CN113487361A - 平台用户价值的预测方法、装置、设备及存储介质 - Google Patents
平台用户价值的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113487361A CN113487361A CN202110791170.6A CN202110791170A CN113487361A CN 113487361 A CN113487361 A CN 113487361A CN 202110791170 A CN202110791170 A CN 202110791170A CN 113487361 A CN113487361 A CN 113487361A
- Authority
- CN
- China
- Prior art keywords
- platform
- user
- new user
- target
- target new
- 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 54
- 238000012549 training Methods 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000013475 authorization Methods 0.000 description 14
- 230000006399 behavior Effects 0.000 description 11
- 238000012790 confirmation Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
-
- 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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种平台用户价值的预测方法、装置、设备及存储介质。其中,方法包括:在检测到平台的目标新用户时,采集目标新用户的特征数据;将目标新用户的特征数据输入至预先训练的用户价值预测模型,得到所目标新用户针对平台中各预设品类的用户价值;其中,用户价值预测模型的输入为新用户的特征数据,输出为新用户针对平台中各预设品类的用户价值,针对平台中各预设品类的用户价值是用户在注册后第一预设时长内针对平台中各预设品类的活跃天数。本发明实施例可以针对网络服务平台的新用户,即首次注册网络服务平台还未产生历史行为数据的新用户,根据新用户的特征数据快速而准确地新用户针对网络服务平台的价值。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种平台用户价值的预测方法、装置、设备及存储介质。
背景技术
随着互联网的发展,不同种类的网络服务平台己深入日常生活的各个方面,例如,直播平台、社交平台以及购物平台等。平台用户价值的预测和衡量一直是网络服务平台重点关注的问题。
相关技术中,网络服务平台通常以平台用户在网络服务平台上的历史行为数据为依据,需要在收集较长时间的平台用户的行为数据之后,对平台用户针对网络服务平台的价值进行预测。对于网络服务平台的新用户,即首次注册网络服务平台还未产生历史行为数据的新用户,相关技术中的平台用户价值的预测方式无法预测网络服务平台的新用户针对网络服务平台的价值。
发明内容
本发明实施例提供一种平台用户价值的预测方法、装置、设备及存储介质,可以预测网络服务平台的新用户针对网络服务平台的价值。
第一方面,本发明实施例提供了一种平台用户价值的预测方法,包括:
在检测到平台的目标新用户时,采集所述目标新用户的特征数据;
将所述目标新用户的特征数据输入至预先训练的用户价值预测模型,得到所述目标新用户针对平台中各预设品类的用户价值;
其中,所述用户价值预测模型的输入为新用户的特征数据,输出为新用户针对平台中各预设品类的用户价值,所述针对平台中各预设品类的用户价值是用户在注册后第一预设时长内针对平台中各预设品类的活跃天数。
第二方面,本发明实施例还提供了一种平台用户价值的预测装置,包括:
特征数据采集模块,用于在检测到平台的目标新用户时,采集所述目标新用户的特征数据;
用户价值预测模块,用于将所述目标新用户的特征数据输入至预先训练的用户价值预测模型,得到所述目标新用户针对平台中各预设品类的用户价值;
其中,所述用户价值预测模型的输入为新用户的特征数据,输出为新用户针对平台中各预设品类的用户价值,所述针对平台中各预设品类的用户价值是用户在注册后第一预设时长内针对平台中各预设品类的活跃天数。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例所述的平台用户价值的预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如本发明实施例所述的平台用户价值的预测方法。
本发明实施例的技术方案,通过在检测到平台的目标新用户时,采集目标新用户的特征数据,然后将目标新用户的特征数据输入至预先训练的用户价值预测模型,得到目标新用户针对平台中各预设品类的用户价值,可以在目标新用户注册网络服务平台之后,根据目标新用户的特征数据,快速而准确地预测目标新用户针对网络服务平台的价值,实现了针对网络服务平台的新用户,即首次注册网络服务平台还未产生历史行为数据的新用户,根据新用户的特征数据快速而准确地新用户针对网络服务平台的价值。
附图说明
图1为本发明实施例一提供的一种平台用户价值的预测方法的流程图。
图2为本发明实施例二提供的一种平台用户价值的预测方法的流程图。
图3为本发明实施例三提供的一种平台用户价值的预测装置的结构示意图。
