时,无需进行分群排序,可以大大提高推荐效率,节约人力物力成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种信息推送的数据处理方法的流程示意图;
图2为本申请另一实施例提供的一种信息推送的数据处理方法的流程示意图;
图3为本申请另一实施例提供的一种信息推送的数据处理方法的流程示意图;
图4为本申请实施例提供的一种信息推送的数据处理装置的框图;
图5为本申请实施例提供的一种电子设备的结构示意图。
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,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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。
图1为本申请实施例提供的一种信息推送的数据处理方法,包括如下所述步骤S1至S6:
步骤S1.运用确定模块确定需要进行信息推送的目标用户。
具体的,目标用户是需要通过本实施例中的方法进行信息推送的用户,一般的,由于每个用户的特征都各不相同,因此进行推送的信息也各不相同。
步骤S2.运用记录获取模块获取目标用户对应的第一历史记录信息。
具体的,可以对用户对推送的信息进行的操作进行记录,并按照时序存储在于该用户对应的数据表中,且每个用户的历史记录信息可以包括但不限于:登录时间、下线时间、浏览记录以及下单记录等等。第一历史记录信息是与目标用户对应的历史记录信息,因此第一历史记录信息也可以包括但不限于上述信息。
步骤S3.运用用户信息确定模块,根据第一历史记录信息确定目标用户的用户类型以及用户特征。
具体的,在得到第一历史记录信息之后,可以根据对第一历史记录信息进行分析归类得到包括但不限于下述用户特征:对于不同类型活动的相关页面浏览记录,用户活跃度(例如:每天登陆次数)、商城交易属性(例如:平均每单交易金额)、基本属性(例如:地域、性别、年龄等等)、对推送的活动进行点击的概率(例如:平均推送的多少个活动信息后会进行一次点击),点击到交易转化概率(例如:对多少个活动信息进行点击后会进行一次交易)。并且,可以通过用户特征得到目标用户的特征画像,进而可以通过该特征画像确定目标用户的用户类型。
步骤S4.运用信息获取模块,根据用户特征获取与目标用户对应的候选推送信息。
具体的,在得到用户特征之后,可以通过用户特征匹配得到与目标用户对应的候选推送信息。
候选推送信息是初步筛选得到的推送信息;且一般的,需要对候选推送信息进一步进行筛选,以得到可以被点击或成单概率最高的至少一条推送信息。
步骤S5.运用模型获取模块获取与用户类型对应的预先训练得到的预测模型。
也就是说,每个用户类型都有与其对应的预测模型;可以预先将各个预测模型按照不同的用户类型在数据库中进行分类存储,并建立预测模型与用户类型之间的映射表,以快速从对应的存储位置调取得到所需的模型。
步骤S6.运用结果获取模块,根据用户特征、推送信息特征以及预测模型得到与候选推送信息对应的预计推荐结果;推送信息特征用于表征候选推送信息的特征。
具体的,在得到每个新生成的需要推送给用户的推送信息之后,都可以对该推送信息进行规范化打标签,以得到标准化的推送信息数据库。当推送信息是活动时,其中一种可选的打标签的方式可以是根据活动类型、活动利益点以及活动目标进行打标,其中,活动类型可以包括:1.小金库、2.固收、3.银行、4.东家、5.基金、6.黄金、7.综合、8.其他等等;活动利益点可以包括:1.领券/灌券,2.买赠(红包/加息/京贴),3.定投,4.支付抽奖,5.打榜/排名,6.爆款产品,7.功能推荐等等;活动目标可以包括:1.大理财首次交易,2.大理财千元拉新,3.大理财千元召回,4.大理财万元拉新,5.大理财万元召回,6.品类首次交易,7.千元户提升GMV(Gross Merchandise Volume,成交总额(一定时间段内)),8.万元户提升GMV,9.高净值用户提升GMV,10.提升用户活跃等等。其中,首次交易可以是已在对应平台进行注册,但未进行过交易的用户的首次成单交易;拉新可以是用户未在对应平台进行注册,吸引其进行注册或访问;召回可以是用户已在预设时长(例如:一年等等)内未对平台进行访问或者交易时,吸引其再次进行访问或交易。
其中,预测模型中一般会包括所有的特征,而一个推送信息却不一定会包含所有的特征,因此推送信息特征可以对预测模型中的不同因子的系数进行影响;举例的:当一个活动没有利益点,只是用于给用户进行消费前教育,告诉用户产品是做什么的怎么投资的时候,则相关利益点类型特征和利益点大小特征缺失,在训练时,会根据实际情况填补预测模型中相关特征的缺失值,其中,缺失值可以根据具体情况填补为空值、众数、中位数等等。
因此,本实施例中的方案,通过给不同类型的用户匹配不同的预测模型,可以针对不同类型的用户匹配最预测效果最好的预测模型,进而最终可以筛选得到最符合用户特征的推送信息,以达到提高每个用户的信息点击率以及成单率等目的。
如图2所示,在一些实施例中,如前述的数据处理方法,步骤S4运用信息获取模块,根据用户特征获取与目标用户对应的候选推送信息,包括如下所述步骤S41至S43:
