CN110197317B - 目标用户确定方法及装置、电子设备及存储介质 - Google Patents

目标用户确定方法及装置、电子设备及存储介质 Download PDF

Info

Publication number
CN110197317B
CN110197317B CN201811010775.1A CN201811010775A CN110197317B CN 110197317 B CN110197317 B CN 110197317B CN 201811010775 A CN201811010775 A CN 201811010775A CN 110197317 B CN110197317 B CN 110197317B
Authority
CN
China
Prior art keywords
target
user
historical
popularization object
similarity
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
Application number
CN201811010775.1A
Other languages
English (en)
Other versions
CN110197317A (zh
Inventor
黄巩怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201811010775.1A priority Critical patent/CN110197317B/zh
Publication of CN110197317A publication Critical patent/CN110197317A/zh
Application granted granted Critical
Publication of CN110197317B publication Critical patent/CN110197317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种目标用户确定方法及装置、电子设备及存储介质，属于互联网技术领域。所述目标用户确定方法包括：获取多个历史推广对象的生存分析模型；根据候选用户的特征参数以及各所述生存分析模型，计算所述候选用户在目标时刻之后对于各所述历史推广对象的接受概率；计算目标推广对象与各所述历史推广对象的相似度，并根据所述相似度确定各所述历史推广对象的权重值；根据各所述历史推广对象的权重值和接受概率，确定所述候选用户在所述目标时刻是否为目标用户。本发明可以确定用户在目标时刻是否为适合推广的用户。

Description

目标用户确定方法及装置、电子设备及存储介质
技术领域
本发明互联网技术领域，具体而言，涉及一种目标用户确定方法、目标用户确定装置、电子设备以及计算机可读存储介质。
背景技术
在很多场景下，需要主动将功能、服务、商品等推广对象推荐给用户。现有技术中，已经有很多技术方案通过大数据分析确定意向推广的用户；例如通过用户行为特征分析构建用户画像，基于用户画像确定用户是否为意向推广的用户等。
然而，在这些技术方案中，通常是基于历史经验主观决定推广时机。例如，一种方式是，对所有意向推广的用户进行一次性全面推广；该方式存在推广成本较高，缺少前期少量推广以收集反馈问题的过程。一种方式是，基于历史经验将意向推广的用户分为多个批次，先后进行推广；该方式中，对于部分用户可能存在推广时机不适合的问题；进而可能导致推广资源无法实现最优配置，造成推广成本浪费，而且在不恰当的时机进行推广，会降低用户体验，导致客户流失。
因此，需要提供一种能够确定用户在目标时刻是否为适合推广的用户的技术方案。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种目标用户确定方法、目标用户确定装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的无法确定用户在目标时刻是否为适合推广的用户的问题。
根据本发明的第一方面，提供一种目标用户确定方法，包括：
获取多个历史推广对象的生存分析模型；
根据候选用户的特征参数以及各所述生存分析模型，计算所述候选用户在目标时刻之后对于各所述历史推广对象的接受概率；
计算目标推广对象与各所述历史推广对象的相似度，并根据所述相似度确定各所述历史推广对象的权重值；
根据各所述历史推广对象的权重值和接受概率，确定所述候选用户在所述目标时刻是否为目标用户。
在本发明的一种示例性实施例中，确定所述候选用户在所述目标时刻是否为目标用户，包括：
根据各所述权重值对各所述历史推广对象的接受概率加权求和，得到所述候选用户在所述目标时刻之后接受所述目标推广对象的概率；
根据所述候选用户在所述目标时刻之后接受所述目标推广对象的概率计算在所述目标时刻之前接受所述目标推广对象的概率；
根据所述候选用户在所述目标时刻之前接受所述目标推广对象的概率，确定所述候选用户在所述目标时刻是否为目标用户。
在本发明的一种示例性实施例中，根据所述候选用户在所述目标时刻之前接受所述目标推广对象的概率，确定所述候选用户在所述目标时刻是否为目标用户，包括：
根据各所述候选用户在所述目标时刻之前接受所述目标推广对象的概率对所述候选用户进行排序，并选取位于预设排名之前的候选用户作为所述目标用户；或者，
从多个所述候选用户中，选取在所述目标时刻之前接受所述目标推广对象的概率大于预设阈值的候选用户作为所述目标用户。
在本发明的一种示例性实施例中，获取多个历史推广对象的生存分析模型，包括：
对于每一所述历史推广对象，获取该所述历史推广对象的多个样本数据；
基于所述多个样本数据，对一初始生存分析模型进行拟合得到该所述历史推广对象的生存分析模型；
其中，每一所述样本数据均包括一用户对于该所述历史推广对象的接受情况数据以及该用户的特征参数。
在本发明的一种示例性实施例中，所述生存分析模型为比例风险回归模型。
在本发明的一种示例性实施例中，所述计算目标推广对象与各所述历史推广对象的相似度，包括：
根据所述目标推广对象和各所述历史推广对象预设维度的属性参数之间的相似度，确定所述目标推广对象与各所述历史推广对象的相似度。
在本发明的一种示例性实施例中，根据所述目标推广对象和各所述历史推广对象预设维度的属性参数之间的相似度，确定所述目标推广对象与各所述历史推广对象的相似度，包括：
根据所述目标推广对象和各所述历史推广对象预设维度的属性参数，确定所述目标推广对象和各所述历史推广对象的特征向量；
计算所述目标推广对象的特征向量和各所述历史推广对象的特征向量之间的向量相似度；
根据各所述向量相似度确定所述目标推广对象与各所述历史推广对象的相似度。
在本发明的一种示例性实施例中，根据所述相似度确定各所述历史推广对象的权重值，包括：
计算所有所述相似度之和；
根据每一所述历史推广对象对应的相似度占所述相似度之和的比例确定各所述历史推广对象的权重值。
在本发明的一种示例性实施例中，所述推广对象为软件功能模块、应用程序、虚拟奖券、资讯信息或者电子商务商品。
根据本发明的第二方面，提供一种目标用户确定装置，包括：
生存分析模型获取模块，用于获取多个历史推广对象的生存分析模型；
接受概率计算模块，用于根据候选用户的特征参数以及各所述生存分析模型，计算所述候选用户在目标时刻之后对于各所述历史推广对象的接受概率；
权重值确定模块，用于计算目标推广对象与各所述历史推广对象的相似度，并根据所述相似度确定各所述历史推广对象的权重值；
目标用户判断模块，用于根据各所述历史推广对象的权重值和接受概率，确定所述候选用户在所述目标时刻是否为目标用户。
在本发明的一种示例性实施例中，所述目标用户判断模块包括：
第一概率计算单元，用于根据各所述权重值对各所述历史推广对象的接受概率加权求和，得到所述候选用户在所述目标时刻之后接受所述目标推广对象的概率；
第二概率计算单元，用于根据所述候选用户在所述目标时刻之后接受所述目标推广对象的概率计算在所述目标时刻之前接受所述目标推广对象的概率；
目标用户判断单元，用于根据所述候选用户在所述目标时刻之前接受所述目标推广对象的概率，确定所述候选用户在所述目标时刻是否为目标用户。
在本发明的一种示例性实施例中，所述目标用户判断单元通过下述方式确定所述候选用户在所述目标时刻是否为目标用户：
根据各所述候选用户在所述目标时刻之前接受所述目标推广对象的概率对所述候选用户进行排序，并选取位于预设排名之前的候选用户作为所述目标用户；或者，
从多个所述候选用户中，选取在所述目标时刻之前接受所述目标推广对象的概率大于预设阈值的候选用户作为所述目标用户。
在本发明的一种示例性实施例中，所述生存分析模型获取模块包括：
样本数据采集单元，用于对于每一所述历史推广对象，获取该所述历史推广对象的多个样本数据；
生存分析模型拟合单元，基于所述多个样本数据，对一生存分析模型进行拟合得到该所述历史推广对象的生存分析模型；
其中，每一所述样本数据均包括一用户对于该所述历史推广对象的接受情况数据以及该用户的特征参数。
在本发明的一种示例性实施例中，所述生存分析模型为比例风险回归模型。
在本发明的一种示例性实施例中，所述权重值确定模块通过下述方式计算目标推广对象与各所述历史推广对象的相似度：
根据所述目标推广对象和各所述历史推广对象预设维度的属性参数之间的相似度，确定所述目标推广对象与各所述历史推广对象的相似度。
在本发明的一种示例性实施例中，所述权重值确定模块包括：
特征向量确定单元，用于根据所述目标推广对象和各所述历史推广对象预设维度的属性参数，确定所述目标推广对象和各所述历史推广对象的特征向量；
第一相似度计算单元，用于计算所述目标推广对象的特征向量和各所述历史推广对象的特征向量之间的向量相似度；
第二相似度计算单元，用于根据各所述向量相似度确定所述目标推广对象与各所述历史推广对象的相似度。
在本发明的一种示例性实施例中，所述权重值确定模块还包括：
权重值计算单元，用于计算所有所述相似度之和，并根据每一所述历史推广对象对应的相似度占所述相似度之和的比例确定各所述历史推广对象的权重值。
在本发明的一种示例性实施例中，所述推广对象为软件功能模块、应用程序、虚拟奖券、资讯信息或者电子商务商品。
根据本发明的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
根据本发明的第四方面，提供一种计算机可读存储介质，其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任意一项所述的方法。
本发明示例性实施例可以具有以下有益效果：
本发明一种示例性实施例的目标用户确定方法中，首先获取历史推广对象的生存分析模型，并据此计算候选用户在目标时刻之后对于各历史推广对象的接受概率；其次，根据目标推广对象与各历史推广对象的相似度确定各历史推广对象的权重值，并结合各历史推广对象的权重值和接受概率，确定候选用户在目标时刻是否为目标用户。与现有技术方案相比，一方面，本发明中的方法通过引入生存分析，实现了候选用户的特征参数和目标时刻的关联，进而能够分析候选用户对于历史推广对象的感兴趣程度根据时间的变化情况；另一方面，本发明中的方法基于目标推广对象与各历史推广对象的相似度，利用将候选用户对于历史推广对象的感兴趣程度根据时间的变化情况可以预测候选用户对于目标推广对象的感兴趣程度根据时间的变化情况，进而确定候选用户在目标时刻是否为适合推广的用户。因此，通过本发明中的方法可以更准确的确定对于每个候选用户的推广时机，进而可以对推广资源进行优化，减少推广成本浪费；同时，由于避免了在不恰当的时机进行推广，因此还可以提升用户体验。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1示出了可以应用本发明实施例的一种目标用户确定方法及装置的示例性系统架构的示意图；
图2示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图；
图3示意性示出了根据本发明的一个实施例的目标用户确定方法的流程图；
图4示意性示出了根据本发明的一个实施例中获取生存分析模型的步骤的流程图；
图5示意性示出了根据本发明的一个实施例中的包括软件功能模块的应用程序界面；
图6示意性示出了根据本发明的一个实施例中另一包括软件功能模块的应用程序界面；
图7示意性示出了根据本发明的一个实施例中确定相似度的步骤的流程图；
图8示意性示出了根据本发明的一个实施例中判断候选用户是否是目标用户的步骤的流程图；
图9示意性示出了根据本发明的一个实施例的目标用户确定装置的框图；
图10示意性示出了根据本发明的一个实施例的目标用户判断模块的框图；
图11示意性示出了根据本发明的一个实施例的权重值确定模块的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本发明实施例的一种目标用户确定方法及装置的示例性应用环境的系统架构的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和后台服务器105。网络104用以在终端设备101、102、103和后台服务器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。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和后台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、网络和后台服务器。比如后台服务器105可以是多个后台服务器组成的后台服务器集群等。
本发明实施例所提供的目标用户确定方法一般由后台服务器105执行，相应地，目标用户确定装置一般设置于后台服务器105中。但本领域技术人员容易理解的是，本发明实施例所提供的目标用户确定方法也可以由终端设备101、102、103执行，相应的，目标用户确定装置也可以设置于终端设备101、102、103中，本示例性实施例中对此不做特殊限定。
图2示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图2示出的电子设备的计算机系统200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2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统操作所需的各种程序和数据。CPU201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的存储部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入存储部分208。
特别地，根据本发明的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的方法和装置中限定的各种功能。
需要说明的是，本发明所示的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或者是上述两者的任意组合。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、或半导体的系统、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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本发明中，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系统、装置或者器件使用或者与其结合使用。而在本发明中，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系统、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。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图3～图8所示的各个步骤等。
以下对本发明实施例的技术方案进行详细阐述：
本示例实施方式首先提供了一种目标用户确定方法。该目标用户确定方法可以应用于上述后台服务器105，也可以应用于上述终端设备101、102、103中的一个或多个，本示例性实施例中对此不做特殊限定。参考图3所示，该目标用户确定方法可以包括以下步骤：
步骤S310.获取多个历史推广对象的生存分析模型；
步骤S320.根据候选用户的特征参数以及各所述生存分析模型，计算所述候选用户在目标时刻之后对于各所述历史推广对象的接受概率；
步骤S330.计算目标推广对象与各所述历史推广对象的相似度，并根据所述相似度确定各所述历史推广对象的权重值；
步骤S340.根据各所述历史推广对象的权重值和接受概率，确定所述候选用户在所述目标时刻是否为目标用户。
与现有技术方案相比，一方面，本发明中的方法通过引入生存分析，实现了候选用户的特征参数和目标时刻的关联，进而能够分析候选用户对于历史推广对象的感兴趣程度根据时间的变化情况；另一方面，本发明中的方法基于目标推广对象与各历史推广对象的相似度，利用将候选用户对于历史推广对象的感兴趣程度根据时间的变化情况可以预测候选用户对于目标推广对象的感兴趣程度根据时间的变化情况，进而确定候选用户在目标时刻是否为适合推广的用户。因此，通过本发明中的方法可以更准确的确定对于每个候选用户的推广时机，进而可以对推广资源进行优化，减少推广成本浪费；同时，由于避免了在不恰当的时机进行推广，因此还可以提升用户体验。
下面，对于本示例实施方式的上述步骤进行更加详细的说明。
在步骤S310中，获取多个历史推广对象的生存分析模型。
本示例实施方式中，推广对象可以为功能、服务、商品或者信息等；举例而言，推广对象可以为软件功能模块，如应用程序中的功能模块、软件平台中的功能模块等；推广对象也可以为应用程序本身，如电子游戏应用程序、工具类应用程序、通信类应用程序等；推广对象也可以为虚拟奖券，如电子优惠券、电子购物卡等；推广对象还可以为资讯信息，如商品折扣信息等；当然，推广对象也可以为如电子商务商品等产品。即本示例性实施例中对推广对象的具体指代不做特殊限定。历史推广对象主要指用户已经接受的推广对象，例如用户已经启用的功能模块、已经使用的虚拟奖券、已经购买的电子商务商品等等。
生存分析是指将观察对象(本示例实施方式中即推广对象)的终点事件和出现终点事件所经历的时间(生存时间)结合起来分析的一种统计分析方法。一般而言，终点事件满足假设：随着时间推移，终点事件发生越来越有可能发生；经过趋于无穷大的时间后，终点事件一定会发生。本示例实施方式中，可以将终点事件定义为，经过推广后，用户接受推广对象；例如，终点事件可以为用户启用推广的功能模块、用户下载推广的应用程序、用户使用推广的虚拟奖券、用户购买推广的电子商务商品等等。生存时间是终点事件与起始事件之间的时间间隔；起始事件根据推广对象的不同会有所不同；例如起始事件可以为：发布所述功能模块、上线所述应用程序、上架所述电子商务商品等等。
经过给定的观察时间后，对于是否发生终点事件有3种可能性：在观察时间内发生终点事件；观察时间结束后仍未发生终点事件；观察对象在观察时间内退出观察实验。本示例实施方式中，3种可能性对应为：在观察时间内用户接受推广对象；观察时间结束后用户仍未接受推广对象；在观察时间内，由于人力或其他原因导致不可能发生终点事件，如用户不再使用软件功能模块所在平台、用户注销电子商务平台的账户、用户本人发生意外等等。
本示例实施方式中，如果推广对象未发生终点事件，则认为推广对象处于生存状态；推广对象的生存时间T大于某时长t的概率称为生存分析模型(survival function)。参考图4所示，本示例实施方式中，获取多个历史推广对象的生存分析模型可以包括步骤S410以及步骤S420。其中：
在步骤S410中，对于每一所述历史推广对象，获取该所述历史推广对象的多个样本数据。
本示例实施方式中，每一所述样本数据均包括一用户对于该所述历史推广对象的接受情况数据以及该用户的特征参数。用户对于推广对象的接受情况数据可以包括推广对象的上述生存时间以及推广对象的结局(即终点事件在观察时间内是否发生)等。根据不同计算需求，用户的特征参数可以包括用户的性别、年龄、所在区域、学历、信用度、消费指数、联系人数量等等；此外，本示例实施方式中还可以利用如逐步回归法、最优回归子集法等方法，对用户的特征参数进行筛选，本示例性实施例中对此不做特殊限定。下面，以推广对象为软件功能模块为例进行详细说明。
参考图5所示，用户在某社交应用程序中，已经启用了功能模块A～功能模块F，即历史推广对象可以包括功能模块A～功能模块F。以功能模块A为例，用户对于功能模块A的接受情况数据可以包括功能模块A的生存时间以及功能模块A的结局(即在观察时间内，用户是否启用功能模块A)。本示例实施方式中，可以将起始事件定义为功能模块A的发布，将起始事件的发生时刻也即观察时间的开始时刻记为T1，如2018年2月1日；将观察时间的结束时刻记为T2，如2018年6月1日；将用户注册使用该社交应用程序的时刻记为T0；将终点事件的发生时刻，即用户启用功能模块A的时刻记为T3；则功能模块A的生存时间T＝Min(T2,T)-Max(T1,T0)。例如，某用户注册使用该社交应用程序的时刻T0为2018年1月1日，用户启用功能模块A的时刻T3为2018年5月1日，则功能模块A的生存时间T为89天；某用户注册使用该社交应用程序的时刻T0为2018年3月1日，用户启用功能模块A的时刻T3为2018年6月10日，则功能模块A的生存时间T为92天。用户的特征参数可以包括用户的性别、年龄、注册时长(即T2-T0)等，本示例性实施例中对此不做特殊限定。在采集到一用户对于功能模块A的接受情况数据以及该用户的特征参数后，可以形成一条样本数据；最终，对于所有采样用户均形成样本数据，得到如表1所示的样本集。需要说明的是，在表1的结局一列，0代表至观察时间结束终点事件仍未发生；1代表在观察时间内终点事件已经发生。
表1
Figure BDA0001785030380000131
在步骤S420中，基于所述多个样本数据，对一初始生存分析模型进行拟合得到该所述历史推广对象的生存分析模型。
本示例实施方式中，将以生存分析模型为比例风险回归模型(Cox’sproportional hazards regression model，简称Cox回归模型)为例，对该步骤进行说明。Cox回归模型具有能够同时分析众多因素对生存时间的影响，能分析带有截尾生存时间的数据，且不要求估计数据的生存分布类型等优点。但本领域技术人员容易理解的是，在本发明的其他示例性实施例中，生存分析模型也可以为如Weibul回归模型、Gamma回归模型等其他生存分析模型，本示例性实施例中对此不做特殊限定。
Cox回归模型的基本形式如下：
hA(t，Xi)＝h0(t)exp(β1Xi1+β2Xi2+...+βnXin)
其中，hA(t，Xi)为风险函数，可以表示对于用户i，推广对象在t时刻(以起始事件发生时刻为起点计算的时刻)瞬间发生终点事件的概率；Xi＝(Xi1，Xi2，...，Xin)，Xij用于表示对于用户i需要分析的第j个协变量，对应于用户的第j个特征参数；例如，对于上述表1中的样本2，X2＝(2，35，50)，对于上述表1中的样本3，X3＝(1，29，100)；h0(t)是基准风险率，是与时间有关的任意函数，函数形式无任何限定；βj是回归系数。
以推广对象为上述软件功能模块为例，对于表1中的样本2，代入上述Cox回归模型，可以得到hA(t，X2)＝h0(t)exp(2β1+35β2+50β3)；对于表1中的样本3，将其代入上述的Cox回归模型，可以得到SA(t，X3)＝h0(t)exp(β1+29β2+100β3)。基于n条所述样本数据，则可以得到n个hA(t，Xi)，进而可以基于n个hA(t，Xi)通过如偏似然估计(又称最大似然估计)等参数计算方法，对回归系数β1，β2，β3进行计算，拟合得到功能模块A对应的风险函数。
在计算得到风险函数之后，则可以计算出生存分析模型：
Figure BDA0001785030380000141
通过生存分析模型SA(t，Xi)可以表示推广对象的生存时间T大于某时长t的概率，如用户i在t时刻(以功能模块A发布时刻为起点计算的时刻)仍未启用功能模块A的概率。对于功能模块B至功能模块F同样可以进行上述运算处理，则可以分别得到功能模块B至功能模块F对应的生存分析模型SB(t，Xi)～SF(t，Xi)。对于其他类型的推广对象，也可以基于同样的方法得到各推广对象的生存分析模型，在此不再赘述。此外，由于计算各推广对象的生存分析模型的方式一致，因此可以进行并行处理，进而可以提高处理效率；但本示例性实施例中并不以此为限。
在步骤S320中，根据候选用户的特征参数以及各所述生存分析模型，计算所述候选用户在目标时刻之后对于各所述历史推广对象的接受概率。
本示例实施方式中，所述候选用户可以是尚未对其推广所述推广对象的用户。候选用户的特征参数需要根据上述生存分析模型的协变量确定；例如，生存分析模型的协变量对应于用户的性别、年龄以及开户时长，则可以获取候选用户的性别数据、年龄数据以及开户时长数据作为特征参数。
在获取当前候选用户i的特征参数Xi后，则可以将特征参数Xi代入第k个推广对象的生存分析模型Sk(t0，Xi)中，得到推广对象k在目标时刻(即以起始事件发生时刻为起点经历t0时长后的时刻)仍处于生存状态的概率。在目标时刻推广对象处于生存状态的概率，即在目标时刻候选用户没有接受推广对象的概率。以推广对象为上述软件功能模块为例，如果候选用户i的特征参数为[性别:1,年龄:28,注册时长:300]，即Xi＝(1，28，300)；将Xi＝(1，28，300)代入SA(t0，Xi)，即可得到候选用户i在目标时刻(即以起始事件发生时刻为起点经历t0时长后的时刻)之后对于功能模块A至至功能模块F的接受概率。需要说明的是，本示例实施方式中所述目标时刻为以起始事件发生时刻为起点计算的相对时刻，并不等于现实中的实际时刻，下面不再重复说明。
在步骤S330中，计算目标推广对象与各所述历史推广对象的相似度，并根据所述相似度确定各所述历史推广对象的权重值。
本示例实施方式中，目标推广对象即当前待推广的推广对象。例如，参考图6所示，其中已有的功能模块A至功能模块F为历史推广对象，准备新增的功能模块G为目标推广对象。
一般而言，推广对象都具有对其从多个维度进行描述的属性参数，进而可以基于这些属性参数确定两个推广对象之间的相似度。基于此，本示例实施方式中，可以根据所述目标推广对象和各所述历史推广对象预设维度的属性参数之间的相似度，确定所述目标推广对象与各所述历史推广对象的相似度。具体而言，参考图7所示，确定所述目标推广对象与各所述历史推广对象的相似度可以包括步骤S710至步骤S730。其中：
在步骤S710中，根据所述目标推广对象和各历史推广对象预设维度的属性参数，确定所述目标推广对象和各所述历史推广对象的特征向量。
本示例实施方式中，对于不同类型的推广对象，可以选取不同维度的属性参数；例如，以上述软件功能模块为例，所述预设维度的属性参数可以包括且不限于功能模块是否具有社交属性、使用功能模块的入口深度(页面点击次数)、功能模块的推广次数、是否有名人推广该功能模块等属性参数。对于电子商务商品而言，所述预设维度的属性参数则可以包括商品的价格区间、商品的类别、商品的广告费用、商品所在店铺的等级等等。因此，本示例实施方式中，对于预设维度的具体选取不进行特殊限定。
为了方便比较，在获取目标推广对象和各历史推广对象预设维度的属性参数后，可以将这些属性参数转换为目标推广对象和各历史推广对象的特征向量。例如，对于通过数值表示的属性参数，可以在进行归一化等处理后，直接转换为特征向量的元素；对于通过文本表示的属性参数，可以首先通过预先确定的规则转换为数值，再进行归一化等处理后，转换为特征向量的元素。当然，在本发明的其他示例性实施例中，还可以通过如Word2vec等其他方式将属性参数转换为目标推广对象和各历史推广对象特征向量，本示例性实施例中对此不做特殊限定。
在步骤S720中，计算所述目标推广对象的特征向量和各所述历史推广对象的特征向量之间的向量相似度。
本示例实施方式中，可以通过计算欧氏距离、余弦相似度、皮尔逊相关系数、汉明距离、KL散度、马氏距离等方式确定目标推广对象的特征向量和各历史推广对象的特征向量之间的向量相似度；本示例性实施例中对此不做特殊限定。以余弦相似度为例，如果目标推广对象的特征向量为A，历史推广对象k的特征向量为Bk，则特征向量为A和特征向量为Bk之间的余弦相似度Dk为：
Figure BDA0001785030380000161
其中，n为特征向量为A和特征向量为Bk的维度数。
在步骤S730中，计根据各所述向量相似度确定所述目标推广对象与各所述历史推广对象的相似度。
在计算得到目标推广对象的特征向量为A与历史推广对象k的特征向量为Bk之间的相似度Dk之后，则可以基于相似度Dk确定目标推广对象与历史推广对象k之间的相似度；例如，可以直接通过相似度Dk表示目标推广对象与历史推广对象k之间的相似度。当然，在本发明的其他示例性实施例中，还可以对相似度Dk进行其他运算，得到目标推广对象与历史推广对象k之间的相似度，这同样属于本发明的保护范围。
本示例实施方式中，如果目标推广对象与历史推广对象k之间的相似度越高，则候选用户对于目标推广对象的接受情况可能与候选用户对于历史推广对象k的接受情况越相似；因此，可以提高历史推广对象k在后续运算中的权重值。相反，如果目标推广对象与历史推广对象k之间的相似度越低，则可以降低历史推广对象k在后续运算中的权重值。
基于此，本示例实施方式中根据所述相似度确定各所述历史推广对象的权重值可以包括：计算所有所述相似度之和，以及，根据每一所述历史推广对象对应的相似度占所述相似度之和的比例确定各所述历史推广对象的权重值。即历史推广对象k对应的权重值
Figure BDA0001785030380000171
其中，m为历史推广对象的数量。当然，在本发明的其他示例性实施例中，也可以通过其他方式确定历史推广对象k对应的权重值，例如
Figure BDA0001785030380000172
其中a为调整系数等。因此，本示例性实施例中对此不做特殊限定。
在步骤S340中，根据各所述历史推广对象的权重值和接受概率，确定所述候选用户在所述目标时刻是否为目标用户。参考图8所示，本示例实施方式中，该步骤可以包括步骤S810以及步骤S830。其中：
在步骤S810中，根据各所述权重值对各所述历史推广对象的接受概率加权求和，得到所述候选用户在所述目标时刻之后接受所述目标推广对象的概率。即在目标时刻(如以起始事件发生时刻为起点经历t0时长后的时刻)之后，候选用户i接受目标推广对象的概率
Figure BDA0001785030380000173
为：
Figure BDA0001785030380000181
其中，m为历史推广对象的数量。
在步骤S820中，根据所述候选用户在所述目标时刻之后接受所述目标推广对象的概率计算在所述目标时刻之前接受所述目标推广对象的概率。本示例实施方式中，所述“目标时刻之前”和“目标时刻之后”中的一个包括目标时刻；因此，候选用户在所述目标时刻之后接受所述目标推广对象和在所述目标时刻之前接受所述目标推广对象的概率为互斥事件。基于此，候选用户在所述目标时刻之前接受所述目标推广对象的概率Pi为：
Figure BDA0001785030380000182
在步骤S830中，根据所述候选用户在所述目标时刻之前接受所述目标推广对象的概率，确定所述候选用户在所述目标时刻是否为目标用户。
本示例实施方式中，目标时刻为以起始事件发生时刻为起点经历指定时长后的时刻，如准备未来进行推广的时刻。在计算得到候选用户在所述目标时刻之前接受所述目标推广对象的概率之后，则可以选择在所述目标时刻之前接受所述目标推广对象的概率较高的候选用户作为目标用户。例如，可以选择Pi大于预设阈值的候选用户作为目标用户；所述预设阈值可以根据如推广的批次、推广面向的人数等实际需求进行确定，本示例性实施例中对此不做特殊限定。此外，本示例实施方式中，也可以先根据在所述目标时刻之前接受所述目标推广对象的概率Pi，对所有候选用户进行排序，从中选取在所述目标时刻之后接受所述目标推广对象的概率最高的预设数量个候选用户作为所述目标用户，即选取位于预设排名之前的候选用户作为所述目标用户；其中，预设排名由所述预设数量确定，如预设数量为N，则预设排名为N+1；所述预设数量可以根据如推广的批次、推广面向的人数等实际需求进行确定，本示例性实施例中对此不做特殊限定。
举例而言，以上述软件功能模块的推广为例，如果推广成本有限，在功能模块发布之后，需要分N个批次推广；则可以按照如下方式确定各批次的目标用户。例如：
对于首次推广，可以将所有用户作为候选用户，再将各候选用户i的特征参数Xi以及首次推广的时刻距离功能模块发布时刻的时长t1(即目标时刻)，代入
Figure BDA0001785030380000191
计算各候选用户对应的Pi；接着根据Pi对所有候选用户进行排序，从中选择前x1个候选用户作为所述目标用户。
对于第2次推广，可以将除上述x1个用户外的所有用户作为候选用户，再将各候选用户i的特征参数Xi以及第2次推广的时刻距离功能模块发布时刻的时长t2(即目标时刻)代入
Figure BDA0001785030380000192
计算各候选用户对应的Pi；接着根据Pi对所有候选用户进行排序，从中选择前x2个候选用户作为所述目标用户。
对于第n次推广，可将除x1+x2+…+xn-1个用户外的所有用户作为候选用户，再将各候选用户i的特征参数Xi及第n次推广的时刻距离功能模块发布时刻的时长tn(目标时刻)，代入
Figure BDA0001785030380000193
计算各候选用户对应的Pi；接着根据各候选用户对应的Pi对所有候选用户进行排序，从中选择前xn个候选用户作为所述目标用户。
对于第N次推广，可以将剩余所有作为候选用户，再将各候选用户i的特征参数Xi以及第N次推广的时间为tN(即目标时刻)，代入
Figure BDA0001785030380000194
计算各候选用户对应的Pi；可以将所有用户作为候选用户，根据各候选用户对应的Pi对所有候选用户进行排序，从中选择前xN个候选用户作为所述目标用户。
但本领域技术人员容易理解的是，在本发明的其他示例性实施例中，也可以通过其他方式根据所述历史推广对象的权重值和接受概率，确定所述候选用户在所述目标时刻是否为目标用户。例如，根据各所述权重值对各所述历史推广对象的接受概率加权求和，得到所述候选用户在所述目标时刻之后接受所述目标推广对象的概率之后，从多个所述候选用户中，选取在所述目标时刻之后接受所述目标推广对象的概率最低的预设数量个候选用户作为所述目标用户等，这同样属于本发明的保护范围。
应当注意，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
进一步的，本示例实施方式中，还提供了一种目标用户确定装置。该目标用户确定装置可以应用于一后台服务器或终端设备。参考图9所示，该目标用户确定装置900可以包括生存分析模型获取模块910、接受概率计算模块920、权重值确定模块930以及目标用户判断模块940。其中：
生存分析模型获取模块910可以用于获取多个历史推广对象的生存分析模型；
接受概率计算模块920可以用于根据候选用户的特征参数以及各所述生存分析模型，计算所述候选用户在目标时刻之后对于各所述历史推广对象的接受概率；
权重值确定模块930可以用于计算目标推广对象与各所述历史推广对象的相似度，并根据所述相似度确定各所述历史推广对象的权重值；
目标用户判断模块940可以用于根据各所述历史推广对象的权重值和接受概率，确定所述候选用户在所述目标时刻是否为目标用户。
参考图10所示，在本发明的一种示例性实施例中，所述目标用户判断模块940包括：
第一概率计算单元1010，可以用于根据各所述权重值对各所述历史推广对象的接受概率加权求和，得到所述候选用户在所述目标时刻之后接受所述目标推广对象的概率；
第二概率计算单元1020，可以用于根据所述候选用户在所述目标时刻之后接受所述目标推广对象的概率计算在所述目标时刻之前接受所述目标推广对象的概率；
目标用户判断单元1030，可以用于根据所述候选用户在所述目标时刻之前接受所述目标推广对象的概率，确定所述候选用户在所述目标时刻是否为目标用户。
在本发明的一种示例性实施例中，所述目标用户判断单元1030通过下述方式确定所述候选用户在所述目标时刻是否为目标用户：
根据各所述候选用户在所述目标时刻之前接受所述目标推广对象的概率对所述候选用户进行排序，并选取位于预设排名之前的候选用户作为所述目标用户；或者，
从多个所述候选用户中，选取在所述目标时刻之前接受所述目标推广对象的概率大于预设阈值的候选用户作为所述目标用户。
在本发明的一种示例性实施例中，所述生存分析模型获取模块910包括：
样本数据采集单元，可以用于对于每一所述历史推广对象，获取该所述历史推广对象的多个样本数据；
生存分析模型拟合单元，基于所述多个样本数据，对一生存分析模型进行拟合得到该所述历史推广对象的生存分析模型；
其中，每一所述样本数据均包括一用户对于该所述历史推广对象的接受情况数据以及该用户的特征参数。
在本发明的一种示例性实施例中，所述生存分析模型为比例风险回归模型。
在本发明的一种示例性实施例中，所述权重值确定模块930通过下述方式计算目标推广对象与各所述历史推广对象的相似度：
根据所述目标推广对象和各所述历史推广对象预设维度的属性参数之间的相似度，确定所述目标推广对象与各所述历史推广对象的相似度。
参考图11所示，在本发明的一种示例性实施例中，所述权重值确定模块930可以包括：
特征向量确定单元1110，可以用于根据所述目标推广对象和各所述历史推广对象预设维度的属性参数，确定所述目标推广对象和各所述历史推广对象的特征向量；
第一相似度计算单元1120，可以用于计算所述目标推广对象的特征向量和各所述历史推广对象的特征向量之间的向量相似度；
第二相似度计算单元1130，可以用于根据各所述向量相似度确定所述目标推广对象与各所述历史推广对象的相似度。
继续参考图11所示，在本发明的一种示例性实施例中，所述权重值确定模块930还可以包括：
权重值计算单元1140，可以用于计算所有所述相似度之和，并根据每一所述历史推广对象对应的相似度占所述相似度之和的比例确定各所述历史推广对象的权重值。
在本发明的一种示例性实施例中，所述推广对象为软件功能模块、应用程序、虚拟奖券、资讯信息或者电子商务商品。
上述目标用户确定装置中各模块的具体细节已经在对应的目标用户确定方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明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，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明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。本发明的范围仅由所附的权利要求来限制。

Claims (11)

1.一种目标用户确定方法，其特征在于，包括：
对于每一历史推广对象，获取该所述历史推广对象的多个样本数据；基于所述多个样本数据，对一初始生存分析模型进行拟合得到该所述历史推广对象的生存分析模型；其中，每一所述样本数据均包括一用户对于该所述历史推广对象的接受情况数据以及该用户的特征参数；
根据候选用户的特征参数以及各所述生存分析模型，计算所述候选用户在目标时刻之后对于各所述历史推广对象的接受概率；
计算目标推广对象与各所述历史推广对象的相似度，并根据所述相似度确定各所述历史推广对象的权重值；
根据各所述历史推广对象的权重值和接受概率，确定所述候选用户在所述目标时刻是否为目标用户。
2.根据权利要求1所述的目标用户确定方法，其特征在于，确定所述候选用户在所述目标时刻是否为目标用户，包括：
根据各所述权重值对各所述历史推广对象的接受概率加权求和，得到所述候选用户在所述目标时刻之后接受所述目标推广对象的概率；
根据所述候选用户在所述目标时刻之后接受所述目标推广对象的概率计算在所述目标时刻之前接受所述目标推广对象的概率；
根据所述候选用户在所述目标时刻之前接受所述目标推广对象的概率，确定所述候选用户在所述目标时刻是否为目标用户。
3.根据权利要求2所述的目标用户确定方法，其特征在于，根据所述候选用户在所述目标时刻之前接受所述目标推广对象的概率，确定所述候选用户在所述目标时刻是否为目标用户，包括：
根据各所述候选用户在所述目标时刻之前接受所述目标推广对象的概率对所述候选用户进行排序，并选取位于预设排名之前的候选用户作为所述目标用户；或者，
从多个所述候选用户中，选取在所述目标时刻之前接受所述目标推广对象的概率大于预设阈值的候选用户作为所述目标用户。
4.根据权利要求1所述的目标用户确定方法，其特征在于，所述生存分析模型为比例风险回归模型。
5.根据权利要求1所述的目标用户确定方法，其特征在于，所述计算目标推广对象与各所述历史推广对象的相似度，包括：
根据所述目标推广对象和各所述历史推广对象预设维度的属性参数之间的相似度，确定所述目标推广对象与各所述历史推广对象的相似度。
6.根据权利要求5所述的目标用户确定方法，其特征在于，根据所述目标推广对象和各所述历史推广对象预设维度的属性参数之间的相似度，确定所述目标推广对象与各所述历史推广对象的相似度，包括：
根据所述目标推广对象和各所述历史推广对象预设维度的属性参数，确定所述目标推广对象和各所述历史推广对象的特征向量；
计算所述目标推广对象的特征向量和各所述历史推广对象的特征向量之间的向量相似度；
根据各所述向量相似度确定所述目标推广对象与各所述历史推广对象的相似度。
7.根据权利要求1所述的目标用户确定方法，其特征在于，根据所述相似度确定各所述历史推广对象的权重值，包括：
计算所有所述相似度之和；
根据每一所述历史推广对象对应的相似度占所述相似度之和的比例确定各所述历史推广对象的权重值。
8.根据权利要求1～7任意一项所述的目标用户确定方法，其特征在于，所述推广对象为软件功能模块、应用程序、虚拟奖券、资讯信息或者电子商务商品。
9.一种目标用户确定装置，其特征在于，包括：
生存分析模型获取模块，用于对于每一历史推广对象，获取该所述历史推广对象的多个样本数据；以及，基于所述多个样本数据，对一初始生存分析模型进行拟合得到该所述历史推广对象的生存分析模型；其中，每一所述样本数据均包括一用户对于该所述历史推广对象的接受情况数据以及该用户的特征参数；
接受概率计算模块，用于根据候选用户的特征参数以及各所述生存分析模型，计算所述候选用户在目标时刻之后对于各所述历史推广对象的接受概率；
权重值确定模块，用于计算目标推广对象与各所述历史推广对象的相似度，并根据所述相似度确定各所述历史推广对象的权重值；
目标用户判断模块，用于根据各所述历史推广对象的权重值和接受概率，确定所述候选用户在所述目标时刻是否为目标用户。
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，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的方法。
11.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至8中任一项所述的方法。
CN201811010775.1A 2018-08-31 2018-08-31 目标用户确定方法及装置、电子设备及存储介质 Active CN110197317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811010775.1A CN110197317B (zh) 2018-08-31 2018-08-31 目标用户确定方法及装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811010775.1A CN110197317B (zh) 2018-08-31 2018-08-31 目标用户确定方法及装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110197317A CN110197317A (zh) 2019-09-03
CN110197317B true CN110197317B (zh) 2022-10-28

Family

ID=67751037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811010775.1A Active CN110197317B (zh) 2018-08-31 2018-08-31 目标用户确定方法及装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110197317B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112468865B (zh) * 2020-11-25 2024-02-23 咪咕视讯科技有限公司 一种视频处理方法、vr终端及计算机可读存储介质
CN114386524A (zh) * 2022-01-17 2022-04-22 深圳市城图科技有限公司 一种动态自适应图分层模仿学习的电力设备识别方法
CN114282118B (zh) * 2022-03-03 2022-06-17 北京轻松筹信息技术有限公司 确定公益项目的推送用户的方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105723746A (zh) * 2013-11-15 2016-06-29 微软技术许可有限责任公司 基于连接质量数据的因用户而异的销售点网络推荐
CN106294410A (zh) * 2015-05-22 2017-01-04 苏宁云商集团股份有限公司 一种个性化信息推送时间的确定方法及确定系统
CN106412796A (zh) * 2015-07-28 2017-02-15 中国移动通信集团湖北有限公司 一种推荐方法及系统
CN108428138A (zh) * 2017-02-13 2018-08-21 北京京东尚科信息技术有限公司 一种基于客户分群的客户生存率分析装置及分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040019516A1 (en) * 2002-07-24 2004-01-29 Puskorius Gintaras Vincent Method for calculating the probability that an automobile will be sold by a future date
US20160225061A1 (en) * 2015-01-30 2016-08-04 International Business Machines Corporation Product market lifecycle driven recommendations

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105723746A (zh) * 2013-11-15 2016-06-29 微软技术许可有限责任公司 基于连接质量数据的因用户而异的销售点网络推荐
CN106294410A (zh) * 2015-05-22 2017-01-04 苏宁云商集团股份有限公司 一种个性化信息推送时间的确定方法及确定系统
CN106412796A (zh) * 2015-07-28 2017-02-15 中国移动通信集团湖北有限公司 一种推荐方法及系统
CN108428138A (zh) * 2017-02-13 2018-08-21 北京京东尚科信息技术有限公司 一种基于客户分群的客户生存率分析装置及分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
新浪微博的大规模信息传播规律研究;易成岐;《计算机科学与探索》;20130305;第7卷(第6期);第551-561页 *

Also Published As

Publication number Publication date
CN110197317A (zh) 2019-09-03

Similar Documents

Publication Publication Date Title
CN109299356B (zh) 基于大数据的活动推荐方法、装置、电子设备及存储介质
US20170278173A1 (en) Personalized bundle recommendation system and method
CN106897905B (zh) 用于推送信息的方法、装置及电子设备
CN110197317B (zh) 目标用户确定方法及装置、电子设备及存储介质
CN111125574A (zh) 用于生成信息的方法和装置
US20200342500A1 (en) Systems and methods for self-serve marketing pages with multi-armed bandit
CN110555451A (zh) 信息识别方法和装置
CN111311294A (zh) 数据处理方法、装置、介质及电子设备
CN116541610B (zh) 一种推荐模型的训练方法及装置
CN112598472A (zh) 产品推荐方法、装置、系统、介质和程序产品
CN111104590A (zh) 信息推荐方法、装置、介质及电子设备
CN113051480A (zh) 资源推送方法、装置、电子设备及存储介质
WO2022156589A1 (zh) 一种直播点击率的确定方法和装置
CN112348460A (zh) 协作任务的资源额度调整方法、装置及电子设备
CN111429214A (zh) 一种基于交易数据的买卖双方匹配方法及装置
US20190034943A1 (en) Spend engagement relevance tools
CN111488517A (zh) 用于训练点击率预估模型的方法和装置
CN110555747A (zh) 确定目标用户的方法和装置
WO2020211616A1 (zh) 用于处理用户交互信息的方法和装置
CN109460778B (zh) 活动评估方法、装置、电子设备及存储介质
CN107357847B (zh) 数据处理方法及其装置
CN111325372A (zh) 预测模型的建立方法、预测方法、装置、介质及设备
CN113379511A (zh) 用于输出信息的方法和装置
CN113947431A (zh) 一种用户行为质量评估方法、装置、设备和存储介质
CN116109354A (zh) 内容推荐方法、装置、设备、存储介质及计算机程序产品

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