图4为本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一种平台用户价值的预测方法的流程图。本发明实施例可适用于对网络服务平台的新用户,即首次注册网络服务平台还未产生历史行为数据的新用户,预测网络服务平台的新用户针对网络服务平台的价值的情况,该方法可以由本发明实施例提供的平台用户价值的预测装置来执行,该装置可采用软件和/或硬件的方式实现,并一般可集成在计算机设备中。例如,服务器。如图1所示,本发明实施例的方法具体包括:
步骤101、在检测到平台的目标新用户时,采集所述目标新用户的特征数据。
可选的,目标新用户是一个或多个首次注册网络服务平台还未产生历史行为数据的新用户。服务器可以根据平台中用户的注册信息和历史行为数据,检测用户是否为平台的目标新用户。网络服务平台包括但不限于直播平台、社交平台以及购物平台等。特征数据是不涉及用户在网络服务平台的历史行为,与用户本身带有的自然属性相关的数据。
可选的,特征数据可以包括:用户的终端设备上的平台应用程序客户端的安装渠道信息、用户在平台应用程序客户端冷启动时选择的兴趣偏好、用户的终端设备的机型、用户的终端设备上安装的其它应用程序类型、用户的终端设备的***、用户的互联网协议(Internet Protocol Address,IP)地址、用户所在城市、用户年龄、用户性别、用户职业、用户学历、用户的游戏偏好和/或用户的应用程序偏好等不涉及用户在网络服务平台的历史行为,与用户本身带有的自然属性相关的数据。
可选的,安装渠道信息是用于指示平台应用程序客户端的安装来源的信息。安装渠道信息可以包括:预装于终端设备、通过应用商店下载、以及通过信息推荐下载。用户在平台应用程序客户端冷启动时选择的兴趣偏好是用户在平台应用程序客户端第一次启动时提供的兴趣偏好设置页面中选择的一个或多个兴趣偏好。
可选的,所述采集所述目标新用户的特征数据,包括:向安装于所述目标新用户的终端设备的平台应用程序客户端发送数据权限询问信息,以使所述平台应用程序客户端通过询问信息展示页面,向所述目标新用户展示所述数据权限询问信息;其中,所述数据权限询问信息是用于询问所述目标新用户是否为平台授予对所述目标新用户的特征数据的采集权限的询问信息;在根据所述目标新用户与所述询问信息展示页面的交互操作,确认所述目标新用户为平台授予对所述目标新用户的特征数据的采集权限时,通过所述平台应用程序客户端采集所述目标新用户的特征数据。
可选的,服务器向安装于所述目标新用户的终端设备的平台应用程序客户端发送数据权限询问信息。所述平台应用程序客户端在接收到数据权限询问信息时,显示包含数据权限询问信息的询问信息展示页面,通过询问信息展示页面,向所述目标新用户展示所述数据权限询问信息。询问信息展示页面是用于向用户展示询问信息的页面。
可选的,询问信息展示页面中设置确认授权控件和拒绝授权控件。所述目标新用户可以通过点击确认授权控件,确认为平台授予对所述目标新用户的特征数据的采集权限。所述目标新用户还可以通过点击拒绝授权控件,确认不为平台授予对所述目标新用户的特征数据的采集权限。
可选的,所述平台应用程序客户端在所述目标新用户点击确认授权控件时,生成授权确认提示信息发送至服务器。授权确认提示信息是用于提示服务器所述目标新用户确认为平台授予对所述目标新用户的特征数据的采集权限的信息。服务器在接收到授权确认提示信息时,确认所述目标新用户为平台授予对所述目标新用户的特征数据的采集权限,通过所述平台应用程序客户端采集所述目标新用户的特征数据。
可选的,所述平台应用程序客户端在所述目标新用户点击拒绝授权控件时,生成授权拒绝提示信息发送至服务器。授权拒绝提示信息是用于提示服务器所述目标新用户确认不为平台授予对所述目标新用户的特征数据的采集权限的信息。服务器在接收到授权确认提示信息时,确认所述目标新用户不为平台授予对所述目标新用户的特征数据的采集权限,不再执行后续数据采集操作。
可选的,采集所述目标新用户的特征数据,包括:通过安装于用户的终端设备的平台应用程序客户端,采集所述目标新用户的特征数据。
在一个具体实例中,通过所述平台应用程序客户端采集所述目标新用户的特征数据,包括:服务器控制安装于用户的终端设备的平台应用程序客户端,向所述目标新用户提供特征数据采集页面。所述特征数据采集页面是用于采集所述目标新用户的特征数据的页面,所述目标新用户可以在所述特征数据采集页面上填写或选择自身的特征数据。平台应用程序客户端获取所述目标新用户在所述特征数据采集页面上填写或选择的特征数据,从而得到所述目标新用户的特征数据,并将所述目标新用户的特征数据发送至服务器。
在另一个具体实例中,通过所述平台应用程序客户端采集所述目标新用户的特征数据,包括:服务器控制安装于用户的终端设备的平台应用程序客户端,从终端设备中存储的用户信息和设备信息、以及平台应用程序客户端本身的配置信息中,采集所述目标新用户的特征数据,并将所述目标新用户的特征数据发送至服务器。用户信息是与终端设备的用户关联的信息。设备信息是与终端设备关联的信息。平台应用程序客户端本身的配置信息可以包括平台应用程序客户端的安装渠道信息。
由此,可以在充分尊重和保护平台用户的个人隐私和个人信息的前提下,通过安装于用户的终端设备的平台应用程序客户端,采集所述目标新用户的特征数据。
步骤102、将所述目标新用户的特征数据输入至预先训练的用户价值预测模型,得到所述目标新用户针对平台中各预设品类的用户价值。
其中,所述用户价值预测模型的输入为新用户的特征数据,输出为新用户针对平台中各预设品类的用户价值,所述针对平台中各预设品类的用户价值是用户在注册后第一预设时长内针对平台中各预设品类的活跃天数。
可选的,第一预设时长可以根据业务需求进行设置。示例性的,第一预设时长为30天。
可选的,平台中的各预设品类是平台中预设的用户可以浏览或者观看的对象的类别或者种类。针对平台中每一个预设品类,用户在注册后第一预设时长内针对预设品类的活跃天数可以是用户在注册后第一预设时长内,浏览或者观看预设品类下的内容的时长超过预设时长阈值的天数。预设时长阈值可以根据业务需求进行设置。示例性的,预设时长阈值为1小时。
可选的,针对直播平台,平台中的各预设品类可以是平台中预设的用户可以观看的直播的类别或者种类,可以包括不同类型的游戏、舞蹈、美食。在直播平台中,用户可以观看不同类型的游戏直播、舞蹈直播、美食直播。
在一个具体实例中,直播平台中的各预设品类包括:第一类型的游戏、第二类型的游戏、舞蹈、美食。用户在注册后第一预设时长内针对第一类型的游戏的活跃天数是用户在注册后第一预设时长内,观看第一类型的游戏直播的时长超过预设时长阈值的天数。用户在注册后第一预设时长内针对第二类型的游戏的活跃天数是用户在注册后第一预设时长内,观看第二类型的游戏直播的时长超过预设时长阈值的天数。用户在注册后第一预设时长内针对舞蹈的活跃天数是用户在注册后第一预设时长内,观看舞蹈直播的时长超过预设时长阈值的天数。用户在注册后第一预设时长内针对美食的活跃天数是用户在注册后第一预设时长内,观看美食直播的时长超过预设时长阈值的天数。
可选的,针对直播平台,平台中的各预设品类还可以是平台中预设的用户可以观看的各个主播。在直播平台中,用户可以观看不同主播直播。
在一个具体实例中,直播平台中的各预设品类包括:第一主播、第二主播、第三主播。用户在注册后第一预设时长内针对第一主播的活跃天数是用户在注册后第一预设时长内,观看第一主播直播的时长超过预设时长阈值的天数。用户在注册后第一预设时长内针对第二主播的活跃天数是用户在注册后第一预设时长内,观看第二主播直播的时长超过预设时长阈值的天数。用户在注册后第一预设时长内针对第三主播的活跃天数是用户在注册后第一预设时长内,观看第三主播直播的时长超过预设时长阈值的天数。
可选的,还包括:采集在第二预设时长内的全部新用户的特征数据、以及各所述新用户针对平台中各预设品类的用户价值;将各所述新用户的特征数据和针对平台中各预设品类的用户价值作为训练样本,对机器学习模型进行训练,得到用户价值预测模型。
可选的,第二预设时长可以根据业务需求进行设置。示例性的,第二预设时长为6个月。采集从2020年12月至2021年5月的6个月内的全部新用户的特征数据、以及各所述新用户针对平台中各预设品类的用户价值。
可选的,采集在第二预设时长内的全部新用户的特征数据、以及各所述新用户针对平台中各预设品类的用户价值,包括:向安装于各所述新用户的终端设备的平台应用程序客户端发送数据权限询问信息,以使所述平台应用程序客户端通过询问信息展示页面,向各所述新用户展示所述数据权限询问信息;其中,所述数据权限询问信息是用于询问各所述新用户是否为平台授予对各所述新用户的特征数据和针对平台中各预设品类的用户价值的采集权限的询问信息;在根据各所述新用户与所述询问信息展示页面的交互操作,确认各所述新用户为平台授予对各所述新用户的特征数据和针对平台中各预设品类的用户价值的采集权限时,通过所述平台应用程序客户端采集各所述新用户的特征数据,并根据各所述新用户的历史操作数据采集各所述新用户针对平台中各预设品类的用户价值。
根据各所述新用户的历史操作数据采集各所述新用户针对平台中各预设品类的用户价值,即为根据各所述新用户的历史操作数据,确定各所述新用户在注册后第一预设时长内针对平台中各预设品类的活跃天数。历史操作数据是与用户在平台上的操作相关的全部数据。
可选的,机器学习模型包括但不限于多层感知器(Multilayer Perceptron,MLP)。
可选的,将采集的在第二预设时长内的全部新用户的特征数据、以及各所述新用户针对平台中各预设品类的用户价值作为训练样本,对预先设定的机器学***台中各预设品类的用户价值。
由此,通过采集平台在指定时间区间内的新用户的特征数据和针对平台中各预设品类的用户价值,得到用户价值预测模型的训练样本,然后使用训练样本对机器学***台中各预设品类的用户价值的用户价值预测模型,从而便于在新用户注册网络服务平台之后,根据新用户的特征数据,快速而准确地预测网络服务平台的新用户针对网络服务平台的价值。
可选的,所述将各所述新用户的特征数据和针对平台中各预设品类的用户价值作为训练样本,对机器学***台中各预设品类的用户价值构成的训练样本划分为训练样本集合以及测试样本集合;使用所述训练样本集合对机器学习模型进行训练,得到用户价值预测模型;使用所述测试样本集合对所述用户价值预测模型进行测试,得到所述用户价值预测模型的准确度。
可选的,根据预设的划分比例,将由各所述新用户的特征数据和针对平台中各预设品类的用户价值构成的训练样本划分为训练样本集合以及测试样本集合。
在一个具体实例中,训练样本中包含2000个新用户的特征数据和针对平台中各预设品类的用户价值。将训练样本80%的样本数据,即1600个新用户的特征数据和针对平台中各预设品类的用户价值划分为训练样本集。将训练样本20%的样本数据,即400个新用户的特征数据和针对平台中各预设品类的用户价值划分为测试样本集合。
可选的,使用所述测试样本集合对所述用户价值预测模型进行测试,得到所述用户价值预测模型的准确度,包括:将各新用户的特征数据输入至所述用户价值预测模型,得到所述用户价值预测模型输出的各新用户针对平台中各预设品类的用户价值;使用均方根误差计算公式,计算各新用户针对平台中各预设品类的用户价值与所述用户价值预测模型输出的各新用户针对平台中各预设品类的用户价值之间的均方根误差;根据所述均方根误差,确定所述用户价值预测模型的准确度。
可选的,根据所述均方根误差,确定所述用户价值预测模型的准确度,包括:将1与所述均方根误差的差值,确定为所述用户价值预测模型的准确度。示例性的,各新用户针对平台中各预设品类的用户价值与所述用户价值预测模型输出的各新用户针对平台中各预设品类的用户价值之间的均方根误差为22%。所述用户价值预测模型的准确度为78%。
可选的,还包括:使用归一化折损累计增益(Normalized Discounted CumulativeGain,NDCG),对所述用户价值预测模型输出的各新用户针对平台中各预设品类的用户价值的排序结果进行验证。
