CN108335137B - 排序方法及装置、电子设备、计算机可读介质 - Google Patents

排序方法及装置、电子设备、计算机可读介质 Download PDF

Info

Publication number
CN108335137B
CN108335137B CN201810097006.3A CN201810097006A CN108335137B CN 108335137 B CN108335137 B CN 108335137B CN 201810097006 A CN201810097006 A CN 201810097006A CN 108335137 B CN108335137 B CN 108335137B
Authority
CN
China
Prior art keywords
weight
click
conversion
transaction
historical
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
CN201810097006.3A
Other languages
English (en)
Other versions
CN108335137A (zh
Inventor
唐金川
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201810097006.3A priority Critical patent/CN108335137B/zh
Publication of CN108335137A publication Critical patent/CN108335137A/zh
Priority to PCT/CN2018/121305 priority patent/WO2019148982A1/zh
Application granted granted Critical
Publication of CN108335137B publication Critical patent/CN108335137B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0244—Optimization

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种排序方法及装置、电子设备和计算机可读介质。属于互联网技术领域，该排序方法包括：根据请求信息获取待排序的多个对象；获取每个对象对应的排序特征值；以及根据所述排序特征值对所述多个对象进行排序；其中，每个对象对应的排序特征值基于每个对象的点击特征值及相应的点击权重、转化特征值及相应的转化权重和交易特征值及相应的交易权重获得。本公开能够基于交易特征值对待排序的多个对象进行排序，从而进一步增加排序的准确性。

Description

排序方法及装置、电子设备、计算机可读介质
技术领域
本公开涉及互联网技术领域，具体而言，涉及一种排序方法及装置、电子设备、计算机可读介质。
背景技术
排序优化机制，是搜索、推荐系统，特别是广告系统中特别重要的一环。对于效果广告，现有广告平台多是按照点击收费(CPC(Cost Per Click，每点击成本)结算形式，根据广告被点击的次数收费。关键词竞价一般采用这种模式，在信息流广告系统中比较常见)。现有效果广告系统中根据平台利益以及用户体验，目前主要有以下两种排序机制：
1.按照点击量优化的排序机制。
搜索引擎如谷歌、百度，其用户体验主要由点击率衡量。用户更快地找到其搜索想要的网页并点击迅速离开，就是更好的体验。所以这些广告平台通常会选择对全平台整体优化点击量，点击量增加，既一定程度上优化了整体用户体验，平台又能获得更多的广告收入。这样的排序机制，其基本的排序公式也就是：
排序分＝出价*点击率。
2.按照点击量和转化量优化的排序机制。
对于可以跟踪交易的平台，如亚马逊、淘宝这一类电商网站，对于用户体验的衡量，除了上一类排序机制中的点击率衡量以外，还会额外增加转化率的指标作为用户体验的衡量。简述之，用户的体验主要就是“逛”和“买”的体验，所以这类平台在优化用户体验时，会选择优化整体的点击量、转化量，将两者通过不同的权重w1，w2加权求和的形式组合起来。同时转化量的优化，也能带给广告主更多转化单量，从而一定程度上给广告主带去更多的收益。
用户体验分值＝w1*点击率+w2*转化率
那这样的排序机制的一个基本公式也就是：
排序分＝出价*(w1*点击率+w2*转化率)
排序分的w1、w2的权重大小也就很关键，这影响了整体上点击和转化在用户体验中所在的重要性，而这两个值通常也是人工统计及根据目标设定进行手动设置的。w1、w2两个值，通常都是由算法人员根据数据统计分析，然后依据想优化的目标，人工设定具体的值(比如w1＝0.3,w2＝0.7)。
发明内容
本公开提供一种排序方法及装置、电子设备、计算机可读介质，能够至少部分地或者全部地解决上述现有技术中存在的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种排序方法，包括：根据请求信息获取待排序的多个对象；获取每个对象对应的排序特征值；以及根据所述排序特征值对所述多个对象进行排序；其中，每个对象对应的排序特征值基于每个对象的点击特征值及相应的点击权重、转化特征值及相应的转化权重和交易特征值及相应的交易权重获得。
在本公开的一种示例性实施例中，所述获取每个对象对应的排序特征值包括：获取每个对象的历史曝光量、历史点击量和历史下单量；根据所述请求信息、所述历史曝光量、所述历史点击量和所述历史下单量获得每个对象的点击特征值、转化特征值和交易特征值。
在本公开的一种示例性实施例中，根据所述请求信息、所述历史曝光量和所述历史点击量获得每个对象的点击特征值包括：根据所述历史曝光量和所述历史点击量获取每个对象的历史曝光点击率；根据每个对象的对象属性、所述历史曝光点击率和所述请求信息获得每个对象的点击特征值。
在本公开的一种示例性实施例中，根据所述请求信息、所述历史曝光量、所述历史点击量和所述历史下单量获得每个对象的转化特征值包括：根据所述历史点击量和所述历史下单量获取每个对象的历史点击下单率；根据所述历史曝光点击率和所述历史点击下单率获取每个对象的历史曝光转化率；根据每个对象的对象属性、所述历史曝光转化率和所述请求信息获得每个对象的转化特征值。
在本公开的一种示例性实施例中，根据所述请求信息、所述历史曝光量、所述历史点击量和所述历史下单量获得每个对象的交易特征值包括：根据每个对象的对象属性和所述请求信息获得每个对象的预测交易额；对每个对象的预测交易额进行归一化；根据归一化后的每个对象的预测交易额和所述转化特征值获得所述交易特征值。
在本公开的一种示例性实施例中，还包括：根据每个对象的当前状态获取每个对象的点击权重、转化权重和交易权重。
在本公开的一种示例性实施例中，根据每个对象的当前状态获取每个对象的点击权重、转化权重和交易权重包括：当对象处于第一状态时，设置该对象的点击权重大于转化权重以及转化权重大于交易权重；和/或当对象处于第二状态时，设置该对象的转化权重大于等于交易权重以及交易权重大于点击权重；和/或当对象处于第三状态时，设置该对象的交易权重大于转化权重以及转化权重大于点击权重；其中，每个对象的点击权重、转化权重和交易权重之和为预设常数。
在本公开的一种示例性实施例中，当对象处于第一状态时，设置该对象的点击权重大于转化权重以及转化权重大于交易权重包括：当该对象的消耗预算比处于第一预设范围内时，根据该对象的消耗预算比增大该对象的点击权重。
在本公开的一种示例性实施例中，当对象处于第二状态时，设置该对象的转化权重大于等于交易权重以及交易权重大于点击权重包括：当该对象的消耗预算比处于第二预设范围内时，根据该对象的转化特征值增大该对象的转化权重。
在本公开的一种示例性实施例中，当对象处于第三状态时，设置该对象的交易权重大于转化权重以及转化权重大于点击权重包括：当该对象的消耗预算比处于第三预设范围内时，根据该对象的投入产出比增大该对象的交易权重。
在本公开的一种示例性实施例中，所述请求信息包括当前用户输入的搜索信息和/或所述当前用户与每个对象之间的组合信息和/或所述当前用户的用户属性。
根据本公开的一个方面，提供一种排序装置，包括：对象获取模块，用于根据请求信息获取待排序的多个对象；特征值获取模块，用于获取每个对象对应的排序特征值；以及排序模块，用于根据所述排序特征值对所述多个对象进行排序；其中，每个对象对应的排序特征值基于每个对象的点击特征值及相应的点击权重、转化特征值及相应的转化权重和交易特征值及相应的交易权重获得。
根据本公开的一个方面，提供一种电子设备，包括存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，该程序被该处理器执行时实现上述任一实施例中的方法步骤。
根据本公开的一个方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例中的方法步骤。
根据本公开某些实施例中的排序方法及装置、电子设备、计算机可读介质，基于待排序对象的交易特征值及相应的交易权重获得每个对象的排序特征值，一方面，可以实现更加准确的对象排序；另一方面，可以实现推广更精准的投放。
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的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。
图1是根据一示例性实施方式示出的一种排序方法的流程图。
图2是根据一示例性实施方式示出的另一种排序方法的流程图。
图3是根据一示例性实施方式示出的一种排序装置的示意图。
图4是根据一示例性实施方式示出的一种电子设备的示意图。
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公开将更加全面和完整，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。附图仅为本公开的示意性图解，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。
此外，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公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开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结构、方法、装置、实现或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。
