CN113743636B - 一种目标操作预测方法、装置、电子设备及存储介质 - Google Patents
一种目标操作预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113743636B CN113743636B CN202010469618.8A CN202010469618A CN113743636B CN 113743636 B CN113743636 B CN 113743636B CN 202010469618 A CN202010469618 A CN 202010469618A CN 113743636 B CN113743636 B CN 113743636B
- Authority
- CN
- China
- Prior art keywords
- account
- target operation
- historical
- data
- browsing
- 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 55
- 238000012549 training Methods 0.000 claims description 162
- 238000010801 machine learning Methods 0.000 claims description 32
- 238000013507 mapping Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 20
- 238000006243 chemical reaction Methods 0.000 description 15
- 238000005457 optimization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001960 triggered effect 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开提供一种目标操作预测方法、装置、电子设备及存储介质,涉及计算机技术领域,用于优化预测目标操作的过程。该方法包括:获取待预测账户的操作意向特征数据,所述操作意向特征数据包括表征账户对目标操作的偏好程度的特征数据,所述目标操作包括账户浏览推送对象后进行的操作;通过各历史账户的操作意向特征和由各历史账户浏览推送对象的时长数据确定的目标操作结果的第一关联度,估计所述待预测账户的操作意向特征与目标操作结果的第二关联度;以及将估计的第二关联度转换为所述待预测账户进行所述目标操作的操作意向概率值,其中所述目标操作结果包括是否进行目标操作的结果。该方法提供了一种新的预测目标操作的方式。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种目标操作预测方法、装置、电子设备及存储介质。
背景技术
相关技术中在预测用户针对推送对象后是否进行指定操作,如预测用户是个购买互联网电商中的推送商品等时,常通过获取包含用户操作特征数据以及用户是否进行指定操作的操作结果的历史数据,基于获取的历史数据,分析用户操作特征数据和用户是否进行指定操作的操作结果之间的数据关联关系,从而基于这些数据关联关系以及待预测用户的用户操作特征数据,估计待预测账户针对推送对象是否会进行指定操作;如在互联网电商广告领域,若推送对象为商品且指定操作为购买商品,则需要获取包含商品购买结果的历史数据,进而基于获取的历史数据中的商品购买结果和用户操作特征数据,预测用户是否会购买推送的商品;若推送对象为应用且指定操作为下载应用,则需要获取包含应用下载结果的历史数据,进而基于获取的历史数据中的应用下载信息和用户操作特征数据,估计用户是否会下载推送的应用。
但是上述预测过程中需要获取包含用户是否进行指定操作的操作结果的历史数据,而这些历史数据通常保存在特定平台的服务器中,如包含商品购买结果的历史数据保存在电商平台的服务器中,包含应用下载结果的历史数据保存在应用运营平台的服务器中,想要获取这些历史数据则需要特定平台的授权,因此上述预测用户是否进行指定操作的方式具有很大的局限性,如何在得不到包含用户是否进行指定操作的操作结果的历史数据的情况下,预测用户是否会进行指定操作是一个需要考虑的问题。
发明内容
本公开实施例提供一种目标操作预测方法、装置、电子设备及存储介质,用于提供一种新的预测目标操作的方法。
本公开第一方面,提供一种目标操作预测方法,包括:
获取待预测账户的操作意向特征数据,所述操作意向特征数据包括表征账户对目标操作的偏好程度的特征数据,所述目标操作包括账户浏览推送对象后进行的操作;
通过各历史账户的操作意向特征数据和由各历史账户浏览推送对象的时长数据确定的目标操作结果的第一关联度,估计所述待预测账户的操作意向特征数据与目标操作结果的第二关联度;以及将估计的第二关联度转换为所述待预测账户进行所述目标操作的操作意向概率值,其中所述目标操作结果包括是否进行目标操作的结果。
在一种可能的实现方式中,所述通过各历史账户的操作意向特征数据和由各历史账户浏览推送对象的时长数据确定的目标操作结果的第一关联度,估计所述待预测账户的操作意向特征数据与目标操作结果的第二关联度;以及将估计的第二关联度转换为所述待预测账户进行所述目标操作的操作意向概率值的步骤,包括:
采用已训练的操作意向预估模型,输入所述待预测账户的操作意向特征数据,并获得所述操作意向预估模型输出的所述待预测账户进行所述目标操作的操作意向概率值,所述操作意向预估模型是基于机器学习方法,采用各历史账户的操作意向特征数据和各历史账户浏览推送对象的时长数据作为训练样本训练得到的。
在一种可能的实现方式中,通过如下方式得到所述已训练的操作意向预估模型:
提取各训练样本中历史账户的操作意向特征数据以及历史账户浏览推送对象的时长数据;
根据各训练样本中历史账户浏览推送对象的时长数据,确定各训练样本对应的目标操作结果;
利用各训练样本中历史账户的操作意向特征数据和对应的目标操作结果的映射关系,通过机器学习调整历史训练得到的操作意向预估模型或初始创建的操作意向预估模型,得到所述已训练的操作意向预估模型。
在一种可能的实现方式中,所述根据各训练样本中历史账户浏览推送对象的时长数据,确定各训练样本中历史对象的目标操作结果的步骤,包括:
根据各训练样本中历史账户浏览推送对象的时长数据,将历史账户浏览推送对象的时长不小于设定时长阈值的训练样本对应的目标操作结果,确定为进行了所述目标操作的第一结果,以及
将历史账户浏览推送对象的时长小于所述设定时长阈值的训练样本对应的目标操作结果,确定为未进行所述目标操作的第二结果。
在一种可能的实现方式中,所述方法还包括:将没有历史账户浏览推送对象的时长数据的训练样本对应的目标操作结果,确定为未进行所述目标操作的第二结果。
在一种可能的实现方式中,所述设定时长阈值是根据第一设定数量的历史对象浏览推送对象的时长数据和对应的真实的目标操作结果确定的。
在一种可能的实现方式中,所述方法还包括:
将当前时刻之前设定时长内的历史浏览对象数据确定为所述训练样本;或
将当前时间之前第二设定数量的历史浏览对象数据确定为所述训练样本。
本公开第二方面,提供一种目标操作预测装置,包括:
意向特征获取单元,被配置为执行获取待预测账户的操作意向特征数据,所述操作意向特征数据包括表征账户对目标操作的偏好程度的特征数据,所述目标操作包括账户浏览推送对象后进行的操作;
目标操作预测单元,被配置为执行通过各历史账户的操作意向特征数据和由各历史账户浏览推送对象的时长数据确定的目标操作结果的第一关联度,估计所述待预测账户的操作意向特征数据与目标操作结果的第二关联度;以及将估计的第二关联度转换为所述待预测账户进行所述目标操作的操作意向概率值,其中所述目标操作结果包括是否进行目标操作的结果。
在一种可能的实现方式中,所述目标操作预测单元具体被配置为执行:
采用已训练的操作意向预估模型,输入所述待预测账户的操作意向特征数据,并获得所述操作意向预估模型输出的所述待预测账户进行所述目标操作的操作意向概率值,所述操作意向预估模型是基于机器学习方法,采用各历史账户的操作意向特征数据和各历史账户浏览推送对象的时长数据作为训练样本训练得到的。
在一种可能的实现方式中,所述目标操作预测单元还被配置为执行:
通过如下方式得到所述已训练的操作意向预估模型:
提取各训练样本中历史账户的操作意向特征数据以及历史账户浏览推送对象的时长数据;
根据各训练样本中历史账户浏览推送对象的时长数据,确定各训练样本对应的目标操作结果;
利用各训练样本中历史账户的操作意向特征数据和对应的目标操作结果的映射关系,通过机器学习调整历史训练得到的操作意向预估模型或初始创建的操作意向预估模型,得到所述已训练的操作意向预估模型。
在一种可能的实现方式中,所述目标操作预测单元具体被配置为执行:
根据各训练样本中历史账户浏览推送对象的时长数据,将历史账户浏览推送对象的时长不小于设定时长阈值的训练样本对应的目标操作结果,确定为进行了所述目标操作的第一结果,以及
将历史账户浏览推送对象的时长小于所述设定时长阈值的训练样本对应的目标操作结果,确定为未进行所述目标操作的第二结果。
在一种可能的实现方式中,所述目标操作预测单元还被配置为执行:
将没有历史账户浏览推送对象的时长数据的训练样本对应的目标操作结果,确定为未进行所述目标操作的第二结果。
在一种可能的实现方式中,所述设定时长阈值是根据第一设定数量的历史对象浏览推送对象的时长数据和对应的真实的目标操作结果确定的。
在一种可能的实现方式中,所述目标操作预测单元还被配置为执行:
将当前时刻之前设定时长内的历史浏览对象数据确定为所述训练样本;或
将当前时间之前第二设定数量的历史浏览对象数据确定为所述训练样本。
本公开第三方面,提供一种计算机设备,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程序时实现第一方面及一种可能的实施方式中任一项所述的方法。
本公开第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如第一方面及一种可能的实施方式中任一所述的方法。
本公开的方案至少带来以下的有益效果:
本公开中,根据浏览对象时长确定训练样本目标操作的操作结果的标签,进而利用训练样本中历史账户的操作意向特征数据和由历史账户浏览推送对象的时长数据确定的目标操作结果的第一关联度,估计待预测账户的操作意向特征数据与目标操作结果的第二关联度,并将第二关联度转换为待预测账户浏览推送对象后进行目标操作的操作意向概率值,此过程中不需从特定平台获取历史账户是否进行目标操作的真实的目标操作结果的数据,提供了一种新的预测目标操作的方式。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1为本公开示例性实施例提供的一种应用场景的示意图;
图2为本公开示例性实施例提供的一种目标操作预测方法的流程示意图;
图3为本公开示例性实施例提供的一种当前使用的机器学习模型的获取流程示意图;
图4为本公开示例性实施例提供的另一种当前使用的机器学习模型的获取流程示意图;
图5为本公开示例性实施例提供的一种获取设定时长阈值的流程示意图;
图6为本公开示例性实施例提供的一种目标操作预测装置的结构示意图;
图7为本公开示例性实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
为了便于本领域技术人员更好地理解本公开的技术方案,下面对本公开涉及的技术名词进行说明。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
推送对象:包括通过网络向账户推送的对象。本公开实施例中的推送对象可以但不局限于包括网址链接,即推送对象可以是互联网电商平的广告对象详情网页,如商品链接对应的商品详情页或应用链接对应的应用的应用详情页等,上述应用可以但不局限于为游戏类应用、资讯类应用、即时通讯类应用中的一种或多种;上述账户包括用户在特定平台的标识,本公开实施例中账户有时和用户为同义表达。
目标操作:包括账户浏览推送对象后进行的操作。如推送对象为商品详情页时,目标操作可以是将商品详情页对应的商品加入电子购物车的操作,或目标操作也可以是针对商品详情页对应的商品转移电子资源的操作;推送对象为应用详情页时,目标操作可以是激活应用详情页对应的应用的操作,或目标操作为下载应用详情页对应的应用的操作,或目标操作是为了获取应用详情页对应的应用的使用权限而转移电子资源的操作等;上述电子资源包括用于购买商品或应用的使用权限等的资金如法币、电子货币等;上述电子货币是指以电子形式存储在账户所持有的电子钱包(如QQ钱包、微信钱包等)中的货币,电子货币可以但不局限于包括电子票据、数字货币(一种不受管制的、数字化的货币)等。
终端:可以是移动终端、固定终端或便携式终端,例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信***(PCS)设备、个人导航设备、个人数字助理(PDA)、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合,包括这些设备的配件和外设或者其任意组合。
下面对本公开的设计思想进行说明。
相关技术中在预测用户针对推送对象是否进行指定操作的过程中,一般通过获取包含用户操作特征数据以及用户是否进行指定操作的操作结果的历史数据,分析获取的历史数据中用户操作特征数据和操作结果的数据关联关系,进而基于分析结果结合待预测用户的用户操作特征数据,估计待预测用户针对推送对象是否会进行上述指定操作。
如在互联网电商中,电商类广告是很重要的一个类目,此类广告的目的是引导用户进入广告主的商品链接的商品详情页,完成购买对应商品的指定操作,提升广告主的对应商品的销售;电商类广告一般有流量方、广告平台、广告主多个参与方,其中,流量方提供整个过程需要的流量服务,广告平台提供电商类广告的平台,广告主则可以将自己的商品通过广告平台以商品链接的形式推送给用户,用户可以点击商品链接进入商品详情页进而购买对应的商品;目前一般通过信息流竞价广告CPA(Cost Per Action)或OCPC(OptimizedCost Per Click)机制实现电商类广告,这种方式中广告主设立电商类广告的优化目标(即上述指定操作)和对优化目标的出价(售价),作为广告平台竞价的依据,即其核心逻辑是基于如下公式1计算广告主的预期收入ecpm,ecpm越高则广告平台越有可能从竞价中胜出,从而竞得此广告的流量;此场景下,广告平台常通过机器学***台带来的收益就越大。
公式1:ecpm=cpa bid×cvr×ctr;
公式1中ecpm为预期收入,表征在广告平台上设定次数推送商品链接为广告主带来的收入;ctr为点击率,表征推送的商品链接被用户点击的概率;cvr为转化率,表征用户购买上述商品链接的对应商品的次数与上述商品链接的推送次数的比值;cpa_bid为优化目标的出价(售价),优化目标为出售商品时cpa_bid可以为100元,即广告主针对一个该商品的出价为100元,优化目标为激活应用时cpa_bid可以为40元,即广告主针对用户一个激活应用的操作的出价为40元等。
使用机器学***台为一体,即一些流量方自建广告平台,若广告主在此广告平台进行电商类广告,则对应的点击数据(如点击商品链接进入商品详情页的数据)和转化数据(如将商品链接对应的商品加购物清单的数据,购买商品链接对应的商品的数据)的数据获取链路是通畅的,广告平台可以直接获取历史的点击数据和转化数据,基于历史的点击数据和转化数据训练机器学***台可以提供预估的转化率作为优化目标,供广告主选择。
但若流量方和广告平台不是一个平台,则上述电商类广告的转化数据的数据获取链路是受限的,广告平台无法获取上述历史的转化数据,进而无法基于历史的转化数据训练机器学***台无法获取用户激活应用的转化率(即用户激活应用的次数与广告平台推送应用的次数的比值),进而无法基于机器学习预估应用激活的转化率,因此在得不到包含指定操作的真实的操作结果的历史数据的情况下,如何预测账户的指定操作是一个需要考虑的问题。
鉴于此,本公开设计一种目标操作预测方法、装置、电子设备及存储介质,用以优化目标操作的预测过程;考虑到账户针对推送对象是否会进行目标操作(即上述针对推送对象的指定操作),与账户对推送对象的感兴趣程度有关,一般情况下,账户对推送对象的感兴趣程度越高,则账户针对推送对象进行目标操作的可能性更大,且账户浏览推送对象的信息在很大程度上能反映账户对推送对象的感兴趣程度。因此在得不到包含历史账户对推送对象进行目标操作的操作结果的历史浏览对象数据的情况下,本申请实施例考虑根据历史账户浏览推送对象的信息确定历史账户对推送对象的感兴趣程度,进而基于历史账户对推送对象的感兴趣程度确定历史账户是否进行目标操作的近似的目标操作结果;进而利用历史账户的操作意向特征数据(即上述用户操作特征数据)与历史账户的近似的目标操作结果的第一关联度,估计待预测账户的操作意向特征数据与目标操作结果的第二关联度,以及将估计的第二关联度转换为待预测账户进行目标操作的操作意向概率值。
其中,账户浏览推送对象的信息中,浏览的时长能较大程度地反映账户对推送对象的偏好程度,因此在根据历史账户浏览推送对象的信息确定历史账户的近似的目标操作结果时,可以根据历史账户浏览推送对象的时长信息确定历史账户的近似的目标操作结果。
以下结合附图对本公开的方案进行详细说明:
如图1所示,本公开实施例提供一种应用场景,该应用场景中包括至少一个终端101和服务器102,其中:
服务器102用于向使用终端登录的账户发送推送对象,并获取待预测账户的操作意向特征数据,通过各历史账户的操作意向特征数据和由各历史账户浏览推送对象的时长数据确定的目标操作结果的第一关联度,估计待预测账户的操作意向特征数据与目标操作结果的第二关联度;以及将估计的第二关联度转换为待预测账户进行上述目标操作的操作意向概率值。
终端101用于根据用户的指示登录账户,并根据用户的指示浏览服务器102发送的推送对象,也可以根据用户的指示在浏览推送对象后进行目标操作等。
如图2所示,本公开实施例提供一种目标操作预测方法,具体包括如下步骤:
步骤S201,获取待预测账户的操作意向特征数据,上述操作意向特征数据包括表征账户对目标操作的偏好程度的特征数据,目标操作包括账户浏览推送对象后进行的操作。
作为一种实施例,上述操作意向可以包括待预测账户的账户特征、推送对象的特征以及待预测账户浏览推送对象的场景特征中的至少一个特征数据。
上述账户特征可以但不局限于包括账户对应的用户资料特征、账户创建的时间、账户对推送对象进行目标操作的历史记录等中的一个信息或多个信息,其中,用户资料特征可以包括用户的年龄、性别、身高、体重、籍贯、民族、当前所在地理区域、喜好的对象类型、职业、兴趣爱好等。
当推送对象为互联网电商平台的广告对象时,推送对象的特征可以但不局限于包括推送对象在互联网广告平台中的广告类目、推送对象在互联网广告平台中推送的时间段、推送对象所属的广告主的广告主特征中的一个信息或多个信息,其中广告主特征可以是广告主的标识信息、广告主的历史销售信息等。
上述场景特征可以但不局限于包括登录待预测账户的终端的网络连接方式、上述终端的类型、上述终端当前所在地理区域、待预测账户浏览上述推送对象的当前时间中的一个或多个,其中上述网络连接方式可以但不局限于包括有线网络连接或无线网络连接如wifi连接等,上述终端的类型可以为移动终端如智能手机、笔记本电脑、多媒体平板等;也可以为固定终端如站点、台式计算机、互联网节点等。
步骤S202,通过各历史账户的操作意向特征数据和由各历史账户浏览推送对象的时长数据确定的目标操作结果的第一关联度,估计待预测账户的操作意向特征数据与目标操作结果的第二关联度;以及将估计的第二关联度转换为待预测账户进行目标操作的操作意向概率值,其中目标操作结果包括是否进行目标操作的结果。
作为一种实施例,本公开实施例中可以通过机器学习,学习各历史账户的操作意向特征数据和由各历史账户浏览推送对象的时长数据确定的目标操作结果的第一关联度,并基于学习到的第一关联度,计待预测账户的操作意向特征数据与目标操作结果的第二关联度,以及将估计的第二关联度转化为进行目标操作的操作意向概率值;如可以但不局限于通过有监督的分类学习、无监督的分类学习、强化学习、深度强化学习等机器学习方法,学习上述第一关联度。
本公开实施例中的操作意向概率值可以为一个0至1之间的数值,其数值的大小表征待测试账户浏览推送对象后进行目标操作的概率值。
本公开实施例以下内容,给出一种在上述步骤S202中通过机器学习方法,估计待预测账户进行目标操作的操作意向概率值的过程,具体如下:
首先在估计待预测账户进行目标操作的操作意向概率值之前,可以基于机器学习方法,采用各历史账户的操作意向特征数据和由历史账户浏览推送对象的时长数据作为训练样本,训练得到一个操作意向预估模型。
进而在估计待预测账户进行目标操作的操作意向概率值时,采用已训练的操作意向预估模型,输入提取的待预测账户的操作意向特征数据,并获得上述操作意向预估模型输出的待预测账户进行目标操作的操作意向概率值。
本公开实施例以下内容提供一种操作意向预估模型的训练过程,该训练过程具体如下:
首先获取历史浏览对象数据作为训练样本,该历史浏览对象数据中包括历史账户浏览推送荐对象的时长数据以及历史账户进行目标操作的操作意向特征数据。
进一步,可以将当前时刻之前设定时长内的历史浏览对象数据确定为训练样本,或将当前时间之前第二设定数量的历史浏览对象数据确定为训练样本。
作为一种实施例,获取的历史浏览对象数据可能存在数据缺失的问题,如缺失操作意向特征数据中的某一项数据或多项数据,在这种情况下,可以通过设定字符串对历史浏览对象数据中的缺失的数据进行处理。
进而在利用获取的训练样本训练操作意向预估模型;具体地,可以基于初始获得的训练样本训练初始创建的操作意向预估模型;也可以在历史训练中获得已训练后的操作意向预估模型后,根据新产生的历史对象浏览数据对操作意向模型进行更新,如通过根据新产生的历史对象浏览数据更新训练样本,利用更新后的训练样本中历史账户的操作意向特征数据和由历史账户浏览推送对象的时长数据确定的目标操作结果,调整历史训练得到的操作意向预估模型,得到新的训练后的操作预估模型。
以下对获取已训练的操作意向预估模型的过程进行详细描述。
第一种模型获取方式:调整通过机器学习初始创建的操作意向预估模型。
如图3所示,该方式中操作意向预估模型的训练过程主要包括如下步骤:
步骤S301,获取训练样本以及初始创建的操作意向预估模型。
上述初始创建的操作意向预估模型可以是有监督的机器学习模型,如可以但不局限于是xgboost模型、深度学习模型、逻辑回归模型等。
本步骤中,每个训练样本中包括历史账户的操作意向特征数据和历史账户浏览推送对象的时长数据,且训练样本可以是从指定平台如互联网电商平台获取的历史浏览对象数据,也可以是根据其他方式从历史浏览对象数据中获得的,本领域的技术人员可根据实际需求获取本步骤中的训练样本。
本步骤中的训练样本可以是当前时刻之前设定时长内的历史浏览数据,如当前时刻之前一个月内的历史浏览数据;训练样本也可以是当前时刻之前设定数量的历史浏览数据,如当前时刻之前的100万个历史浏览数据等,其中上述当前时刻可以理解为创建初始的操作意向预估模型的时刻,或触发训练操作意向预估模型的时刻。
步骤S302,提取各训练样本中历史账户的操作意向特征数据以及历史账户浏览推送对象的时长数据。
由于本公开实施例中的操作意向特征数据可能包括多个特征数据,因此本步骤中可以通过设定处理方式对训练样本进行处理,将历史账户的操作意向特征数据和历史账户浏览推送对象的时长数据提取出来。
步骤S303,根据各训练样本中历史账户浏览推送对象的时长数据,确定各训练样本中历史账户的目标操作结果。
一般情况下,账户浏览推送对象的时间越长,则账户在浏览推送对象后进行目标操作的可能性越大,如账户浏览商品链接对应的商品详情页的时间越长,则该账户购买商品详情页对应的商品的可能性越大;且账户浏览推送对象的时间越短,则账户在浏览推送对象后进行目标操作的可能性越小,因此可以基于训练样本中的浏览推送对象的时长数据确定训练样本中历史账户进行目标操作的目标操作结果,该目标操作结果包括进行了目标操作或未进行目标操作。
进一步为了便于学习训练样本中历史账户的操作意向特征数据和历史账户的目标操作结果的第一关联度,可以通过标签标记每个训练样本中历史账户的目标操作结果,如将目标操作结果为进行了目标操作的训练样本的标签标记为1,将目标操作结果为未进行目标操作的训练样本的标签标记为0等,即可以通过每个训练样本中历史账户浏览推送对象的时长数据确定每个训练样本的标签。
步骤S304,利用各训练样本中历史账户的操作意向特征数据和对应的目标操作结果的映射关系,通过机器学习调整初始创建的操作意向预估模型,得到已训练的操作意向预估模型。
以将训练样本中历史账户的操作意向特征数据和目标操作结果输入初始创建的操作意向预估模型,初始创建的操作意向预估模型学习训练样本中历史账户操作意向特征数据和目标操作结果的第一关联度,并调整初始创建的操作意向预估模型中的参数,得到已训练的操作意向预估模型。
其中在将训练样本中历史账户的操作意向特征数据和目标操作结果输入初始创建的意向操作预估模型时,可以分批次将训练样本中历史账户的操作意向特征数据和目标操作结果输入初始创建的操作意向预估模型,如一次将设定数量的训练样本中历史账户的操作意向特征数据和目标操作结果输入,或一次将一个时间段内的训练样本中历史账户的操作意向特征数据和目标操作结果输入等。
