CN117217852B - 一种基于行为识别购买意愿度预测方法及装置 - Google Patents
一种基于行为识别购买意愿度预测方法及装置 Download PDFInfo
- Publication number
- CN117217852B CN117217852B CN202310970739.4A CN202310970739A CN117217852B CN 117217852 B CN117217852 B CN 117217852B CN 202310970739 A CN202310970739 A CN 202310970739A CN 117217852 B CN117217852 B CN 117217852B
- Authority
- CN
- China
- Prior art keywords
- page
- access
- pages
- paid
- purchase willingness
- 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 52
- 238000012549 training Methods 0.000 claims abstract description 48
- 239000000203 mixture Substances 0.000 claims abstract description 42
- 238000010276 construction Methods 0.000 claims abstract description 19
- 239000000284 extract Substances 0.000 claims abstract description 16
- 238000007477 logistic regression Methods 0.000 claims description 32
- 230000006399 behavior Effects 0.000 claims description 31
- 238000013145 classification model Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于行为识别购买意愿度预测方法及装置,所述方法包括:获取用户当前访问页面;其中,所述当前访问页面包括若干页面组成元素;将所述用户当前访问页面输入到预设的购买意愿度预测模型中,以使所述购买意愿度预测模型根据当前访问页面的页面类型,从页面组成元素中提取当前访问页面的差异因子;根据所述当前访问页面的差异因子预测用户在当前访问页面的购买意愿度;其中,所述预设的购买意愿度预测模型的构建包括:将所有选定已支付访问页面和所有选定未支付访问页面作为训练样本;构建初始的购买意愿度预测模型,通过训练样本,对初始的购买意愿度预测模型进行训练,生成所述购买意愿度预测模型。
Description
技术领域
本发明涉及行为识别技术领域,尤其涉及一种基于行为识别购买意愿度预测方法及装置。
背景技术
在电商业务中,用户主要通过电商提供的商品描述页面来了解商品信息,用户根据所提供的信息来决定是否会购买该商品。访问电商的用户对于商品网页的访问数量、时长等信息和该用户实际购买商品之间,存在很强的时间上先后关系,以及过程上的强关联关系。如果能识别不同访问网页的特点与实际购买商品之间的模式以及关系,有针对性的根据不同的用户习惯,制定不同的营销策略,就可以提高电商运营效率,也可以提升用户的购物体验。而目前尚无基于访问网页中的页面组成元素来确定用户在当前访问网页的购买意愿度的技术方案。
发明内容
本发明实施例提供基于行为识别购买意愿度预测方法及装置,能根据访问页面的页面组成元素确定用户在当前访问页面的购买意愿度。
本发明一实施例提供一种基于行为识别购买意愿度预测方法,包括:
获取用户当前访问页面;其中,所述当前访问页面包括若干页面组成元素;
将所述用户当前访问页面输入到预设的购买意愿度预测模型中,以使所述购买意愿度预测模型根据当前访问页面的页面类型,从页面组成元素中提取当前访问页面的差异因子;根据所述当前访问页面的差异因子预测用户在当前访问页面的购买意愿度;
其中,所述预设的购买意愿度预测模型的构建包括:
获取用户在网站中的所有历史已支付的访问路径;
根据各历史已支付的访问路径所对应的访问页面,与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面,并确定各选定已支付访问页面的页面类型;
根据各选定已支付访问页面的页面类型,确定各历史未支付的访问路径,继而将各历史未支付的访问路径所对应的访问页面作为选定未支付访问页面;其中,每一历史未支付的访问路径,所对应的访问页面的页面类型,与至少一个选定已支付访问页面的页面类型相同;
将所有选定已支付访问页面和所有选定未支付访问页面作为训练样本;
构建初始的购买意愿度预测模型,通过所述训练样本,对初始的购买意愿度预测模型进行训练,生成所述购买意愿度预测模型;其中,在训练过程中,所述初始的购买意愿度预测模型对同一页面类型下的选定已支付访问页面和选定未支付访问页面,分别提取页面组成元素,并比对选定已支付访问页面和选定未支付访问页面在页面组成元素上的差异,确定选定已支付访问页面和选定未支付访问页面在同一页面类型下的差异因子,根据差异因子预测用户在对应页面类型下的购买意愿度。
