发明内容
本申请实施例的目的在于提出一种基于隐私保护的产品投放方法及其相关设备,以解决目标用户的用户转化率低的问题。
为了解决上述技术问题,本申请实施例提供一种基于隐私保护的产品投放方法,采用了如下所述的技术方案:
通过隐私集合求交,根据第一数据方和第二数据方确定重叠用户、标签缺失用户以及目标预测模型;所述重叠用户为第一数据方和第二数据方中的重叠用户;所述标签缺失用户为所述重叠用户中没有用户标签的用户,所述用户标签用于表示用户是否购买目标产品;所述目标预测模型为所述第二数据方预先训练的网络模型,用于预测用户的用户标签;使用所述目标预测模型预测所述标签缺失用户的用户标签;从所述标签缺失用户中抽取预设数量的投放用户,并向所述投放用户投放所述目标产品;所述投放用户为所述标签缺失用户中用户标签预测为购买所述目标产品的任一用户;获取投放结果,并根据所述投放结果计算所述投放用户的用户转化率;所述投放结果包括投放用户的用户数和投放用户中购买目标产品的用户数;在所述用户转化率大于预设阈值时,获取重叠用户中的初始用户;所述初始用户的用户标签均为购买所述目标产品;获取所述初始用户在所述第一数据方对应的用户画像,并将与所述用户画像相同的用户确定为目标用户;向所述目标用户投放所述目标产品。
进一步的,所述通过隐私集合求交,根据第一数据方和第二数据方确定重叠用户,包括:获取所述第二数据方中用户对产品的产品购买信息;所述产品包括所述目标产品;利用隐私集合求交确定所述第一数据方中,与所述用户的产品购买信息对应的对应用户;将所述对应用户确定为重叠用户。
进一步的,所述确定目标预测模型,包括:获取标签用户的用户信息;所述标签用户为所述重叠用户中有用户标签的用户,所述用户信息包括所述第一数据方中的用户消费信息和所述第二数据方中用户对产品的产品购买信息;利用纵向联邦学习算法和所述标签用户的用户信息对预设网络模型进行用户标签预测训练,直至损失函数收敛,得到所述目标预测模型。
进一步的,在根据所述投放结果计算所述投放用户的用户转化率之后,所述产品投放方法还包括:在所述用户转化率小于或者等于所述预设阈值时,对所述重叠用户执行如下循环操作,直至所述用户转化率大于预设阈值;所述循环操作包括:获取所述标签缺失用户的用户信息;利用纵向联邦学习算法、所述标签用户的用户信息、所述标签缺失用户的用户信息对所述目标预测模型进行更新训练,直至所述损失函数收敛,得到更新后的目标预测模型;所述重叠用户包括所述标签用户和所述标签缺失用户;利用更新后的目标预测模型重新预测所述标签缺失用户的用户标签;从所述标签缺失用户中抽取预设数量的循环投放用户,并向所述循环投放用户投放所述目标产品;所述循环投放用户为所述标签缺失用户中用户标签预测为购买所述目标产品的任一用户;获取循环投放结果,并根据所述循环投放结果计算所述循环投放用户的用户转化率。
进一步的,所述投放结果包括购买所述目标产品的用户数,所述根据所述投放结果计算所述投放用户的用户转化率,包括:根据公式
计算所述投放用户的用户转化率,其中,n用于表示所述投放用户的用户转化率,a用于表示投放用户中购买所述目标产品的用户数,b用于表示所述投放用户的用户数。
进一步的,所述获取所述初始用户的用户画像,包括:获取所述第二数据方中初始用户对产品的产品购买信息;所述产品包括所述目标产品;利用隐私集合求交确定所述第一数据方中,与所述初始用户的产品购买信息对应的用户画像。
进一步的,在向所述目标用户投放所述目标产品之后,所述产品投放方法还包括:将所述目标产品对应的投放数据存储至目标区块链;所述投放数据至少包括所述目标用户的用户画像。
为了解决上述技术问题,本申请实施例还提供一种基于隐私保护的产品投放装置,采用了如下所述的技术方案:
第一确定模块,用于通过隐私集合求交,根据第一数据方和第二数据方确定重叠用户、标签缺失用户以及目标预测模型;所述重叠用户为第一数据方和第二数据方中的重叠用户;所述标签缺失用户为所述重叠用户中没有用户标签的用户,所述用户标签用于表示用户是否购买目标产品;所述目标预测模型为所述第二数据方预先训练的网络模型,用于预测用户的用户标签;标签预测模块,用于使用所述目标预测模型预测所述标签缺失用户的用户标签;第一投放模块,用于从所述标签缺失用户中抽取预设数量的投放用户,并向所述投放用户投放所述目标产品;所述投放用户为所述标签缺失用户中用户标签预测为购买所述目标产品的任一用户;计算模块,用于获取投放结果,并根据所述投放结果计算所述投放用户的用户转化率;所述投放结果包括投放用户的用户数和投放用户中购买目标产品的用户数;用户获取模块,用于在所述用户转化率大于预设阈值时,获取重叠用户中的初始用户;所述初始用户的用户标签均为购买所述目标产品;第二确定模块,用于获取所述初始用户在所述第一数据方对应的用户画像,并将与所述用户画像相同的用户确定为目标用户;第二投放模块,用于向所述目标用户投放所述目标产品。
进一步的,所述第一确定模块包括第一获取子模块、第一确定子模块以及第二确定子模块;所述第一获取子模块,用于获取所述第二数据方中用户对产品的产品购买信息;所述产品包括所述目标产品;所述第一确定子模块,用于利用隐私集合求交确定所述第一数据方中,与所述用户的产品购买信息对应的对应用户;所述第二确定子模块,用于将所述对应用户确定为重叠用户。
进一步的,所述第一确定模块还包括第二获取子模块和训练子模块;所述第二获取子模块,用于获取标签用户的用户信息;所述标签用户为所述重叠用户中有用户标签的用户,所述用户信息包括所述第一数据方中的用户消费信息和所述第二数据方中用户对产品的产品购买信息;所述训练子模块,用于利用纵向联邦学习算法和所述标签用户的用户信息对预设网络模型进行用户标签预测训练,直至损失函数收敛,得到所述目标预测模型。
进一步的,所述基于隐私保护的产品投放装置,还包括处理模块;所述处理模块,用于在所述用户转化率小于或者等于所述预设阈值时,对所述重叠用户执行如下循环操作,直至所述用户转化率大于预设阈值;所述循环操作包括:获取所述标签缺失用户的用户信息;利用纵向联邦学习算法、所述标签用户的用户信息、所述标签缺失用户的用户信息对所述目标预测模型进行更新训练,直至所述损失函数收敛,得到更新后的目标预测模型;所述重叠用户包括所述标签用户和所述标签缺失用户;利用更新后的目标预测模型重新预测所述标签缺失用户的用户标签;从所述标签缺失用户中抽取预设数量的循环投放用户,并向所述循环投放用户投放所述目标产品;所述循环投放用户为所述标签缺失用户中用户标签预测为购买所述目标产品的任一用户;获取循环投放结果,并根据所述循环投放结果计算所述循环投放用户的用户转化率。
进一步的,所述投放结果包括购买所述目标产品的用户数,所述计算模块,具体用于根据公式
计算所述投放用户的用户转化率,其中,n用于表示所述投放用户的用户转化率,a用于表示投放用户中购买所述目标产品的用户数,b用于表示所述投放用户的用户数。
进一步的,第二获取模块包括信息获取子模块和画像确定子模块;所述信息获取子模块,用于获取所述第二数据方中初始用户对产品的产品购买信息;所述产品包括所述目标产品;所述画像确定子模块,用于利用隐私集合求交确定所述第一数据方中,与所述初始用户的产品购买信息对应的用户画像。
进一步的,所述基于隐私保护的产品投放装置,还包括存储模块;所述存储模块,用于将所述目标产品对应的投放数据存储至目标区块链;所述投放数据至少包括所述目标用户的用户画像。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述所述的基于隐私保护的产品投放方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的基于隐私保护的产品投放方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:确定重叠用户、标签缺失用户以及目标预测模型,使用目标预测模型预测标签缺失用户的用户标签,并从标签缺失用户中抽取预设数量的投放用户。其中,重叠用户为第一数据方和第二数据方中的重叠用户,即本申请利用了多个数据方的数据有针对性的确定目标用户,提高了确定出的目标用户的准确性。之后,向投放用户投放目标产品,获取投放结果,并根据投放结果计算投放用户的用户转化率。在用户转化率大于预设阈值时,获取重叠用户中的初始用户的用户画像,并将与用户画像相同的用户确定为需要投放目标产品的目标用户。本申请中首先对重叠用户中的部分用户(即投放用户)进行试投放,并在试投放中用户转化率大于预设阈值时,再确定初始用户的用户画像,从而确定出目标用户。避免了直接将所有进入互联网的用户均被当作是目标用户,导致获客成本高的问题,提高了用户转化率。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例提供的基于隐私保护的产品投放方法可以应用于上述服务器设备105,也可以应用于上述终端设备101、102、103。该服务器设备105和终端设备101、102、103可以统称为电子设备。即本申请实施例提供的基于隐私保护的产品投放方法的执行主体可以为基于隐私保护的产品投放装置,基于隐私保护的产品投放装置可以为上述电子设备(如服务器设备105或终端设备101、102、103)。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于隐私保护的产品投放方法的一个实施例的流程图。该基于隐私保护的产品投放方法,包括以下步骤:
步骤S21,通过隐私集合求交,根据第一数据方和第二数据方确定重叠用户、标签缺失用户以及目标预测模型。
其中,重叠用户为第一数据方和第二数据方中的重叠用户;标签缺失用户为重叠用户中没有用户标签的用户,用户标签用于表示用户是否购买目标产品;目标预测模型用于预测用户的用户标签。第一数据方为包括用户的消费信息(如年消费金额)的数据方,例如,互联网公司、电商公司等;第二数据方为包括用户购买产品的产品购买信息(如承保信息、理赔信息)的数据方,例如,在产品为保险产品时,第二数据方可以为保险公司。其中,该产品包括本申请中需要投放的目标产品。
具体的,图3是根据第一数据方和第二数据方确定重叠用户方法的流程图,参照图3所示,包括如下步骤S211-步骤S213。
步骤S211,获取第二数据方中用户对产品的产品购买信息。
其中,产品包括目标产品。
步骤S212,利用隐私集合求交确定第一数据方中,与用户的产品购买信息对应的对应用户。
由于第一数据方包括有用户的消费信息,第二用户方包括有用户的产品购买信息,而用户的消费信息和产品购买信息均为用户隐私信息。因此,为避免用户隐私信息外泄,利用隐私集合求交(Private Set Intersection,PSI)确定第一数据方中,与用户的产品购买信息对应的对应用户。其中,PSI是指,第一数据方和第二数据方在***露任何额外信息的情况下,得到双方持有数据的交集(即对应用户)。
具体的,第一数据方与第二数据方均与PSI服务器建立通信连接,并根据从PSI服务器获取到的盐值(salt)对己方的数据进行散列,得到散列结果。之后,向PSI服务器发送散列结果,由PSI服务器对第一数据方的散列结果和第二数据方的散列结果进行PSI处理,得到第一数据方与第二数据方中有交集的用户的信息。最终根据接收到PSI服务器发送的第一数据方与第二数据方中有交集的用户的信息,确定出对应用户。
步骤S213,将对应用户确定为重叠用户。
在本实施例中,利用了多个数据方的数据有针对性的确定目标用户,提高了确定出的目标用户的准确性。并且利用隐私集合求交确定第一数据方与第二数据方中的重叠用户,能够保证用户的隐私不被泄露。
之后,根据重叠用户的产品购买信息中确定重叠用户中的标签缺失用户。具体的,在用户的产品购买信息中不包括用户标签时,确定该用户为标签缺失用户。
最后,确定目标预测模型。
具体的,图4是确定目标预测模型方法的流程图,参照图4所示,包括如下步骤S214-步骤S215。
步骤S214,获取标签用户的用户信息。
其中,标签用户为重叠用户中有用户标签的用户,用户信息包括第一数据方中的用户消费信息和第二数据方中用户对产品的产品购买信息。
步骤S215,利用纵向联邦学习算法和标签用户的用户信息对预设网络模型进行用户标签预测训练,直至损失函数收敛,得到目标预测模型。
具体的,首先第一数据方建立局部网络模型,第二数据方建立预设网络模型。之后,第一数据方与第二数据方均与协作方(用于协作第二数据方训练目标预测模型)建立通信连接,并从协作方获取到公钥。
第一数据方利用公钥对用户消费信息中的数据特征进行加密,得到第一加密结果,并向第二数据方发送该第一加密结果。第二数据方利用公钥对产品购买信息中的数据特征进行加密,得到第二加密结果,并向第二数据方发送该第二加密结果。其中,目标标签用户(标签用户中的任一个用户)在第一数据方与第二数据方中的用户个人信息相同,但特征数据不同。例如,第一数据方中包括目标标签用户的手机号、年龄、性别、年消费金额,第二数据方中包括目标标签用户的手机号、年保险费、是否购买目标产品(用户标签)。则目标标签用户在第一数据方与第二数据方中的用户个人信息为手机号;目标标签用户在第一数据方中的特征数据为年龄、性别、年消费金额;目标标签用户在第二数据方中的特征数据为年保险费;目标标签用户在第二数据方中的用户标签为是否购买目标产品。
第二数据方接收到第一加密结果之后,根据第一加密结果和产品购买信息中的数据特征,计算出第二数据方对应的局部加密梯度和加密损失,并为第二数据方对应的局部加密梯度和加密损失加入附加掩码后发送给协作方。第一数据方接收到第二加密结果之后,根据第二加密结果和用户消费信息中的数据特征,计算出第一数据方对应的局部加密梯度,并为第一数据方对应的局部加密梯度加入附加掩码后发送给协作方。
协作方在接收到第二数据方对应的局部加密梯度和加密损失和第一数据方对应的局部加密梯度,使用与公钥对应的私钥解密第二数据方对应的局部加密梯度和加密损失和第一数据方对应的局部加密梯度,得到完整梯度,并将完整梯度回传给第一数据方与第二数据方。
最后,第一数据方解除完整梯度上的附加掩码后得到完整梯度,并根据完整梯度更新局部网络模型;第二数据方解除完整梯度上的附加掩码后得到完整梯度,并根据完整梯度更新预设网络模型,直到预设网络模型对应的损失函数收敛,得到目标预测模型。
在本实施例中,使用纵向联邦学习技术,采用逻辑回归方式来训练目标预测模型,在整个训练过程中第一数据方和第二数据方的数据均保存在本地,能够保证用户的隐私不被泄露。
步骤S22,使用目标预测模型预测标签缺失用户的用户标签。
具体的,将标签缺失用户的用户消费信息和产品购买信息输入目标预测模型,得到标签缺失用户的用户标签。
步骤S23,从标签缺失用户中抽取预设数量的投放用户,并向投放用户投放目标产品。
其中,投放用户为标签缺失用户中用户标签预测为购买目标产品的任一用户。其中,预设数量的数值可以为默认值,也可以为相关人员根据具体情况设定的数值。例如,预设数量为重叠用户数量的10%。
步骤S24,获取投放结果,并根据投放结果计算投放用户的用户转化率。
具体的,根据公式
计算投放用户的用户转化率,其中,n用于表示投放用户的用户转化率,a用于表示投放用户中购买目标产品的用户数,b用于表示投放用户的用户数。
可选的,在用户转化率小于或者等于预设阈值时,对重叠用户执行如下循环操作,直至用户转化率大于预设阈值。其中,预设阈值可以为默认值,也可以为相关人员根据具体情况设定的数值。例如,预设阈值为60%。
具体的,循环操作包括:获取标签缺失用户的用户信息,并利用纵向联邦学习算法、标签用户的用户信息、标签缺失用户的用户信息对目标预测模型进行更新训练,直至损失函数收敛,得到更新后的目标预测模型。其中,重叠用户包括标签用户和标签缺失用户。之后,利用更新后的目标预测模型重新预测标签缺失用户的用户标签,并从标签缺失用户中抽取预设数量的循环投放用户。然后,向循环投放用户投放目标产品,并获取循环投放结果。最后,根据循环投放结果计算循环投放用户的用户转化率。其中,循环投放用户为标签缺失用户中用户标签预测为购买目标产品的任一用户。上述循环操作的具体执行过程与步骤S21-步骤S25相同,此处不再赘述。
在本实施例中,在随机抽取的投放用户的用户转化率小于或者等于预设阈值时,对目标预测模型进行训练更新,直至随机抽取的投放用户的用户转化率大于预设阈值,保证了更新后目标预测模型的预测准确率,提高了确定出的目标用户的用户转化率。
步骤S25,在用户转化率大于预设阈值时,获取重叠用户中的初始用户。
其中,初始用户的用户标签均为购买目标产品。
步骤S26,获取初始用户在第一数据方对应的用户画像,并将与用户画像相同的用户确定为目标用户。
具体的,获取第二数据方中初始用户对产品的产品购买信息,并利用隐私集合求交确定第一数据方中,与初始用户的产品购买信息对应的用户画像。其中,确定用户画像的过程与步骤S211-步骤S213中确定重叠用户的过程相同,此处不再赘述。
在本实施例中,使用隐私集合求交确定第一数据方与初始用户的产品购买信息对应的用户画像,能够保证用户的隐私不被泄露。
步骤S27,向目标用户投放目标产品。
具体的,使用预定的投放方式向目标用户批量投放目标产品。例如,使用营销短信的方式向目标用户投放目标产品。
可选的,图5是根据本申请的基于隐私保护的产品投放方法的另一个实施例的流程图,参照图5所示,在步骤S27之后,还包括如下步骤S28。
步骤S28,将目标产品对应的投放数据存储至目标区块链。其中,投放数据至少包括目标用户的用户画像。在本实施例中,将目标产品对应的投放数据存储至目标区块链,能够保证投放数据真实可信,便于后续统计和监控目标产品投放的转化结果。
在本实施例中,确定重叠用户、标签缺失用户以及目标预测模型,使用目标预测模型预测标签缺失用户的用户标签,并从标签缺失用户中抽取预设数量的投放用户。其中,重叠用户为第一数据方和第二数据方中的重叠用户,即本申请利用了多个数据方的数据有针对性的确定目标用户,提高了确定出的目标用户的准确性。之后,向投放用户投放目标产品,获取投放结果,并根据投放结果计算投放用户的用户转化率。在用户转化率大于预设阈值时,获取重叠用户中的初始用户的用户画像,并将与用户画像相同的用户确定为需要投放目标产品的目标用户。本申请中首先对重叠用户中的部分用户(即投放用户)进行试投放,并在试投放中用户转化率大于预设阈值时,再确定初始用户的用户画像,从而确定出目标用户。避免了直接将所有进入互联网的用户均被当作是目标用户,导致获客成本高的问题,提高了用户转化率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图6,作为对上述图2所示方法的实现,本申请提供了一种基于隐私保护的产品投放装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的基于隐私保护的产品投放装置600包括:第一确定模块601、标签预测模块602、第一投放模块603、计算模块604、用户获取模块605、第二确定模块606以及第二投放模块607,其中:
第一确定模块601,用于通过隐私集合求交,根据第一数据方和第二数据方确定重叠用户、标签缺失用户以及目标预测模型;所述重叠用户为第一数据方和第二数据方中的重叠用户;所述标签缺失用户为所述重叠用户中没有用户标签的用户,所述用户标签用于表示用户是否购买目标产品;所述目标预测模型为所述第二数据方预先训练的网络模型,用于预测用户的用户标签;标签预测模块602,用于使用所述目标预测模型预测所述标签缺失用户的用户标签;第一投放模块603,用于从所述标签缺失用户中抽取预设数量的投放用户,并向所述投放用户投放所述目标产品;所述投放用户为所述标签缺失用户中用户标签预测为购买所述目标产品的任一用户;计算模块604,用于获取投放结果,并根据所述投放结果计算所述投放用户的用户转化率;所述投放结果包括投放用户的用户数和投放用户中购买目标产品的用户数;用户获取模块605,用于在所述用户转化率大于预设阈值时,获取重叠用户中的初始用户;所述初始用户的用户标签均为购买所述目标产品;第二确定模块606,用于获取所述初始用户在所述第一数据方对应的用户画像,并将与所述用户画像相同的用户确定为目标用户;第二投放模块607,用于向所述目标用户投放所述目标产品。
在本实施例中,确定重叠用户、标签缺失用户以及目标预测模型,使用目标预测模型预测标签缺失用户的用户标签,并从标签缺失用户中抽取预设数量的投放用户。其中,重叠用户为第一数据方和第二数据方中的重叠用户,即本申请利用了多个数据方的数据有针对性的确定目标用户,提高了确定出的目标用户的准确性。之后,向投放用户投放目标产品,获取投放结果,并根据投放结果计算投放用户的用户转化率。在用户转化率大于预设阈值时,获取重叠用户中的初始用户的用户画像,并将与用户画像相同的用户确定为需要投放目标产品的目标用户。本申请中首先对重叠用户中的部分用户(即投放用户)进行试投放,并在试投放中用户转化率大于预设阈值时,再确定初始用户的用户画像,从而确定出目标用户。避免了直接将所有进入互联网的用户均被当作是目标用户,导致获客成本高的问题,提高了用户转化率。
在本实施例的一些可能的实现方式中,所述第一确定模块601包括第一获取子模块、第一确定子模块以及第二确定子模块;所述第一获取子模块,用于获取所述第二数据方中用户对产品的产品购买信息;所述产品包括所述目标产品;所述第一确定子模块,用于利用隐私集合求交确定所述第一数据方中,与所述用户的产品购买信息对应的对应用户;所述第二确定子模块,用于将所述对应用户确定为重叠用户。
在本实施例中,利用了多个数据方的数据有针对性的确定目标用户,提高了确定出的目标用户的准确性。并且利用隐私集合求交确定第一数据方与第二数据方中的重叠用户,能够保证用户的隐私不被泄露。
在本实施例的一些可选的实现方式中,所述第一确定模块601还包括第二获取子模块和训练子模块;所述第二获取子模块,用于获取标签用户的用户信息;所述标签用户为所述重叠用户中有用户标签的用户,所述用户信息包括所述第一数据方中的用户消费信息和所述第二数据方中用户对产品的产品购买信息;所述训练子模块,用于利用纵向联邦学习算法和所述标签用户的用户信息对预设网络模型进行用户标签预测训练,直至损失函数收敛,得到所述目标预测模型。
在本实施例中,使用纵向联邦学习技术,采用逻辑回归方式来训练目标预测模型,在整个训练过程中第一数据方和第二数据方的数据均保存在本地,能够保证用户的隐私不被泄露。
在本实施例的一些可能的实现方式中,所述基于隐私保护的产品投放装置,还包括处理模块;所述处理模块,用于在所述用户转化率小于或者等于所述预设阈值时,对所述重叠用户执行如下循环操作,直至所述用户转化率大于预设阈值;所述循环操作包括:获取所述标签缺失用户的用户信息;利用纵向联邦学习算法、所述标签用户的用户信息、所述标签缺失用户的用户信息对所述目标预测模型进行更新训练,直至所述损失函数收敛,得到更新后的目标预测模型;所述重叠用户包括所述标签用户和所述标签缺失用户;利用更新后的目标预测模型重新预测所述标签缺失用户的用户标签;从所述标签缺失用户中抽取预设数量的循环投放用户,并向所述循环投放用户投放所述目标产品;所述循环投放用户为所述标签缺失用户中用户标签预测为购买所述目标产品的任一用户;获取循环投放结果,并根据所述循环投放结果计算所述循环投放用户的用户转化率。
在本实施例中,在随机抽取的投放用户的用户转化率小于或者等于预设阈值时,对目标预测模型进行训练更新,直至随机抽取的投放用户的用户转化率大于预设阈值,保证了更新后目标预测模型的预测准确率,提高了确定出的目标用户的用户转化率。
在本实施例的一些可能的实现方式中,所述投放结果包括购买所述目标产品的用户数,所述计算模块604,具体用于根据公式
计算所述投放用户的用户转化率,其中,n用于表示所述投放用户的用户转化率,a用于表示投放用户中购买所述目标产品的用户数,b用于表示所述投放用户的用户数。
在本实施例的一些可能的实现方式中,用户获取模块605包括信息获取子模块和画像确定子模块;所述信息获取子模块,用于获取所述第二数据方中初始用户对产品的产品购买信息;所述产品包括所述目标产品;所述画像确定子模块,用于利用隐私集合求交确定所述第一数据方中,与所述初始用户的产品购买信息对应的用户画像。
在本实施例中,使用隐私集合求交确定第一数据方与初始用户的产品购买信息对应的用户画像,能够保证用户的隐私不被泄露。
在本实施例的一些可能的实现方式中,所述基于隐私保护的产品投放装置,还包括存储模块;所述存储模块,用于将所述目标产品对应的投放数据存储至目标区块链;所述投放数据至少包括所述目标用户的用户画像。
在本实施例中,将目标产品对应的投放数据存储至目标区块链,能够保证投放数据真实可信,便于后续统计和监控目标产品投放的转化结果。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图7,图7为本实施例计算机设备基本结构框图。
所述计算机设备7包括通过***总线相互通信连接存储器71、处理器72、网络接口73。需要指出的是,图中仅示出了具有组件71-73的计算机设备7,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器71至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器71可以是所述计算机设备7的内部存储单元,例如该计算机设备7的硬盘或内存。在另一些实施例中,所述存储器71也可以是所述计算机设备7的外部存储设备,例如该计算机设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器71还可以既包括所述计算机设备7的内部存储单元也包括其外部存储设备。本实施例中,所述存储器71通常用于存储安装于所述计算机设备7的操作***和各类应用软件,例如基于隐私保护的产品投放方法的计算机可读指令等。此外,所述存储器71还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器72在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器72通常用于控制所述计算机设备7的总体操作。本实施例中,所述处理器72用于运行所述存储器71中存储的计算机可读指令或者处理数据,例如运行所述基于隐私保护的产品投放方法的计算机可读指令。
所述网络接口73可包括无线网络接口或有线网络接口,该网络接口73通常用于在所述计算机设备7与其他电子设备之间建立通信连接。
本实施例中提供的计算机设备可以执行上述基于隐私保护的产品投放方法的步骤。此处基于隐私保护的产品投放方法的步骤可以是上述各个实施例的基于隐私保护的产品投放方法中的步骤。
在本实施例中,确定重叠用户、标签缺失用户以及目标预测模型,使用目标预测模型预测标签缺失用户的用户标签,并从标签缺失用户中抽取预设数量的投放用户。其中,重叠用户为第一数据方和第二数据方中的重叠用户,即本申请利用了多个数据方的数据有针对性的确定目标用户,提高了确定出的目标用户的准确性。之后,向投放用户投放目标产品,获取投放结果,并根据投放结果计算投放用户的用户转化率。在用户转化率大于预设阈值时,获取重叠用户中的初始用户的用户画像,并将与用户画像相同的用户确定为需要投放目标产品的目标用户。本申请中首先对重叠用户中的部分用户(即投放用户)进行试投放,并在试投放中用户转化率大于预设阈值时,再确定初始用户的用户画像,从而确定出目标用户。避免了直接将所有进入互联网的用户均被当作是目标用户,导致获客成本高的问题,提高了用户转化率。
本申请还提供了另一种实施方式,即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可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于隐私保护的产品投放方法的步骤。
在本实施例中,确定重叠用户、标签缺失用户以及目标预测模型,使用目标预测模型预测标签缺失用户的用户标签,并从标签缺失用户中抽取预设数量的投放用户。其中,重叠用户为第一数据方和第二数据方中的重叠用户,即本申请利用了多个数据方的数据有针对性的确定目标用户,提高了确定出的目标用户的准确性。之后,向投放用户投放目标产品,获取投放结果,并根据投放结果计算投放用户的用户转化率。在用户转化率大于预设阈值时,获取重叠用户中的初始用户的用户画像,并将与用户画像相同的用户确定为需要投放目标产品的目标用户。本申请中首先对重叠用户中的部分用户(即投放用户)进行试投放,并在试投放中用户转化率大于预设阈值时,再确定初始用户的用户画像,从而确定出目标用户。避免了直接将所有进入互联网的用户均被当作是目标用户,导致获客成本高的问题,提高了用户转化率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。