CN112381607B - 一种网络商品排序方法、装置、设备及介质 - Google Patents
一种网络商品排序方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112381607B CN112381607B CN202011264017.XA CN202011264017A CN112381607B CN 112381607 B CN112381607 B CN 112381607B CN 202011264017 A CN202011264017 A CN 202011264017A CN 112381607 B CN112381607 B CN 112381607B
- Authority
- CN
- China
- Prior art keywords
- commodity
- click
- sequence
- conversion rate
- rate
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000006243 chemical reaction Methods 0.000 claims abstract description 183
- 230000006399 behavior Effects 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
-
- 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
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种网络商品排序方法、装置、设备及介质。该方法包括：获取用户行为数据和商品曝光数据；用户行为数据包括购买意图序列和历史点击序列；将用户行为数据和商品曝光数据输入基于多任务学习框架构建的多目标预估模型，得到相应的商品转化率；其中，多目标预估模型包括商品点击率学习任务和商品转化率学习任务；商品点击率学习任务和商品转化率学习任务之间共享嵌入层参数和部分注意力参数；将历史点击序列和商品曝光数据输入点击率预估模型，得到相应的商品点击率；基于商品转化率和商品点击率确定商品的点击转化概率，并基于点击转化概率对商品进行排序，能够根据商品的综合质量进行排序，进而提高商品转化率以及总成交额。
Description
技术领域
本发明涉及网络购物领域，特别涉及一种网络商品排序方法、装置、设备及介质。
背景技术
当前，网络商城商品的点击率(即CTR，Click Through Rate)与转化率(即CVR，Conversion Rate)并非完全呈正比，点击率表示曝光商品被点击概率，转化率表示点击商品被购买概率。例如，某个商品的封面设计优美，商品点击率高，但由于商品实际质量不符合商品描述导致用户点击后不会购买；或者存在某个商品的封面不够有吸引力，被用户点击的概率较低，但是该商品的质量、评价和历史销量等其他指标的表现都很好，用户一旦点击并进入商品详情页、观察到商品的一系列历史表现之后，这类商品被用户购买的概率较高。因此，如何将高质量的商品优先排序，实现成交额最大化是当前面临的主要问题。
现有技术中，通过模型预测商品的转化率，但是转化率预估模型是假设商品被点击，预测商品被转化的概率，即传统转化率预估模型通常以点击数据为训练集，其中点击但未转化的商品为负例，点击并转化的商品为正例，因此存在样本偏差问题，降低了模型的泛化能力。现有技术中，还通过ESMM网络结构直接预测商品的点击且转化概率(即CTCVR，Click Through&Conversion Rate)，但是，在实际应用中，根据输出的CTCVR分数进行线上排序时，会出现点击率大幅度下跌的现象，降低了商品的点击率，进而影响商品的转化率以及总成交额。
发明内容
有鉴于此，本发明的目的在于提供一种网络商品排序方法、装置、设备及介质，能够根据商品的综合质量进行排序，进而提高商品转化率以及总成交额。其具体方案如下：
第一方面，本申请公开了一种网络商品排序方法，包括：
获取用户行为数据和商品曝光数据；所述用户行为数据包括购买意图序列和历史点击序列；
将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，得到相应的商品转化率；其中，所述多目标预估模型包括商品点击率学习任务和商品转化率学习任务；所述商品点击率学习任务和所述商品转化率学习任务之间共享嵌入层参数和部分注意力参数；
将所述历史点击序列和所述商品曝光数据输入点击率预估模型，得到相应的商品点击率；
基于所述商品转化率和所述商品点击率确定商品的点击转化概率，并根据所述点击转化概率对商品进行排序。
可选的，所述获取用户行为数据，包括：
基于用户的加购操作、收藏操作，以及通过历史足迹表和/或收藏夹和/或购物车的再次点击操作构建操作序列；
按照每项操作与当前时间由近到远的顺序对所述操作序列进行排序，以得到所述购买意图序列；
基于用户的点击操作构建所述历史点击序列。
可选的，所述将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，包括：
将所述商品曝光数据输入所述商品点击率学习任务和所述商品转化率学习任务；
为所述购买意图序列配置非共享参数，并将所述购买意图序列输入所述商品点击率学习任务和所述商品转化率学习任务；
为所述历史点击序列配置共享参数，并将所述历史点击序列输入所述商品点击率学习任务和所述商品转化率学习任务，以便所述商品点击率学习任务和所述商品转化率学习任务共享所述历史点击序列的注意力参数。
可选的，所述多目标预估模型的构建过程，包括：
基于ESMM网络结构，构建共享嵌入层参数和隐藏层部分参数的双任务学习模型，以得到所述多目标预估模型。
可选的，所述将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，包括：
获取商品的商品特征；所述商品特征包括商品类目、商品价格、商品销量和商品点赞量中的任意一项或几项；
将所述商品特征与所述历史点击序列中的商品进行对应，得到包含商品特征的历史点击序列；
将所述包含商品特征的历史点击序列、所述购买意图序列和所述商品曝光数据输入至所述多目标预估模型。
可选的，所述基于所述商品转化率和所述商品点击率确定商品的点击转化概率，包括：
利用预设值域控制函数对所述商品转化率进行约束运算，得到约束后商品转化率；
将所述约束后商品转化率与所述商品点击率相乘，以得到所述点击转化概率。
第二方面，本申请公开了一种网络商品排序装置，包括：
数据获取模块，用于获取用户行为数据和商品曝光数据；所述用户行为数据包括购买意图序列和历史点击序列；
转化率确定模块，用于将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，得到相应的商品转化率；其中，所述多目标预估模型包括商品点击率学习任务和商品转化率学习任务；所述商品点击率学习任务和所述商品转化率学习任务之间共享嵌入层参数和部分注意力参数；
点击率确定模块，用于将所述历史点击序列和所述商品曝光数据输入点击率预估模型，得到相应的商品点击率；
点击转化概率确定模块，用于基于所述商品转化率和所述商品点击率确定商品的点击转化概率，并根据所述点击转化概率对商品进行排序。
可选的，所述转化率确定模块，还包括：
特征获取单元，用于获取商品的商品特征；所述商品特征包括商品类目、商品价格、商品销量和商品点赞量中的任意一项或几项；
历史点击序列构建单元，用于将所述商品特征与所述历史点击序列中的商品进行对应，得到包含商品特征的历史点击序列；
数据输入单元，用于将所述包含商品特征的历史点击序列、所述购买意图序列和所述商品曝光数据输入至所述多目标预估模型。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述的网络商品排序方法。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中计算机程序被处理器执行时实现前述的网络商品排序方法。
本申请公开的一种网络商品排序方法包括：通过获取用户行为数据和商品曝光数据；所述用户行为数据包括购买意图序列和历史点击序列；将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，得到相应的商品转化率；其中，所述多目标预估模型包括商品点击率学习任务和商品转化率学习任务；所述商品点击率学习任务和所述商品转化率学习任务之间共享嵌入层参数和部分注意力参数；将所述历史点击序列和所述商品曝光数据输入点击率预估模型，得到相应的商品点击率；基于所述商品转化率和所述商品点击率确定商品的点击转化概率，并根据所述点击转化概率对商品进行排序。
可见，通过将购买意图序列、历史点击序列和商品曝光数据，输入包含商品点击率学习任务和商品转化率学习任务的多目标预估模型，并且由于商品点击率学习任务和商品转化率学习任务之间共享嵌入层参数和部分注意力参数，由此利用全部样本，即商品曝光数据进行预估，并通过商品点击率学习任务和商品转化率学习任务之间的共同学习，可以得到较为精准的商品转化率，最后根据基于多目标预估模型得到的商品转化率，以及基于点击率预估模型得到的商品点击率确定出商品的点击转化概率，并根据点击转化概率对商品进行排序。由此可以确定出商品的最佳排序顺序，在保障商品点击率的同时提高商品转化率，进而提高总成交额。
附图说明
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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种网络商品排序方法流程图；
图2为本申请提供的单个任务的部分网络架构示意图；
图3为本申请提供的一种具体的网络商品排序方法流程图；
图4为本申请提供的一种网络商品排序装置结构示意图；
图5为本申请提供的一种电子设备结构图。
具体实施方式
现有技术中，通过模型预测商品的转化率，但是转化率预估模型是假设商品被点击，预测商品被转化的概率，即传统转化率预估模型通常以点击数据为训练集，其中点击但未转化的商品为负例，点击并转化的商品为正例，因此存在样本偏差问题，降低了模型的泛化能力。为克服上述技术问题，本申请提供了一种利用多模型结合和多任务学习的网络商品排序方法，能够根据商品的综合质量进行排序，进而提高商品转化率以及总成交额。
本申请实施例公开了一种网络商品排序方法，参见图1所示，该方法可以包括以下步骤：
步骤S11：获取用户行为数据和商品曝光数据；所述用户行为数据包括购买意图序列和历史点击序列。
本实施例中，首先获取用户行为数据和商品曝光数据，其中，上述用户行为数据为根据用户行为确定的数据，包括购买意图序列和历史点击序列。
本实施例中，所述获取用户行为数据，可以包括：基于用户的加购操作、收藏操作，以及通过历史足迹表和/或收藏夹和/或购物车的再次点击操作构建操作序列；按照每项操作与当前时间由近到远的顺序对所述操作序列进行排序，以得到所述购买意图序列；基于用户的点击操作构建所述历史点击序列。并且，上述购买意图序列为按照每项操作与当前时间由近到远的顺序进行排序的，距当前时间较近的操作行为在序列中的相对位置靠前，相应的，距当前时间较远的操作行为在序列中的相对位置靠后。可以理解的是，用户针对商品的收藏操作、点击操作和加购操作，以及之后又从历史足迹表和/或收藏夹和/或购物车中的再次点击操作，可以表明用户对这个商品的购买意向很强烈。因此，将这类操作行为路径作为购买意图序列来进行模型学习和预测，可以引入更多成交相关的有效信息。
步骤S12：将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，得到相应的商品转化率；其中，所述多目标预估模型包括商品点击率学习任务和商品转化率学习任务；所述商品点击率学习任务和所述商品转化率学习任务之间共享嵌入层参数和部分注意力参数。
本实施例中，在得到上述用户行为数据和商品曝光数据后，将上述数据输入至基于多任务学习框架构建的多目标预估模型，然后通过模型预测得到商品相应的商品转化率；其中，上述多目标预估模型包括商品点击率学习任务和商品转化率学习任务，商品点击率学习用于预测商品的点击率，商品转化率学习任务用于预测商品的转化率，并且，上述商品点击率学习任务和商品转化率学习任务之间共享嵌入层(即embedding层)参数和部分注意力参数。
可以理解的是，将用户的购买意图序列与用户的历史点击序列同时输入模型中进行训练，其中，用户的历史点击序列和购买意图序列均会输送给两个任务，两个任务均使用传统注意力机制结构承接这些序列。但是，历史点击序列的注意力参数是两个任务共享的，购买意图序列的注意力参数两个任务之间不共享，由两个任务各自学习。最后将历史点击序列与成交意图序列的注意力参数输出结果经过融合、MLP全连接层、降维、非线性激活函数等，由商品转化率学习任务得到最终的转化率。可以理解的是，商品转化率学习任务可以通过商品点击率学习任务学习到的参数来辅助训练，并且商品点击率学习任务和商品转化率学习任务之间，通过共享嵌入层参数和历史点击序列的注意力参数可以提高商品转化率学习任务的学习能力，进而得到更加符合实际应用的商品转化率。
本实施例中，所述将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，可以包括：将所述商品曝光数据输入所述商品点击率学习任务和所述商品转化率学习任务；为所述购买意图序列配置非共享参数，并将所述购买意图序列输入所述商品点击率学习任务和所述商品转化率学习任务；为所述历史点击序列配置共享参数，并将所述历史点击序列输入所述商品点击率学习任务和所述商品转化率学习任务，以便所述商品点击率学习任务和所述商品转化率学习任务共享所述历史点击序列的注意力参数。可以理解的是，可以通过为购买意图序列配置非共享参数，为所述历史点击序列配置共享参数，以便商品点击率学习任务和商品转化率学习任务之间共享上述历史点击序列的注意力参数，但不共享购买意图序列的注意力参数。
本实施例中，所述多目标预估模型的构建过程，可以包括：基于ESMM网络结构，构建共享嵌入层参数和隐藏层部分参数的双任务学习模型，以得到所述多目标预估模型。可以理解的是，可以在ESMM网络结构的基础上保留原有的嵌入层共享，同时新增历史点击序列的注意力参数共享，得到上述双任务学习模型；其中，每个任务的部分网络结构如图2所示，两个任务之间共享嵌入层参数和隐藏层中的部分参数，即嵌入层参数和历史点击序列的注意力参数，上层的MLP全连接层的参数是分开不共享的。
步骤S13：将所述历史点击序列和所述商品曝光数据输入点击率预估模型，得到相应的商品点击率。
本实施例中，同时将上述历史点击序列和上述商品曝光数据输入点击率预估模型，通过点击率预估模型得到商品点击率；其中，上述点击率预估模型可以为Wide&DeepFM模型。
步骤S14：基于所述商品转化率和所述商品点击率确定商品的点击转化概率，并根据所述点击转化概率对商品进行排序。
本实施例中，根据得到的上述商品转化率和商品点击率确定出商品的点击转化概率，然后根据点击转化概率对商品进行排序，优先排序点击转化率高的商品。
由上可见，本实施例中通过将购买意图序列、历史点击序列和商品曝光数据，输入包含商品点击率学习任务和商品转化率学习任务的多目标预估模型，并且由于商品点击率学习任务和商品转化率学习任务之间共享嵌入层参数和部分注意力参数，由此利用全部样本，即商品曝光数据进行预估，并通过商品点击率学习任务和商品转化率学习任务之间的共同学习，可以得到较为精准的商品转化率，最后根据基于多目标预估模型得到的商品转化率，以及基于点击率预估模型得到的商品点击率确定出商品的点击转化概率，并根据点击转化概率对商品进行排序。由此可以确定出商品的最佳排序顺序，在保障商品点击率的同时提高商品转化率，进而提高总成交额。
本申请实施例公开了一种具体的网络商品排序方法，参见图3所示，该方法可以包括以下步骤：
步骤S21：获取用户行为数据和商品曝光数据；所述用户行为数据包括购买意图序列和历史点击序列。
步骤S22：获取商品的商品特征；所述商品特征包括商品类目、商品价格、商品销量和商品点赞量中的任意一项或几项；将所述商品特征与所述历史点击序列中的商品进行对应，得到包含商品特征的历史点击序列。
本实施例中，可以同时获取商品的商品特征；其中，商品特征包括但不限于商品类目、商品价格、商品销量、商品点赞量和商品店铺及品牌，然后将上述商品特征与上述历史点击序列中的商品进行对应，得到含有商品特征的历史点击序列。具体的，可以先将上述商品特征进行分桶，每个特征可以分为8桶，例如将商品价格分为8个区段，对不同商品标记对应的价格区段；其中，上述分桶边界可以通过人工设定；分桶后，对每类特征进行编码，构建其专属的embedding矩阵，作为上述历史点击序列的补充信息；可以理解的是，这些商品特征也是以序列的方式呈现的，且与历史点击序列中的每个商品一一对应，也就是说，序列中的每个商品，都包含类目、价格、销量和点赞量等特征。具体的，可以将这些编码后的特征序列与历史点击序列的embedding表达在最后一个维度进行拼接。
由此，利用商品特征作为历史点击序列的补充信息，可以根据用户行为，去预测用户的隐藏信息，比如类目偏好、价格偏好、是否关注商品的评价星级或评价数量，以及是否关注商品销量和大众喜爱程度。这些信息与历史点击序列一起，可以帮助模型学习商品表达，进一步增强商品转化率任务侧的能力。
步骤S23：将所述包含商品特征的历史点击序列、所述购买意图序列和所述商品曝光数据输入至多目标预估模型，得到相应的商品转化率；其中，所述多目标预估模型包括商品点击率学习任务和商品转化率学习任务；所述商品点击率学习任务和所述商品转化率学习任务之间共享嵌入层参数和部分注意力参数。
本实施例中，将获取的上述包含商品特征的历史点击序列、购买意图序列和商品曝光数据输入至多目标预估模型，然后通过模型预测得到商品相应的商品转化率；其中，上述多目标预估模型包括商品点击率学习任务和商品转化率学习任务，商品点击率学习用于预测商品的点击率，商品转化率学习任务用于预测商品的转化率，并且，上述商品点击率学习任务和商品转化率学习任务之间共享嵌入层参数和部分注意力参数。
步骤S24：将所述历史点击序列和所述商品曝光数据输入点击率预估模型，得到相应的商品点击率。
步骤S25：利用预设值域控制函数对所述商品转化率进行约束运算，得到约束后商品转化率。
本实施例中，在得到上述商品转化率后，利用预设值域控制函数对上述商品转化率进行约束运算，得到约束后商品转化率；具体的，商品转化率的值域约束公式为：
SigmoidCVR＝1/(alpha+e^(-beta*CVR))；
其中，SigmoidCVR为约束后商品转化率，alpha可以取0.5，beta可以取1.1。可以理解的是，通过对多目标预估模型输出的商品转化率进行值域约束，可以减少商品转化率对整体值域的影响。
步骤S26：将所述约束后商品转化率与所述商品点击率相乘，以得到所述点击转化概率，并根据所述点击转化概率对商品进行排序。
本实施例中，得到上述约束后商品转化率后，将上述约束后商品转化率与上述商品点击率相乘，得到商品的点击转化概率CTCVR，CTCVR＝CTR*SigmoidCVR，然后根据点击转化概率对商品进行排序，优先排序点击转化率高的商品。
其中，关于上述步骤S21、步骤S24的具体过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
由上可见，本实施例中通过获取商品的商品特征，并将商品特征与历史点击序列中的商品进行对应，得到包含商品特征的历史点击序列；然后将包含商品特征的历史点击序列、购买意图序列和商品曝光数据输入至多目标预估模型，得到相应的商品转化率；再利用预设值域控制函数对商品转化率进行约束运算，得到约束后商品转化率，最后将约束后商品转化率与商品点击率相乘，以得到点击转化概率，并根据点击转化概率对商品进行排序。通过利用商品特征作为历史点击序列的补充信息，可以帮助模型学习商品表达，进一步增强商品转化率任务侧的能力。并且通过对得到的商品转化率进行约束运算，可以减少商品转化率对整体值域的影响，使确定的点击转化概率更加符合实际应用场景。
相应的，本申请实施例还公开了一种网络商品排序装置，参见图4所示，该装置包括：
数据获取模块11，用于获取用户行为数据和商品曝光数据；所述用户行为数据包括购买意图序列和历史点击序列；
转化率确定模块12，用于将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，得到相应的商品转化率；其中，所述多目标预估模型包括商品点击率学习任务和商品转化率学习任务；所述商品点击率学习任务和所述商品转化率学习任务之间共享嵌入层参数和部分注意力参数；
点击率确定模块13，用于将所述历史点击序列和所述商品曝光数据输入点击率预估模型，得到相应的商品点击率；
点击转化概率确定模块14，用于基于所述商品转化率和所述商品点击率确定商品的点击转化概率，并根据所述点击转化概率对商品进行排序。
由上可见，本实施例中通过将购买意图序列、历史点击序列和商品曝光数据，输入包含商品点击率学习任务和商品转化率学习任务的多目标预估模型，并且由于商品点击率学习任务和商品转化率学习任务之间共享嵌入层参数和部分注意力参数，由此利用全部样本，即商品曝光数据进行预估，并通过商品点击率学习任务和商品转化率学习任务之间的共同学习，可以得到较为精准的商品转化率，最后根据基于多目标预估模型得到的商品转化率，以及基于点击率预估模型得到的商品点击率确定出商品的点击转化概率，并根据点击转化概率对商品进行排序。由此可以确定出商品的最佳排序顺序，在保障商品点击率的同时提高商品转化率，进而提高总成交额。
在一些具体实施例中，所述数据获取模块11具体可以包括：
购买意图序列构建单元，用于基于用户的加购操作、收藏操作，以及通过历史足迹表和/或收藏夹和/或购物车的再次点击操作构建操作序列；按照每项操作与当前时间由近到远的顺序对所述操作序列进行排序，以得到所述购买意图序列；
历史点击序列构建单元，用于基于用户的点击操作构建所述历史点击序列。
在一些具体实施例中，所述转化率确定模块12具体可以包括：
特征获取单元，用于获取商品的商品特征；所述商品特征包括商品类目、商品价格、商品销量和商品点赞量中的任意一项或几项；
历史点击序列构建单元，用于将所述商品特征与所述历史点击序列中的商品进行对应，得到包含商品特征的历史点击序列；
数据输入单元，用于将所述包含商品特征的历史点击序列、所述购买意图序列和所述商品曝光数据输入至所述多目标预估模型。
在一些具体实施例中，所述点击率确定模块13具体还可以包括：
约束后商品转化率确定单元，用于利用预设值域控制函数对所述商品转化率进行约束运算，得到约束后商品转化率；
点击转化概率确定单元，用于将所述约束后商品转化率与所述商品点击率相乘，以得到所述点击转化概率。
进一步的，本申请实施例还公开了一种电子设备，参见图5所示，图中的内容不能被认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的网络商品排序方法中的相关步骤。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作***221、计算机程序222及包括用户行为数据、商品曝光数据在内的数据223等，存储方式可以是短暂存储或者永久存储。
其中，操作***221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的网络商品排序方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请实施例还公开了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述任一实施例公开的网络商品排序方法步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，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。
以上对本发明所提供的一种网络商品排序方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种网络商品排序方法，其特征在于，包括：
获取用户行为数据和商品曝光数据；所述用户行为数据包括购买意图序列和历史点击序列；
将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，得到相应的商品转化率；其中，所述多目标预估模型包括商品点击率学习任务和商品转化率学习任务；所述商品点击率学习任务和所述商品转化率学习任务之间共享嵌入层参数和部分注意力参数；
将所述历史点击序列和所述商品曝光数据输入点击率预估模型，得到相应的商品点击率；
基于所述商品转化率和所述商品点击率确定商品的点击转化概率，并根据所述点击转化概率对商品进行排序；
其中，所述将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，包括：
将所述商品曝光数据输入所述商品点击率学习任务和所述商品转化率学习任务；
为所述购买意图序列配置非共享参数，并将所述购买意图序列输入所述商品点击率学习任务和所述商品转化率学习任务；
为所述历史点击序列配置共享参数，并将所述历史点击序列输入所述商品点击率学习任务和所述商品转化率学习任务，以便所述商品点击率学习任务和所述商品转化率学习任务共享所述历史点击序列的注意力参数；
其中，所述多目标预估模型的构建过程，包括：
基于ESMM网络结构，构建共享嵌入层参数和隐藏层部分参数的双任务学习模型，以得到所述多目标预估模型；
其中，所述将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，包括：
获取商品的商品特征；所述商品特征包括商品类目、商品价格、商品销量和商品点赞量中的任意一项或几项；
将所述商品特征与所述历史点击序列中的商品进行对应，得到包含商品特征的历史点击序列；
将所述包含商品特征的历史点击序列、所述购买意图序列和所述商品曝光数据输入至所述多目标预估模型。
2.根据权利要求1所述的网络商品排序方法，其特征在于，所述获取用户行为数据，包括：
基于用户的加购操作、收藏操作，以及通过历史足迹表和/或收藏夹和/或购物车的再次点击操作构建操作序列；
按照每项操作与当前时间由近到远的顺序对所述操作序列进行排序，以得到所述购买意图序列；
基于用户的点击操作构建所述历史点击序列。
3.根据权利要求1或2所述的网络商品排序方法，其特征在于，所述基于所述商品转化率和所述商品点击率确定商品的点击转化概率，包括：
利用预设值域控制函数对所述商品转化率进行约束运算，得到约束后商品转化率；
将所述约束后商品转化率与所述商品点击率相乘，以得到所述点击转化概率。
4.一种网络商品排序装置，其特征在于，包括：
数据获取模块，用于获取用户行为数据和商品曝光数据；所述用户行为数据包括购买意图序列和历史点击序列；
转化率确定模块，用于将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，得到相应的商品转化率；其中，所述多目标预估模型包括商品点击率学习任务和商品转化率学习任务；所述商品点击率学习任务和所述商品转化率学习任务之间共享嵌入层参数和部分注意力参数；
点击率确定模块，用于将所述历史点击序列和所述商品曝光数据输入点击率预估模型，得到相应的商品点击率；
点击转化概率确定模块，用于基于所述商品转化率和所述商品点击率确定商品的点击转化概率，并根据所述点击转化概率对商品进行排序；
其中，所述将所述用户行为数据和所述商品曝光数据输入基于多任务学习框架构建的多目标预估模型，包括：将所述商品曝光数据输入所述商品点击率学习任务和所述商品转化率学习任务；为所述购买意图序列配置非共享参数，并将所述购买意图序列输入所述商品点击率学习任务和所述商品转化率学习任务；为所述历史点击序列配置共享参数，并将所述历史点击序列输入所述商品点击率学习任务和所述商品转化率学习任务，以便所述商品点击率学习任务和所述商品转化率学习任务共享所述历史点击序列的注意力参数；
其中，所述多目标预估模型为基于ESMM网络结构，通过构建共享嵌入层参数和隐藏层部分参数的双任务学习模型，得到的多目标预估模型；
其中，所述转化率确定模块，还包括：
特征获取单元，用于获取商品的商品特征；所述商品特征包括商品类目、商品价格、商品销量和商品点赞量中的任意一项或几项；
历史点击序列构建单元，用于将所述商品特征与所述历史点击序列中的商品进行对应，得到包含商品特征的历史点击序列；
数据输入单元，用于将所述包含商品特征的历史点击序列、所述购买意图序列和所述商品曝光数据输入至所述多目标预估模型。
5.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1或2所述的网络商品排序方法。
6.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中计算机程序被处理器执行时实现如权利要求1或2所述的网络商品排序方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011264017.XA CN112381607B (zh) | 2020-11-12 | 2020-11-12 | 一种网络商品排序方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011264017.XA CN112381607B (zh) | 2020-11-12 | 2020-11-12 | 一种网络商品排序方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112381607A CN112381607A (zh) | 2021-02-19 |
| CN112381607B true CN112381607B (zh) | 2023-11-24 |
Family
ID=74583480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011264017.XA Active CN112381607B (zh) | 2020-11-12 | 2020-11-12 | 一种网络商品排序方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381607B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200627B (zh) * | 2020-10-09 | 2022-03-25 | 四川长虹电器股份有限公司 | 一种基于改进lfu策略提高购物车订单转换率的方法 |
| CN113159905A (zh) * | 2021-05-20 | 2021-07-23 | 深圳马六甲网络科技有限公司 | 新用户的商品推荐方法、装置、设备及存储介质 |
| CN113312555B (zh) * | 2021-06-15 | 2023-10-03 | 北京百度网讯科技有限公司 | 转化率预测方法、装置、电子设备和存储介质 |
| CN113506154A (zh) * | 2021-07-16 | 2021-10-15 | 杭州时趣信息技术有限公司 | 一种商品推荐方法、***、电子设备及相关组件 |
| CN115860870A (zh) * | 2022-12-16 | 2023-03-28 | 深圳市云积分科技有限公司 | 一种商品推荐方法、***、装置及可读介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779985A (zh) * | 2017-02-24 | 2017-05-31 | 武汉奇米网络科技有限公司 | 一种个性化商品排序的方法及*** |
| CN110008399A (zh) * | 2019-01-30 | 2019-07-12 | 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 |
| CN110033314A (zh) * | 2019-03-18 | 2019-07-19 | 北京品友互动信息技术股份公司 | 广告数据处理方法及装置 |
| WO2019169977A1 (zh) * | 2018-03-07 | 2019-09-12 | 阿里巴巴集团控股有限公司 | 一种信息转化率的预测、信息推荐方法和装置 |
| CN110336944A (zh) * | 2019-07-05 | 2019-10-15 | 杭州时趣信息技术有限公司 | 自动拍摄并分析服装图像的方法、装置、设备及*** |
| 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 |
| CN110569427A (zh) * | 2019-08-07 | 2019-12-13 | 智者四海（北京）技术有限公司 | 一种多目标排序模型训练、用户行为预测方法及装置 |
| CN110796513A (zh) * | 2019-09-25 | 2020-02-14 | 北京三快在线科技有限公司 | 多任务学习方法、装置、电子设备及存储介质 |
| CN110838043A (zh) * | 2019-11-05 | 2020-02-25 | 智者四海（北京）技术有限公司 | 商品推荐方法及装置 |
| CN110880124A (zh) * | 2019-09-29 | 2020-03-13 | 清华大学 | 转化率评估方法及装置 |
| CN111027895A (zh) * | 2019-05-16 | 2020-04-17 | 珠海随变科技有限公司 | 商品的备料预测、行为数据收集方法、装置、设备和介质 |
| CN111079015A (zh) * | 2019-12-17 | 2020-04-28 | 腾讯科技（深圳）有限公司 | 一种推荐方法、装置、计算机设备和存储介质 |
| CN111159241A (zh) * | 2019-12-20 | 2020-05-15 | 深圳前海微众银行股份有限公司 | 一种点击转化预估方法及装置 |
| WO2020107762A1 (zh) * | 2018-11-27 | 2020-06-04 | 深圳前海微众银行股份有限公司 | Ctr预估方法、装置及计算机可读存储介质 |
-
2020
- 2020-11-12 CN CN202011264017.XA patent/CN112381607B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779985A (zh) * | 2017-02-24 | 2017-05-31 | 武汉奇米网络科技有限公司 | 一种个性化商品排序的方法及*** |
| WO2019169977A1 (zh) * | 2018-03-07 | 2019-09-12 | 阿里巴巴集团控股有限公司 | 一种信息转化率的预测、信息推荐方法和装置 |
| WO2020107762A1 (zh) * | 2018-11-27 | 2020-06-04 | 深圳前海微众银行股份有限公司 | Ctr预估方法、装置及计算机可读存储介质 |
| CN110008399A (zh) * | 2019-01-30 | 2019-07-12 | 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 |
| CN110033314A (zh) * | 2019-03-18 | 2019-07-19 | 北京品友互动信息技术股份公司 | 广告数据处理方法及装置 |
| CN111027895A (zh) * | 2019-05-16 | 2020-04-17 | 珠海随变科技有限公司 | 商品的备料预测、行为数据收集方法、装置、设备和介质 |
| CN110336944A (zh) * | 2019-07-05 | 2019-10-15 | 杭州时趣信息技术有限公司 | 自动拍摄并分析服装图像的方法、装置、设备及*** |
| 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 |
| CN110569427A (zh) * | 2019-08-07 | 2019-12-13 | 智者四海（北京）技术有限公司 | 一种多目标排序模型训练、用户行为预测方法及装置 |
| CN110796513A (zh) * | 2019-09-25 | 2020-02-14 | 北京三快在线科技有限公司 | 多任务学习方法、装置、电子设备及存储介质 |
| CN110880124A (zh) * | 2019-09-29 | 2020-03-13 | 清华大学 | 转化率评估方法及装置 |
| CN110838043A (zh) * | 2019-11-05 | 2020-02-25 | 智者四海（北京）技术有限公司 | 商品推荐方法及装置 |
| CN111079015A (zh) * | 2019-12-17 | 2020-04-28 | 腾讯科技（深圳）有限公司 | 一种推荐方法、装置、计算机设备和存储介质 |
| CN111159241A (zh) * | 2019-12-20 | 2020-05-15 | 深圳前海微众银行股份有限公司 | 一种点击转化预估方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate;Xiao Ma，等;Short Research Papers II;1137-1140 * |
| 刘宝锤.《大数据分类模型和算法研究》.云南大学出版社,2019,第154页. * |
| 基于增强型FNN的广告点击率预测模型;杨妍婷;韩斌;;南京理工大学学报(第01期);37-43 * |
| 基于特征工程的广告点击转化率预测模型;邓秀勤;谢伟欢;刘富春;张翼飞;樊娟;;数据采集与处理(第05期);56-63 * |
| 基于知识图谱的推荐***研究综述;秦川;祝恒书;庄福振;郭庆宇;张琦;张乐;王超;陈恩红;熊辉;;中国科学:信息科学(第07期);937-956 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112381607A (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112381607B (zh) | 一种网络商品排序方法、装置、设备及介质 | |
| US11281969B1 (en) | Artificial intelligence system combining state space models and neural networks for time series forecasting | |
| Busch | The programmatic advertising principle | |
| CN111080413A (zh) | 电商平台商品的推荐方法、装置、服务器和存储介质 | |
| CN112365283B (zh) | 一种优惠券发放方法、装置、终端设备及存储介质 | |
| JP6994872B2 (ja) | 補正装置、補正方法及び補正プログラム | |
| CN105335875A (zh) | 购买力预测方法和装置 | |
| Yu et al. | A multi-agent architecture for multi-product supplier selection in consideration of the synergy between products | |
| CN114117216A (zh) | 推荐概率预测方法及装置、计算机存储介质和电子设备 | |
| CN114463091A (zh) | 信息推送模型训练和信息推送方法、装置、设备和介质 | |
| CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
| CN113724039A (zh) | Ota网站的酒店推荐方法、***、设备及可读存储介质 | |
| CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
| Vroomen et al. | Selecting profitable customers for complex services on the internet | |
| WO2015030929A1 (en) | Keyword bid optimization for text ads | |
| US8265991B1 (en) | Automated determination of applicability and value of discounts for a purchase order | |
| CN110969501B (zh) | 网络购物车页面的显示方法、***、设备和存储介质 | |
| US20160217490A1 (en) | Automatic Computation of Keyword Bids For Pay-Per-Click Advertising Campaigns and Methods and Systems Incorporating The Same | |
| CN113761352A (zh) | 信息推送方法、装置、设备和存储介质 | |
| CN112256998B (zh) | 一种推广信息管理方法、装置及电子设备 | |
| JP6866069B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
| CN116611499A (zh) | 训练用于自动出价的强化学习***的方法及装置 | |
| CN113360816A (zh) | 点击率预测的方法和装置 | |
| CN111178987B (zh) | 训练用户行为预测模型的方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |