CN108154288A - 新用户补贴策略的计算方法、装置、电子设备及存储介质 - Google Patents
新用户补贴策略的计算方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN108154288A CN108154288A CN201711285687.8A CN201711285687A CN108154288A CN 108154288 A CN108154288 A CN 108154288A CN 201711285687 A CN201711285687 A CN 201711285687A CN 108154288 A CN108154288 A CN 108154288A
- Authority
- CN
- China
- Prior art keywords
- user
- new
- behavioural characteristic
- conversion ratio
- characteristic vector
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种新用户补贴策略的计算方法,属于计算机技术领域,解决现有技术新用户补贴策略的计算方法存在的补贴效率低下的问题。所述方法包括:基于当前用户的画像数据,确定所述当前用户的行为特征向量,然后,基于所述当前用户的行为特征向量,通过新客预估模型计算所述当前用户的新客转化率,并根据所述新客转化率确定与所述当前用户相对应的补贴信息。本申请公开的新用户补贴策略的计算方法,通过结合预先训练的新客预估模型预估当前用户的新客转化率,并根据新客转化率进行相应额度补贴,对具有自然转化倾向的用户不予补贴,对于不具备自然转化倾向的用户根据其转化率进行相应额度的补贴,可以充分利用补贴额度,提高补贴效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种新用户补贴策略的计算方法、装置、电子设备及存储介质。
背景技术
在O2O(Online to offline,线上到线下)领域,为了提高平台或产品对用户的吸引力,通常会对用户进行消费行为补贴,以增强已注册用户粘性和吸引新用户。现有技术中,对于已注册用户,通常根据用户的历史消费行为,如用户的消费额度,使用补贴额度等信息,确定对用户的补贴政策。而对于没有消费行为的新用户,现有的补贴策略基本是针对所有潜在新用户补贴相同的代金券或者根据用户关注的商品的价格补贴相应额度的代金券,忽略了自然转化新用户的存在,浪费了有限的补贴额度,降低了补贴效率。同时,仅基于用户关注的商品的价格确定补贴策略,用户关注的商品价格高这补贴额度高,用户关注的商品价格低则补贴额度低,会导致补贴不精准,也会降低不提额效率。
可见,现有技术中的新用户补贴策略的计算方法至少存在由于补贴不够精准导致的补贴效率低下的缺陷。
发明内容
本申请提供一种新用户补贴策略的计算方法,解决现有技术中的新用户补贴策略的计算方法存在的补贴效率低下的问题。
为了解决上述问题,第一方面,本申请公开了一种新用户补贴策略的计算方法,包括:
基于当前用户的画像数据,确定所述当前用户的行为特征向量;
基于所述当前用户的行为特征向量,通过新客预估模型计算所述当前用户的新客转化率;
根据所述新客转化率确定与所述当前用户相对应的补贴信息。
第二方面,本申请公开了一种新用户补贴策略的计算装置,包括:
行为特征向量确定模块,用于基于当前用户的画像数据,确定所述当前用户的行为特征向量;
新客转化率计算模块,用于基于所述行为特征向量确定模块确定的当前用户的行为特征向量,通过新客预估模型计算所述当前用户的新客转化率;
新用户补贴确定模块,用于根据所述新客转化率计算模块计算的新客转化率确定与所述当前用户相对应的补贴信息。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在所述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本申请实施例所述的新用户补贴策略的计算方法。
第四方面,本申请实施例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申请实施例所述的新用户补贴策略的计算方法的步骤。