现有的排序机制的设计中，除了优化平台收益外，主要从用户体验角度出发优化。不可跟踪交易的平台主要优化点击量，可以跟踪交易的平台会额外优化转化量。而参与广告营销活动的三方(用户、广告主、平台)中，广告主另外的目标(如交易额、ROI(return oninvestment，投入产出比))则没有被考虑到排序优化中来。
前述优化用户转化的排序机制中，对于广告主来说不一定是最优的。例如，对于某个广告主来说，如果10个转化的单量毛利润还没有某1单的毛利润高的话，广告主会更愿意选择尽量促进这1单的转化。所以转化量优化，不能完全满足广告主的优化目标。
只有当广告营销活动参与的三方都更好地获益时，才是一个共赢的局面，从而可以让这个营销活动可持续地发展。
现有技术的第二种排序机制中，排序分＝出价*(w1*点击率+w2*转化率)，每个广告商户都有一个排序分，然后依据排序分降序排列。
比如，a商户排序分为0.7，b商户排序分为0.6，则a排在b前面。这个排序分的计算方式就是根据上述的“排序分”公式。这个排序分公式，也是依据点击率、转化率和出价组合计算出来的。
再比如，a商户出价是1(这里可以是指1元/每次的点击)、点击率是0.8、下单率是0.6，则a的排序分就是1*(w1*0.8+w2*0.6)；假设b商户的出价、点击率、下单率分别是1、0.6、0.6，则b的排序分1*(0.6*w1+0.6*w2)。在现有第二种排序方式中，w1、w2对所有商户的值一样。即上述现有技术方案至少存在以下几个缺点：
1、现有技术方案主要以用户体验角度出发，没有将广告主对交易额优化的诉求，添加到排序机制的优化中来。
2、广告主处在不同的发展阶段时，对不同目标的诉求是不一样的，现有方案没有考虑这些。在目前的第二种排序机制中，其中w1、w2的设置，虽然会随着时间变化做自动调整，但是w1、w2对所有商户来说，其值都是一样的。这就无法针对广告主对点击量、转化量不同的个性化诉求进行优化。
图1是根据一示例性实施方式示出的一种排序方法的流程图。
如图1所示，该排序方法可以包括以下步骤。
在步骤S110中，根据请求信息获取待排序的多个对象。
互联网网站通常会向用户展示多个对象，以使得用户进行浏览并且执行对应的转化操作。例如在电子商务网站中，对象可以为向用户推荐的产品，登录电子商务网站的用户可以通过浏览产品的相关信息，执行进一步的购买等转化操作。又例如在移动终端(例如手机、平板电脑、可穿戴智能设备等)上安装的应用程序(application，APP)，可以基于用户当前的地理位置或者用户输入的搜索关键词向用户推荐相应的门店或者店铺，例如餐饮店等。
目前，各个网站或者APP在展示多个对象时，往往都会基于一定的排序规则，例如，用户在搜索引擎进行搜索后，搜索结果会按照预设的排序方式进行展示。
本实施例实际上是一种对多个对象的排序方法，因此在进行排序之前，会获取待排序的多个对象。例如，获取同一类目下的所有对象作为待排序的多个业务对象。
在本实施例中，对象指的是各种能够通过互联网向用户展示并由用户执行对应的转化操作的对象，例如可以为向用户展示的产品、应用程序、门店、服务等等。
在示例性实施例中，所述请求信息包括当前用户输入的搜索信息和/或所述当前用户与每个对象之间的组合信息和/或所述当前用户的用户属性。
具体的，所述搜索信息可以为当前用户输入的搜索关键词，例如“火锅”、“蛋糕”、“鲜花”、“望京周围的移动营业厅”等词语或者句子。需要说明的是，这里的搜索关键词不一定是该用户当前输入的，其还可以是该用户历史上输入的搜索关键词，或者综合考虑该用户当前输入的关键词以及历史上搜索的关键词，或者历史上一段时间内的搜索关键词，例如最近一次或者上一周输入的关键词。
所述组合信息可以为该当前用户与每个对象之间的距离、方位、交通情况等信息，还可以包括用户输入的搜索关键词与每个对象之间的匹配度或者说相关性，例如用户是否喜欢每个对象对应的品类、是否喜欢在对象所处这个商圈消费等信息。
在示例性实施例中，所述用户属性包括所述当前用户的口味偏好、环境偏好、价格敏感度、品牌偏好等中的任意一种或者多种。
本实施例中，所述用户属性可以包括该当前用户的个性化信息，例如口味偏好(可以根据该当前用户的历史购买记录、下单记录等信息统计分析出来，例如该用户偏好香辣的川菜)、环境偏好(例如有的用户对购物或者吃饭的环境比较看重，希望到环境幽静的门店消费)、价格敏感度(例如有的用户可能对吃饭环境不太看重，更加注重性价比，而另一些用户可能对价格不敏感)、品牌偏好(例如同等条件下，用户在服装类目下更偏重某一个品牌的服装)、品类偏好(例如该用户更偏好鲁菜系)、商圈偏好(例如该用户目前处于两个商圈的中间位置，但该用户更加偏好其中的一个商圈)、距离敏感度(例如有的用户对交通便利度比较在乎，而有的用户则只要能够吃到心仪的食物，不管距离有多远)等等。
其中，根据所述请求信息获取待排序的多个对象存在多种应用场景。例如，可以是当前用户打开手机上的某一款APP，在该APP的首页可以根据该当前用户的用户属性(例如该用户的口味偏好)和该用户和相应对象之间的组合信息(例如该用户与其周围门店的距离)获取所述待排序的多个对象。又例如，还可以是当前用户打开手机上的某一款APP，在该APP的首页可以根据该当前用户最近一周或者上一次的操作记录例如下单记录，获取所述待排序的多个对象。再例如，可以仅根据该当前用户输入的搜索关键词获取与该关键词匹配的门店作为所述待排序的多个对象。再例如，还可以综合考虑该当前用户的搜索信息和该当前用户与每个对象之间的组合信息和所述当前用户的用户属性获取所述待排序的多个对象。本公开对此不作限定。
在步骤S120中，获取每个对象对应的排序特征值。
其中，每个对象对应的排序特征值基于每个对象的点击特征值及相应的点击权重、转化特征值及相应的转化权重和交易特征值及相应的交易权重获得。
在示例性实施例中，所述获取每个对象对应的排序特征值包括：获取每个对象针对当前用户的历史曝光量、历史点击量和历史下单量；根据所述请求信息、所述历史曝光量、所述历史点击量和所述历史下单量获得每个对象的点击特征值、转化特征值和交易特征值。
在示例性实施例中，根据所述请求信息、所述历史曝光量和所述历史点击量获得每个对象的点击特征值包括：根据所述历史曝光量和所述历史点击量获取每个对象的历史曝光点击率；根据每个对象的对象属性、所述历史曝光点击率和所述请求信息获得每个对象的点击特征值。
本实施例中，可以采用第一机器模型获得每个对象的点击特征值。其中，所述第一机器模型是预先采用训练数据通过相应的机器学习算法或者深度学习算法训练好的模型，可以采用任意一种机器学习算法或者深度学习算法，本公开对此不作限定。
本实施例中，所述对象属性可以包括每个对象的品类、所处商圈、地理位置等信息。
需要说明的是，上述请求信息、搜索信息、组合信息、用户属性和对象属性中的具体说明均是用于举例说明的，在不同的应用场景中，可以根据具体情况进行调整和设定。
在示例性实施例中，根据所述请求信息、所述历史曝光量、所述历史点击量和所述历史下单量获得每个对象的转化特征值包括：根据所述历史点击量和所述历史下单量获取每个对象的历史点击下单率；根据所述历史曝光点击率和所述历史点击下单率获取每个对象的历史曝光转化率；根据每个对象的对象属性、所述历史曝光转化率和所述请求信息获得每个对象的转化特征值。
本实施例中，可以采用第二机器模型获得每个对象的转化特征值。其中，所述第二机器模型是预先采用训练数据通过相应的机器学习算法或者深度学习算法训练好的模型，可以采用任意一种机器学习算法或者深度学习算法。
在示例性实施例中，根据所述请求信息、所述历史曝光量、所述历史点击量和所述历史下单量获得每个对象的交易特征值包括：根据每个对象的对象属性和所述请求信息获得每个对象的预测交易额；对每个对象的预测交易额进行归一化；根据归一化后的每个对象的预测交易额和所述转化特征值获得所述交易特征值。
本实施例中，可以采用第三机器模型获得每个对象的预测交易额。其中，所述第三机器模型是预先采用训练数据通过相应的机器学习算法或者深度学习算法训练好的模型，可以采用任意一种机器学习算法或者深度学习算法，本公开对此不作限定。
需要说明的是，上述第一机器模型、第二机器模型和第三机器模型可以分别采用不同的机器学习算法或者深度学习算法，也可以采用相同的机器学习算法或者深度学习算法，本公开对此不做限定。
在示例性实施例中，还包括：根据每个对象的当前状态获取每个对象的点击权重、转化权重和交易权重。
在示例性实施例中，根据每个对象的当前状态获取每个对象的点击权重、转化权重和交易权重包括：当对象处于第一状态时，设置该对象的点击权重大于转化权重以及转化权重大于交易权重；当对象处于第二状态时，设置该对象的转化权重大于等于交易权重以及交易权重大于点击权重；当对象处于第三状态时，设置该对象的交易权重大于转化权重以及转化权重大于点击权重；其中，每个对象的点击权重、转化权重和交易权重之和为预设常数。
例如，所述预设常数可以为1，或者也可以为2，或者其他任意常数，本公开对其不作限定。在下面的实施例中，以所述预设常数为1进行举例说明。
在示例性实施例中，当对象处于第一状态时，设置该对象的点击权重大于转化权重以及转化权重大于交易权重包括：当该对象的消耗预算比处于第一预设范围内时，根据该对象的消耗预算比增大该对象的点击权重。
在示例性实施例中，当对象处于第二状态时，设置该对象的转化权重大于等于交易权重以及交易权重大于点击权重包括：当该对象的消耗预算比处于第二预设范围内时，根据该对象的转化特征值增大该对象的转化权重。
在示例性实施例中，当对象处于第三状态时，设置该对象的交易权重大于转化权重以及转化权重大于点击权重包括：当该对象的消耗预算比处于第三预设范围内时，根据该对象的投入产出比增大该对象的交易权重。
例如，当某一对象的预算消耗比低时，认为该对象处于所述第一状态，广告主远未能获取到以预算为预期的关注/点击流量。当某一对象的预算消耗比适中时，可以认为该对象处于所述第二状态，此时点击权重没那么重要，重点优化转化权重。当某一对象的预算消耗比超高时，可以认为该对象处于所述第三状态，ROI较低，此时可以重点优化交易权重，提高该对象的交易额。
在步骤S130中，根据所述排序特征值对所述多个对象进行排序。
本实施例中，所述方法还可以包括：根据所述排序特征值和相应对象的出价获得每个对象的排序分值；将每个对象依据排序分值从大到小进行降序排列，但本公开并不限定于此。
在示例性实施例中，所述方法还可以包括：输出排序后的所述多个对象至客户端，以便于排序后的所述多个对象在所述客户端上进行显示。
本实施方式提供的排序方法，通过获得每个对象的点击特征值及相应的点击权重、转化特征值及相应的转化权重和交易特征值及相应的交易权重，并基于每个对象每个对象的点击特征值及相应的点击权重、转化特征值及相应的转化权重和交易特征值及相应的交易权重获得对应的排序特征值，实现了以广告主优化目标角度出发，增加广告主对交易额优化的诉求到排序机制中来，可以使得排序结果更加合理准确，提高广告推广的投放精准度。
图2是根据一示例性实施方式示出的另一种排序方法的流程图。
如图2所示，该排序方法可以包括以下步骤。
步骤S210中，根据请求信息获取待排序的多个对象。
步骤S220中，获取每个对象的历史曝光量、历史点击量和历史下单量。
步骤S230中，根据所述请求信息、所述历史曝光量、所述历史点击量和所述历史下单量获得每个对象的点击特征值、转化特征值和交易特征值。
步骤S240中，根据每个对象的当前状态获取每个对象的点击权重、转化权重和交易权重。
步骤S250中，根据每个对象的点击特征值及相应的点击权重、转化特征值及相应的转化权重和交易特征值及相应的交易权重获取每个对象对应的排序特征值。
这里以所述对象为某一平台中投放的广告为例进行说明。广告排序时，需要对每一个广告赋予一个分值并用这个分值进行排序。在这个分值设计中加入广告主想优化的目标，即可达到广告主的优化目标。
例如，对第i个广告，通过以下公式计算排序时的分值：
rankScorei＝bidi×Ti
上式中，rankScorei为第i个广告的排序分值，bidi为第i个广告的出价，例如，假设第i个广告150元每天的广告预算，出价是一次点击1元，每天最多获得150次的点击，当天的预算就消耗完了。Ti是第i个广告的排序特征值。
本实施例中，下文所说的消耗是指系统平台从广告主那里提走的那部分钱，每天(或者每周或者每个月)能提走的消耗小于等于当天(或者当周或者当月)的广告预算。
本实施例中，对交易额(price)用归一化因子(priceNormDivisor)进行归一化，并按照这一个广告主(或者说一个门店)对点击量、转化量、交易额分别设定该广告主(或者说对象、门店、广告)粒度的个性化的点击权重αi、转化权重βi、交易权重γi，其中CRTi、CVRi、pricei分别代表第i个广告的曝光点击率、点击下单率、下单交易额三个指标的模型预估值，第i个广告的排序特征值Ti可以通过以下公式计算获得：
Figure BDA0001565280390000121
上述公式中，归一化因子priceNormDivisor对所有广告主或者广告都一致的。其中CRTi、CVRi、pricei分别是通过该第i个广告对应的门店的历史曝光量、历史点击量、历史下单量、历史转化量、历史交易额等数据，通过机器学习模型预测出来的概率值。其中CRTi为该门店的点击特征值，CTRi×CVRi为该门店的转化特征值，
Figure BDA0001565280390000122
为该门店的交易特征值。
假设该第i个广告对应的门店的历史曝光量为100次，这里的曝光是指该广告显示在某网站或者APP的页面上，其中有10次历史点击量，则该第i个广告对应的门店的曝光点击率为10/100＝10％；这10次历史点击量中，有1次历史下单量，则该门店的历史点击下单率为1/10＝10％；则该门店的历史曝光转化率为曝光点击率乘以点击下单率＝10％×10％＝1％。上述公式中的CRTi、CVRi是通过机器模型，根据历史数据(例如上述的历史曝光量、历史点击量、历史下单量、历史曝光点击率、历史点击下单率、历史曝光转化率等)、该门店属性、当前用户的用户属性、该门店和该当前用户的组合信息等预估该门店的概率值。pricei是通过机器模型预估该当前用户的单次消费额，其可以根据该当前用户的历史消费额、历史单次消费额、该当前用户的用户属性、该门店的门店属性、该门店和该当前用户的组合信息、该当前用户输入的搜索关键词与该门店的匹配度等数据预估出来。
本实施例中，上述第i个广告的排序特征值Ti计算公式针对的是当前用户的单次请求对应的单个门店。其中，当用户输入的关键词发生变化时，CRTi、CVRi、pricei都会发生变化，例如当用户输入“火锅”和“火锅望京”给出的搜索结果排序是不一样的。另外，当用户发出搜索请求时的位置发生变化时，CRTi、CVRi、pricei也均会发生变化，例如一般哪个门店与该用户的距离越近，CRTi、CVRi、pricei估计的概率值越大；而哪个门店与该用户的距离越远，CRTi、CVRi、pricei估计的概率值越小。同时，即使用户在同一时刻、同一地点输入相同的关键词，针对不同的用户，CRTi、CVRi、pricei也极有可能是不一样的，因为不同的用户的用户属性是不一样的。即每次接收到搜索请求时，系统会采用机器模型或者深度学习的方法进行预估，会综合考虑门店属性、用户属性、以及门店和用户的组合信息例如两者之间的距离、方位、匹配度等来进行预估。这样做的目的是为了实现排序结果与用户需求的一个匹配。
例如针对某一个具体的门店而言，不同用户对其的历史评价、评分、评星、评论等均可以作为该门店的自身属性，而对某一个具体的用户而言，该用户在不同的门店的历史评价、评分、下单、浏览、收藏等行为均可以用于统计出该用户的口味偏好，例如有些用户喜欢火锅，有些用户喜欢川菜；用户对价格的敏感度，例如有些用户喜欢便宜的，环境偏好，例如有些用户喜欢环境好的门店等这些用户的用户属性。
本实施例中，对交易额进行归一化，是为了把交易额经过处理后限制在一定范围内。首先归一化是为了后面数据处理的方便，排序时对不同门店的标准是统一的。归一化并不限于上述公式中的一种方法，其可以采用其他合适的方法进行归一化。例如线性函数转换，表达式如下：
y＝(x-MinValue)/(MaxValue-MinValue)
上述公式中x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。例如，该当前用户历史单次消费额为10-200元之间，则MaxValue＝200，MinValue＝10，x为当前预测的单次消费额，则y为归一化后的当前预测的单次消费额值。
然后，针对广告主的优化目标进行智能分析计算。
例如，对于处于不同发展阶段的广告门店：
第一阶段，新店开张，急需获取人气，也就是获得曝光量、点击量、转化量，此时，转化量/ROI的优化权重可以弱化一些，即这部分门店αi权重可以更高，βi次之，γi最小。比如αi可以为0.5，βi可以为0.4，则γi为0.1。
本实施例中，判断一个门店是新店、新老店之间还是老店，可以根据该门店的开张时间长短来判断，例如可以预设两个时间阈值即第一时间阈值和第二时间阈值，该第一时间阈值小于该第二时间阈值，开张时间小于该第一时间阈值的门店为新店，开张时间处于该第一时间阈值和该第二时间阈值之间的门店为新老店之间，开张时间大于该第二时间阈值的门店为老店，需要说明的是，该第一时间阈值和该第二时间阈值可以是一个浮动的值，一个月、两周都是可以的，可以根据具体应用场景来设定。
第二阶段，等到新店获得一定人气之后，本身质量也能获得提升，自己的推广本身就能得到一部分降低，这个时候广告主主要是想把手里闲置资源消耗掉，即在保证一定ROI的情况下去优化交易额。而广告预算的多少，则正反映了其目前闲置的资源多少。针对这部分广告主/门店/广告，则重点优化其转化量和交易额，其βi、γi权重就都可以更高。
在示例性实施例中，ROI在不同的应用场合可以具有不同的定义，例如ROI＝销售所得利润/广告成本*100％，或者ROI＝广告引流利润/广告总投入。其中，广告引流利润＝总利润-自然单量利润；广告总投入＝线上投入+线下投入+活动投入。比如计算双11当天某电商平台的ROI，就是ROI＝(当天产生订单的总现金利润-非活动日周六平均订单总利润)/(线上广告+线下广告+其他投放)。
需要说明的是，本实施例中，广告预算投入不变，即消耗不变的话，(ROI＝交易额/消耗)中的分母实际上不变，优化分子交易额也就优化了ROI。
具体的，可以通过“消耗/广告预算”这个预算消耗比值来调整βi、γi这两个参数的大小。比如70％预算消耗比时，可以设置门店的βi、γi分别为0.45、0.45，而80％预算消耗比时，可以设置门店的βi、γi分别为0.4、0.5。
第三阶段，当新店变成老店，假设闲置资源已经消耗完，广告系统中一个反映指标就是当天/当周/当月/当年(这也是一个时间范围的参数，可以根据具体应用场景调整的)的广告预算已经消耗完。针对这部分商家，则可以在保证其投入(广告消耗费用)不变的情况下，增加广告推广带给他们的交易额，从而提高他们的ROI。而这种情况下，重点就是优化交易额了，可以设置其γi权重更高，βi次之。
针对上述分析，则可以分析各个门店的历史数据，确定当前各个门店所处的阶段，差异化的基于统计数据设定不同权重的大小比例，而不必广告主过多地理解、操作复杂地广告系统。
理想情况是可以根据开店时间长短来划分各个门店是新店、新老店之间还是老店，但实际情况中，平台上的门店可能运营了一段时间，才投入广告。如果这个店运行比较良好，就算是刚投入广告，预算消耗比也会比较高，因此，这里可以采用预算消耗比的大小来判断其是新店、新老点之间还是老店。
下面是上述αi，βi和γi的详细计算方式：
首先，分析CRTi、CVRi、第i个广告对应的门店中的每单商品或者服务的价格的近似数据分布，用符合这个分布的函数去做归一化。
以交易额的价格为例进行说明，假设该门店中的价格为10-200元每单，整个数据是正态分布，中位数是100，最简单的归一化方式是：归一化后的交易额＝(交易额-100)/(最大值200-最小值10)。
类似的，CRTi、CVRi的数据符合某种分布函数，可以通过该分布函数的中位数对其进行归一化。
归一化后，结合上述的排序(ranking)公式，找出目前基准的αi，βi和γi系数，且αi+βi+γi＝1。
需要说明的是，基准的αi，βi和γi系数可以以前一次线上实验结束后的系数αi，βi和γi作为当前线上实验的基准系数。但本公开并不限定于此。
针对广告主粒度不同的优化目标，针对αi，βi和γi三项的调整系数分布为a，b，c，则：
1、针对预算消耗比低于50％(该数值是一个可以根据具体情况自主设置的值)商户或者门店，主要是优化曝光、点击，提高a的权重，本实施例中a的权重可以利用预算消耗比做相对计算，比如当某一个门店的预算消耗比低于该门店同一地域(例如同一城市或者同一商圈等)同品类门店预算消耗比中位数时，则计算a＝该门店同城市同品类预算消耗比中位数/该门店的预算消耗比。例如该门店最初αi，βi和γi系数均为1/3，a、b和c的初始值均为1，则初始时a*αi+b*βi+c*γi＝1；当该门店的预算消耗比低于50％时，增加a为2，此时a*αi+b*βi+c*γi＝4/3，即不等于1，此时可以将αi，βi和γi都重新除以4/3，αi、βi、γi加和才重新等于1。即：
αi＝a*(1/3)/(4/3)＝2*1/4＝1/2；
βi＝b*(1/3)/(4/3)＝1/4；
γi＝c*(1/3)/(4/3)＝1/4。
这样就提高了αi的点击权重值。
需要说明的是，上述实施例中计算a是根据该门店同一城市同一品类的预算消耗比中位数除以该门店的预算消耗比，但中位数这个分位数是可以调整的，比如调成30％分位数。
中位数(Median，又称中值)，统计学中的专有名词，代表一个样本、种群或概率分布中的一个数值，其可将数值集合划分为相等的上下两部分。对于有限的数集，可以通过把所有观察值高低排序后找出正中间的一个作为中位数。如果观察值有偶数个，通常取最中间的两个数值的平均数作为中位数。
分位数是将总体的全部数据按大小顺序排列后，处于各等分位置的变量值。如果将全部数据分成相等的两部分，它就是中位数；如果分成四等分，就是四分位数；八等分就是八分位数等。四分位数也称为四分位点，它是将全部数据分成相等的四部分，其中每部分包括25％的数据，处在各分位点的数值就是四分位数。
2、对于预算消耗比较高(例如处于50％-90％之间，这是一个可以调整的范围)的商户或者门店，且是有转换跟踪的商户或者门店，本实施例中针对转化最差的20％商户或者门店，主要优化转化，提高b的权重，可计算b＝该门店同一城市同一品类曝光转化率20％(这是一个可调整的参数)分位数/该门店的曝光转化率。
这里的曝光转化率即转化量，就是曝光后转换的比率，实际上等于曝光点击率乘以点击下单率。
3、同样对于预算消耗比特别高(例如>90％，这是一个可调整的参数)的商户，主要优化ROI，提高c的权重，提升ROI进一步刺激广告主增加广告预算。
上述1和2和3步骤中，若a*αi+b*βi+c*γi＝k，且需要限定a，b，c在一定范围如[0.8,1.2](这也是一个可调整的范围)之间。最后调整ranking中门店粒度的三个系数：
αi＝a*αi/k；
βi＝b*βi/k；
γi＝c*γi/k。
需要说明的是，上述公式中，等式左边的αi、βi和γi是调整后的值，等式右边的αi、βi和γi是调整前的值，等式右边的a、b和c是调整后的值。
步骤S260中，根据所述排序特征值对所述多个对象进行排序。
现有技术中均是从C(Consumer，消费者，通常指个人或者家庭用户)端的用户体验角度出发(仅考虑浏览量/点击量和转化量)，且浏览量和转化量之间的权重，对于所有商户都是一致的。本公开实施方式提供的排序方法，以商户/广告主/门店的优化目标出发，增加交易额/ROI作为特征，同时还能平衡用户体验。
另外，本公开实施方式提供的排序方法，不同广告主在不同发展阶段对点击量、转化量、交易额/ROI等的发展诉求是不一样的，可以针对每个广告主在这三个不同的目标上设置不同的权重进行优化。本公开实施例所述方法除了综合考虑点击量、转化率、交易额三种因素以外，还能智能分析不同商户的特点及优化目标，对每个商户各自不同的优化目标设置商户粒度差异化的权重，每个广告主，根据自身发展阶段，几个优化目标(点击量、转化量、交易额)各自的权重可以不一样，并能统一到同一个排序机制中，可以优化B(Business，商家)端体验。在一些实施例中，在广告主出价不变的情况下，实时预估每个PV下用户在广告上可能的消费交易额，优化单次推广的交易额，也就提升了广告主的投入产出比(ROI)。另一方面，本实施例所述方法不需要太多广告主的参与(比如主动设定待优化目标)，其可以智能分析确定广告主待优化的目标。
本实施例中，PV(page view)即页面浏览量，通常是衡量一个网站的主要指标。网页浏览数是评价网站流量最常用的指标之一，简称为PV。Page Views中的Page一般是指普通的html网页，也包含php、jsp等动态产生的html内容。来自浏览器的一次html内容请求会被看作一个PV，逐渐累计成为PV总数。
需要说明的是，图1和2所示的排序方法可以应用于服务端，其中所述服务端可以是服务器或者云端服务器实现的系统后台，本公开对此不作限定。
图3是根据一示例性实施方式示出的一种排序装置的示意图。
需要说明的是，图3所示的排序装置可以应用于服务端，其中所述服务端可以是服务器或者云端服务器实现的系统后台，本公开对此不作限定。
如图3所示，本实施例提供的排序装置100可以包括：对象获取模块110、特征值获取模块120以及排序模块130。
其中，对象获取模块110可以用于根据请求信息获取待排序的多个对象。
特征值获取模块120可以用于获取每个对象对应的排序特征值。
排序模块130可以用于根据所述排序特征值对所述多个对象进行排序。
其中，每个对象对应的排序特征值基于每个对象的点击特征值及相应的点击权重、转化特征值及相应的转化权重和交易特征值及相应的交易权重获得。
在示例性实施例中，所述请求信息包括当前用户输入的搜索信息和/或所述当前用户与每个对象之间的组合信息和/或所述当前用户的用户属性。
在示例性实施例中，所述用户属性包括所述当前用户的口味偏好、环境偏好、价格敏感度、品牌偏好中的任意一种或者多种。
在示例性实施例中，特征值获取模块120可以包括历史数据获取子模块和特征值计算子模块。其中，所述历史数据获取子模块可以用于获取每个对象的历史曝光量、历史点击量和历史下单量。所述特征值计算子模块可以用于根据所述请求信息、所述历史曝光量、所述历史点击量和所述历史下单量获得每个对象的点击特征值、转化特征值和交易特征值。
在示例性实施例中，所述特征值计算子模块可以包括曝光点击率计算单元和点击特征值计算单元。其中，所述曝光点击率计算单元可以用于根据所述历史曝光量和所述历史点击量获取每个对象的历史曝光点击率。所述点击特征值计算单元可以用于根据每个对象的对象属性、所述历史曝光点击率和所述请求信息获得每个对象的点击特征值。
在示例性实施例中，所述特征值计算子模块可以包括点击下单率计算单元、曝光转化率计算单元和转化特征值计算单元。其中，所述点击下单率计算单元可以用于根据所述历史点击量和所述历史下单量获取每个对象的历史点击下单率。所述曝光转化率计算单元可以用于根据所述历史曝光点击率和所述历史点击下单率获取每个对象的历史曝光转化率。所述转化特征值计算单元可以用于根据每个对象的对象属性、所述历史曝光转化率和所述请求信息获得每个对象的转化特征值。
在示例性实施例中，所述特征值计算子模块可以包括交易额预估单元、归一化单元和交易特征值计算单元。其中，所述交易额预估单元可以用于根据每个对象的对象属性和所述请求信息获得每个对象的预测交易额。所述归一化单元可以用于对每个对象的预测交易额进行归一化。所述交易特征值计算单元可以用于根据归一化后的每个对象的预测交易额和所述转化特征值获得所述交易特征值。
在示例性实施例中，该排序装置还可以包括权重获取模块。所述权重获取模块可以用于根据每个对象的当前状态获取每个对象的点击权重、转化权重和交易权重。
在示例性实施例中，所述权重获取模块可以包括第一权重设置子模块和/或第二权重设置子模块和/或第三权重设置子模块。其中，所述第一权重设置子模块可以用于当对象处于第一状态时，设置该对象的点击权重大于转化权重以及转化权重大于交易权重。所述第二权重设置子模块可以用于当对象处于第二状态时，设置该对象的转化权重大于等于交易权重以及交易权重大于点击权重。所述第三权重设置子模块可以用于当对象处于第三状态时，设置该对象的交易权重大于转化权重以及转化权重大于点击权重。其中，每个对象的点击权重、转化权重和交易权重之和为预设常数。
在示例性实施例中，所述第一权重设置子模块可以包括第一权重计算单元。所述第一权重计算单元可以用于当该对象的消耗预算比处于第一预设范围内时，根据该对象的消耗预算比增大该对象的点击权重。
在示例性实施例中，所述第二权重设置子模块可以包括第二权重计算单元。所述第二权重计算单元可以用于当该对象的消耗预算比处于第二预设范围内时，根据该对象的转化特征值增大该对象的转化权重。
在示例性实施例中，所述第三权重设置子模块可以包括第三权重计算单元。所述第三权重计算单元可以用于当该对象的消耗预算比处于第三预设范围内时，根据该对象的投入产出比增大该对象的交易权重。
本公开实施方式提供的排序装置，以商户/广告主/门店的优化目标出发，增加交易额/ROI作为特征，同时还能平衡用户体验。
另外，本公开实施方式提供的排序装置，不同广告主在不同发展阶段对点击量、转化量、交易额/ROI等的发展诉求是不一样的，可以针对每个广告主在这三个不同的目标上设置不同的权重进行优化。
需要说明的是，上述发明实施例中的排序装置的模块的具体实现可以参照上述图1和2所示的发明实施例中的排序方法的内容，在此不再赘述。
根据本公开的另一示例性实施方式，还提供了一种电子设备，其可以包括存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，其中，该程序被该处理器执行时实现上述图1或者图2所示的发明实施例中的方法步骤。
下面参考图4，其示出了适于用来实现本申请实施例的电子设备400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400包括处理器401，其可以根据存储在存储器403中的程序而执行各种适当的动作和处理。特别地，根据本公开的实施例，上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，本公开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，在该计算机程序被处理器401执行时，执行本申请的系统中限定的上述功能。处理器401、存储器403以及通信接口402通过总线彼此相连。
附图中的流程图和框图，图示了按照本申请各种实施例的终端、服务端、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。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本公开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设备中所包含的；也可以是单独存在，而未装配入该设备中。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设备执行时，使得该设备包括：根据请求信息获取待排序的多个对象；获取每个对象对应的排序特征值；以及根据所述排序特征值对所述多个对象进行排序；其中，每个对象对应的排序特征值基于每个对象的点击特征值及相应的点击权重、转化特征值及相应的转化权重和交易特征值及相应的交易权重获得。
以上具体地示出和描述了本公开的示例性实施方式。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (6)

1.一种排序方法，其特征在于，包括：
根据请求信息获取待排序的多个对象，所述请求信息包括当前用户输入的搜索信息、所述当前用户与每个对象之间的组合信息和所述当前用户的用户属性，所述搜索信息为所述当前用户输入的搜索关键词，所述组合信息为所述当前用户与每个对象之间的距离、方位、交通情况信息以及所述当前用户输入的搜索关键词与每个对象之间的匹配度，所述用户属性包括所述当前用户的个性化信息；
获取每个对象的历史曝光量、历史点击量和历史下单量；
根据所述历史曝光量和所述历史点击量获取每个对象的历史曝光点击率；根据每个对象的对象属性、所述历史曝光点击率和所述请求信息采用第一机器模型获得每个对象的点击特征值，所述对象属性包括每个对象的品类、所处商圈和地理位置信息；
根据所述历史点击量和所述历史下单量获取每个对象的历史点击下单率；根据所述历史曝光点击率和所述历史点击下单率获取每个对象的历史曝光转化率；根据每个对象的对象属性、所述历史曝光转化率和所述请求信息采用第二机器模型获得每个对象的转化特征值；
根据每个对象的对象属性和所述请求信息获得每个对象的预测交易额；对每个对象的预测交易额进行归一化；根据归一化后的每个对象的预测交易额和所述转化特征值采用第三机器模型获得交易特征值；
根据每个对象的当前状态获取每个对象的点击权重、转化权重和交易权重；
基于每个对象的点击特征值及相应的点击权重、转化特征值及相应的转化权重和交易特征值及相应的交易权重获取每个对象对应的排序特征值；以及
根据所述排序特征值对所述多个对象进行排序；
其中，根据每个对象的当前状态获取每个对象的点击权重、转化权重和交易权重包括：
当对象的消耗预算比处于第一预设范围内时，判定该对象的当前状态处于第一状态，则根据该对象的消耗预算比增大该对象的点击权重，以使得该对象的点击权重大于转化权重以及交易权重；
当该对象的消耗预算比处于第二预设范围内时，判定该对象的当前状态处于第二状态，则根据该对象的转化特征值增大该对象的转化权重，以使得该对象的转化权重大于等于交易权重以及点击权重；
当该对象的消耗预算比处于第三预设范围内时，判定该对象的当前状态处于第三状态，则根据该对象的投入产出比增大该对象的交易权重，以使得该对象的交易权重大于转化权重以及点击权重。
2.根据权利要求1所述的方法，其特征在于，根据每个对象的当前状态获取每个对象的点击权重、转化权重和交易权重还包括：
当对象处于第一状态时，设置该对象的转化权重大于交易权重；和/或
当对象处于第二状态时，设置该对象的交易权重大于点击权重；和/或
当对象处于第三状态时，设置该对象的转化权重大于点击权重；
其中，每个对象的点击权重、转化权重和交易权重之和为预设常数。
3.根据权利要求1至2任一项所述的方法，其特征在于，所述请求信息包括当前用户输入的搜索信息和/或所述当前用户与每个对象之间的组合信息和/或所述当前用户的用户属性。
4.一种排序装置，其特征在于，包括：
对象获取模块，用于根据请求信息获取待排序的多个对象，所述请求信息包括当前用户输入的搜索信息、所述当前用户与每个对象之间的组合信息和所述当前用户的用户属性，所述搜索信息为所述当前用户输入的搜索关键词，所述组合信息为所述当前用户与每个对象之间的距离、方位、交通情况信息以及所述当前用户输入的搜索关键词与每个对象之间的匹配度，所述用户属性包括所述当前用户的个性化信息；
权重获取模块，用于根据每个对象的当前状态获取每个对象的点击权重、转化权重和交易权重；
特征值获取模块，用于获取每个对象对应的排序特征值；以及
排序模块，用于根据所述排序特征值对所述多个对象进行排序；
其中，每个对象对应的排序特征值基于每个对象的点击特征值及相应的点击权重、转化特征值及相应的转化权重和交易特征值及相应的交易权重获得；
其中，所述特征值获取模块包括：
历史数据获取子模块，用于获取每个对象的历史曝光量、历史点击量和历史下单量；
曝光点击率计算单元，用于根据所述历史曝光量和所述历史点击量获取每个对象的历史曝光点击率；点击特征值计算单元，用于根据每个对象的对象属性、所述历史曝光点击率和所述请求信息采用第一机器模型获得每个对象的点击特征值，所述对象属性包括每个对象的品类、所处商圈和地理位置信息；
点击下单率计算单元，用于根据所述历史点击量和所述历史下单量获取每个对象的历史点击下单率；曝光转化率计算单元，用于根据所述历史曝光点击率和所述历史点击下单率获取每个对象的历史曝光转化率；转化特征值计算单元，用于根据每个对象的对象属性、所述历史曝光转化率和所述请求信息采用第二机器模型获得每个对象的转化特征值；
交易额预估单元，用于根据每个对象的对象属性和所述请求信息获得每个对象的预测交易额；归一化单元，用于对每个对象的预测交易额进行归一化；交易特征值计算单元，用于根据归一化后的每个对象的预测交易额和所述转化特征值采用第三机器模型获得所述交易特征值；
其中，所述权重获取模块包括：
第一权重设置子模块，所述第一权重设置子模块包括第一权重计算单元，其用于当对象的消耗预算比处于第一预设范围内时，判定该对象的当前状态处于第一状态，则根据该对象的消耗预算比增大该对象的点击权重，以使得该对象的点击权重大于转化权重以及交易权重；
第二权重设置子模块，所述第二权重设置子模块包括第二权重计算单元，其用于当该对象的消耗预算比处于第二预设范围内时，判定该对象的当前状态处于第二状态，则根据该对象的转化特征值增大该对象的转化权重，以使得该对象的转化权重大于等于交易权重以及点击权重；
第三权重设置子模块，所述第三权重设置子模块包括第三权重计算单元，其用于当该对象的消耗预算比处于第三预设范围内时，判定该对象的当前状态处于第三状态，则根据该对象的投入产出比增大该对象的交易权重，以使得该对象的交易权重大于转化权重以及点击权重。
5.一种电子设备，包括存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，其特征在于，该程序被该处理器执行时实现权利要求1-3任一项所述的方法步骤。
6.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-3任一项所述的方法步骤。
CN201810097006.3A 2018-01-31 2018-01-31 排序方法及装置、电子设备、计算机可读介质 Active CN108335137B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810097006.3A CN108335137B (zh) 2018-01-31 2018-01-31 排序方法及装置、电子设备、计算机可读介质
PCT/CN2018/121305 WO2019148982A1 (zh) 2018-01-31 2018-12-14 排序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810097006.3A CN108335137B (zh) 2018-01-31 2018-01-31 排序方法及装置、电子设备、计算机可读介质

Publications (2)

Publication Number Publication Date
CN108335137A CN108335137A (zh) 2018-07-27
CN108335137B true CN108335137B (zh) 2021-07-30

Family

ID=62927655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810097006.3A Active CN108335137B (zh) 2018-01-31 2018-01-31 排序方法及装置、电子设备、计算机可读介质

Country Status (2)

Country Link
CN (1) CN108335137B (zh)
WO (1) WO2019148982A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108335137B (zh) * 2018-01-31 2021-07-30 北京三快在线科技有限公司 排序方法及装置、电子设备、计算机可读介质
CN109299235B (zh) * 2018-09-19 2023-04-25 平安科技（深圳）有限公司 知识库搜索方法、装置及计算机可读存储介质
CN109324862B (zh) * 2018-10-09 2021-04-27 创新先进技术有限公司 App展示方法及装置
CN109377280B (zh) * 2018-10-26 2020-07-17 苏州创旅天下信息技术有限公司 一种广告排序机制生成方法及生成系统
CN109697636A (zh) * 2018-12-27 2019-04-30 拉扎斯网络科技（上海）有限公司 一种商户推荐方法、商户推荐装置、电子设备和介质
CN111724177A (zh) * 2019-03-18 2020-09-29 北京沃东天骏信息技术有限公司 播放权限排序方法、装置、存储介质及电子设备
CN110175883A (zh) * 2019-04-10 2019-08-27 拉扎斯网络科技（上海）有限公司 一种排序方法、装置、电子设备和非易失性存储介质
CN110033324A (zh) * 2019-04-11 2019-07-19 上海拉扎斯信息科技有限公司 数据处理方法、装置、电子设备及计算机可读存储介质
CN110689170A (zh) * 2019-09-04 2020-01-14 北京三快在线科技有限公司 对象参量的确定方法、装置、电子设备及存储介质
CN110765349A (zh) * 2019-09-27 2020-02-07 上海麦克风文化传媒有限公司 一种自动排序权重操作方法
CN110852838A (zh) * 2019-10-23 2020-02-28 海南太美航空股份有限公司 基于航线交易平台的数据排序方法、系统及装置
CN112783468A (zh) * 2019-11-06 2021-05-11 北京沃东天骏信息技术有限公司 目标对象的排序方法和排序装置
CN111985914B (zh) * 2020-08-19 2024-04-12 北京百度网讯科技有限公司 结算方法、装置、节点及可读存储介质
CN112348559A (zh) * 2020-09-27 2021-02-09 北京淇瑀信息科技有限公司 一种渠道资源消耗优化方法、装置及电子设备
CN112651839A (zh) * 2021-01-07 2021-04-13 中国农业银行股份有限公司 一种产品优化方法及系统
CN112905674A (zh) * 2021-03-04 2021-06-04 北京小米移动软件有限公司 信息排序方法及装置
CN113159905A (zh) * 2021-05-20 2021-07-23 深圳马六甲网络科技有限公司 新用户的商品推荐方法、装置、设备及存储介质
CN113962753B (zh) * 2021-12-22 2022-05-13 浙江口碑网络技术有限公司 候选商品排序方法、展示方法、装置以及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593353A (zh) * 2012-08-15 2014-02-19 阿里巴巴集团控股有限公司 信息搜索方法、展示信息排序权重值确定方法及其装置
CN104252456A (zh) * 2013-06-25 2014-12-31 阿里巴巴集团控股有限公司 一种权重估计方法、装置及系统
JP2015069350A (ja) * 2013-09-27 2015-04-13 Kddi株式会社 ランキング生成装置、方法及びプログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116582B (zh) * 2011-11-16 2016-03-02 阿里巴巴集团控股有限公司 一种信息检索方法及相关系统和装置
CN103514178A (zh) * 2012-06-18 2014-01-15 阿里巴巴集团控股有限公司 一种基于点击率的搜索排序方法及装置
CN104077306B (zh) * 2013-03-28 2018-05-11 阿里巴巴集团控股有限公司 一种搜索引擎的结果排序方法及系统
CN105468628B (zh) * 2014-09-04 2018-11-16 阿里巴巴集团控股有限公司 一种排序方法及装置
CN104462293A (zh) * 2014-11-27 2015-03-25 百度在线网络技术（北京）有限公司 搜索处理方法、生成搜索结果排序模型的方法和装置
CN105760400B (zh) * 2014-12-19 2019-06-21 阿里巴巴集团控股有限公司 一种基于搜索行为的推送消息排序方法及装置
US10409877B2 (en) * 2015-10-21 2019-09-10 Quality Logo Products, Inc. Search engine results declumping method
CN106168980B (zh) * 2016-07-26 2020-07-28 阿里巴巴（中国）有限公司 多媒体资源推荐排序方法及装置
CN106326391B (zh) * 2016-08-17 2020-02-14 合一智能科技（深圳）有限公司 多媒体资源推荐方法及装置
CN106777396A (zh) * 2017-03-01 2017-05-31 合网络技术（北京）有限公司 一种推广信息的投放方法及装置
CN108335137B (zh) * 2018-01-31 2021-07-30 北京三快在线科技有限公司 排序方法及装置、电子设备、计算机可读介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593353A (zh) * 2012-08-15 2014-02-19 阿里巴巴集团控股有限公司 信息搜索方法、展示信息排序权重值确定方法及其装置
CN104252456A (zh) * 2013-06-25 2014-12-31 阿里巴巴集团控股有限公司 一种权重估计方法、装置及系统
JP2015069350A (ja) * 2013-09-27 2015-04-13 Kddi株式会社 ランキング生成装置、方法及びプログラム

Also Published As

Publication number Publication date
CN108335137A (zh) 2018-07-27
WO2019148982A1 (zh) 2019-08-08

Similar Documents

Publication Publication Date Title
CN108335137B (zh) 排序方法及装置、电子设备、计算机可读介质
TWI512508B (zh) Recommended methods and systems for recommending information
CN108108380B (zh) 搜索排序方法、搜索排序装置、搜索方法和搜索装置
US20110004509A1 (en) Systems and methods for predicting sales of item listings
US20120226563A1 (en) Segment optimization for targeted advertising
Im et al. Deal-seeking versus brand-seeking
CN102902691A (zh) 推荐方法及系统
CN107808314B (zh) 用户推荐方法及装置
Scholz et al. Using PageRank for non-personalized default rankings in dynamic markets
WO2022095701A1 (zh) 一种对象推荐方法及装置、设备、存储介质
TWI652639B (zh) 產品優惠組合推薦系統與方法
US20220122100A1 (en) Product evaluation system and method of use
US20200364743A1 (en) Predictive recommendation system using tiered feature data
CN116894709A (zh) 一种广告商品推荐方法和系统
US20200320561A1 (en) Method and apparatus using context to determine consumer deals
US11210695B2 (en) Predictive recommendation system using tiered feature data
CN106445965B (zh) 信息推广处理方法及装置
WO2015184606A1 (en) Method and system for advertisement coordination
WO2015184607A1 (en) Method and system for advertisement coordination
US20240112210A1 (en) Self-learning valuation
JP2020013447A (ja) 決定装置、決定方法および決定プログラム
CN112015970A (zh) 产品推荐方法、相关设备及计算机存储介质
CN110020136B (zh) 对象推荐方法及相关设备
US20160275568A1 (en) Method and system for advertisement coordination
US20160267531A1 (en) Method and system for advertisement coordination

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