步骤S41.运用匹配单元,根据用户特征匹配得到与目标用户满足预设匹配度的关联用户。
具体的,用户特征可以包括与目标用户相关的所有特征,在通过历史记录信息确定各个用户包括的特征之后,可以建立用户与特征之间的映射关系,并存储在用户信息数据库中。
本步骤的其中一种可选的实现方式可以是:通过用户特征中包括的各项特征,在用户信息数据库中查询得到与目标用户满足预设匹配度的关联用户;其中,预设匹配度可以是:各个用户分别包括的所有特征之间的相似度;举例的:当用户I包括特征:A、B、C、D、E时;当用户II包括特征:A、B、C、D、F时;则用户I与用户II之间的相似度为80%;当预设匹配度为70%时,则用户II为用户I的关联用户。
步骤S42.运用第一获取单元获取关联用户对应的第二历史记录信息。
具体的,第二历史记录信息是关联用户对应的历史记录信息;由于在一般情况下会记录各个用户的历史记录信息;因此,可以从预设的数据库中按照关联用户的标识信息进行查询,再读取即可得到对应的第二历史记录信息。
步骤S43.运用候选推送信息确定单元,根据第二历史记录信息确定与关联用户发生过交互的候选推送信息。
具体的,根据第二历史记录信息可以得到关联用户进行过点击或者成单的历史推送信息;并将历史推送信息作为候选推送信息。进一步的,由于用户的生命周期会发生变化,因此,虽然当前的用户特征满足要求,但是,不能保证在推送某一历史推送信息的时刻,关联用户与目标用户之间的特征相似度仍然满足要求;因此与还可以限定候选推送信息的推送时间,以筛选得到能够提升点击率或成单率的候选推送信息。
在一些实施例中,如前述的数据处理方法,步骤S3运用用户信息确定模块根据第一历史记录信息确定目标用户的用户类型,包括如下所述步骤S31至S33:
步骤S31.运用第二获取单元,根据第一历史记录信息获取目标用户具备的特征类型以及活跃度;特征类型包括:人口属性、金融特征、点击特征、点击至交易转换特征、历史浏览特征、实时搜索特征、实时浏览特征;活跃度包括:交易频率、点击频率。
具体的,历史记录信息中包括的特征种类,可以根据实际应用的需要进行选择性记录或根据已记录的数据生成。举例的:人口属性中的年龄、性别、职业、收入等信息可以通过记录的要求进行选择;金融特征则可根据成单金额、金融类型(例如:保险、黄金等等)等记录的信息进行处理后生成。
活跃度可以根据单位之间段之间的总点击量或者交易量得到。以表征目标用户在各时间段中的活跃情况。
步骤S32.运用分析单元,通过预设的用户类型划分策略对特征类型以及活跃度进行分析,得到目标用户对应的生命周期。
步骤S33.运用用户类型确定单元,根据目标用户对应的生命周期确定用户类型。
具体的,生命周期用于表征目标用户在特定平台中的状态。举例的:对于引入期的用户,由于没有充分的交易行为,其主要目标是促进用户在平台上的首次交易;对于成长期的用户,对于平台具有一定使用粘性,主要目标为促进交易次数和活跃;针对成熟期的用户则是促进GMV的增长和AUM(Asset Under Management,资产管理规模)的留存。因此,获取得到的特征类型可以包括:交易金额,首次交易信息等等;活跃度可以包括:交易频率。
可选的,可以根据目标用户的生命周期对该目标用户的用户类型进行划分。在划分之后可以针对不同用户类型的得到:促进用户开户、平台首次交易、交易额提升、用户活跃度等不同目标。
如图3所示,在一些实施例中,如前述的数据处理方法,候选推送信息至少包括两个,还包括如下所述步骤S7至S8:
步骤S7.运用评分获取模块,按照预设的计算策略对每个候选推送信息对应的预计推荐结果进行计算,得到与每个候选推送信息对应的推荐评分;预计推荐结果包括:点击概率、交易概率和预测交易金额。
也就是说,预设模型中可以包括多个模型,用于分别预测点击概率、交易概率和预测交易金额等结果。且模型的数量和类型可以根据需要的结果进行选择得到。可选的,可以通过树的***算法,根据最优的***特征和该特征的最优***点以及特征的***次数得到一个特征的重要性排序,如下式所示:
其中,为传统线性回归模型公式,能够在回归模型基础上,考虑任意两个特征之间的关系;vi是与特征xi对应的辅助向量,vj是与特征xj对应的辅助向量;xixj表示特征xi和xj的组合,当xi和xj都非零时,组合特征xixj才有意义;n表示特征维度,采用本方法得到结果y(x)既能解决回归问题,又能解决二分类问题,避免数据稀疏对模型学习的影响。
在得到各个预测结果之后,通过对各个结果进行处理(例如:归一化、加权等等)后,得到将各个候选推送信息推送给目标用户的推荐评分;一般的,推荐评分越高,表征该候选推送信息被点击或交易成功的概率越高。
步骤S8.运用推送模块将推荐评分最高的N个候选推送信息推送给目标用户;其中,N为≥1的整数。
具体的,数量N可以根据需要推送的信息的数量进行选择。本步骤即为:将所有候选推送信息中,按照推荐评分筛选出其中最高的N个候选推送信息,并将其推送给目标用户。
举例的,当推送信息是活动信息时,可以运用CTR(Click Through Rate,点击通过率)预估方法,将目标用户的用户特征输入预测模型中进行预测,得到与各个活动信息对应的:活动曝光到点击概率,点击到交易转化概率。将各个活动信息对应归一化的活动曝光到点击概率和点击到交易转化概率相乘,得到最终的对各个活动信息的推荐评分,进一步的,活动曝光到点击概率和点击到交易转化概率的系数可以根据运营的具体需要进行调整,以实现模型和运营思路的结合,最终将最优推荐组合在目标用户端自动展示。