由此,可以根据平台在指定时间区间内的新用户的特征数据和针对平台中各预设品类的用户价值,确定出训练样本集合和测试样本集合,通过训练样本集合训练出用户价值预测模型,通过测试样本集合对训练完成的用户价值预测模型进行测试,得到用户价值预测模型的准确度,从而可以在用户价值预测模型的准确度大于等于预设准确度阈值时,确定用户价值预测模型可以使用,在用户价值预测模型的准确度小于预设准确度阈值时,继续对用户价值预测模型进行训练,保证了根据新用户的特征数据预测网络服务平台的新用户针对网络服务平台的价值的准确性。
将所述目标新用户的特征数据输入至预先训练的用户价值预测模型,得到所述目标新用户针对平台中各预设品类的用户价值。由此,在目标新用户注册网络服务平台之后,根据目标新用户的特征数据,快速而准确地预测目标新用户针对网络服务平台的价值,实现了针对网络服务平台的新用户,即首次注册网络服务平台还未产生历史行为数据的新用户,根据新用户的特征数据快速而准确地新用户针对网络服务平台的价值。
可选的,在得到所述目标新用户针对平台中各预设品类的用户价值之后,还包括:根据所述目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给所述目标新用户。所述目标新用户针对平台中各预设品类的用户价值反映了所述目标新用户针对平台中各预设品类的偏好。由此,可以在目标新用户注册网络服务平台之后,根据目标新用户的特征数据,快速而准确地预测目标新用户针对网络服务平台的价值,从而确定新用户针对平台中各预设品类的偏好,然后根据新用户针对平台中各预设品类的偏好,为新用户提供个性化的内容推荐,提高针对新用户的推荐效率,解决新用户的冷启动问题。
可选的,所述根据所述目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给所述目标新用户,包括:根据所述目标新用户针对平台中各预设品类的用户价值,计算平台中各预设品类的目标用户价值占比;根据平台中各预设品类的目标用户价值占比,确定平台中各预设品类的推荐内容在平台应用程序客户端的首页内容中的目标内容占比;根据平台中各预设品类的推荐内容和所述目标内容占比,生成与所述目标新用户对应的首页内容;将与所述目标新用户对应的首页内容发送至安装于所述目标新用户的终端设备的平台应用程序客户端,以使所述平台应用程序客户端在所述目标新用户启动所述平台应用程序客户端时,在所述平台应用程序客户端的首页中展示与所述目标新用户对应的首页内容。
可选的,根据所述目标新用户针对平台中各预设品类的用户价值,计算平台中各预设品类的目标用户价值占比,包括:使用下述用户价值占比计算公式,计算平台中第i个预设品类的目标用户价值占比:
其中,Pi为平台中第i个预设品类的目标用户价值占比,Vi为所述目标新用户针对平台中第i个预设品类的用户价值,即所述目标新用户在注册后第一预设时长内,浏览或者观看第i个预设品类下的内容的时长超过预设时长阈值的天数,i=1,2,……n,n为平台中各预设品类的总数量,sum(V)为所述目标新用户针对平台中各预设品类的用户价值的总和。
在一个具体实例中,网络服务平台为直播平台。直播平台中包括4个预设品类:第一类型的游戏、第二类型的游戏、舞蹈、美食。所述目标新用户针对平台中第一类型的游戏、第二类型的游戏、舞蹈、美食的用户价值分别为:20,15,10,6。所述目标新用户针对平台中各预设品类的用户价值的总和为51。使用用户价值占比计算公式,根据所述目标新用户针对各预设品类的用户价值,计算得到平台中各预设品类的目标用户价值占比:第一类型的游戏的目标用户价值占比为39%。第二类型的游戏的目标用户价值占比为29%。舞蹈的目标用户价值占比为20%。美食的目标用户价值占比为12%。预设品类的目标用户价值占比越高,目标新用户对预设品类的偏好程度越高。
可选的,根据平台中各预设品类的目标用户价值占比,确定平台中各预设品类的推荐内容在平台应用程序客户端的首页内容中的目标内容占比,包括:将平台中各预设品类的目标用户价值占比,确定为平台中各预设品类的推荐内容在平台应用程序客户端的首页内容中的目标内容占比。
在一个具体实例中,平台中各预设品类的目标用户价值占比包括:第一类型的游戏的目标用户价值占比为39%。第二类型的游戏的目标用户价值占比为29%。舞蹈的目标用户价值占比为20%。美食的目标用户价值占比为12%。将平台中各预设品类的目标用户价值占比,确定为平台中各预设品类的推荐内容在平台应用程序客户端的首页内容中的目标内容占比。即第一类型的游戏的目标内容占比为39%。第二类型的游戏的目标内容占比为29%。舞蹈的目标内容占比为20%。美食的目标内容占比为12%。
可选的,预设品类的推荐内容可以为用于推荐预设品类的动画、图片、文字等。
可选的,根据平台中各预设品类的推荐内容和所述目标内容占比,生成与所述目标新用户对应的首页内容,包括:根据平台中各预设品类的推荐内容在平台应用程序客户端的首页内容中的目标内容占比,获取相应大小的各预设品类的推荐内容,构成与所述目标新用户对应的首页内容。
预设品类的目标用户价值占比越高,目标新用户对预设品类的偏好程度越高,相应的在首页内容中的内容占比越高,从而在首页内容中对目标新用户偏好的预设品类进行较长篇幅的推荐。
可选的,服务器将与所述目标新用户对应的首页内容发送至安装于所述目标新用户的终端设备的平台应用程序客户端,以使所述平台应用程序客户端在所述目标新用户启动所述平台应用程序客户端时,在所述平台应用程序客户端的首页中展示与所述目标新用户对应的首页内容。
由此,可以根据目标新用户针对平台中各预设品类的偏好,生成与目标新用户对应的首页内容,在目标新用户启动平台应用程序客户端时,展示与目标新用户对应的首页内容,通过与目标新用户对应的首页内容为新用户提供个性化的内容推荐,在首页内容中对目标新用户偏好的预设品类进行较长篇幅的推荐。
可选的,所述根据所述目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给所述目标新用户,包括:按照所述目标新用户针对平台中各预设品类的用户价值从高到低,对平台中各预设品类进行排序;获取与位于排序结果第一位的预设品类对应的类似品类;将所述类似品类的推荐内容发送至安装于所述目标新用户的终端设备的平台应用程序客户端,以使所述平台应用程序客户端在所述目标新用户使用所述平台应用程序客户端的过程中,向所述目标新用户展示所述类似品类的推荐内容。
在排序结果中越靠前的预设品类,目标新用户的偏好程度越高。位于排序结果第一位的预设品类是目标新用户的偏好程度最高的预设品类。在平台中的预设品类中,获取与位于排序结果第一位的预设品类对应的类似品类。与预设品类对应的类似品类可以为与预设品类的类似度大于预设类似度阈值的其他预设品类。
可选的,所述平台应用程序客户端在所述目标新用户使用所述平台应用程序客户端的过程中,向所述目标新用户展示所述类似品类的推荐内容,包括:所述平台应用程序客户端在所述目标新用户使用所述平台应用程序客户端的过程中,以弹窗形式显示所述类似品类的推荐内容。
可选的,所述平台应用程序客户端在所述目标新用户使用所述平台应用程序客户端的过程中,向所述目标新用户展示所述类似品类的推荐内容,包括:所述平台应用程序客户端在所述目标新用户使用所述平台应用程序客户端的过程中,在目标新用户所处当前页面中的预设的推荐内容显示区域中,显示所述类似品类的推荐内容。
由此,可以在目标新用户使用平台应用程序客户端的过程中,将与目标新用户偏好程度最高的预设品类类似的其他预设品类,推荐给目标新用户,从而提升目标新用户的使用平台应用程序客户端的时长和留存天数。
本发明实施例提供了一种平台用户价值的预测方法,通过在检测到平台的目标新用户时,采集目标新用户的特征数据,然后将目标新用户的特征数据输入至预先训练的用户价值预测模型,得到目标新用户针对平台中各预设品类的用户价值,可以在目标新用户注册网络服务平台之后,根据目标新用户的特征数据,快速而准确地预测目标新用户针对网络服务平台的价值,实现了针对网络服务平台的新用户,即首次注册网络服务平台还未产生历史行为数据的新用户,根据新用户的特征数据快速而准确地新用户针对网络服务平台的价值。
实施例二
图2为本发明实施例二提供的一种平台用户价值的预测方法的流程图。本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。如图2所示,本发明实施例的方法具体包括:
步骤201、在检测到平台的目标新用户时,采集所述目标新用户的特征数据。
步骤202、将所述目标新用户的特征数据输入至预先训练的用户价值预测模型,得到所述目标新用户针对平台中各预设品类的用户价值。
步骤203、根据所述目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给所述目标新用户。
可选的,所述根据所述目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给所述目标新用户,包括:根据所述目标新用户针对平台中各预设品类的用户价值,计算平台中各预设品类的目标用户价值占比;根据平台中各预设品类的目标用户价值占比,确定平台中各预设品类的推荐内容在平台应用程序客户端的首页内容中的目标内容占比;根据平台中各预设品类的推荐内容和所述目标内容占比,生成与所述目标新用户对应的首页内容;将与所述目标新用户对应的首页内容发送至安装于所述目标新用户的终端设备的平台应用程序客户端,以使所述平台应用程序客户端在所述目标新用户启动所述平台应用程序客户端时,在所述平台应用程序客户端的首页中展示与所述目标新用户对应的首页内容。
由此,可以根据目标新用户针对平台中各预设品类的偏好,生成与目标新用户对应的首页内容,在目标新用户启动平台应用程序客户端时,展示与目标新用户对应的首页内容,通过与目标新用户对应的首页内容为新用户提供个性化的内容推荐,在首页内容中对目标新用户偏好的预设品类进行较长篇幅的推荐。
可选的,所述根据所述目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给所述目标新用户,包括:按照所述目标新用户针对平台中各预设品类的用户价值从高到低,对平台中各预设品类进行排序;获取与位于排序结果第一位的预设品类对应的类似品类;将所述类似品类的推荐内容发送至安装于所述目标新用户的终端设备的平台应用程序客户端,以使所述平台应用程序客户端在所述目标新用户使用所述平台应用程序客户端的过程中,向所述目标新用户展示所述类似品类的推荐内容。
由此,可以在目标新用户使用平台应用程序客户端的过程中,将与目标新用户偏好程度最高的预设品类类似的其他预设品类,推荐给目标新用户,从而提升目标新用户的使用平台应用程序客户端的时长和留存天数。
本发明实施例提供了一种平台用户价值的预测方法,通过在检测到平台的目标新用户时,采集目标新用户的特征数据,然后将目标新用户的特征数据输入至预先训练的用户价值预测模型,得到目标新用户针对平台中各预设品类的用户价值,根据目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给目标新用户,可以在目标新用户注册网络服务平台之后,根据目标新用户的特征数据,快速而准确地预测目标新用户针对网络服务平台的价值,实现了针对网络服务平台的新用户,即首次注册网络服务平台还未产生历史行为数据的新用户,根据新用户的特征数据快速而准确地新用户针对网络服务平台的价值,从而确定新用户针对平台中各预设品类的偏好,然后根据新用户针对平台中各预设品类的偏好,为新用户提供个性化的内容推荐,提高针对新用户的推荐效率,解决新用户的冷启动问题。
实施例三
图3为本发明实施例三提供的一种平台用户价值的预测装置的结构示意图。如图3所示,所述装置包括:特征数据采集模块301和用户价值预测模块302。
其中,特征数据采集模块301,用于在检测到平台的目标新用户时,采集所述目标新用户的特征数据;用户价值预测模块302,用于将所述目标新用户的特征数据输入至预先训练的用户价值预测模型,得到所述目标新用户针对平台中各预设品类的用户价值;其中,所述用户价值预测模型的输入为新用户的特征数据,输出为新用户针对平台中各预设品类的用户价值,所述针对平台中各预设品类的用户价值是用户在注册后第一预设时长内针对平台中各预设品类的活跃天数。
本发明实施例提供了一种平台用户价值的预测装置,通过在检测到平台的目标新用户时,采集目标新用户的特征数据,然后将目标新用户的特征数据输入至预先训练的用户价值预测模型,得到目标新用户针对平台中各预设品类的用户价值,可以在目标新用户注册网络服务平台之后,根据目标新用户的特征数据,快速而准确地预测目标新用户针对网络服务平台的价值,实现了针对网络服务平台的新用户,即首次注册网络服务平台还未产生历史行为数据的新用户,根据新用户的特征数据快速而准确地新用户针对网络服务平台的价值。
在本发明实施例的一个可选实施方式中,可选的,特征数据采集模块301在执行采集所述目标新用户的特征数据的操作时,具体用于:向安装于所述目标新用户的终端设备的平台应用程序客户端发送数据权限询问信息,以使所述平台应用程序客户端通过询问信息展示页面,向所述目标新用户展示所述数据权限询问信息;其中,所述数据权限询问信息是用于询问所述目标新用户是否为平台授予对所述目标新用户的特征数据的采集权限的询问信息;在根据所述目标新用户与所述询问信息展示页面的交互操作,确认所述目标新用户为平台授予对所述目标新用户的特征数据的采集权限时,通过所述平台应用程序客户端采集所述目标新用户的特征数据。
在本发明实施例的一个可选实施方式中,可选的,平台用户价值的预测装置,还包括:样本采集模块,用于采集在第二预设时长内的全部新用户的特征数据、以及各所述新用户针对平台中各预设品类的用户价值;模型训练模块,用于将各所述新用户的特征数据和针对平台中各预设品类的用户价值作为训练样本,对机器学习模型进行训练,得到用户价值预测模型。
在本发明实施例的一个可选实施方式中,可选的,模型训练模块在执行将各所述新用户的特征数据和针对平台中各预设品类的用户价值作为训练样本,对机器学***台中各预设品类的用户价值构成的训练样本划分为训练样本集合以及测试样本集合;使用所述训练样本集合对机器学习模型进行训练,得到用户价值预测模型;使用所述测试样本集合对所述用户价值预测模型进行测试,得到所述用户价值预测模型的准确度。
在本发明实施例的一个可选实施方式中,可选的,平台用户价值的预测装置,还包括:品类推荐模块,用于根据所述目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给所述目标新用户。
在本发明实施例的一个可选实施方式中,可选的,品类推荐模块在执行根据所述目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给所述目标新用的操作时,具体用于:根据所述目标新用户针对平台中各预设品类的用户价值,计算平台中各预设品类的目标用户价值占比;根据平台中各预设品类的目标用户价值占比,确定平台中各预设品类的推荐内容在平台应用程序客户端的首页内容中的目标内容占比;根据平台中各预设品类的推荐内容和所述目标内容占比,生成与所述目标新用户对应的首页内容;将与所述目标新用户对应的首页内容发送至安装于所述目标新用户的终端设备的平台应用程序客户端,以使所述平台应用程序客户端在所述目标新用户启动所述平台应用程序客户端时,在所述平台应用程序客户端的首页中展示与所述目标新用户对应的首页内容。
在本发明实施例的一个可选实施方式中,可选的,品类推荐模块在执行根据所述目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给所述目标新用的操作时,具体用于:按照所述目标新用户针对平台中各预设品类的用户价值从高到低,对平台中各预设品类进行排序;获取与位于排序结果第一位的预设品类对应的类似品类;将所述类似品类的推荐内容发送至安装于所述目标新用户的终端设备的平台应用程序客户端,以使所述平台应用程序客户端在所述目标新用户使用所述平台应用程序客户端的过程中,向所述目标新用户展示所述类似品类的推荐内容。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
上述平台用户价值的预测装置可执行本发明任意实施例所提供的平台用户价值的预测方法,具备执行平台用户价值的预测方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适用于来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器16,存储器28,连接不同业务***组件(包括存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图4中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,实现本发明实施例所提供的平台用户价值的预测方法:在检测到平台的目标新用户时,采集所述目标新用户的特征数据;将所述目标新用户的特征数据输入至预先训练的用户价值预测模型,得到所述目标新用户针对平台中各预设品类的用户价值;其中,所述用户价值预测模型的输入为新用户的特征数据,输出为新用户针对平台中各预设品类的用户价值,所述针对平台中各预设品类的用户价值是用户在注册后第一预设时长内针对平台中各预设品类的活跃天数。
实施例五
本发明实施例五提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现本发明实施例所提供的平台用户价值的预测方法:在检测到平台的目标新用户时,采集所述目标新用户的特征数据;将所述目标新用户的特征数据输入至预先训练的用户价值预测模型,得到所述目标新用户针对平台中各预设品类的用户价值;其中,所述用户价值预测模型的输入为新用户的特征数据,输出为新用户针对平台中各预设品类的用户价值,所述针对平台中各预设品类的用户价值是用户在注册后第一预设时长内针对平台中各预设品类的活跃天数。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或计算机设备上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种平台用户价值的预测方法,其特征在于,包括:
在检测到平台的目标新用户时,采集所述目标新用户的特征数据;
将所述目标新用户的特征数据输入至预先训练的用户价值预测模型,得到所述目标新用户针对平台中各预设品类的用户价值;
其中,所述用户价值预测模型的输入为新用户的特征数据,输出为新用户针对平台中各预设品类的用户价值,所述针对平台中各预设品类的用户价值是用户在注册后第一预设时长内针对平台中各预设品类的活跃天数。
2.根据权利要求1所述的方法,其特征在于,所述采集所述目标新用户的特征数据,包括:
向安装于所述目标新用户的终端设备的平台应用程序客户端发送数据权限询问信息,以使所述平台应用程序客户端通过询问信息展示页面,向所述目标新用户展示所述数据权限询问信息;
其中,所述数据权限询问信息是用于询问所述目标新用户是否为平台授予对所述目标新用户的特征数据的采集权限的询问信息;
在根据所述目标新用户与所述询问信息展示页面的交互操作,确认所述目标新用户为平台授予对所述目标新用户的特征数据的采集权限时,通过所述平台应用程序客户端采集所述目标新用户的特征数据。
3.根据权利要求1所述的方法,其特征在于,还包括:
采集在第二预设时长内的全部新用户的特征数据、以及各所述新用户针对平台中各预设品类的用户价值;
将各所述新用户的特征数据和针对平台中各预设品类的用户价值作为训练样本,对机器学习模型进行训练,得到用户价值预测模型。
4.根据权利要求3所述的方法,其特征在于,所述将各所述新用户的特征数据和针对平台中各预设品类的用户价值作为训练样本,对机器学习模型进行训练,得到用户价值预测模型,包括:
将由各所述新用户的特征数据和针对平台中各预设品类的用户价值构成的训练样本划分为训练样本集合以及测试样本集合;
使用所述训练样本集合对机器学习模型进行训练,得到用户价值预测模型;
使用所述测试样本集合对所述用户价值预测模型进行测试,得到所述用户价值预测模型的准确度。
5.根据权利要求1所述的方法,其特征在于,在得到所述目标新用户针对平台中各预设品类的用户价值之后,还包括:
根据所述目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给所述目标新用户。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给所述目标新用户,包括:
根据所述目标新用户针对平台中各预设品类的用户价值,计算平台中各预设品类的目标用户价值占比;
根据平台中各预设品类的目标用户价值占比,确定平台中各预设品类的推荐内容在平台应用程序客户端的首页内容中的目标内容占比;
根据平台中各预设品类的推荐内容和所述目标内容占比,生成与所述目标新用户对应的首页内容;
将与所述目标新用户对应的首页内容发送至安装于所述目标新用户的终端设备的平台应用程序客户端,以使所述平台应用程序客户端在所述目标新用户启动所述平台应用程序客户端时,在所述平台应用程序客户端的首页中展示与所述目标新用户对应的首页内容。
7.根据权利要求5所述的方法,其特征在于,所述根据所述目标新用户针对平台中各预设品类的用户价值,将平台中各预设品类推荐给所述目标新用户,包括:
按照所述目标新用户针对平台中各预设品类的用户价值从高到低,对平台中各预设品类进行排序;
获取与位于排序结果第一位的预设品类对应的类似品类;
将所述类似品类的推荐内容发送至安装于所述目标新用户的终端设备的平台应用程序客户端,以使所述平台应用程序客户端在所述目标新用户使用所述平台应用程序客户端的过程中,向所述目标新用户展示所述类似品类的推荐内容。
8.一种平台用户价值的预测装置,其特征在于,包括:
特征数据采集模块,用于在检测到平台的目标新用户时,采集所述目标新用户的特征数据;
用户价值预测模块,用于将所述目标新用户的特征数据输入至预先训练的用户价值预测模型,得到所述目标新用户针对平台中各预设品类的用户价值;
其中,所述用户价值预测模型的输入为新用户的特征数据,输出为新用户针对平台中各预设品类的用户价值,所述针对平台中各预设品类的用户价值是用户在注册后第一预设时长内针对平台中各预设品类的活跃天数。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一所述的平台用户价值的预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任一所述的平台用户价值的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791170.6A CN113487361A (zh) | 2021-07-13 | 2021-07-13 | 平台用户价值的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791170.6A CN113487361A (zh) | 2021-07-13 | 2021-07-13 | 平台用户价值的预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113487361A true CN113487361A (zh) | 2021-10-08 |
Family
ID=77938443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110791170.6A Pending CN113487361A (zh) | 2021-07-13 | 2021-07-13 | 平台用户价值的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487361A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108683734A (zh) * | 2018-05-15 | 2018-10-19 | 广州虎牙信息科技有限公司 | 品类推送方法、装置及存储设备、计算机设备 |
CN108769725A (zh) * | 2018-06-07 | 2018-11-06 | 广州虎牙信息科技有限公司 | 直播应用程序启动方法、装置、存储介质和计算机设备 |
CN109684546A (zh) * | 2018-12-24 | 2019-04-26 | 北京城市网邻信息技术有限公司 | 推荐方法、装置、存储介质及终端 |
-
2021
- 2021-07-13 CN CN202110791170.6A patent/CN113487361A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108683734A (zh) * | 2018-05-15 | 2018-10-19 | 广州虎牙信息科技有限公司 | 品类推送方法、装置及存储设备、计算机设备 |
CN108769725A (zh) * | 2018-06-07 | 2018-11-06 | 广州虎牙信息科技有限公司 | 直播应用程序启动方法、装置、存储介质和计算机设备 |
CN109684546A (zh) * | 2018-12-24 | 2019-04-26 | 北京城市网邻信息技术有限公司 | 推荐方法、装置、存储介质及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9606712B1 (en) | Placement of user interface elements in a browser based on navigation input | |
CN109348237B (zh) | 一种直播间管理方法、装置、服务器及存储介质 | |
CN105808070B (zh) | 一种设置评论展示效果的方法和装置 | |
CN110633381B (zh) | 一种识别虚假房源的方法、装置、存储介质及电子设备 | |
CN108509533A (zh) | 截屏文件分享的控制方法、装置、设备和计算机存储介质 | |
US20150106723A1 (en) | Tools for locating, curating, editing, and using content of an online library | |
US20130052629A1 (en) | Content creation in an online learning environment | |
US8612478B1 (en) | Location based query-response management system | |
CN105493057A (zh) | 利用精确性控制的内容选择 | |
CN108694324B (zh) | 一种信息泄露监控方法以及装置 | |
US20150199774A1 (en) | One click on-boarding crowdsourcing information incentivized by a leaderboard | |
CN104580348A (zh) | 访问基于位置的内容 | |
CN110866205B (zh) | 用于存储信息的方法和装置 | |
CN109561212B (zh) | 一种发布信息的合并方法、装置、设备和存储介质 | |
US20090063635A1 (en) | Methods and systems for providing a contact service | |
CN111415183B (zh) | 用于处理访问请求的方法和装置 | |
CN111949859B (zh) | 用户画像更新方法、装置、计算机设备及存储介质 | |
KR101373328B1 (ko) | 게시물의 신뢰도를 표시할 수 있는 온라인 게시판 시스템 및 온라인 게시판의 게시물의 신뢰도 표시 방법 | |
JP7268149B2 (ja) | 問い合わせ情報の処理方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
CN112015635A (zh) | 页面测试方法、页面测试装置、电子设备及存储介质 | |
JP2008072205A (ja) | サーバ装置及び端末装置及び行動記録システム及び行動記録方法 | |
CN110969479B (zh) | 一种展示推广资源的方法、设备和计算机存储介质 | |
CN110276183B (zh) | 反向图灵验证方法及装置、存储介质、电子设备 | |
US20150288627A1 (en) | Correlating electronic mail with media monitoring | |
CN112749327A (zh) | 内容推送方法和装置 |
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 |