本申请实施例公开的基新用户补贴策略的计算方法,通过基于当前用户的画像数据,确定所述当前用户的行为特征向量,然后,基于所述当前用户的行为特征向量,通过新客预估模型计算所述当前用户的新客转化率,并根据所述新客转化率确定与所述当前用户相对应的补贴信息。通过结合预先训练的新客预估模型预估当前用户的新客转化率,根据新客转化率对新用户进行相应额度补贴,可以充分利用补贴额度,提高补贴效率,进一步减少运营成本。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一的新用户补贴策略的计算方法流程图;
图2是本申请实施例二的新用户补贴策略的计算方法流程图;
图3是本申请实施例三的新用户补贴策略的计算装置结构图之一;
图4是本申请实施例三的新用户补贴策略的计算装置结构图之二。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
实施例一
本申请公开的一种新用户补贴策略的计算方法,如图1所示,该方法包括:步骤100至步骤120。
步骤100,基于当前用户的画像数据,确定所述当前用户的行为特征向量。
本申请的实施例中,所述当前用户可以为在平台上注册的但是没有过购买记录的新用户,也可以为发生过购买行为的已注册用户。本申请公开的方法对于在平台上注册的但是没有过购买记录的新用户确定补贴策略时,补贴效率提高显著。
具体实施时,首先获取当前用户的画像数据。用户的画像数据为用户描述用户的基本信息和用户行为信息的数据。具体实施时,用户的画像数据包括:用户的基本身份信息、用户行为日志、用户附加身份信息等。其中,用户的基本身份信息包括但不限于以下任意一项或多项:姓名、性别、年龄、居住地、兴趣爱好、职业等;所述用户行为日志包括但不限于以下任意一项或多项:用户的浏览日志、收藏日志、点击日志、搜索日志、用户对站外广告的点击日志、浏览日志、应用切换路径等。用户附加身份信息包括但不限于以下任意一项或多项:用户使用的设备型号、用户的地理位置、用户使用的设备上安装的应用等。用户的画像数据可以全部来自平台站内数据,也可以部分来自平台站内数据,部分来自站外数据。
具体实施时,通过平台数据库或站外数据库可以获取用户的画像数据,并进一步从用户的画像数据中提取预设维度的行为特征。然后,进一步对各个维度的行为特征进行编码、归一化,并按照预设格式生成用户的行为特征向量。具体实施时,可以参照现有技术中的方法从用户的画像数据中提取预设维度的行为特征,本实施例不再赘述。
步骤110,基于所述当前用户的行为特征向量,通过新客预估模型计算所述当前用户的新客转化率。
在对于新用户进行补贴之前,首先根据当前新用户的画像数据提取用户的行为特征向量,然后,基于所述当前用户的行为特征向量,通过的新客预估模型计算所述当前用户的新客转化率,并根据预估得到的新客转化率确定执行相应的补贴政策。因此,在预估当前用户的新客转化率之前,需要预先训练新客预估模型。
具体实施时,根据平台上所有用户的画像数据训练新客预估模型。在训练新客预估模型时,首先,基于每个历史用户的画像数据提取该历史用户的行为特征向量;然后,将发生过购买行为的用户的特征向量设置相应的购买标签,生成一条训练数据正样本,将未发生过购买行为的用户的特征向量设置相应的未购买标签,生成一条训练数据负样本;最后,基于生成的正样本和负样本,生成预设格式的数据,并输入逻辑回归模型(LR)进行训练,最后得到新客预估模型的模型文件。该新客预估模型的模型文件中包括行为特征向量的维度分布,以及各维度的特征权重。
最后,将所述当前用户的行为特征向量的各维度特征,和新客预估模型的模型文件中包括的相应维度的特征权重,按照预设方法进行计算,如加权求和,即可得到所述当前用户的新客转化率。
步骤120,根据所述新客转化率确定与所述当前用户相对应的补贴信息。
得到当前用户的新客转化率之后,根据所述新客转化率确定所述当前用户相对应的补贴信息。所述新客转化率与所述当前用户发生购买行为的可能性成正比。具体实施时,所述补贴信息包括补贴额度,对于当前用户的补贴额度和新客转化率成反比,即新客转化率越高,补贴额度越小,新客转化率越低,补贴额度越大。对于新客转化率较高的用户,属于自然转化新用户,因此不必要对其进行补贴,以节省补贴资源,提高补贴效率。而对于新客转化率较低的用户,则需要进一步进行较高额度的新用户补贴,以促进其产生购买行为。对于新客转化率居中的用户,则可以根据新客转化率进行阶梯额度补贴。