其中,CTR预测的常用算法包括LR(Logistic Regression,逻辑回归分析),FM(Factorization Machines,因子分解机;是由Steffen Rendle提出的一种基于矩阵分解的机器学习算法,对于因子分解机FM来说,最大的特点是对于稀疏的数据具有很好的学习能力),GBDT(Gradient Boosting Decision Tree梯度提升迭代决策树)等等。
可选的,所述可选的,如前述的数据处理方法,所述步骤S8运用推送模块将推荐评分最高的N个候选推送信息推送给目标用户,包括:
运用资源位展示单元,将目标推送信息上传至与目标用户对应的活动池;以使目标用户通过用户端获取活动池中的目标推送信息;推荐评分最高的N个候选推送信息中包括目标推送信息;
运用发送单元,分别确定各个目标推送信息中的关键词信息,将关键词信息写入预设模板中的对应位置,生成与各个目标推送信息对应的推送信息,将推送信息发送至目标用户。具体的的,当推送信息是活动信息时,可以按照如下所述方法完成将活动信息推送给目标用户的目的:
1.资源位推荐展示:通过资源位展示单元,在相关人员将目标推送信息上传至活动池,通过CTR模型和其他转化模型在主要目标和辅助目标两个版面输出基于单个用户维度的最优活动,在用户端进行展示。
2.线下Push/短信推荐展示:运用发送单元,按照预设关键词提取策略获取得到各个目标推送信息中的关键词信息,并确定各个关键词信息与预设模板中的位置之间的对应关系,最后将关键词信息写入预设模板中;进而可以通过统一推荐模型,联动接口模板Push或者模板短信,输出最优活动,进行千人千面的文案和连接展示进行活动推荐。其中,短信中的文案以及链接为运营上传活动时的统一标准化配置,底层调用上述转化模型,根据不同用户对应的评分最高的活动,实时调用该活动匹配的文案和链接,进行短信或者push的触达,进一步提升活动成功转化的概率。
在一些实施例中,如前述的数据处理方法,所述步骤S6运用结果获取模块,根据用户特征、推送信息特征以及预测模型得到与候选推送信息对应的预计推荐结果,包括如下所述步骤S61和S62:
步骤S61.运用目标预测模型确定单元,根据推送信息特征对预测模型进行配置,得到与候选推送信息对应的目标预测模型。
步骤S62.运用结果确定单元将用户特征输入目标预测模型进行预测,得到预计推荐结果。
具体的,一般情况下预测模型中预设有所有特征项,并且可以确定推送信息特征中包括的特征A对预测模型中的各个特征进行配置,以得到与候选推送信息对应的目标预测模型。进而可以根据配置后的目标预测模型预测推送信息对于目标用户的预计推荐结果。
举例的,可以根据实际情况填补预测模型中相关特征的缺失值,其中,缺失值可以根据具体情况填补为空值、众数、中位数等等;并且在填补后,即可得到与候选推送信息对应的目标预测模型;进一步的,在预测之前,还可以进行整体特征处理,例如进行数据归一化,进行数据清洗,填补缺失值后进行模型的预测。
在得到目标预测模型之后,即可将用户特征输入目标预测模型中,以得到最终的预计推荐结果。
在一些实施例中,如前述的数据处理方法,还包括如下所述步骤P1至P3:
步骤P1.运用第三获取单元,按照预设的训练数据获取策略获取与候选用户对应的第三历史记录信息;第三历史记录信息未用于训练预测模型,候选用户包括目标用户,且候选用户与目标用户的用户类型一致。
具体的,训练数据获取策略是用于获取未用于对模型进行训练的历史记录信息;且为了与前述实施例中的历史记录信息进行区分,记为第三历史记录信息。
训练数据获取策略可以是:确定预测模型上一次的训练时间,获取在训练时间之后获取的第三历史记录信息;也可以是,每次训练都间隔预设时间段,然后获取时间上最近的一个预设时间段中的第三历史记录信息;此外,还可以是其它获取方式,在此不一一列举。
步骤P2.运用划分单元对第三历史记录信息进行随机划分,得到训练集补充数据和验证集补充数据。
步骤P3.运用第一更新单元,通过训练集补充数据对预测模型进行训练,在通过验证集补充数据对训练后的预测模型进行验证,并满足预设的性能要求时,得到第一更新后预测模型。
也就是说,将第三历史记录信息进行划分,分为训练集补充数据和验证集补充数据。
在通过训练集补充数据对预测模型进行训练之后,再通过验证集补充数据对训练后预测模型进行验证并满足性能要求时,即可得到第一更新后预测模型;其中,第一更新后预测模型是通过实时最新训练数据训练后的预测模型。
因此,采用本实施例中的方法可以对模型自动优化,在预测的同时,可以不断地提高预测的准确性。
在一些实施例中,如前述的数据处理方法,还包括如下所述步骤Q1至Q4:
步骤Q1.运用第四获取单元获取新上传的待处理信息。
具体的,待处理信息是新上传的,并且可以用于推送给用户的信息。进一步的,待处理信息在上传后可以按照时序存储在对应的数据库中,因此,获取待处理信息的方式可以是:按照一定的周期(日/周/月)从数据库中读取得到待处理信息。
步骤Q2.运用待处理特征确定单元确定待处理信息中的待处理特征。