进一步地,所述根据各历史已支付的访问路径所对应的访问页面,与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面,包括:
剔除各历史已支付的访问路径中的重复访问页面和必经页面;其中,所述必经页面包括:网站首页及支付成功页;
根据已剔除重复访问页面和必经页面的各历史已支付的访问路径所对应的访问页面,与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面。
进一步地,访问页面与支付页面的相关度的确定,包括:
根据访问页面到支付页面间的访问路径,确定访问页面跳转至支付页面所需的页面跳转次数,根据所述页面跳转次数确定访问页面与支付页面的相关度;其中,所述页面跳转次数与所述访问页面与支付页面的相关度呈负相关。
进一步地,所述根据访问页面到支付页面间的访问路径,确定访问页面跳转至支付页面所需的页面跳转次数,包括:
确定访问页面在预设的访问路径图谱中所对应的节点,并作为起点;
确定支付页面在预设的访问路径图谱中所对应的节点,并作为终点;
确定在所述起点到终点的所有访问路径及每一访问路径所对应的页面跳转次数;
将所有访问路径所对应的页面跳转次数通过平均值计算确定访问页面跳转至支付页面所需的跳转次数;
其中,所述预设的访问路径图谱根据用户访问路径生成。
进一步地,访问页面与支付页面的相关度的确定,包括:
将访问页面输入到预设的逻辑回归模型中,以使所述预设的逻辑回归模型输出访问页面与支付页面的相关度;
其中,所述预设的逻辑回归模型的构建包括:
获取若干页面类型的访问页面样本,并标记每一访问页面样本在浏览后是否支付;
构建初始的逻辑回归模型,将所述访问页面样本作为初始的逻辑回归模型的自变量,将所述访问页面样本是否支付作为初始的逻辑回归模型的因变量,对初始的逻辑回归模型进行训练,生成所述预设的逻辑回归模型。
进一步地,根据所述当前访问页面的差异因子预测用户在当前访问页面的购买意愿度,包括:
对所述当前访问页面的差异因子进行特征提取,生成差异因子的特征向量;
将差异因子的特征向量输入到预设的预测函数中,输出用户在当前访问页面的购买意愿度。
进一步地,访问页面的页面类型的确定包括:
将访问页面输入到预设的页面分类模型中,以使预设的页面分类模型获取访问页面的控件及控件信息,并根据控件类型对控件进行分组,根据每一分组中控件的坐标位置确定访问页面的页面布局框图,根据页面布局框图确定访问页面对应的页面类型;其中,所述控件信息包括:控件类型和坐标位置;
所述预设的页面分类模型的构建包括:
获取若干页面类型的页面样本,并对于每一页面样本中的所有控件的控件信息及各控件形成的页面布局框图进行标注;
构建初始的页面分类模型,将标注后的页面样本作为训练样本,对初始的页面分类模型进行训练,生成所述预设的页面分类模型。
在上述方法项实施例的基础上,本发明对应提供了装置项实施例;
本发明一实施例对应提供了一种基于行为识别购买意愿度预测装置,包括:访问页面获取模块、购买意愿度预测模块及购买意愿度预测模型构建模块;
所述访问页面获取模块,用于获取用户当前访问页面;其中,所述当前访问页面包括若干页面组成元素;
所述购买意愿度预测模块,用于将所述用户当前访问页面输入到预设的购买意愿度预测模型中,以使所述购买意愿度预测模型根据当前访问页面的页面类型,从页面组成元素中提取当前访问页面的差异因子;根据所述当前访问页面的差异因子预测用户在当前访问页面的购买意愿度;
所述购买意愿度预测模型构建模块,用于获取用户在网站中的所有历史已支付的访问路径;根据各历史已支付的访问路径所对应的访问页面,与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面,并确定各选定已支付访问页面的页面类型;根据各选定已支付访问页面的页面类型,确定各历史未支付的访问路径,继而将各历史未支付的访问路径所对应的访问页面作为选定未支付访问页面;其中,每一历史未支付的访问路径,所对应的访问页面的页面类型,与至少一个选定已支付访问页面的页面类型相同;将所有选定已支付访问页面和所有选定未支付访问页面作为训练样本;构建初始的购买意愿度预测模型,通过所述训练样本,对初始的购买意愿度预测模型进行训练,生成所述购买意愿度预测模型;其中,在训练过程中,所述初始的购买意愿度预测模型对同一页面类型下的选定已支付访问页面和选定未支付访问页面,分别提取页面组成元素,并比对选定已支付访问页面和选定未支付访问页面在页面组成元素上的差异,确定选定已支付访问页面和选定未支付访问页面在同一页面类型下的差异因子,根据差异因子预测用户在对应页面类型下的购买意愿度。
本发明另一实施例提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的一种基于行为识别购买意愿度预测方法。
本发明另一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行上述发明实施例所述的一种基于行为识别购买意愿度预测方法。
通过实施本发明具有如下有益效果:本发明提供了一种基于行为识别购买意愿度预测方法及装置;该方法通过获取用户当前访问页面,将当前访问页面输入到预设的购买意愿度预测模型中,通过预测模型根据页面类型从页面组成元素中提取差异因子;根据所确定的差异因子来预测用户在当前访问页面的购买意愿度;通过对用户当前访问页面的页面组成元素的分析,确定在当前访问页面下影响用户购买意愿的主要因素,根据影响因素来预测用户的购买意愿度,使得对用户购买意愿度的预测更为准确。
附图说明
图1是本发明一实施例提供的一种基于行为识别购买意愿度预测方法的流程示意图。
图2是本发明一实施例提供的一种基于行为识别购买意愿度预测装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,是本发明一实施例提供的一种基于行为识别购买意愿度预测方法,包括:
步骤S1:获取用户当前访问页面;其中,所述当前访问页面包括若干页面组成元素;
步骤S2:将所述用户当前访问页面输入到预设的购买意愿度预测模型中,以使所述购买意愿度预测模型根据当前访问页面的页面类型,从页面组成元素中提取当前访问页面的差异因子;根据所述当前访问页面的差异因子预测用户在当前访问页面的购买意愿度;
其中,所述预设的购买意愿度预测模型的构建包括:
获取用户在网站中的所有历史已支付的访问路径;根据各历史已支付的访问路径所对应的访问页面,与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面,并确定各选定已支付访问页面的页面类型;根据各选定已支付访问页面的页面类型,确定各历史未支付的访问路径,继而将各历史未支付的访问路径所对应的访问页面作为选定未支付访问页面;其中,每一历史未支付的访问路径,所对应的访问页面的页面类型,与至少一个选定已支付访问页面的页面类型相同;将所有选定已支付访问页面和所有选定未支付访问页面作为训练样本;
构建初始的购买意愿度预测模型,通过所述训练样本,对初始的购买意愿度预测模型进行训练,生成所述购买意愿度预测模型;其中,在训练过程中,所述初始的购买意愿度预测模型对同一页面类型下的选定已支付访问页面和选定未支付访问页面,分别提取页面组成元素,并比对选定已支付访问页面和选定未支付访问页面在页面组成元素上的差异,确定选定已支付访问页面和选定未支付访问页面在同一页面类型下的差异因子,根据差异因子预测用户在对应页面类型下的购买意愿度。
对于步骤S1、以一购物网站为例,该网站包括的页面可为:网站首页、登录页、注册页、搜索页、商品首页、商品详情页、商品分类页、商品评价页、客服咨询页面、店铺首页、店铺详情页、店铺评价页、购物车页面、商品结算页、等待支付页及成功支付页等;用户在购物网站中的进行访问页面或与网站产生人机交互等动作时,网站响应用户的访问行为和人机交互行为的同时,会对其进行记录,通常采用日志的方式进行记录;因此,在获取用户当前访问页面时,可通过获取网站日志,分析日志中用户最新的日志中的用户行为,即可确定用户当前访问的页面。
对于步骤S2、将用户当前访问页面输入到预训练的购买意愿度预测模型中,使得购买意愿度预测模型根据访问页面的页面类型从访问页面的所有页面组成元素中提取当前访问页面的差异因子。
在一个优选的实施例中,访问页面的页面类型的确定包括:将访问页面输入到预设的页面分类模型中,以使预设的页面分类模型获取访问页面的控件及控件信息,并根据控件类型对控件进行分组,根据每一分组中控件的坐标位置确定访问页面的页面布局框图,根据页面布局框图确定访问页面对应的页面类型;其中,所述控件信息包括:控件类型和坐标位置;所述预设的页面分类模型的构建包括:获取若干页面类型的页面样本,并对于每一页面样本中的所有控件的控件信息及各控件形成的页面布局框图进行标注;构建初始的页面分类模型,将标注后的页面样本作为训练样本,对初始的页面分类模型进行训练,生成所述预设的页面分类模型。
具体的,对于访问页面的页面类型的确定,可以通过将访问页面输入到预设的页面分类模型中,通过页面分类模型提取访问页面中包含的控件和控件所对应的控件信息;根据控件类型对访问页面中的所有控件进行分组,得到包含不同类型控件的多个分组;对于每一个分组,根据分组中控件的坐标位置确定访问页面的页面布局框图,根据页面布局框图即可确定当前访问页面所对应的页面类型。
所提取的控件根据页面类型的不同所对应得到的提取结果也不相同;例如:在页面类型为商品评价页时,商品评价页可包含以下控件或其组合:评价用户的用户头像、评价用户的用户名、表示评价内容的文本、表示评价内容的图像或视频、表示评价商品参数的文本、用于筛选评价内容的控件等;在页面类型为客服咨询页面时,客服咨询页面可包括以下控件或其组合:店铺头像、店铺名称、咨询商品链接、咨询商品的商品参数信息、发送信息按键、用户发起的聊天框及店铺客服发起的聊天框等。需要说明的是,页面组成元素指构成页面的所有元素,而控件为能确定页面布局的部分页面组成元素。
为能通过提取页面中的控件和控件的坐标位置即可确定页面的页面布局框图,需先获取所有类型页面的样本数据,并对样本数据中的页面类型、控件、控件类型、控件坐标位置和各控件形成的页面布局框图进行标注,将经过标注后的样本数据输入到一个初始的页面分类模型中,对初始的页面分类模型进行训练;对于每一训练样本,在训练过程中,初始的页面分类模型提取带有标注的控件,对控件进行分类,生成多组分类结果。优选的,控件的分类可分为文本类、图像类和视频类等。在页面分类模型训练过程中,每一组分类结果分别对应一条输入通道,将多组分类结果与多个输入通道一一对应;在每一通道中,根据控件所对应的坐标位置绘制局部页面布局框图;根据多通道处理结果得到多个局部页面布局框图,根据多个局部页面布局框图确定整体页面布局框图,并使页面分类模型对整体页面布局框图信息进行学习。
在对页面类型进行识别时,对待识别页面的控件进行提取、分类和页面布局框图的确定后,根据所确定的页面布局框图在预训练的页面分类模型中与已学习的页面布局框图进行匹配,继而输出待识别页面对应的页面类型。
优选的,作为确定页面类型的另一种实施方式,可对网站中包含的每一页面类型的所有页面组成元素进行提取,并构建一数据库分表存储每一种页面类型所包含的元素,继而在需确定页面类型时,通过对待识别页面的所有组成元素的提取,继而将提取的元素与上述所构建的数据库中表示各页面类型的数据表中的组成元素进行匹配,选取匹配程度最高的数据表所对应的页面类型作为待识别页面所对应的页面类型。
在确定当前访问页面的页面类型后,购买意愿度预测模型根据页面类型从页面组成元素中提取当前访问页面中影响用户购买意愿度的差异因子,该差异因子的提取与购买意愿度预测模型的构建过程相关。
购买意愿度预测模型的构建过程分为训练样本选取过程和模型训练过程。在训练样本选取时,不采用直接获取网站中用户的所有访问路径,而是从网站日志中获取该用户在网站中的所有历史访问路径中,所有历史已支付的访问路径;根据所有历史已支付的访问路径中所对应的访问页面与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面。
在一个优选的实施例中,所述根据各历史已支付的访问路径所对应的访问页面,与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面,包括:剔除各历史已支付的访问路径中的重复访问页面和必经页面;其中,所述必经页面包括:网站首页及支付成功页;根据已剔除重复访问页面和必经页面的各历史已支付的访问路径所对应的访问页面,与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面。
具体的,为减少样本选取过程和后续模型训练过程的计算量,提高计算速度,在获取了用户在网站中所有历史已支付的访问路径后,对于每一历史已支付的访问路径,需对其中包含的重复访问页面和必经页面进行剔除;例如:在购物网站中用户的一历史已支付访问路径为:首页-商品首页-商品详情页-首页-商品分类页-商品首页-商品评价页-客服咨询页面-商品详情页-商品评价页-购物车页面-商品结算页-等待支付页-成功支付页;将其中必经的首页、等待支付页和成功支付页进行剔除,同时删除重复的页面,得到处理后的历史已支付访问路径为:商品首页-商品详情页-商品分类页-商品评价页-客服咨询页面-商品评价页-客服咨询页面。
对于每一经过剔除处理后的历史已支付访问路径,根据该路径中所包含的访问页面与支付页面之间的相关度来选取相关度大于预设阈值,例如相关度大于50%的若干访问页面作为选定已支付的访问页面,并确定选定已支付的访问页面所对应的页面类型。
在一个优选的实施例中,访问页面与支付页面的相关度的确定,包括:根据访问页面到支付页面间的访问路径,确定访问页面跳转至支付页面所需的页面跳转次数,根据所述页面跳转次数确定访问页面与支付页面的相关度;其中,所述页面跳转次数与所述访问页面与支付页面的相关度呈负相关。
具体的,访问页面与支付页面之间相关度的确定可根据当前访问页面到支付页面还需经过的页面跳转次数来确定,即访问页面到支付页面所需的跳转次数越少,则该访问页面与支付页面的相关度越高;访问页面到支付页面所需的跳转次数越多,则该访问页面与支付页面的相关度越低。
在一个优选的实施例中,所述根据访问页面到支付页面间的访问路径,确定访问页面跳转至支付页面所需的页面跳转次数,包括:确定访问页面在预设的访问路径图谱中所对应的节点,并作为起点;确定支付页面在预设的访问路径图谱中所对应的节点,并作为终点;确定在所述起点到终点的所有访问路径及每一访问路径所对应的页面跳转次数;将所有访问路径所对应的页面跳转次数通过平均值计算确定访问页面跳转至支付页面所需的跳转次数;其中,所述预设的访问路径图谱根据用户访问路径生成。
具体的,以网站中包含的所有页面所对应的页面类型作为访问路径图谱中的节点,通过网站构建时所存储的各页面间可实现的前后跳转关系,在访问路径图谱中绘制节点间的连接关系图,生成预设的访问路径图谱。在需确定访问页面到支付页面间所需的跳转次数时,根据访问页面所对应的页面类型在预设的访问路径图谱匹配对应的节点,并以此节点作为起点;根据支付页面所对应的页面类型在预设的访问路径图谱中匹配对应的节点,并作为终点;根据起点与终点在预设的分文路径图谱中的连接路径中包含的节点个数即可确定访问页面到支付页面所需的页面跳转次数。优选的,在起点和终点间存在多条访问路径时,可通过将所有访问路径所对应的页面跳转次数通过平均值计算确定访问页面跳转至支付页面所需的跳转次数。
在另一个优选的实施例中,访问页面与支付页面的相关度的确定,包括:将访问页面输入到预设的逻辑回归模型中,以使所述预设的逻辑回归模型输出访问页面与支付页面的相关度;其中,所述预设的逻辑回归模型的构建包括:获取若干页面类型的访问页面样本,并标记每一访问页面样本在浏览后是否支付;构建初始的逻辑回归模型,将所述访问页面样本作为初始的逻辑回归模型的自变量,将所述访问页面样本是否支付作为初始的逻辑回归模型的因变量,对初始的逻辑回归模型进行训练,生成所述预设的逻辑回归模型。
具体的,还可通过构建逻辑回归模型的方式来确定访问页面与支付页面之间相关度。通过构建初始的逻辑回归模型,将访问页面样本作为初始的逻辑回归模型的自变量,将用户访问页面样本后是否已支付作为初始的逻辑回归模型的因变量,通过逻辑回归模型对自变量与因变量进行拟合,确定自变量与因变量之间的相关性;使得在模型训练完成后生成预设的逻辑回归模型后,通过输入访问页面,逻辑回归模型基于访问页面的页面类型即可确定其与支付页面的相关度。
根据上述确定访问页面与支付页面之间相关度的两种方法中任意一种确定了访问页面与支付页面之间相关度后,根据所确定的相关度选取若干访问页面作为选定已支付访问页面,并确定各选定已支付访问页面的页面类型。
根据所确定的各选定已支付访问页面的页面类型在网站日志中获取包含至少一个与选定已支付访问页面的页面类型相同的若干历史未支付的访问路径,并将所选取的若干历史未支付的访问路径作为所对应的访问页面作为选定未支付访问页面;同理,对于若干历史未支付的访问路径也需剔除路径必经页面和重复访问页面,此处不再赘述。
将所有选定已支付访问页面和所有选定未支付访问页面作为训练样本;构建初始的购买意愿度预测模型,通过所述训练样本对初始的购买意愿度预测模型进行训练,生成购买意愿度预测模型。
在模型训练的过程中,根据页面类型对训练样本进行分类;对于同一页面类型的选定已支付访问页面和选定未支付访问页面,分别提取访问页面中的所有页面组成元素,并比对页面组成元素上的差异,继而确定在该页面类型下哪些组成元素是会影响用户购买意愿的因素,将影响购买意愿的页面组成元素作为该页面类型下的差异因子。例如:对页面类型为商品评价页下的选定已支付访问路径中的商品评价页和选定未支付访问路径中的商品评价页中的组成元素进行比对分析。优选的,在比对过程中,若选定已支付访问路径中的商品评价页包含用于评价商品的图片,选定未支付访问路径中不包含用于评价商品的图片,则在元素组成差异上将用于评价商品的图片作为一差异因子。优选的,在比对过程中,若选定已支付访问路径中的商品评价页和选定未支付访问路径中均包含用于评价商品的图片,但选定已支付访问路径中的商品评价页中所包含的评价数量较多,选定未支付访问路径中的商品评价页中所包含的评价数量较少,则带图评价数量可作为一差异因子。在对模型训练的过程中,模型确定了各页面类型下对购买意愿度产生影响的差异因子,因此,在对模型训练完成后,即可根据访问页面的页面类型确定该访问页面中哪些页面组成元素可作为差异因子。
在一个优选的实施例中,根据所述当前访问页面的差异因子预测用户在当前访问页面的购买意愿度,包括:对所述当前访问页面的差异因子进行特征提取,生成差异因子的特征向量;将差异因子的特征向量输入到预设的预测函数中,输出用户在当前访问页面的购买意愿度。
具体的,在确定了当前访问页面的差异因子后,对访问页面的各差异因子进行特征提取,生成若干差异因子的特征向量。优选的,可根据差异因子在页面组成元素上的层级关系对差异因子赋予对应的权重;例如:在商品评价页中用于评价商品的图片所对应的差异因子的层级低于带图评价数量所对应的差异因子,因此,对用于评价商品的图片所对应的差异因子赋予的权重小于带图评价数量所对应的差异因子的权重,并根据赋予重整后的差异因子生成对应的特征向量。
将若干差异因子的特征向量输入到预设的预测函数中,通过预设的预测函数输出用户在当前访问页面的购买意愿度。优选的,预测函数可为sigmoid预测函数。
在上述方法项实施例的基础上,本发明对应提供了装置项实施例。
如图2所示,本发明一实施例提供了一种基于行为识别购买意愿度预测装置,包括:访问页面获取模块、购买意愿度预测模块及购买意愿度预测模型构建模块;
所述访问页面获取模块,用于获取用户当前访问页面;其中,所述当前访问页面包括若干页面组成元素;
所述购买意愿度预测模块,用于将所述用户当前访问页面输入到预设的购买意愿度预测模型中,以使所述购买意愿度预测模型根据当前访问页面的页面类型,从页面组成元素中提取当前访问页面的差异因子;根据所述当前访问页面的差异因子预测用户在当前访问页面的购买意愿度;
所述购买意愿度预测模型构建模块,用于获取用户在网站中的所有历史已支付的访问路径;根据各历史已支付的访问路径所对应的访问页面,与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面,并确定各选定已支付访问页面的页面类型;根据各选定已支付访问页面的页面类型,确定各历史未支付的访问路径,继而将各历史未支付的访问路径所对应的访问页面作为选定未支付访问页面;其中,每一历史未支付的访问路径,所对应的访问页面的页面类型,与至少一个选定已支付访问页面的页面类型相同;将所有选定已支付访问页面和所有选定未支付访问页面作为训练样本;构建初始的购买意愿度预测模型,通过所述训练样本,对初始的购买意愿度预测模型进行训练,生成所述购买意愿度预测模型;其中,在训练过程中,所述初始的购买意愿度预测模型对同一页面类型下的选定已支付访问页面和选定未支付访问页面,分别提取页面组成元素,并比对选定已支付访问页面和选定未支付访问页面在页面组成元素上的差异,确定选定已支付访问页面和选定未支付访问页面在同一页面类型下的差异因子,根据差异因子预测用户在对应页面类型下的购买意愿度。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
所述领域的技术人员可以清楚地了解到,为了方便和简洁,上述描述的装置的具体工作过程,可参考前述方法实施例中对应的过程,在此不再赘述。
在上述方法项实施例的基础上,本发明对应提供了终端设备项实施例。
本发明一实施例提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现本发明中任意一项所述的一种基于行为识别购买意愿度预测方法。
终端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。所述终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序,所述处理器通过运行或执行存储在所述存储器内的计算机程序,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、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(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述方法项实施例的基础上,本发明对应提供了存储介质项实施例。
本发明一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行本发明中任意一项所述的一种基于行为识别购买意愿度预测方法。
所述存储介质为计算机可读存储介质,所述计算机程序存储在所述计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于行为识别购买意愿度预测方法,其特征在于,包括:
获取用户当前访问页面;其中,所述当前访问页面包括若干页面组成元素;
将所述用户当前访问页面输入到预设的购买意愿度预测模型中,以使所述购买意愿度预测模型根据当前访问页面的页面类型,从页面组成元素中提取当前访问页面的差异因子;根据所述当前访问页面的差异因子预测用户在当前访问页面的购买意愿度;
其中,所述预设的购买意愿度预测模型的构建包括:
获取用户在网站中的所有历史已支付的访问路径;
根据各历史已支付的访问路径所对应的访问页面,与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面,并确定各选定已支付访问页面的页面类型;
根据各选定已支付访问页面的页面类型,确定各历史未支付的访问路径,继而将各历史未支付的访问路径所对应的访问页面作为选定未支付访问页面;其中,每一历史未支付的访问路径,所对应的访问页面的页面类型,与至少一个选定已支付访问页面的页面类型相同;
将所有选定已支付访问页面和所有选定未支付访问页面作为训练样本;
构建初始的购买意愿度预测模型,通过所述训练样本,对初始的购买意愿度预测模型进行训练,生成所述购买意愿度预测模型;其中,在训练过程中,所述初始的购买意愿度预测模型对同一页面类型下的选定已支付访问页面和选定未支付访问页面,分别提取页面组成元素,并比对选定已支付访问页面和选定未支付访问页面在页面组成元素上的差异,确定选定已支付访问页面和选定未支付访问页面在同一页面类型下的差异因子,根据差异因子预测用户在对应页面类型下的购买意愿度。
2.如权利要求1所述的一种基于行为识别购买意愿度预测方法,其特征在于,所述根据各历史已支付的访问路径所对应的访问页面,与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面,包括:
剔除各历史已支付的访问路径中的重复访问页面和必经页面;其中,所述必经页面包括:网站首页及支付成功页;
根据已剔除重复访问页面和必经页面的各历史已支付的访问路径所对应的访问页面,与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面。
3.如权利要求2所述的一种基于行为识别购买意愿度预测方法,其特征在于,访问页面与支付页面的相关度的确定,包括:
根据访问页面到支付页面间的访问路径,确定访问页面跳转至支付页面所需的页面跳转次数,根据所述页面跳转次数确定访问页面与支付页面的相关度;其中,所述页面跳转次数与所述访问页面与支付页面的相关度呈负相关。
4.如权利要求3所述的一种基于行为识别购买意愿度预测方法,其特征在于,所述根据访问页面到支付页面间的访问路径,确定访问页面跳转至支付页面所需的页面跳转次数,包括:
确定访问页面在预设的访问路径图谱中所对应的节点,并作为起点;
确定支付页面在预设的访问路径图谱中所对应的节点,并作为终点;
确定在所述起点到终点的所有访问路径及每一访问路径所对应的页面跳转次数;
将所有访问路径所对应的页面跳转次数通过平均值计算确定访问页面跳转至支付页面所需的跳转次数;
其中,所述预设的访问路径图谱根据用户访问路径生成。
5.如权利要求2所述的一种基于行为识别购买意愿度预测方法,其特征在于,访问页面与支付页面的相关度的确定,包括:
将访问页面输入到预设的逻辑回归模型中,以使所述预设的逻辑回归模型输出访问页面与支付页面的相关度;
其中,所述预设的逻辑回归模型的构建包括:
获取若干页面类型的访问页面样本,并标记每一访问页面样本在浏览后是否支付;
构建初始的逻辑回归模型,将所述访问页面样本作为初始的逻辑回归模型的自变量,将所述访问页面样本是否支付作为初始的逻辑回归模型的因变量,对初始的逻辑回归模型进行训练,生成所述预设的逻辑回归模型。
6.如权利要求1所述的一种基于行为识别购买意愿度预测方法,其特征在于,根据所述当前访问页面的差异因子预测用户在当前访问页面的购买意愿度,包括:
对所述当前访问页面的差异因子进行特征提取,生成差异因子的特征向量;
将差异因子的特征向量输入到预设的预测函数中,输出用户在当前访问页面的购买意愿度。
7.如权利要求1所述的一种基于行为识别购买意愿度预测方法,其特征在于,访问页面的页面类型的确定包括:
将访问页面输入到预设的页面分类模型中,以使预设的页面分类模型获取访问页面的控件及控件信息,并根据控件类型对控件进行分组,根据每一分组中控件的坐标位置确定访问页面的页面布局框图,根据页面布局框图确定访问页面对应的页面类型;其中,所述控件信息包括:控件类型和坐标位置;
所述预设的页面分类模型的构建包括:
获取若干页面类型的页面样本,并对于每一页面样本中的所有控件的控件信息及各控件形成的页面布局框图进行标注;
构建初始的页面分类模型,将标注后的页面样本作为训练样本,对初始的页面分类模型进行训练,生成所述预设的页面分类模型。
8.一种基于行为识别购买意愿度预测装置,其特征在于,包括:访问页面获取模块、购买意愿度预测模块及购买意愿度预测模型构建模块;
所述访问页面获取模块,用于获取用户当前访问页面;其中,所述当前访问页面包括若干页面组成元素;
所述购买意愿度预测模块,用于将所述用户当前访问页面输入到预设的购买意愿度预测模型中,以使所述购买意愿度预测模型根据当前访问页面的页面类型,从页面组成元素中提取当前访问页面的差异因子;根据所述当前访问页面的差异因子预测用户在当前访问页面的购买意愿度;
所述购买意愿度预测模型构建模块,用于获取用户在网站中的所有历史已支付的访问路径;根据各历史已支付的访问路径所对应的访问页面,与支付页面的相关度,选取相关度大于预设阈值的若干访问页面作为选定已支付访问页面,并确定各选定已支付访问页面的页面类型;根据各选定已支付访问页面的页面类型,确定各历史未支付的访问路径,继而将各历史未支付的访问路径所对应的访问页面作为选定未支付访问页面;其中,每一历史未支付的访问路径,所对应的访问页面的页面类型,与至少一个选定已支付访问页面的页面类型相同;将所有选定已支付访问页面和所有选定未支付访问页面作为训练样本;构建初始的购买意愿度预测模型,通过所述训练样本,对初始的购买意愿度预测模型进行训练,生成所述购买意愿度预测模型;其中,在训练过程中,所述初始的购买意愿度预测模型对同一页面类型下的选定已支付访问页面和选定未支付访问页面,分别提取页面组成元素,并比对选定已支付访问页面和选定未支付访问页面在页面组成元素上的差异,确定选定已支付访问页面和选定未支付访问页面在同一页面类型下的差异因子,根据差异因子预测用户在对应页面类型下的购买意愿度。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所诉处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的一种基于行为识别购买意愿度预测方法。
10.一种存储介质,其特征在于,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至7中任意一项所述的一种基于行为识别购买意愿度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970739.4A CN117217852B (zh) | 2023-08-03 | 2023-08-03 | 一种基于行为识别购买意愿度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970739.4A CN117217852B (zh) | 2023-08-03 | 2023-08-03 | 一种基于行为识别购买意愿度预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117217852A CN117217852A (zh) | 2023-12-12 |
CN117217852B true CN117217852B (zh) | 2024-02-27 |
Family
ID=89046931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310970739.4A Active CN117217852B (zh) | 2023-08-03 | 2023-08-03 | 一种基于行为识别购买意愿度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217852B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101813805B1 (ko) * | 2016-09-28 | 2017-12-29 | 한양대학교 산학협력단 | 머신 러닝을 이용한 사용자의 구매 확률 예측 방법 및 장치 |
CN111681051A (zh) * | 2020-06-08 | 2020-09-18 | 上海汽车集团股份有限公司 | 购买意向度预测方法、装置、存储介质及终端 |
CN112183875A (zh) * | 2020-10-12 | 2021-01-05 | 云境商务智能研究院南京有限公司 | 一种基于用户和产品层面的多因子在线购买行为转化预测方法 |
CN114297478A (zh) * | 2021-12-13 | 2022-04-08 | 北京达佳互联信息技术有限公司 | 一种页面推荐方法、装置、设备以及存储介质 |
WO2022160958A1 (zh) * | 2021-01-29 | 2022-08-04 | 华为技术有限公司 | 一种页面分类方法、页面分类装置和终端设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10373177B2 (en) * | 2013-02-07 | 2019-08-06 | [24] 7 .ai, Inc. | Dynamic prediction of online shopper's intent using a combination of prediction models |
-
2023
- 2023-08-03 CN CN202310970739.4A patent/CN117217852B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101813805B1 (ko) * | 2016-09-28 | 2017-12-29 | 한양대학교 산학협력단 | 머신 러닝을 이용한 사용자의 구매 확률 예측 방법 및 장치 |
CN111681051A (zh) * | 2020-06-08 | 2020-09-18 | 上海汽车集团股份有限公司 | 购买意向度预测方法、装置、存储介质及终端 |
CN112183875A (zh) * | 2020-10-12 | 2021-01-05 | 云境商务智能研究院南京有限公司 | 一种基于用户和产品层面的多因子在线购买行为转化预测方法 |
WO2022160958A1 (zh) * | 2021-01-29 | 2022-08-04 | 华为技术有限公司 | 一种页面分类方法、页面分类装置和终端设备 |
CN114297478A (zh) * | 2021-12-13 | 2022-04-08 | 北京达佳互联信息技术有限公司 | 一种页面推荐方法、装置、设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
在线店铺设计对消费者购买意愿的影响研究;常亚平 等;管理学报;20110601(第06期);第879-884页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117217852A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020135535A1 (zh) | 一种推荐模型训练方法及相关装置 | |
CN110321422A (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
US11227217B1 (en) | Entity transaction attribute determination method and apparatus | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
WO2020088058A1 (zh) | 生成信息的方法和装置 | |
CN107808314B (zh) | 用户推荐方法及装置 | |
CN109685537B (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
CN111026853B (zh) | 目标问题的确定方法、装置、服务器和客服机器人 | |
CN116629937A (zh) | 营销策略推荐方法及装置 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN115147130A (zh) | 问题预测方法、设备、存储介质及程序产品 | |
CN113806634B (zh) | 业务套餐的推荐方法、装置及服务器 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN111626767A (zh) | 资源数据的发放方法、装置及设备 | |
CN117391824B (zh) | 基于大语言模型和搜索引擎推荐物品的方法及装置 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN116823410A (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
CN117217852B (zh) | 一种基于行为识别购买意愿度预测方法及装置 | |
CN116127188A (zh) | 目标反馈值确定方法、装置、电子设备及存储介质 | |
CN108694171B (zh) | 信息推送的方法及装置 | |
CN113327154A (zh) | 基于大数据的电商用户讯息推送方法及*** | |
CN113065067A (zh) | 一种物品推荐方法、装置、计算机设备及存储介质 | |
CN112765448A (zh) | 一种用户标签挖掘方法、装置、服务器及存储介质 | |
KR20200075067A (ko) | 채팅을 기반으로 한 주문형 쇼핑 큐레이션 장치 |
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 |