若训练样本对应的目标操作结果是以标签的形式体现的,则可以将训练样本中历史账户的操作意向特征数据和标签输入初始创建的操作意向预估模型进行训练,得到已训练的操作意向预估模型。
在调整初始创建的操作意向预估模型到已训练的操作意向预估模型后,即可以使用已训练的操作意向预估模型对待预测账户进行目标操作的预测,且在使用已训练的机器学习模型对待预测账户进行目标操作的预测的过程中,还可以将已训练的操作意向预估模型作为历史训练得到的操作意向预估模型,并进行重新训练得到新的已训练的操作意向预估模型,如设定时间周期,周期性调整历史训练得到的操作意向预估模型。
第二种模型获取方式:对历史训练得到的操作意向预估模型进行训练,得到新的已训练的操作意向预估模型。
如图4所示,该方式中操作意向预估模型的训练过程主要包括如下步骤:
步骤S401,基于当前时刻之前的历史浏览对象数据,更新训练样本;
应当说明的是,此处的当前时刻可以理解为触发操作意向预估模型更新的时间,如当前时刻和得到上一次已训练的机器学习模型的时刻的时间间隔达到上述设定时间周期,或当前时刻和上一次触发训练操作意向预估模型的时刻的时间间隔达到上述设定时间周期,或由于某种原因如服务升级等触发更新操作意向预估模型的时刻。
具体地,可以将当前时刻之前设定时长内的历史浏览对象数据确定为上述训练样本,如将当前时刻和得到上一次触发训练操作意向预估模型的时刻之间产生的历史浏览对象数据确定为训练样本;还可以将当前时间之前第二设定数量的历史浏览对象数据确定为训练样本;还可以将当前时刻之前设定时长内的历史浏览对象数据以及得到上一次训练操作意向预估模型使用的训练样本,确定为本步骤的训练样本,如将得到上一次训练操作意向预估模型使用的训练样本,以及当前时刻和得到上一次触发训练操作意向预估模型的时刻之间产生的历史浏览对象数据,确定为训练样本。
步骤S402,根据更新后的各训练样本中历史账户浏览对象的时长数据,确定各训练样本中历史账户的目标操作结果。
此步骤可参考步骤S303中的描述,此处不再重复叙述。
步骤S403,利用各训练样本中历史账户的操作意向特征数据和对应的目标操作结果的映射关系,通过机器学习调整历史训练得带的操作意向预估模型,得到本次训练后的操作意向预估模型。
可以将训练样本中历史账户的操作意向特征数据和对应的目标操作结果输入历史训练的机器学习模型,历史训练的机器学习模型学习训练样本中历史账户的操作意向特征数据和目标操作结果的映射关系,并调整历史训练得到的操作意向预估模型中的参数,得到本次训练后的操作意向预估模型。
其中将训练样本中的操作意向特征数据和目标操作结果输入历史训练得到的操作意向预估模型的过程可参见上述步骤S304中的描述,此处不再重复叙述。
作为一种实施例,在步骤S303和步骤S402中可以通过如下几种方式,根据各训练样本中历史账户浏览推送对象的时长数据,确定各训练样本中历史对象的目标操作结果。
第一种操作结果确定方式:
历史账户浏览推送对象的时长不小于设定时长阈值的训练样本对应的目标操作结果,确定为进行了上述目标操作的第一结果;以及
将历史账户浏览推送对象的时长小于上述设定时长阈值的训练样本对应的目标操作结果,确定为未进行上述目标操作的第二结果。
若以标签的形式表示上述目标操作结果,则可以将上述第一结果设置成正样本标签,将上述第二种结果设置成负样本标签。
此种方式下,针对没有历史账户浏览推送对象的时长数据的训练样本,可以将其历史账户的浏览对象的时长视为零,进而这样的训练样本的目标操作结果为上述第二结果,即推送对象为商品链接对应的商品详情页时,将历史账户没有浏览商品详情页的训练样本的目标操作结果视为第二结果。
第二种操作结果确定方式:
历史账户浏览推送对象的时长不小于设定时长阈值的训练样本对应的目标操作结果,确定为进行了上述目标操作的第一结果;以及
将历史账户浏览推送对象的时长小于上述设定时长阈值的训练样本对应的目标操作结果,确定为未进行上述目标操作的第二结果;以及
将没有历史账户浏览推送对象的时长数据的训练样本对应的目标操作结果,确定为未进行上述目标操作的第二结果。
若以标签的形式表示上述目标操作结果,则可以将上述第一结果设置成正样本标签,将上述第二种结果设置成负样本标签。
上述第一种操作结果确定方式和第二种操作结果确定方式中正样本标签可以设置为1,负样本标签可以设置为0,本领域的技术人员还可以根据其他标识作为上述正样本标签或负样本标签。
作为一种实施例,上述第一种操作结果确定方式和第二种操作结果确定方式中,设定时长阈值是根据第一设定数量的历史对象浏览推送对象的时长数据和这些历史对象的真实的目标操作结果确定的,或者,通过AB测试获得上述设定时长阈值。
具体的,可以预先获取第一设定数量的历史浏览对象数据,该第一设定数量的历史浏览对象数据中包括历史账户浏览推送对象的时长数据和历史账户的真实的目标操作结果。
请参见图5,以下提供一个获取设定时长阈值的具体示例,具体包括如下步骤:
应当说明的是,此示例中的各历史浏览对象数据是上述第一设定数量的历史浏览数据中的。
步骤S501,设置一个初始的时长阈值T0。
具体地,可以由技术人员根据实验测试或经验预估设置上述时长阈值T0。
步骤S502,根据时长阈值T0以及各历史浏览对象数据中历史账户浏览推送对象的时长数据,确定各历史浏览对象数据中历史账户的近似的目标操作结果。
具体地,近似的目标操作结果包括进行了目标操作或未进行目标操作,若一个历史浏览对象数据中历史账户浏览推送对象的时长不小于时长阈值T0,则确定该历史浏览对象数据中近似的目标操作结果为进行了目标操作;若一个历史浏览对象数据中历史账户浏览推送对象的时长小于时长阈值T0,则确定该历史浏览对象数据中历史对象的近似的目标操作结果为未进行目标操作。
步骤S503,基于各历史浏览对象数据真实的目标操作结果和近似的目标操作结果,确定目标操作结果的预测错误率。
具体地,确定近似的目标操作结果和真实的目标操作结果不一致的历史浏览对象数据的数量,将确定的数量与第一设定数量的比值作为目标操作结果的预测错误率。
步骤S504,判断预测错误率是否大于错误率阈值,若大于,则进入步骤S505,若不大于,则进入步骤S506。
步骤S505,调整时长阈值T0,得到一个新的时长阈值T0,并进入步骤S502。
此步骤中,可以将当前的时长阈值T0与设定权重的乘积,确定为上述新的时长阈值T0;也可以将当前的时长阈值T0与设定时长的和,确定为上述新的时长阈值T0,或者以其他方式对当前的时长阈值T0进行变换,得到新的时长阈值T0。
步骤S506,将时长阈值T0确定为设定时长阈值。
以下提供一个目标操作预测的具体示例。
该示例中推送对象为商品链接的商品详情页,目标操作为针对商品详情页对应的商品转移电子货币的操作(即购买商品详情页对应的商品的操作),账户浏览推送对象的时长信息为账户浏览商品详情页的时长,且该示例中采用以训练的操作意向预估模型,估计待预测账户浏览推送对象后进行目标操作的操作意向概率值。
该示例中主要包括如下两个过程:
第一过程:获取已训练的操作意向预估模型。
首先获取包含历史账户的操作意向特征数据和历史账户浏览推送对象的时长信息的训练样本;根据历史账户浏览推送对象的时长数据,将历史账户浏览推送对象的时长不小于设定时长阈值的训练样本的标签设置为正样本标签,将历史账户浏览推送对象的时长小于设定时长阈值的训练样本的标签设置为负样本标签,其中正样本标签用于表征历史账户针对浏览商品详情页对应的商品进行了转移电子货币的操作(即历史账户浏览商品详情页后购买了商品详情页对应的商品),负样本标签用于表征历史账户针对商品详情页对应的商品未进行转移电子货币的操作(即历史账户浏览商品详情页后未购买商品详情页对应的商品,或历史账户未浏览商品也未购买商品详情页对应的商品)。
基于机器学习,通过学习训练样本中历史账户的操作意向特征数据和标签的映射关系,调整初始创建的操作意向预估模型或历史训练得到的操作意向预估模型,得到已训练的操作意向预估模型。
第二过程:估计待预测账户进行目标操作的操作意向概率值。
获取待测试账户的操作意向特征数据,并将获取的操作意向特征数据输入已训练的操作意向预估模型,获得待测试账户浏览推送对象后进行目标操作的操作意向概率值。
本公开实施例中,利用历史账户的操作意向特征数据和由各历史账户浏览推送对象的时长数据确定的目标操作结果的第一关联度,估计待预测账户在浏览推送对象后进行目标操作的操作意向预估值;此过程中并不需要获取历史账户进行目标操作的真实的目标操作结果,提供了一种新的预测目标操作的方式。
如图6所示,基于相同的发明构思,本公开实施例还提供一种目标操作预测装置600,该装置包括:
意向特征获取单元601,被配置为执行获取待预测账户的操作意向特征数据,上述操作意向特征数据包括表征账户对目标操作的偏好程度的特征数据,上述目标操作包括账户浏览推送对象后进行的操作;
目标操作预测单元602,被配置为执行通过各历史账户的操作意向特征数据和由各历史账户浏览推送对象的时长数据确定的目标操作结果的第一关联度,估计上述待预测账户的操作意向特征数据与目标操作结果的第二关联度;以及将估计的第二关联度转换为上述待预测账户进行上述目标操作的操作意向概率值,其中上述目标操作结果包括是否进行目标操作的结果。
作为一种实施例,目标操作预测单元602具体被配置为执行:
采用已训练的操作意向预估模型,输入上述待预测账户的操作意向特征数据,并获得上述操作意向预估模型输出的上述待预测账户进行上述目标操作的操作意向概率值,上述操作意向预估模型是基于机器学习方法,采用各历史账户的操作意向特征数据和各历史账户浏览推送对象的时长数据作为训练样本训练得到的。
作为一种实施例,目标操作预测单元602还被配置为执行:
通过如下方式得到上述已训练的操作意向预估模型:
提取各训练样本中历史账户的操作意向特征数据以及历史账户浏览推送对象的时长数据;
根据各训练样本中历史账户浏览推送对象的时长数据,确定各训练样本对应的目标操作结果;
利用各训练样本中历史账户的操作意向特征数据和对应的目标操作结果的映射关系,通过机器学习调整历史训练得到的操作意向预估模型或初始创建的操作意向预估模型,得到上述已训练的操作意向预估模型。
作为一种实施例,目标操作预测单元602具体被配置为执行:
根据各训练样本中历史账户浏览推送对象的时长数据,将历史账户浏览推送对象的时长不小于设定时长阈值的训练样本对应的目标操作结果,确定为进行了上述目标操作的第一结果,以及
将历史账户浏览推送对象的时长小于上述设定时长阈值的训练样本对应的目标操作结果,确定为未进行上述目标操作的第二结果。
作为一种实施例,目标操作预测单元602还被配置为执行:
将没有历史账户浏览推送对象的时长数据的训练样本对应的目标操作结果,确定为未进行上述目标操作的第二结果。
作为一种实施例,上述设定时长阈值是根据第一设定数量的历史对象浏览推送对象的时长数据和对应的真实的目标操作结果确定的。
作为一种实施例,目标操作预测单元602还被配置为执行:
将当前时刻之前设定时长内的历史浏览对象数据确定为上述训练样本;或
将当前时间之前第二设定数量的历史浏览对象数据确定为上述训练样本。
如图7所示,本公开提供一种电子设备700,包括处理器701、用于存储上述处理器可执行指令的存储器702;
其中,上述处理器被配置为执行可执行指令,实现上述任意一种目标操作预测方法。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器,上述指令可由上述电子设备的处理器执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,上述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种目标操作预测方法,其特征在于,包括:
获取待预测账户的操作意向特征数据,所述操作意向特征数据包括表征账户对目标操作的偏好程度的特征数据,所述目标操作包括账户浏览推送对象后进行的操作;
通过各历史账户的操作意向特征数据和由各历史账户浏览推送对象的时长数据确定的目标操作结果的第一关联度,估计所述待预测账户的操作意向特征数据与目标操作结果的第二关联度;以及将估计的第二关联度转换为所述待预测账户进行所述目标操作的操作意向概率值,其中所述目标操作结果包括是否进行目标操作的结果,包括:采用已训练的操作意向预估模型,输入所述待预测账户的操作意向特征数据,并获得所述操作意向预估模型输出的所述待预测账户进行所述目标操作的操作意向概率值,所述操作意向预估模型是基于机器学习方法,采用各历史账户的操作意向特征数据和各历史账户浏览推送对象的时长数据作为训练样本训练得到的;
通过如下方式得到所述已训练的操作意向预估模型:
提取各训练样本中历史账户的操作意向特征数据以及历史账户浏览推送对象的时长数据;
根据各训练样本中历史账户浏览推送对象的时长数据,确定各训练样本对应的目标操作结果;
利用各训练样本中历史账户的操作意向特征数据和对应的目标操作结果的映射关系,通过机器学习调整历史训练得到的操作意向预估模型或初始创建的操作意向预估模型,得到所述已训练的操作意向预估模型。
2.如权利要求1所述的方法,其特征在于,所述根据各训练样本中历史账户浏览推送对象的时长数据,确定各训练样本中历史对象的目标操作结果的步骤,包括:
根据各训练样本中历史账户浏览推送对象的时长数据,将历史账户浏览推送对象的时长不小于设定时长阈值的训练样本对应的目标操作结果,确定为进行了所述目标操作的第一结果,以及
将历史账户浏览推送对象的时长小于所述设定时长阈值的训练样本对应的目标操作结果,确定为未进行所述目标操作的第二结果。
3.如权利要求2所述的方法,其特征在于,还包括:
将没有历史账户浏览推送对象的时长数据的训练样本对应的目标操作结果,确定为未进行所述目标操作的第二结果。
4.如权利要求2所述的方法,其特征在于,所述设定时长阈值是根据第一设定数量的历史对象浏览推送对象的时长数据和对应的真实的目标操作结果确定的。
5.如权利要求1所述的方法,其特征在于,还包括:
将当前时刻之前设定时长内的历史浏览对象数据确定为所述训练样本;或
将当前时间之前第二设定数量的历史浏览对象数据确定为所述训练样本。
6.一种目标操作预测装置,其特征在于,包括:
意向特征获取单元,被配置为执行获取待预测账户的操作意向特征数据,所述操作意向特征数据包括表征账户对目标操作的偏好程度的特征数据,所述目标操作包括账户浏览推送对象后进行的操作;
目标操作预测单元,被配置为执行通过各历史账户的操作意向特征数据和由各历史账户浏览推送对象的时长数据确定的目标操作结果的第一关联度,估计所述待预测账户的操作意向特征数据与目标操作结果的第二关联度;以及将估计的第二关联度转换为所述待预测账户进行所述目标操作的操作意向概率值,其中所述目标操作结果包括是否进行目标操作的结果;所述目标操作预测单元具体被配置为执行:
采用已训练的操作意向预估模型,输入所述待预测账户的操作意向特征数据,并获得所述操作意向预估模型输出的所述待预测账户进行所述目标操作的操作意向概率值,所述操作意向预估模型是基于机器学习方法,采用各历史账户的操作意向特征数据和各历史账户浏览推送对象的时长数据作为训练样本训练得到的;所述目标操作预测单元还被配置为执行:
通过如下方式得到所述已训练的操作意向预估模型:
提取各训练样本中历史账户的操作意向特征数据以及历史账户浏览推送对象的时长数据;
根据各训练样本中历史账户浏览推送对象的时长数据,确定各训练样本对应的目标操作结果;
利用各训练样本中历史账户的操作意向特征数据和对应的目标操作结果的映射关系,通过机器学习调整历史训练得到的操作意向预估模型或初始创建的操作意向预估模型,得到所述已训练的操作意向预估模型。
7.如权利要求6所述的装置,其特征在于,所述目标操作预测单元具体被配置为执行:
根据各训练样本中历史账户浏览推送对象的时长数据,将历史账户浏览推送对象的时长不小于设定时长阈值的训练样本对应的目标操作结果,确定为进行了所述目标操作的第一结果,以及
将历史账户浏览推送对象的时长小于所述设定时长阈值的训练样本对应的目标操作结果,确定为未进行所述目标操作的第二结果。
8.如权利要求7所述的装置,其特征在于,所述目标操作预测单元还被配置为执行:
将没有历史账户浏览推送对象的时长数据的训练样本对应的目标操作结果,确定为未进行所述目标操作的第二结果。
9.如权利要求7所述的装置,其特征在于,所述设定时长阈值是根据第一设定数量的历史对象浏览推送对象的时长数据和对应的真实的目标操作结果确定的。
10.如权利要求6所述的装置,其特征在于,所述目标操作预测单元还被配置为执行:
将当前时刻之前设定时长内的历史浏览对象数据确定为所述训练样本;或
将当前时间之前第二设定数量的历史浏览对象数据确定为所述训练样本。
11.一种电子设备,其特征在于,包括处理器、用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1至5中任一项所述的方法。
12.一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存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010469618.8A CN113743636B (zh) | 2020-05-28 | 2020-05-28 | 一种目标操作预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010469618.8A CN113743636B (zh) | 2020-05-28 | 2020-05-28 | 一种目标操作预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743636A CN113743636A (zh) | 2021-12-03 |
CN113743636B true CN113743636B (zh) | 2024-05-14 |
Family
ID=78724227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010469618.8A Active CN113743636B (zh) | 2020-05-28 | 2020-05-28 | 一种目标操作预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743636B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107360222A (zh) * | 2017-06-30 | 2017-11-17 | 广东欧珀移动通信有限公司 | 商品信息推送方法、装置、存储介质以及服务器 |
CN107742250A (zh) * | 2017-12-04 | 2018-02-27 | 深圳春沐源控股有限公司 | 商品浏览记录的显示方法和显示*** |
CN108665329A (zh) * | 2017-03-29 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种基于用户浏览行为的商品推荐方法 |
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
CN110020176A (zh) * | 2017-12-29 | 2019-07-16 | ***通信集团公司 | 一种资源推荐方法、电子设备以及计算机可读存储介质 |
CN110716979A (zh) * | 2019-10-18 | 2020-01-21 | 重庆锐云科技有限公司 | 一种购房意向客户挖掘方法、装置及服务器 |
CN110929206A (zh) * | 2019-11-20 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 点击率预估方法、装置、计算机可读存储介质和设备 |
CN111177575A (zh) * | 2020-04-07 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
-
2020
- 2020-05-28 CN CN202010469618.8A patent/CN113743636B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665329A (zh) * | 2017-03-29 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种基于用户浏览行为的商品推荐方法 |
CN107360222A (zh) * | 2017-06-30 | 2017-11-17 | 广东欧珀移动通信有限公司 | 商品信息推送方法、装置、存储介质以及服务器 |
CN107742250A (zh) * | 2017-12-04 | 2018-02-27 | 深圳春沐源控股有限公司 | 商品浏览记录的显示方法和显示*** |
CN110020176A (zh) * | 2017-12-29 | 2019-07-16 | ***通信集团公司 | 一种资源推荐方法、电子设备以及计算机可读存储介质 |
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
CN110716979A (zh) * | 2019-10-18 | 2020-01-21 | 重庆锐云科技有限公司 | 一种购房意向客户挖掘方法、装置及服务器 |
CN110929206A (zh) * | 2019-11-20 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 点击率预估方法、装置、计算机可读存储介质和设备 |
CN111177575A (zh) * | 2020-04-07 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113743636A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107105031A (zh) | 信息推送方法和装置 | |
CN105160545B (zh) | 投放信息样式确定方法及装置 | |
KR102191486B1 (ko) | 자동 광고 대행 서버, 자동으로 광고 매체를 위한 캠페인 정보를 생성하여 광고의 집행을 대행하는 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램 | |
KR20200142489A (ko) | 자동 광고 대행 서버, 자동으로 광고 매체를 위한 캠페인 정보를 생성하여 광고의 집행을 대행하는 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램 | |
US20220012768A1 (en) | Iteratively improving an advertisement response model | |
US10552863B1 (en) | Machine learning approach for causal effect estimation | |
CN111125574A (zh) | 用于生成信息的方法和装置 | |
CN107517251B (zh) | 信息推送方法和装置 | |
CN108074003B (zh) | 预测信息推送方法和装置 | |
CN110598120A (zh) | 基于行为数据的理财推荐方法及装置、设备 | |
CN111738766B (zh) | 用于多媒体信息的数据处理方法、装置以及服务器 | |
CN111667024B (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
CN113761348A (zh) | 一种信息推荐方法、装置、电子设备和存储介质 | |
CN110348947B (zh) | 对象推荐方法及装置 | |
CN111651679A (zh) | 基于强化学习的推荐方法及装置 | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN114971716A (zh) | 服务接口质量评估方法及其装置、设备、介质、产品 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN113822734A (zh) | 用于生成信息的方法和装置 | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
CN113743636B (zh) | 一种目标操作预测方法、装置、电子设备及存储介质 | |
CN114430504B (zh) | 一种媒体内容的推荐方法以及相关装置 | |
US20220198487A1 (en) | Method and device for processing user interaction information | |
CN111506643B (zh) | 用于生成信息的方法、装置和*** | |
CN111461825A (zh) | 一种虚拟资源的生成方法、装置、电子设备及存储介质 |
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 |