具体的,待处理特征是对待处理信息对应的特征;其中一种可选的实现方式可以是:在生成待处理信息的时候,对信息中的内容和字段进行规范化处理,以达到通过对内容和字段进行解析,可以得到该内容对应的特征的目的。
步骤Q3.运用新特征确定单元确定待处理特征中不存在于预测模型中的新特征。
具体的,可以获取预测模型中的所有特征,然后将待处理特征逐个在模型包括的特征中进行遍历,以得到新特征。
步骤Q4.运用第二更新单元,根据新特征对预测模型进行特征添加得到第二更新后预测模型。
具体的,在得到新特征后,需要根据新特征对预测模型进行对应修改,以使其能够用于预测包括新特征的推送信息。其中一种特征添加的方法可以是:得到与新特征对应的特征因子,然后将该特征因子添加至预测模型中。
进一步的,在得到第二更新后预测模型之后,可以对该模型进行预测的结果,会进行一定周期(日/周/月)的监控,以对推荐结果进行及时反馈和调整。
通过本实施例中的方法,可以定期根据推送信息的更新对预测模型进行优化调整,避免出现对某些包括新特征的推送信息无法达到良好的预测性能的问题,使预测模型能够保障时时给出准确的预测结果。
如图4所示,根据本申请另一方面,本申请实施例还提供了一种信息推送的数据处理装置,包括:
确定模块1,用于确定需要进行信息推送的目标用户;
记录获取模块2,用于获取目标用户对应的第一历史记录信息;
用户信息确定模块3,用于根据第一历史记录信息确定目标用户的用户类型以及用户特征;
信息获取模块4,用于根据用户特征获取与目标用户对应的候选推送信息;
模型获取模块5,用于获取与用户类型对应的预先训练得到的预测模型;
结果获取模块6,用于根据用户特征、推送信息特征以及预测模型得到与候选推送信息对应的预计推荐结果;推送信息特征用于表征候选推送信息的特征。
具体的,本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
根据本申请的另一个实施例,还提供一种电子设备,包括:如图5所示,电子设备可以包括:处理器1501、通信接口1502、存储器1503和通信总线1504,其中,处理器1501,通信接口1502,存储器1503通过通信总线1504完成相互间的通信。
存储器1503,用于存放计算机程序;
处理器1501,用于执行存储器1503上所存放的程序时,实现上述方法实施例的步骤。
上述电子设备提到的总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignalProcessing,DSP)、专用集成电路(APPlication Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请实施例还提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述方法实施例的步骤。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种信息推送的数据处理方法,其特征在于,包括:
运用确定模块确定需要进行信息推送的目标用户;
运用记录获取模块获取所述目标用户对应的第一历史记录信息;
运用用户信息确定模块,根据所述第一历史记录信息确定所述目标用户的用户类型以及用户特征;
运用信息获取模块,根据所述用户特征获取与所述目标用户对应的候选推送信息;
运用模型获取模块获取与所述用户类型对应的预先训练得到的预测模型;
运用结果获取模块,根据所述用户特征、推送信息特征以及所述预测模型得到与所述候选推送信息对应的预计推荐结果;所述推送信息特征用于表征所述候选推送信息的特征。
2.根据权利要求1所述的数据处理方法,其特征在于,所述运用信息获取模块,根据所述用户特征获取与所述目标用户对应的候选推送信息,包括:
运用匹配单元,根据所述用户特征匹配得到与所述目标用户满足预设匹配度的关联用户;
运用第一获取单元获取所述关联用户对应的第二历史记录信息;
运用候选推送信息确定单元,根据所述第二历史记录信息确定与所述关联用户发生过交互的所述候选推送信息。
3.根据权利要求1所述的数据处理方法,其特征在于,所述运用用户信息确定模块根据所述第一历史记录信息确定所述目标用户的用户类型,包括:
运用第二获取单元,根据所述第一历史记录信息获取所述目标用户具备的特征类型以及活跃度;所述特征类型包括:人口属性、金融特征、点击特征、点击至交易转换特征、历史浏览特征、实时搜索特征、实时浏览特征;所述活跃度包括:交易频率、点击频率;
运用分析单元,通过预设的用户类型划分策略对所述特征类型以及活跃度进行分析,得到所述目标用户对应的生命周期;
运用用户类型确定单元,根据所述目标用户对应的生命周期确定所述用户类型。
4.根据权利要求1所述的数据处理方法,其特征在于,所述候选推送信息至少包括两个,所述方法还包括:
运用评分获取模块,按照预设的计算策略对每个所述候选推送信息对应的所述预计推荐结果进行计算,得到与每个所述候选推送信息对应的推荐评分;所述预计推荐结果包括:点击概率、交易概率和预测交易金额;
运用推送模块将所述推荐评分最高的N个所述候选推送信息推送给所述目标用户;其中,N为≥1的整数。
5.根据权利要求1所述的数据处理方法,其特征在于,所述运用结果获取模块,根据所述用户特征、推送信息特征以及所述预测模型得到与所述候选推送信息的预计推荐结果,包括:
运用目标预测模型确定单元,根据所述推送信息特征对所述预测模型进行配置,得到与所述候选推送信息对应的目标预测模型;
运用结果确定单元将所述用户特征输入所述目标预测模型进行预测,得到所述预计推荐结果。
6.根据权利要求1所述的数据处理方法,其特征在于,还包括:
运用第三获取单元,按照预设的训练数据获取策略获取与候选用户对应的第三历史记录信息;所述第三历史记录信息未用于训练所述预测模型,所述候选用户包括所述目标用户,且所述候选用户与所述目标用户的用户类型一致;
运用划分单元对所述第三历史记录信息进行随机划分,得到训练集补充数据和验证集补充数据;
运用第一更新单元,通过训练集补充数据对所述预测模型进行训练,在通过验证集补充数据对训练后的所述预测模型进行验证,并满足预设的性能要求时,得到第一更新后预测模型。
7.根据权利要求1所述的数据处理方法,其特征在于,还包括:
运用第四获取单元获取新上传的待处理信息;
运用待处理特征确定单元确定所述待处理信息中的待处理特征;
运用新特征确定单元确定所述待处理特征中不存在于所述预测模型中的新特征;
运用第二更新单元,根据所述新特征对所述预测模型进行特征添加得到第二更新后预测模型。
8.一种信息推送的数据处理装置,其特征在于,包括:
确定模块,用于确定需要进行信息推送的目标用户;
记录获取模块,用于获取所述目标用户对应的第一历史记录信息;
用户信息确定模块,用于根据所述第一历史记录信息确定所述目标用户的用户类型以及用户特征;
信息获取模块,用于根据所述用户特征获取与所述目标用户对应的候选推送信息;
模型获取模块,用于获取与所述用户类型对应的预先训练得到的预测模型;
结果获取模块,用于根据所述用户特征、推送信息特征以及所述预测模型得到与所述候选推送信息对应的预计推荐结果;所述推送信息特征用于表征所述候选推送信息的特征。
9.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,所述处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述计算机程序时,实现权利要求1-7任一项所述的处理方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行权利要求1-7任一项所述的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010921701.4A CN112148973B (zh) | 2020-09-04 | 2020-09-04 | 一种信息推送的数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010921701.4A CN112148973B (zh) | 2020-09-04 | 2020-09-04 | 一种信息推送的数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112148973A true CN112148973A (zh) | 2020-12-29 |
CN112148973B CN112148973B (zh) | 2023-11-07 |
Family
ID=73889780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010921701.4A Active CN112148973B (zh) | 2020-09-04 | 2020-09-04 | 一种信息推送的数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112148973B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763112A (zh) * | 2021-02-25 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法及装置 |
CN113868481A (zh) * | 2021-10-25 | 2021-12-31 | 联想(北京)有限公司 | 组件获取方法、装置及电子设备和存储介质 |
CN114285896A (zh) * | 2021-12-28 | 2022-04-05 | 建信金融科技有限责任公司 | 信息推送方法、装置、设备、存储介质及程序产品 |
CN114677168A (zh) * | 2022-03-11 | 2022-06-28 | 百果园技术(新加坡)有限公司 | 一种资源推荐方法、装置、设备及介质 |
CN115082132A (zh) * | 2022-08-18 | 2022-09-20 | 网娱互动科技(北京)股份有限公司 | 一种基于积分奖励的推广方法和*** |
CN115225702A (zh) * | 2021-04-19 | 2022-10-21 | 北京达佳互联信息技术有限公司 | 信息推送方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150074125A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Managing content available for content prediction |
US20190043127A1 (en) * | 2017-08-04 | 2019-02-07 | Airbnb, Inc. | Verification model using neural networks |
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 |
CN109460512A (zh) * | 2018-10-25 | 2019-03-12 | 腾讯科技(北京)有限公司 | 推荐信息处理方法、装置、设备及存储介质 |
CN110263242A (zh) * | 2019-01-04 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、计算机可读存储介质和计算机设备 |
CN110276446A (zh) * | 2019-06-26 | 2019-09-24 | 北京百度网讯科技有限公司 | 模型训练和选择推荐信息的方法和装置 |
CN110399550A (zh) * | 2019-03-14 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法及装置 |
CN110400169A (zh) * | 2019-07-02 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种信息推送方法、装置及设备 |
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 |
US20200374589A1 (en) * | 2018-07-04 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | User feature generation method and apparatus, device, and computer-readable storage medium |
-
2020
- 2020-09-04 CN CN202010921701.4A patent/CN112148973B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150074125A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Managing content available for content prediction |
US20190043127A1 (en) * | 2017-08-04 | 2019-02-07 | Airbnb, Inc. | Verification model using neural networks |
US20200374589A1 (en) * | 2018-07-04 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | User feature generation method and apparatus, device, and computer-readable storage medium |
CN109460512A (zh) * | 2018-10-25 | 2019-03-12 | 腾讯科技(北京)有限公司 | 推荐信息处理方法、装置、设备及存储介质 |
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 |
CN110263242A (zh) * | 2019-01-04 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、计算机可读存储介质和计算机设备 |
CN110399550A (zh) * | 2019-03-14 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法及装置 |
CN110276446A (zh) * | 2019-06-26 | 2019-09-24 | 北京百度网讯科技有限公司 | 模型训练和选择推荐信息的方法和装置 |
CN110400169A (zh) * | 2019-07-02 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种信息推送方法、装置及设备 |
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 |
Non-Patent Citations (1)
Title |
---|
朱思涵;浦剑;: "基于序列特征的点击率预测模型", 华东师范大学学报(自然科学版), no. 04 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763112A (zh) * | 2021-02-25 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法及装置 |