本申请实施例公开的新用户补贴策略的计算方法,通过基于当前用户的画像数据,确定所述当前用户的行为特征向量,然后,基于所述当前用户的行为特征向量,通过新客预估模型计算所述当前用户的新客转化率,并根据所述新客转化率确定与所述当前用户相对应的补贴信息,解决了现有技术中的新用户补贴策略的计算方法存在的补贴效率低下的问题。通过结合预先训练的新客预估模型预估当前用户的新客转化率,并根据新客转化率对新用户进行相应额度补贴,如:对具有自然转化倾向的用户不予补贴,对于不具备自然转化倾向的用户根据其转化率进行相应额度的补贴,可以充分利用补贴额度,提高补贴效率,进一步减少运营成本。
实施例二
本申请公开的一种新用户补贴策略的计算方法,如图2所示,该方法包括:步骤200至步骤240。
步骤200,基于历史用户的画像数据,确定平台的每个历史用户的行为特征向量样本。
具体实施时,根据平台上所有用户的画像数据训练新客预估模型。所述画像数据,包括:平台站内数据;其中,所述平台站内数据包括:用户基本身份信息数据、用户行为日志。
首先获取平台上每个用户的画像数据。用户的画像数据为用户描述用户的基本信息和用户行为信息的数据。具体实施时,用户的画像数据至少包括:用户的基本身份信息、用户行为日志等。其中,用户的基本身份信息包括但不限于以下任意一项或多项:姓名、性别、年龄、居住地、兴趣爱好、职业等;所述用户行为日志包括但不限于以下任意一项或多项:用户的浏览日志、收藏日志、点击日志、搜索日志、用户对站外广告的点击日志、浏览日志等。用户的画像数据可以全部来自平台站内数据。
用户的基本身份信息通常在用户注册时,由平台的服务器获取并存储。而已经注册的用户在平台上执行浏览页面、点击产品、搜索商品或搜藏产品时,每执行一次操作,平台会存储用户的行为日志。用户的行为日志包括用户的行为类型,如:点击、搜索、购买及浏览等。同时,用户的行为日志中还包括行为针对的产品、产品所属类目等。具体实施时,通过统计平台存储的用户行为日志,可以获取用户浏览的频次和针对的产品类目、用户点击的频次和针对的产品类目,用户搜索的频次和针对的产品类目,用户收藏操作针对的产品类目等。用户的行为日志还包括用户标识。然后,从获取的上述画像数据中提取用户行为特征向量,生成行为特征向量样本。
所述行为特征向量至少包括以下维度:用户身份信息维度、用户行为维度。例如,用户A的年龄25岁,用户标识为1,性别为女,浏览了产品“草莓慕斯”5次,点击“草莓慕斯”2次,购买“草莓慕斯”1次,则用户A的用户行为特征向量可以包括以下维度:年龄、性别、产品、点击频次、浏览频次、购买频次。具体实施时,用户A的用户行为特征向量样本可以以“键值对”的形式表示,其中,“键”为用户标识,值为按照一定数序排列的各维度特征值,如:(1,(25,女,5,2,1))。
优选的,用户的画像数据还包括平台的站外数据,用户的站外数据通常来自平台站外数据,如平台广告推广系统的数据库。其中,所述站外数据包括:用户附加身份信息数据、用户行为日志。其中,所述用户的附加身份信息包括但不限于以下任意一项或多项:用户使用的设备型号、用户的地理位置、用户使用的设备上安装的应用等。站外数据中的用户行为日志包括:用户点击平台相关的站外广告的频次、用户从搜索引擎进入平台页面的频次等。站外数据中的用户行为日志还包括用户的身份标识。具体实施时,通过平台数据库或站外数据库可以获取用户的画像数据,并进一步从用户的画像数据中提取预设维度的行为特征,如:用户使用的设备型号、用户点击平台相关的广告的频次,并同样以“键值对”的形式表示,其中,“键”为用户标识,值为按照一定数序排列的各维度特征值,如:(用户标识,(设备型号,广告点击频次))。例如,用户A使用IPHOE在广告推广系统上点击了3次平台的广告,则用户A的站外数据的行为特征向量可以表示为:(1,(IPHONE,3))。
通过结合站内的数据和站外数据共同进行新客预估模型训练,以及预估新客转化率,可以有效解决仅参考站内数据进行行为特征提取导致的站内行为特征稀疏的问题,进一步提升模型准确性以及预估的新客转化率的准确性。
然后,进一步按照预设格式将由站内数据提取的用户行为特征向量和由站外数据提取的用户行为特征向量进行融合,生成用于训练的用户行为特征向量样本。例如,用户A的融合后的行为特征向量可以表示为:(1,(25,女,5,2,1,IPHONE,3))。
具体实施时,还可以进一步对行为特向量样本的各个维度的特征进行归一化和编码处理。例如,对类别相关的特征采用onehot编码处理;对于数值型特征,为了量纲统一,采用线性归一化法,如x=(x-min(x)/(max(x)-min(x)),其中,x为某一维度的特征值,进行归一化处理。
具体实施时,用户的行为特征向量还可以包括其他维度。本申请对各维度的分布顺序,以及用户特征向量的表示形式不做限定。
经过本步骤,可以确定平台上每个注册用户的一个行为特征向量样本。
步骤210,对所述行为特征向量样本进行机器学习,得到新客预估模型。
其中,所述新客预估模型的模型文件包括所述行为特征向量的维度分布,以及各个维度特征的权重。
通过对所述行为特征向量样本进行机器学习,得到新客预估模型,包括:为每个特征向量样本设置用于指示该样本是否为发生过购买行为的用户的特征向量样本;将设置了标签的用户特征向量样本格式化为训练样本,输入至逻辑回归模型(LR)进行训练,以得到新客预估模型。
平台上的注册用户有的已经发生过购买行为,有的没有发生过购买行为,具体实施时,把发生过购买行为的用户行为特征向量作为训练模型的正样本,把没有发生过购买行为的用户行为特征向量作为训练模型的负样本。具体实施时,可以对每个特征向量样本设置标签,用于指示该样本是否为发生过购买行为的用户的特征向量样本。例如,把发生过购买行为的用户行为特征向量样本的标签设置为1,把没有发生过购买行为的用户行为特征向量样本的标签设置为0。
然后,将设置了标签的行为特征向量样本进行格式化,生成模型训练需要的数据格式,如生成逻辑回归模型(LR)需要的数据格式。具体实施时,逻辑回规模型的需要的数据格式可以表示为libsvm格式,如(标签,特征)的数据格式。假设用户B的用户行为特征向量样本为(2,(3)),其中,“2”为用户标识,“3”为特征值,如果用户B发生过购买行为,则用户B的行为特征向量样本格式化生成逻辑回归模型(LR)需要的数据格式可以表示为(1,(2:3))。仍以前述步骤得到的用户A的行为特征向量样本为例,如果用户A没有产生购买行为,则用户A的行为特征向量样本格式化生成逻辑回归模型(LR)需要的数据格式可以表示为(0,(1:25,女,5,2,1,IPHONE,3))。
最后,把libsvm格式数据输入到逻辑回归模型进行训练。具体实施时,可以将模型文件中对应libsvm格式中每个维度的特征赋予相同的初始权重,然后,通过梯度下降算法对相应的特征权重进行迭代计算,直到满足特定条件后停止迭代。具体实施时,所述特定条件可以为迭代次数大于设定的阈值,或者目标函数误差小于设定的阈值。停止迭代后,得到模型文件中的各维度特征的权重即为行为特征向量相应维度的特征权重。得到的模型文件即为新客预估模型的模型文件。所述模型文件中还包括行为特征向量的维度,以及各维度的分布位置,如行为特征向量包括两个维度,分别为性别、点击频次,性别维度的权重为30%,点击次数维度的权重为70%,行为特征向量的维度分布表示为(性别,点击频次)。
具体实施时,在训练得到新客预估模型之后,可以进一步在测试数据集上对新客预估模型进行评估。所述测试集数据为已知是否有购买行为的用户的行为特征向量组成,通过测试数据可评估新客预估模型的准确度。
步骤220,基于当前用户的画像数据,确定所述当前用户的行为特征向量。
具体实施时,首先获取当前用户的画像数据。用户的画像数据可以仅包括站内数据,也可以既包括站内数据,又包括站外数据。基于当前用户的画像数据,确定所述当前用户的行为特征向量的具体实施方式参见训练新客预估模型时确定所述平台的每个用户的行为特征向量样本的具体实施方式。具体实施时,当前用户的行为特征向量同样需要执行对训练样本所做的归一化和编码处理,然后得到当前用户的用于预估新客转化率的行为特征向量,该特征向量的各维度特征的分布与模型文件中个维度特征的分布相同。
步骤230,基于所述当前用户的行为特征向量,通过新客计算模型预估所述当前用户的新客转化率。
基于所述当前用户的行为特征向量,通过新客预估模型计算所述当前用户的新客转化率,包括:对所述当前用户的行为特征向量的各维度特征进行加权求和,得到所述当前用户的新客转化率;其中,各维度特征的加权权值等于所述新客预估模型的模型文件中行为特征向量相应维度特征的权重。例如通过以下公式计算所述当前用户的新客转化率:f(x)=a1*x1+a2*x2…an*xn,其中,f(x)表示用户x的新客转化率,a1、a2、……、an表示模型文件中个维度特征的权重,x1、x2、…xn表示相应维度的特征值,如用户行为特征向量的第一个维度的特征值为x1,权重为a1。对应维度的权重越大,代表该维度的特征比较重要。
步骤240,根据所述新客转化率确定与所述当前用户相对应的补贴信息。
所述新客转化率与所述当前用户发生购买行为的可能性成正比,所述根据所述新客转化率确定与所述当前用户相对应的补贴信息,包括:所述补贴信息中的补贴额度与所述新客转化率成反比。具体实施时,所述根据所述新客转化率确定与所述当前用户相对应的补贴信息可以包括:对于所述新客转化率大于第一转化率阈值的当前用户,补贴额度等于0;对于所述新客转化率小于第二转化率阈值的当前用户,补贴额度等于预设额度,其中,所述第一转化率阈值大于所述第二转化率阈值;对于所述新客转化率大于等于所述第二转化率阈值且小于等于所述第一转化率阈值的当前用户,补贴额度为小于所述预设额度的阶梯额度值,所述阶梯额度值与当前用户的新客转化率成反比。
补贴策略是根据新客转化率来设定的。新客转化率高的用户,平台认为是会自然转化为有购买行为的新用户,没有必要对其进行补贴,而对于新客转化率极低的用户则希望通过使用代金券等补贴使其成为有购买行为的新用户。具体实施时,对于新客转化率小于第二转化率阈值的当前用户,可以进行较高额度的补贴,例如:20元无门槛代金券。对于新客转化率居中的用户,即所述新客转化率大于等于所述第二转化率阈值且小于等于所述第一转化率阈值的当前用户,可以根据用户的新客转化率做一个递减的补贴,例如:代金券金额=20*(1-新客转化率)。
本申请实施例公开的新用户补贴策略的计算方法,通过基于历史用户的画像数据,确定平台的每个历史用户的行为特征向量样本,对所述行为特征向量样本进行机器学习,得到新客预估模型,并基于当前用户的画像数据,确定所述当前用户的行为特征向量,然后,基于所述当前用户的行为特征向量,通过新客预估模型计算所述当前用户的新客转化率,并根据所述新客转化率对所述当前用户进行相应补贴,解决了现有技术中的新用户补贴方法存在的补贴效率低下的问题。通过结合预先训练的新客预估模型预估当前用户的新客转化率,并根据新客转化率对新用户进行相应额度补贴,如:对具有自然转化倾向的用户不予补贴,对于不具备自然转化倾向的用户根据其转化率进行相应额度的补贴,可以充分利用补贴额度,提高补贴效率,进一步减少运营成本。
实施例三
本申请公开的一种新用户补贴策略的计算装置,如图3所示,所述装置包括:
行为特征向量确定模块300,用于基于当前用户的画像数据,确定所述当前用户的行为特征向量;
新客转化率计算模块310,用于基于所述行为特征向量确定模块300确定的当前用户的行为特征向量,通过新客预估模型计算所述当前用户的新客转化率;
新用户补贴确定模块320,用于根据所述新客转化率计算模块310计算的新客转化率确定与所述当前用户相对应的补贴信息。
可选的,如图4所示,所述装置还包括:
行为特征向量样本确定模块330,用于基于历史用户的画像数据,确定平台的每个历史用户的行为特征向量样本;
模型训练模块340,用于对所述行为特征向量样本确定模块330确定的行为特征向量样本进行机器学习,得到所述新客预估模型;
其中,所述新客预估模型的模型文件包括:所述行为特征向量的维度分布以及各个维度特征的权重。
可选的,所述新客转化率计算模块310进一步用于:
对所述当前用户的行为特征向量的各维度特征进行加权求和,得到所述当前用户的新客转化率;其中,各维度特征的加权权值等于所述新客预估模型的模型文件中行为特征向量相应维度特征的权重。
可选的,所述新客转化率与所述当前用户发生购买行为的可能性成正比,所述新用户补贴确定模块320具体用于:
所述补贴信息中的补贴额度与所述新客转化率成反比。
具体实施时,所述根据所述新客转化率确定与所述当前用户相对应的补贴信息可以包括:对于所述新客转化率大于第一转化率阈值的当前用户,补贴额度等于0;对于所述新客转化率小于第二转化率阈值的当前用户,补贴额度等于预设额度,其中,所述第一转化率阈值大于所述第二转化率阈值;对于所述新客转化率大于等于所述第二转化率阈值且小于等于所述第一转化率阈值的当前用户,补贴额度等于为小于所述预设额度的阶梯额度值,所述阶梯额度值与当前用户的新客转化率成反比。
可选的,所述画像数据,包括:平台站内数据;或平台站内数据和站外数据;其中,所述平台站内数据包括:用户基本身份信息数据、用户行为日志;所述站外数据包括:用户附加身份信息数据、用户行为日志。
可选的,所述行为特征向量至少包括以下维度:用户身份信息维度、用户行为维度。
本申请实施例公开的基于用户画像的新用户补贴装置,通过基于历史用户的画像数据,确定平台的每个历史用户的行为特征向量样本,对所述行为特征向量样本进行机器学习,得到新客预估模型,并基于当前用户的画像数据,确定所述当前用户的行为特征向量,然后,基于所述当前用户的行为特征向量,通过所述新客预估模型计算所述当前用户的新客转化率,并根据所述新客转化率对所述当前用户进行相应补贴,解决了现有技术中的新用户补贴方法存在的补贴效率低下的问题。通过结合预先训练的新客预估模型预估当前用户的新客转化率,并根据新客转化率对新用户进行相应额度补贴,如:对具有自然转化倾向的用户不予补贴,对于不具备自然转化倾向的用户根据其转化率进行相应额度的补贴,可以充分利用补贴额度,提高补贴效率,进一步减少运营成本。
通过结合站内的数据和站外数据共同进行新客预估模型训练,以及预估新客转化率,可以有效解决仅参考站内数据进行行为特征提取导致的站内行为特征稀疏的问题,进一步提升模型准确性以及预估的新客转化率的准确性。
相应的,本申请还公开了一种电子设备,包括存储器、处理器及存储在所述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申请实施例一和实施例二所述的新用户补贴策略的计算方法。所述电子设备可以为移动终端、智能电话、导航仪、个人数字助理、平板电脑等。
本申请还公开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如本申请实施例一和实施例二所述的新用户补贴策略的计算方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本申请提供的一种新用户补贴策略的计算方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
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各实施方式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实现。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
Claims (14)
1.一种新用户补贴策略的计算方法,其特征在于,包括:
基于当前用户的画像数据,确定所述当前用户的行为特征向量;
基于所述当前用户的行为特征向量,通过新客预估模型计算所述当前用户的新客转化率;
根据所述新客转化率确定与所述当前用户相对应的补贴信息。
2.根据权利要求1所述的方法,其特征在于,所述基于当前用户的画像数据,确定所述当前用户的行为特征向量的步骤之前,还包括:
基于历史用户的画像数据,确定平台的每个历史用户的行为特征向量样本;
对所述行为特征向量样本进行机器学习,得到所述新客预估模型;
其中,所述新客预估模型的模型文件包括:所述行为特征向量的维度分布以及各个维度特征的权重。
3.根据权利要求2所述的方法,其特征在于,所述基于所述当前用户的行为特征向量,通过新客预估模型计算所述当前用户的新客转化率的步骤,包括:
对所述当前用户的行为特征向量的各维度特征进行加权求和,得到所述当前用户的新客转化率;其中,各维度特征的加权权值等于所述新客预估模型的模型文件中行为特征向量相应维度特征的权重。
4.根据权利要求1所述的方法,其特征在于,所述根据所述新客转化率确定与所述当前用户相对应的补贴信息的步骤,包括:
所述补贴信息中的补贴额度与所述新客转化率成反比。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述画像数据包括:平台站内数据;或平台站内数据和站外数据;其中,所述平台站内数据包括:用户基本身份信息数据、用户行为日志;所述站外数据包括:用户附加身份信息数据、用户行为日志。
6.根据权利要求1至4任一项所述的方法,其特征在于,所述行为特征向量至少包括以下维度:用户身份信息维度、用户行为维度。
7.一种新用户补贴策略的计算装置,其特征在于,包括:
行为特征向量确定模块,用于基于当前用户的画像数据,确定所述当前用户的行为特征向量;
新客转化率计算模块,用于基于所述行为特征向量确定模块确定的当前用户的行为特征向量,通过新客预估模型计算所述当前用户的新客转化率;
新用户补贴确定模块,用于根据所述新客转化率计算模块计算的新客转化率确定与所述当前用户相对应的补贴信息。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
行为特征向量样本确定模块,用于基于历史用户的画像数据,确定平台的每个历史用户的行为特征向量样本;
模型训练模块,用于对所述行为特征向量样本确定模块确定的行为特征向量样本进行机器学习,得到所述新客预估模型;
其中,所述新客预估模型的模型文件包括:所述行为特征向量的维度分布以及各个维度特征的权重。
9.根据权利要求8所述的装置,其特征在于,所述新客转化率计算模块进一步用于:
对所述当前用户的行为特征向量的各维度特征进行加权求和,得到所述当前用户的新客转化率;其中,各维度特征的加权权值等于所述新客预估模型的模型文件中行为特征向量相应维度特征的权重。
10.根据权利要求7所述的装置,其特征在于,所述新用户补贴确定模块具体用于:
所述补贴信息中的补贴额度与所述新客转化率成反比。
11.根据权利要求7至10任一项所述的装置,其特征在于,所述画像数据,包括:平台站内数据;或平台站内数据和站外数据;其中,所述平台站内数据包括:用户基本身份信息数据、用户行为日志;所述站外数据包括:用户附加身份信息数据、用户行为日志。
12.根据权利要求7至10任一项所述的装置,其特征在于,所述行为特征向量至少包括以下维度:用户身份信息维度、用户行为维度。
13.一种电子设备,包括存储器、处理器及存储在所述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权利要求1至6任意一项权利要求所述的新用户补贴策略的计算方法。
14.一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,该程序被处理器执行时实现权利要求1至6任意一项所述的新用户补贴策略的计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711285687.8A CN108154288A (zh) | 2017-12-07 | 2017-12-07 | 新用户补贴策略的计算方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711285687.8A CN108154288A (zh) | 2017-12-07 | 2017-12-07 | 新用户补贴策略的计算方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108154288A true CN108154288A (zh) | 2018-06-12 |
Family
ID=62466699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711285687.8A Pending CN108154288A (zh) | 2017-12-07 | 2017-12-07 | 新用户补贴策略的计算方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154288A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858952A (zh) * | 2019-01-02 | 2019-06-07 | 口口相传(北京)网络技术有限公司 | 服务场景下的数据处理方法和装置 |
CN110033383A (zh) * | 2019-02-18 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、设备、介质以及装置 |
CN110163652A (zh) * | 2019-04-12 | 2019-08-23 | 上海上湖信息技术有限公司 | 获客转化率预估方法及装置、计算机可读存储介质 |
CN110782277A (zh) * | 2019-10-12 | 2020-02-11 | 上海陆家嘴国际金融资产交易市场股份有限公司 | 资源处理方法、装置、计算机设备和存储介质 |
-
2017
- 2017-12-07 CN CN201711285687.8A patent/CN108154288A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858952A (zh) * | 2019-01-02 | 2019-06-07 | 口口相传(北京)网络技术有限公司 | 服务场景下的数据处理方法和装置 |
CN110033383A (zh) * | 2019-02-18 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、设备、介质以及装置 |
CN110033383B (zh) * | 2019-02-18 | 2023-12-29 | 创新先进技术有限公司 | 一种数据处理方法、设备、介质以及装置 |
CN110163652A (zh) * | 2019-04-12 | 2019-08-23 | 上海上湖信息技术有限公司 | 获客转化率预估方法及装置、计算机可读存储介质 |
CN110163652B (zh) * | 2019-04-12 | 2021-07-13 | 上海上湖信息技术有限公司 | 获客转化率预估方法及装置、计算机可读存储介质 |
CN110782277A (zh) * | 2019-10-12 | 2020-02-11 | 上海陆家嘴国际金融资产交易市场股份有限公司 | 资源处理方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dao et al. | A novel recommendation model of location-based advertising: Context-Aware Collaborative Filtering using GA approach | |
Kuo et al. | Building and evaluating a location-based service recommendation system with a preference adjustment mechanism | |
US20180158078A1 (en) | Computer device and method for predicting market demand of commodities | |
CN108154288A (zh) | 新用户补贴策略的计算方法、装置、电子设备及存储介质 | |
CN111259263B (zh) | 一种物品推荐方法、装置、计算机设备及存储介质 | |
US20130086072A1 (en) | Method and system for extracting and classifying geolocation information utilizing electronic social media | |
CN107464132B (zh) | 一种相似用户挖掘方法及装置,电子设备 | |
CN108875761B (zh) | 一种拓展潜在用户的方法及装置 | |
US20140358694A1 (en) | Social media pricing engine | |
CN105069172A (zh) | 兴趣标签生成方法 | |
CN109766557A (zh) | 一种情感分析方法、装置、存储介质及终端设备 | |
CN111626832A (zh) | 产品推荐方法、装置及计算机设备 | |
CN107993088A (zh) | 一种购买周期预测方法及装置,电子设备 | |
US20230342797A1 (en) | Object processing method based on time and value factors | |
Anil et al. | Performance analysis of deep learning architectures for recommendation systems | |
CN111538909A (zh) | 一种信息推荐方法及装置 | |
CN111340522A (zh) | 资源推荐方法、装置、服务器及存储介质 | |
CN112465593B (zh) | 通过图神经网络实现时尚套装推荐的方法 | |
CN106776757A (zh) | 用户完成网银操作的指示方法及装置 | |
CN104484365B (zh) | 一种多源异构在线社会网络中网络主体之间社会关系的预测方法与系统 | |
CN116821516B (zh) | 资源推荐方法、装置、设备及存储介质 | |
CN113239266A (zh) | 基于局部矩阵分解的个性化推荐方法及系统 | |
CN105654345A (zh) | 一种基于贝叶斯网络的广告点击率预测方法及装置 | |
CN115618079A (zh) | 会话推荐方法、装置、电子设备及存储介质 | |
Yin et al. | Deep collaborative filtering: a recommendation method for crowdfunding project based on the integration of deep neural network and collaborative filtering |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |
|
RJ01 | Rejection of invention patent application after publication |