CN115225702A (zh) * | 2021-04-19 | 2022-10-21 | 北京达佳互联信息技术有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN115225702B (zh) * | 2021-04-19 | 2023-08-08 | 北京达佳互联信息技术有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN113868481A (zh) * | 2021-10-25 | 2021-12-31 | 联想(北京)有限公司 | 组件获取方法、装置及电子设备和存储介质 |
CN114285896A (zh) * | 2021-12-28 | 2022-04-05 | 建信金融科技有限责任公司 | 信息推送方法、装置、设备、存储介质及程序产品 |
CN114285896B (zh) * | 2021-12-28 | 2023-07-07 | 建信金融科技有限责任公司 | 信息推送方法、装置、设备、存储介质及程序产品 |
CN114677168A (zh) * | 2022-03-11 | 2022-06-28 | 百果园技术(新加坡)有限公司 | 一种资源推荐方法、装置、设备及介质 |
CN115082132A (zh) * | 2022-08-18 | 2022-09-20 | 网娱互动科技(北京)股份有限公司 | 一种基于积分奖励的推广方法和*** |
CN115082132B (zh) * | 2022-08-18 | 2022-11-04 | 网娱互动科技(北京)股份有限公司 | 一种基于积分奖励的推广方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN112148973B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148973B (zh) | 一种信息推送的数据处理方法及装置 | |
US10958748B2 (en) | Resource push method and apparatus | |
CN105989004B (zh) | 一种信息投放的预处理方法和装置 | |
US11995112B2 (en) | System and method for information recommendation | |
US8660901B2 (en) | Matching of advertising sources and keyword sets in online commerce platforms | |
CN111095330B (zh) | 用于预测在线用户交互的机器学习方法和*** | |
CN104679771A (zh) | 一种个性化数据搜索方法和装置 | |
CN109636490A (zh) | 广告转化率的实时预测方法、广告评价方法与*** | |
CN112508609B (zh) | 人群扩量的预测方法、装置、设备及存储介质 | |
CN113742492B (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
CN111767737A (zh) | 文本意图相似度确定方法、装置、电子设备和存储介质 | |
CN111931055B (zh) | 对象推荐方法、对象推荐装置和电子设备 | |
CN116308684B (zh) | 一种网购平台店铺信息推送方法及*** | |
CN113744017A (zh) | 电商搜索的推荐方法及装置、设备、存储介质 | |
JP2019215778A (ja) | サービス提供システム、広告関連サービス提供システム、ユーザ側設備及びユーザ側広告設備 | |
CN113744016A (zh) | 一种对象推荐方法及装置、设备、存储介质 | |
CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
WO2021257610A1 (en) | Time series forecasting and visualization methods and systems | |
CN115423578A (zh) | 基于微服务容器化云平台的招投标方法和*** | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN110209944B (zh) | 一种股票分析师推荐方法、装置、计算机设备和存储介质 | |
CN116976995A (zh) | 多目标推荐的处理方法及装置 | |
CN111738754A (zh) | 对象推荐方法及装置、存储介质、计算机设备 | |
CN117057855A (zh) | 一种数据处理方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: Jingdong Digital Technology Holding Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |