CN108510313A - 一种信息转化率的预测、信息推荐方法和装置 - Google Patents

一种信息转化率的预测、信息推荐方法和装置 Download PDF

Info

Publication number
CN108510313A
CN108510313A CN201810187238.8A CN201810187238A CN108510313A CN 108510313 A CN108510313 A CN 108510313A CN 201810187238 A CN201810187238 A CN 201810187238A CN 108510313 A CN108510313 A CN 108510313A
Authority
CN
China
Prior art keywords
recommended
information
rate
certificate
conversion ratio
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
Application number
CN201810187238.8A
Other languages
English (en)
Inventor
周志超
熊军
周峰
蒋建
黄国进
郑岩
冯健
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201810187238.8A priority Critical patent/CN108510313A/zh
Publication of CN108510313A publication Critical patent/CN108510313A/zh
Priority to TW107147130A priority patent/TWI777010B/zh
Priority to PCT/CN2019/073365 priority patent/WO2019169977A1/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201Market modelling; Market analysis; Collecting market data
    • G06Q30/0202Market predictions or forecasting for commercial activities
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0211Determining the effectiveness of discounts or incentives
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207Discounts or incentives, e.g. coupons or rebates
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241Advertisements
    • G06Q30/0242Determining effectiveness of advertisements

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Communication Control (AREA)

Abstract

本申请公开了一种信息转化率的预测、信息推荐方法和装置,该信息转化率的预测方法包括:确定待推荐信息以及用户的特征信息;根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。

Description

一种信息转化率的预测、信息推荐方法和装置
技术领域
本申请涉及计算机技术领域,尤其涉及一种信息转化率的预测、信息推荐方法和装置。
背景技术
在信息推荐中,信息推荐方在进行信息推荐之前,通常会预测其所推荐的信息的转化率(英文全称:Conversion Rate,简称CVR),并根据预测的转化率确定向用户推荐哪些信息。以向用户推荐优惠券为例,信息推荐方在向用户推荐多个优惠券之前,通常会预测将多个优惠券推荐给用户后每一个优惠券的转化率,以便于将转化率较高的优惠券推荐给用户。
通常,在对信息的转化率进行预测时,可以对信息的点击率进行预测,并通过信息的点击率衡量信息的转化率。其中,若信息的点击率较高,则可以视为信息的转化率较高。然而,在实际应用中,根据信息的点击率来衡量信息的转化率的准确度较低,不能有效地向用户进行信息推荐。
发明内容
本申请实施例提供一种信息转化率的预测、信息推荐方法和装置,用于解决在根据信息的点击率衡量信息的转化率时准确度较低,不能有效地向用户进行信息推荐的问题。
为解决上述技术问题,本申请实施例是这样实现的:
第一方面,提出一种信息转化率的预测方法,包括:
确定待推荐信息以及用户的特征信息;
根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。
第二方面,提出了一种信息转化率的预测装置,包括:
确定单元,确定待推荐信息以及用户的特征信息;
第一预测单元,根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;
第二预测单元;根据所述至少两种转化概率,预测所述待推荐信息的转化率。
第三方面,提出一种电子设备,该电子设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,该可执行指令在被执行时使该处理器执行以下操作:
确定待推荐信息以及用户的特征信息;
根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。
第四方面,提出一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下方法:
确定待推荐信息以及用户的特征信息;
根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。
第五方面,提出一种信息推荐方法,包括:
确定多个待推荐信息以及用户的特征信息;
根据所述多个待推荐信息以及所述特征信息,预测影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述多个待推荐信息的转化率;
根据所述多个待推荐信息的转化率,向所述用户进行信息推荐。
第六方面,提出一种信息推荐装置,包括:
第一确定单元,确定多个待推荐信息以及用户的特征信息;
第二确定单元,根据所述多个待推荐信息以及所述特征信息,确定影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率;
预测单元,根据所述至少两种转化概率,预测每一个所述待推荐信息的转化率;
信息推荐单元,根据预测的每一个所述待推荐信息的转化率,向所述用户进行信息推荐。
第七方面,提出一种电子设备,该电子设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,该可执行指令在被执行时使该处理器执行以下操作:
确定多个待推荐信息以及用户的特征信息;
根据所述多个待推荐信息以及所述特征信息,预测影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述多个待推荐信息的转化率;
根据所述多个待推荐信息的转化率,向所述用户进行信息推荐。
第八方面,提出一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下方法:
确定多个待推荐信息以及用户的特征信息;
根据所述多个待推荐信息以及所述特征信息,预测影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述多个待推荐信息的转化率;
根据所述多个待推荐信息的转化率,向所述用户进行信息推荐。
第九方面,提出一种券转化率的预测方法,包括:
确定待推荐的券以及用户的特征信息;
根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。
第十方面,提出了一种券转化率的预测装置,包括:
确定单元,确定待推荐的券以及用户的特征信息;
第一预测单元,根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
第二预测单元,根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。
第十一方面,提出一种电子设备,该电子设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,该可执行指令在被执行时使该处理器执行以下操作:
确定待推荐的券以及用户的特征信息;
根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。
第十二方面,提出一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下方法:
确定待推荐的券以及用户的特征信息;
根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。
第十三方面,提出一种推荐券的方法,包括:
确定多个待推荐的券以及用户的特征信息;
根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率;
根据所述多个待推荐的券的转化率,向所述用户推荐券。
第十四方面,提出一种推荐券的装置,包括:
确定单元,确定多个待推荐的券以及用户的特征信息;
第一预测单元,根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
第二预测单元,根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率;
推荐单元,根据所述多个待推荐的券的转化率,向所述用户推荐券。
第十五方面,提出一种电子设备,该电子设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,该可执行指令在被执行时使该处理器执行以下操作:
确定多个待推荐的券以及用户的特征信息;
根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率;
根据所述多个待推荐的券的转化率,向所述用户推荐券。
第十六方面,提出一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下方法:
确定多个待推荐的券以及用户的特征信息;
根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率;
根据所述多个待推荐的券的转化率,向所述用户推荐券。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本申请实施例提供的技术方案,确定待推荐信息以及用户的特征信息;根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。这样,由于在预测信息转化率时,可以根据影响信息转化过程的至少两种因素的转化概率进行预测,因此,预测得到的信息转化率可以更加全面的反映真实的信息转化率,从而提高信息转化率的预测准确度,进而可以有效地向用户进行信息推荐。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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中记载的一些实施例,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是本申请的一个实施例信息转化率的预测方法的流程示意图;
图2是本申请的一个实施例券转化率的预测和推荐券的示意图;
图3是本申请的一个实施例信息推荐方法的流程示意图;
图4是本申请的一个实施例券转化率的预测方法的流程示意图;
图5是本申请的一个实施例推荐券的方法的流程示意图;
图6是本申请的一个实施例电子设备的结构示意图;
图7是本申请的一个实施例信息转化率的预测装置的结构示意图;
图8是本申请的一个实施例电子设备的结构示意图;
图9是本申请的一个实施例信息推荐装置的结构示意图;
图10是本申请的一个实施例电子设备的结构示意图;
图11是本申请的一个实施例券转化率的预测装置的结构示意图;
图12是本申请的一个实施例电子设备的结构示意图;
图13是本申请的一个实施例推荐券的装置的结构示意图。
具体实施方式
信息的转化率可以理解为信息从曝光到核销的过程中的转化效率,通常,信息推荐方在向用户推荐信息之前,可以根据信息的点击率预测信息的转化率,以便于将转化率较高的信息推荐给用户。其中,信息的点击率越高,可以视为其转化率越高。然而,点击率通常代表用户对信息的点击或查看次数,通过点击率预测信息的转化率并不能有效、全面地体现信息的转化率,即根据点击率预测得到的转化率的准确率较低。
为了解决上述技术问题,本申请实施例提供一种信息转化率的预测、信息推荐方法和装置,该信息转化率的预测方法包括:确定待推荐信息以及用户的特征信息;根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。
这样,由于在预测信息转化率时,可以根据影响信息转化过程的至少两种因素的转化概率进行预测,并不是仅根据信息的点击率进行预测,因此,预测得到的信息转化率可以更加全面的反映真实的信息转化率,从而提高信息转化率的预测准确度,进而可以有效地向用户进行信息推荐。
为了使本技术领域的人员更好地理解本申请中的技术方案,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,所描述的实施例仅仅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,都应当属于本申请保护的范围。
需要说明的是,本申请实施例提供的技术方案可以应用于在已知用户的情况下,向该用户推荐信息。在向用户推荐信息之前,可以使用本申请实施例提供的技术方案确定需要推荐的信息的转化率,并根据转化率向用户推荐信息。其中,若待推荐的信息的个数为1,则可以根据转化率确定是否向用户推荐该信息,若待推荐的信息的个数为多个,则可以根据转化率确定向用户推荐哪一个信息。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1是本申请的一个实施例信息转化率的预测方法的流程示意图。所述方法如下所述。
S102:确定待推荐信息以及用户的特征信息。
在S102中,在用户浏览网页或打开某个应用时,网页服务端或应用的服务端(可以视为信息推荐方)可以基于该网页或应用向该用户进行信息推荐,该用户可以视为推荐信息的目标用户。在向用户推荐信息之前,可以确定向用户推荐的待推荐信息以及该用户的特征信息。
本申请实施例中,所述待推荐信息可以是准备向用户推荐,但最终不一定会推荐给用户的信息。所述待推荐信息可以是电子信息,具体可以是电子券、也可以网址链接等其他电子信息。所述待推荐信息的个数可以是一个,也可以是多个。本申请实施例在确定待推荐信息的转化率时,可以以确定其中一个待推荐信息的转化率为例进行说明。
用户的特征信息可以是用户的个人信息,例如,用户的身高、年龄、体重等,也可以是用户的行为数据,例如,用户经常去的饭馆、用户喜欢的运行等,这里不再一一举例说明。
用户的特征信息可以根据用户当前浏览的网页或打开的应用确定得到,例如,用户在浏览网页时,网站的服务端可以获取到用户的网页浏览记录等信息,若用户已登录网站,则还可以获取到用户在注册该网站时填写的个人信息。再例如,用户在打开应用时,应用的服务端可以获取到用户使用该应用的历史记录,若用户已登录该应用,还可以获取到用户的用户名等信息。
在确定向用户推荐的待推荐信息以及用户的特征信息后,可以执行S104。
S104:根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率。
在S104中,可以根据确定的待推荐信息以及用户的特征信息,预测影响待推荐信息转化过程的至少两种因素对应的转化概率,即预测得到影响待推荐信息转化率的至少两种转化概率。
本申请实施例中,待推荐信息在从曝光到核销的整个转化过程(即转化链路)依次可以包括:曝光待推荐信息、查看待推荐信息、获取待推荐信息以及使用待推荐信息。其中,曝光待推荐信息可以是信息推荐方向用户展示待推荐信息,查看待推荐信息可以是用户点击或浏览待推荐信息,获取待推荐信息可以是用户领取或获得待推荐信息,使用待推荐信息可以是用户对待推荐信息进行的最后操作,例如,若待推荐信息是优惠券,则使用待推荐信息可以是用户使用优惠券进行支付,若待推荐信息是网址链接,则使用待推荐信息可以是用户转发该网址链接,这里不再一一举例说明。
本申请实施例中,由于查看、获取以及使用待推荐信息会影响待推荐信息的转化率,因此,影响待推荐信息转化过程的至少两种因素可以包括:查看待推荐信息、获取待推荐信息以及使用待推荐信息中的至少两种。这样,影响待推荐信息转化过程的至少两种转化概率可以包括:查看待推荐信息的第一概率、获取待推荐信息的第二概率以及使用待推荐信息的第三概率这三种转化概率中的至少两种。
查看待推荐信息的第一概率可以是,将待推荐信息推荐给N个用户后,N个用户中查看待推荐信息的用户个数M与N的比值;获取待推荐信息的第二概率可以是,查看待推荐信息的M个用户中,获取待推荐信息的用户个数L与M的比值;使用待推荐信息的第三概率可以是获取待推荐信息的L个用户中,使用待推荐信息的用户个数P与L的比值。其中,M、N、L个P均为非负整数。
本申请实施例中,根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率,可以包括:
确定预先训练得到的转化率模型,所述转化率模型包括第一概率模型、第二概率模型以及第三概率模型中的至少两种;
根据所述待推荐信息以及所述特征信息,通过所述转化率模型确定所述第一概率、所述第二概率以及所述第三概率中的至少两种。
本申请实施例可以预先训练得到用于预测待推荐信息的转化率模型,所述转化率模型具体可以包括第一概率模型,第二概率模型以及第三概率模型中的至少两种,其中,所述第一概率模型用于预测待推荐信息的第一概率,所述第二概率模型用于预测待推荐信息的第二概率,所述第三概率模型用于预测待推荐信息的第三概率。
这样,在确定待推荐信息以及用户的特征信息后,可以基于转化率模型中包含的第一概率模型、第二概率模型以及第三概率模型中的至少两种,以待推荐信息的属性信息以及推荐方式、用户的特征信息作为输入,分别得到待推荐信息的第一概率、第二概率第三概率中的至少两种。
所述待推荐信息的属性信息可以包括待推荐信息的类别(例如,待推荐信息是网络链接或抵价券等)、待推荐信息的金额,待推荐信息所属的信息推荐方等,所述待推荐信息的推荐方式可以包括短信、邮件、网址链接或应用的通知信息等,不做具体限定。在确定所述待推荐信息时,可以确定得到所述待推荐信息的属性信息以及推荐方式。
本申请实施例中,在训练得到所述转化率模型时,具体可以通过以下方式训练得到,包括:
获取所述待推荐信息的历史数据,所述历史数据包括:所述待推荐信息的属性信息,所述待推荐信息的查看数据、获取数据以及使用数据中的至少两种,所述查看数据包括点击所述待推荐信息的用户的特征信息,所述获取数据包括获取所述待推荐信息的用户的特征信息,所述使用数据包括使用所述待推荐信息的用户的特征信息;
基于预设模型对所述历史数据进行训练,得到所述转化率模型。
以下以待推荐信息为券这一具体场景为例详细说明。其中,券可以是电子券,具体可以是抵价券、满减券等,这里不做具体限定。
在待推荐信息为券时,影响券转化过程的至少两种因素可以包括:点击券、领取券以及核销券中的至少两种,影响券转化过程的至少两种转化概率可以包括:券的点击率(对应于查看待推荐信息的第一概率)、券的领取率(对应于获取待推荐信息的第二概率)以及券的核销率(对应于使用待推荐信息的第三概率)中的至少两种。
用于预测得到券转化率的转化率模型可以包括:点击率模型(对应于第一概率模型)、领取率模型(对应于第二概率模型)以及核销率模型(对应于第三概率模型)中的至少两种。
在训练得到券的转化率模型时,具体地,首先,可以获取券的历史数据。券的历史数据可以包括券的属性信息,所述属性信息可以是券的类别,例如,是抵价券还是满减券,也可以是券的还可以是券的金额,还可以是券所属的信息推荐方等,这里不再一一举例说明。
券的历史数据也可以包括券的推荐方式,所述推荐方式可以是短信、邮件、网址链接或应用的通知信息等,不做具体限定。
券的历史数据还可以包括在不同的属性信息和推荐方式下,券的点击数据(对应于待推荐信息的查看数据)、券的领取数据(对应于待推荐信息的获取数据)以及券的核销数据(对应于待推荐信息的使用数据)中的至少两种。其中,券的点击数据可以包括点击券的用户的特征信息,该特征信息可以是点击券的用户的个人信息,例如用户的身高、体重、年龄等,也可以是点击券的用户的行为数据,例如,用户喜欢去的饭馆、喜欢的运动等。
券的领取数据可以包括领取券的用户的特征信息,该特征信息可以包括领取券的用户的个人信息以及行为数据,具体可以参见上述对点击券的用户的个人信息以及行为数据的描述,这里不再重复描述。同样的,券的核销数据可以包括核销券的用户的特征信息,该特征信息可以包括核销券的用户的个人信息以及行为数据。
其次,在获取得到券的上述历史数据后,可以基于预设模型对所述历史数据进行训练,并得到转化率模型。其中,所述预设模型可以是深度学习模型,也可以是神经网络模型等,具体可以根据实际需要确定,这里不做具体限定,例如,如果根据实际情况确定基于深度学习模型进行训练的结果更佳,则可以使用深度学习模型进行训练。
以转化率模型包含点击率模型、领取率模型以及核销率模型为例,在基于预设模型对上述历史数据训练得到转化率模型时,可以分别训练得到点击率模型、领取率模型以及核销率模型。其中,训练点击率模型、领取率模型以及核销率模型时使用的预设模型可以相同,也可以不同。
以训练点击率模型为例,具体地,可以将历史数据中包含的券的属性信息、推荐方式以及在不同的推荐方式下点击券的用户的特征信息作为输入变量,将用户对不同属性信息的券在不同推荐方式下的点击率作为输出变量,基于预设模型进行训练,最终得到用于确定券点击率的点击率模型。其中,在基于预设模型进行训练时,具体可以使用机器学习模型,通过不断的数据迭代训练得到点击率模型。
基于上述记载的方法训练得到券的点击率模型、领取率模型以及核销率模型后,可以确定得到券的转化率模型。
这样,在确定券的转化率模型后,在确定待推荐的券以及用户的特征信息后,可以基于券的转化率模型确定影响券转化过程的点击率、领取率以及核销率中的至少两种。
在基于上述记载的方法确定待推荐信息的转化率模型,并根据转化率模型预测影响待推荐信息转化过程的至少两种因素对应的转化概率后,可以执行步骤S106。
S106:根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。
在S106中,在预测得到影响待推荐信息转化过程的至少两种因素对应的转化概率后,可以进一步预测得到待推荐信息的转化率。
本申请实施例中,根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率,可以包括:
将预测的所述第一概率、所述第二概率以及所述第三概率中至少两种概率的乘积确定为所述待推荐信息的转化率。
以下仍以待推荐信息为券这一具体场景为例详细说明。
具体地,若预测得到券的点击率和核销率,则可以将券的点击率与核销率的乘积确定为券的转化率;若预测得到券的领取率和核销率,则可以将券的领取率与核销率的乘积确定为券的转化率;若预测得到券的点击率、领取率和核销率,则可以将券的点击率、领取率与核销率的乘积确定为券的转化率,当然,也可以将其中任意两个转化概率的乘积作为券的转化率。
需要说明的是,由于在实际应用中,券的核销率对券的转化率的影响比较大,因此,在预测影响券转化过程的至少两种转化概率时,至少两种转化概率中可以优先包括券的核销率,在进一步预测券的转化率时,可以将券的核销率作为预测券的转化率的必要条件,并将其与券的点击率以及领取率中的至少一种的乘积作为券的转化率。
此外,为了更准确地预测得到券的转化率,可以预测影响券转化过程的三种因素对应的转化概率,即点击率、领取率和核销率,并将预测的券的点击率、领取率和核销率的乘积作为券的转化率。
在本申请的另一实施例中,在预测得到待推荐信息的转化率后,所述方法还包括:
根据所述待推荐信息的转化率,向所述用户进行信息推荐。
在向用户进行信息推荐时,如果待推荐信息的个数为1,则可以确定是否向用户推荐所述待推荐信息。例如,待推荐信息的转化率高,则可以向用户推荐该信息,反之,则可以不推荐该信息。
如果待推荐信息的个数为多个,则根据所述待推荐信息的转化率,向所述用户进行信息推荐,可以包括:
根据所述转化率的大小对多个所述待推荐信息进行排序,并将转化率最大的待推荐信息推荐给所述用户;或,
分别按照第一概率、第二概率以及第三概率中的至少两种对多个所述待推荐信息进行排序;确定第一概率、第二概率以及第三概率中至少两种均在设定排序范围内的待推荐信息,并将确定的待推荐信息中转化率最大的待推荐信息推荐给所述用户。
也就是说,如果待推荐信息的个数为多个,则可以对待推荐信息进行排序,根据排序结果选择其中一个待推荐信息推荐给用户。以待推荐的信息为券进行说明,对待推荐的多个券的具体排序方法至少可以包含以下两种:
一种方法是根据转化率的大小,将多个券进行排序,选择转化率最大的其中一个券推荐给用户。其中,若多个券的转化率相同,则可以随机选择其中一个券推荐给用户,或按照预设规则选择其中一个券推荐给用户,例如,可以选择金额较大的券推荐给用户。当然,也可以将转化率相同的券全部推荐给用户,由用户根据实际情况确定使用哪个。
另一种方法是在预测得到券的点击率、领取率以及核销率中的至少两种后,可以分别根据点击率、领取率以及核销率对多个券进行排序,确定点击率、领取率以及核销率中的至少两种均在设定排序范围内的券,并将这些券中转化率最大的券推荐给用户。
例如,待推荐的券有六张,分别为A、B、C、D、E、F,预测得到的六张券的点击率、领取率以及核销率分别为:a1、a2、a3(对应A的点击率、领取率和核销率),b1、b2、b3,c1、c2、c3,d1、d2、d3,e1、e2、e3,f1、f2、f3,其中,根据点击率的大小对六张券进行排序的结果为:b1、a1、d1、c1、e1、f1,根据领取率的大小对六张券进行排序的结果为:d2、b2、f2、e1、c1、a1,根据核销率的大小对六张券进行排序的结果为:c3、b3、d3、f3、a3、e1。可知,券B和券D的点击率、领取率以及核销率的排序均在前三,那么,可以选择券B和券D中转化率最大的券推荐给用户。
在基于上述任一种方法确定向用户推荐的券后,可以将该券以对应的推荐方式推荐给用户。
图2是本申请的一个实施例券转化率的预测和推荐券的示意图。图2以根据券的点击率、领取率以及核销率预测券的转化率为例进行说明。
图2中,在向用户推荐券之前,可以根据券的历史点击数据、历史领取数据以及历史核销数据,分别训练得到券的点击率模型、领取率模型以及核销率模型。其中,以历史点击数据为例,可以基于预设的机器学习模型A对历史点击数据进行模型训练,最终得到点击率模型,具体方法可以参见上述记载的训练得到点击率模型的方法,这里不再重复描述。
同样,可以基于预设的机器学习模型B对历史领取数据进行训练,得到领取率模型,基于预设的及其学习模型C对历史核销数据进行训练,得到核销率模型。
在得到点击率模型、领取率模型以及核销率模型后,可以根据准备推荐给用户的券的属性信息以及推荐方式,用户的特征信息,基于点击率模型预测券的点击率,根据领取率模型预测领取率模型,根据核销率模型预测券的核销率。之后,可以将预测得到的券的点击率、领取率以及核销率的乘积作为券的转化率。
图2中,准备向用户推荐的券的个数为多个,在按照上述记载的方法确定多个券的转化率后,可以按照转化率的大小对多个券排序,得到转化率最大的券,并将该券以对应的曝光渠道推荐给用户。例如,该券是与应用相关的券,则可以以应用的通知信息的方式将券推荐给用户。
例如,计划向用户推荐十个满减券A、B、C、D、E、F、G、H、I和J,基于图2所示的方法预测得到十个满减券的转化率依次为:a、b、c、d、e、f、g、h、i和j,其中,d的值最大,那么,可以以应用的通知消息的方式向用户推荐满减券D。
应理解,图2中还可以仅预测券的点击率和核销率,根据点击率和核销率预测券的转化率,或预测券的领取率和核销率,根据领取率和核销率预测券的转化率。在对多个券进行排序时,也可以分别按照点击率、领取率以及核销率中的至少两种对多个券进行排序,确定点击率、领取率以及核销率中至少两种均在设定排序范围内的券,并将确定的券中转化率最大的券推荐给用户,这里不再重复描述。
本申请实施例提供的技术方案,确定待推荐信息以及用户的特征信息;根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。这样,由于在预测信息转化率时,可以根据影响信息转化过程的至少两种因素的转化概率进行预测,因此,预测得到的信息转化率可以更加全面的反映真实的信息转化率,从而提高信息转化率的预测准确度,进而可以有效地向用户进行信息推荐。
图3是本申请的一个实施例信息推荐方法的流程示意图。本申请实施例以准备向用户推荐多个待推荐信息为例进行说明。所述信息推荐方法如下所述。
S302:确定多个待推荐信息以及用户的特征信息。
S304:根据所述多个待推荐信息以及所述特征信息,预测影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率。
在S304中,可以分别针对其中一个待推荐信息,预测影响待推荐信息转化过程的至少两种因素对应的转化概率。
S306:根据所述至少两种因素对应的转化概率,预测所述多个待推荐信息的转化率。
S308:根据所述多个待推荐信息的转化率,向所述用户进行信息推荐。
在本申请的一个实施例中,根据所述多个待推荐信息的转化率,向所述用户进行信息推荐,可以包括:
根据所述转化率的大小对多个所述待推荐信息进行排序,并将转化率最大的待推荐信息推荐给所述用户。
在本申请的另一个实施例中,影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率包括:查看所述待推荐信息的第一概率、获取所述待推荐信息的第二概率以及使用所述待推荐信息的第三概率中的至少两种;
根据所述多个待推荐信息的转化率,向所述用户进行信息推荐,包括:
分别按照第一概率、第二概率以及第三概率中的至少两种对所述多个待推荐信息进行排序;确定第一概率、第二概率以及第三概率中至少两种均在设定排序范围内的待推荐信息,并将确定的待推荐信息中转化率最大的待推荐信息推荐给所述用户。
图3所示实施例相关步骤的具体实现可参考图1所示实施例中对应的步骤的具体实现,本说明书一个或多个实施例在此不再赘述。
本申请实施例提供的技术方案,确定多个待推荐信息以及用户的特征信息;根据所述多个待推荐信息以及所述特征信息,预测影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率;根据所述至少两种因素对应的转化概率,预测所述多个待推荐信息的转化率;根据所述多个待推荐信息的转化率,向所述用户进行信息推荐。这样,由于可以根据影响信息转化过程的至少两种因素的转化概率预测得到信息的转化率,因此,可以预测得到较高准确度的信息转化率,进而可以有效地向用户进行信息推荐。
以上举例说明了信息转化率的预测方法以及信息推荐的实施过程。为更直观的说明本申请实施例的设计构思和技术效果,下面以上述信息转化率的预测方法和信息推荐方法应用在券这一场景为例,说明本申请实施例的实施过程。具体地,待推荐信息可以为券,影响券转化过程的至少两种因素包括:点击券、领取券以及核销券中的至少两种,影响券转化过程的至少两种转化概率包括:点击率、领取率以及核销率中的至少两种。以上关于信息转化率的预测方法以及信息推荐方法的阐释与说明均可应用于以下券转化率的预测以及推荐券这一具体应用场景,重复内容或不再赘述。
图4是本申请的一个实施例券转化率的预测方法的流程示意图。本申请实施例中,券可以是电子券,具体可以是优惠券、抵价券、满减券等。所述券转化率的预测方法如下所述。
S402:确定待推荐的券以及用户的特征信息。
S404:根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种。
S406:根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。
进一步地,根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种,包括:
确定预先训练得到的转化率模型,所述转化率模型包括点击率模型、领取率模型以及核销率模型中的至少两种;
根据所述待推荐的券以及所述特征信息,通过所述转化率模型确定所述点击率、所述领取率以及所述核销率中的至少两种。
本申请实施例中,所述转化率模型通过以下方式训练得到,包括:
获取所述待推荐的券的历史数据,所述历史数据包括:所述待推荐的券的推荐方式,在所述推荐方式下所述待推荐的券的点击数据、领取数据以及核销数据中的至少两种,所述点击数据包括点击所述待推荐的券的用户的特征信息,所述领取数据包括领取所述待推荐的券的用户的特征信息,所述核销数据包括使用所述待推荐的券的用户的特征信息;
基于预设模型对所述历史数据进行训练,得到所述转化率模型。
进一步地,根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率,包括:
将所述点击率、所述领取率以及所述核销率中至少两种的乘积确定为所述待推荐的券的转化率,其中:
若预测得到所述点击率以及所述核销率,则将所述点击率以及所述核销率的乘积确定为所述待推荐的券的转化率;
若预测得到所述领取率以及所述核销率,则将所述领取率以及所述核销率的乘积确定为所述待推荐的券的转化率;
若预测得到所述点击率、所述领取率以及所述核销率,则将所述点击率、所述领取率以及所述核销率的乘积确定为所述待推荐的券的转化率。
更进一步地,在预测得到所述待推荐的券的转化率后,所述方法还包括:
根据所述转化率向所述用户推荐券。
具体地,根据所述转化率向所述用户推荐券,包括:
若所述待推荐的券的个数为多个,则:
根据所述转化率的大小对多个所述待推荐的券进行排序,并将转化率最大的券推荐给所述用户;或,
分别按照点击率、领取率以及核销率中的至少两种对多个所述待推荐的券进行排序;确定点击率、领取率以及核销率中至少两种均在设定排序范围内的券,将确定的券中转化率最大的券推荐给所述用户。
图4所示实施例相关步骤的具体实现可参考图1所示实施例中对应的步骤的具体实现,本说明书一个或多个实施例在此不再赘述。
本申请实施例提供的技术方案,确定待推荐的券以及用户的特征信息;根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。这样,由于在预测券的转化率时,可以根据影响券转化过程的点击率、领取率以及核销率中的至少两种转化概率进行预测,因此,预测得到的券转化率可以更加全面的反映真实的券转化率,从而提高券转化率的预测准确度,进而可以有效地向用户推荐券。
图5是本申请的一个实施例推荐券的方法的流程示意图。所述推荐券的方法如下所述。
S502:确定多个待推荐的券以及用户的特征信息。
S504:根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种。
S506:根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率.
S508:根据所述多个待推荐的券的转化率,向所述用户推荐券。
进一步地,根据所述多个待推荐的券的转化率,向所述用户推荐券,包括:
根据转化率的大小对所述多个待推荐的券进行排序,并将转化率最大的券推荐给所述用户;或,
分别按照点击率、领取率以及核销率中的至少两种对所述多个待推荐的券进行排序;确定点击率、领取率以及核销率中至少两种均在设定排序范围内的券,将确定的券中转化率最大的券推荐给所述用户。
图5所示实施例相关步骤的具体实现可参考图1所示实施例中对应的步骤的具体实现,本说明书一个或多个实施例在此不再赘述。
本申请实施例提供的技术方案,确定多个待推荐的券以及用户的特征信息;根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率;根据所述多个待推荐的券的转化率,向所述用户推荐券。这样,在向用户推荐券时,由于可以根据影响券转化过程的点击率、领取率以及核销率中的至少两种转化概率预测得到券的转化率,因此,可以预测得到较高准确度的券转化率,进而可以有效地向用户推荐券。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
图6是本申请的一个实施例电子设备的结构示意图。请参考图6,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成信息转化率的预测装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
确定待推荐信息以及用户的特征信息;
根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。
上述如本申请图6所示实施例揭示的信息转化率的预测装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法,并实现信息转化率的预测装置在图1所示实施例中的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:
确定待推荐信息以及用户的特征信息;
根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。
图7是本申请的一个实施例信息转化率的预测装置70的结构示意图。请参考图7,在一种软件实施方式中,所述信息转化率的预测装置70可包括:确定单元71、第一预测单元72和第二预测单元73,其中:
确定单元71,确定待推荐信息以及用户的特征信息;
第一预测单元72,根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;
第二预测单元73,根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。
可选地,影响所述待推荐信息转化过程的至少两种因素包括:查看所述待推荐信息、获取所述待推荐信息以及使用所述待推荐信息中的至少两种;
所述至少两种因素对应的转化概率包括:查看所述待推荐信息的第一概率、获取所述待推荐信息的第二概率以及使用所述待推荐信息的第三概率中的至少两种。
可选地,所述第一预测单元72,根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率,包括:
确定预先训练得到的转化率模型,所述转化率模型包括第一概率模型、第二概率模型以及第三概率模型中的至少两种;
根据所述待推荐信息以及所述特征信息,通过所述转化率模型确定所述第一概率、所述第二概率以及所述第三概率中的至少两种。
可选地,所述第一预测单元72通过以下方式训练得到所述转化率模型,包括:
获取所述待推荐信息的历史数据,所述历史数据包括:所述待推荐信息的属性信息和推荐方式,在不同的属性信息和推荐方式下所述待推荐信息的查看数据、获取数据以及使用数据中的至少两种,所述查看数据包括点击所述待推荐信息的用户的特征信息,所述获取数据包括获取所述待推荐信息的用户的特征信息,所述使用数据包括使用所述待推荐信息的用户的特征信息;
基于预设模型对所述历史数据进行训练,得到所述转化率模型。
可选地,所述第二预测单元73,根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率,包括:
将预测的所述第一概率、所述第二概率以及所述第三概率中至少两种概率的乘积确定为所述待推荐信息的转化率,其中:
若预测得到所述第一概率以及所述第三概率,则将所述第一概率以及所述第二概率的乘积确定为所述待推荐信息的转化率;
若预测得到所述第二概率以及所述第三概率,则将所述第二概率以及所述第三概率的乘积确定为所述待推荐信息的转化率;
若预测得到所述第一概率、所述第二概率以及所述第三概率,则将所述第一概率、所述第二概率以及所述第三概率的乘积确定为所述待推荐信息的转化率。
可选地,所述信息转化率的预测装置70还包括:推荐单元74,其中:
所述推荐单元74在所述第二预测单元73预测得到所述待推荐信息的转化率后,根据所述待推荐信息的转化率,向所述用户进行信息推荐。
可选地,所述推荐单元74,根据所述待推荐信息的转化率,向所述用户进行信息推荐,包括:
若所述待推荐信息的个数为多个,则:
根据所述转化率的大小对多个所述待推荐信息进行排序,并将转化率最大的待推荐信息推荐给所述用户;或,
分别按照第一概率、第二概率以及第三概率中的至少两种对多个所述待推荐信息进行排序;确定第一概率、第二概率以及第三概率中至少两种均在设定排序范围内的待推荐信息,并将确定的待推荐信息中转化率最大的待推荐信息推荐给所述用户。
信息转化率的预测装置70还可执行图1或图2的方法,并实现信息转化率的预测装置在图1、图2所示实施例的功能,本申请实施例在此不再赘述。
图8是本申请的一个实施例电子设备的结构示意图。请参考图8,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成信息推荐装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
确定多个待推荐信息以及用户的特征信息;
根据所述多个待推荐信息以及所述特征信息,预测影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述多个待推荐信息的转化率;
根据所述多个待推荐信息的转化率,向所述用户进行信息推荐。
上述如本申请图8所示实施例揭示的信息推荐装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图3的方法,并实现信息推荐装置在图3所示实施例中的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:
确定多个待推荐信息以及用户的特征信息;
根据所述多个待推荐信息以及所述特征信息,预测影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述多个待推荐信息的转化率;
根据所述多个待推荐信息的转化率,向所述用户进行信息推荐。
图9是本申请的一个实施例信息推荐预测装置90的结构示意图。请参考图9,在一种软件实施方式中,所述信息推荐装置90可包括:确定单元91、第一预测单元92、第二预测单元93以及推荐单元94,其中:
确定单元91,确定多个待推荐信息以及用户的特征信息;
第一预测单元92,根据所述多个待推荐信息以及所述特征信息,预测影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率;
第二预测单元93,根据所述至少两种因素对应的转化概率,预测所述多个待推荐信息的转化率;
推荐单元94,根据所述多个待推荐信息的转化率,向所述用户进行信息推荐。
可选地,所述推荐单元94,根据所述多个待推荐信息的转化率,向所述用户进行信息推荐,包括:
根据所述转化率的大小对多个所述待推荐信息进行排序,并将转化率最大的待推荐信息推荐给所述用户。
可选地,影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率包括:查看所述待推荐信息的第一概率、获取所述待推荐信息的第二概率以及使用所述待推荐信息的第三概率中的至少两种;
所述推荐单元94,根据所述多个待推荐信息的转化率,向所述用户进行信息推荐,包括:
分别按照第一概率、第二概率以及第三概率中的至少两种对所述多个待推荐信息进行排序;确定第一概率、第二概率以及第三概率中至少两种均在设定排序范围内的待推荐信息,并将确定的待推荐信息中转化率最大的待推荐信息推荐给所述用户。
信息推荐装置90还可执行图3的方法,并实现信息推荐装置在图3所示实施例中的功能,本申请实施例在此不再赘述。
图10是本申请的一个实施例电子设备的结构示意图。请参考图10,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
图10中,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成券转化率的预测装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
确定待推荐的券以及用户的特征信息;
根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。
上述如本申请图10所示实施例揭示的券转化率的预测装置执行的方法可以应用于处理器中,或者由处理器实现。此外,图10中其他硬件的具体连接结构以及实现的功能可以参见图6所示的电子设备中的相关记载,这里不再重复描述。
该电子设备还可执行图4的方法,并实现券转化率的预测装置在图4所示实施例中的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图4所示实施例的方法,并具体用于执行以下操作:
确定待推荐的券以及用户的特征信息;
根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。
图11是本申请的一个实施例券转化率的预测装置110的结构示意图。请参考图11,在一种软件实施方式中,所述券转化率的预测装置110可包括:确定单元111、第一预测单元112和第二预测单元113,其中:
确定单元111,确定待推荐的券以及用户的特征信息;
第一预测单元112,根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
第二预测单元113,根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。
可选地,所述第一预测单元112,根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种,包括:
确定预先训练得到的转化率模型,所述转化率模型包括点击率模型、领取率模型以及核销率模型中的至少两种;
根据所述待推荐的券以及所述特征信息,通过所述转化率模型确定所述点击率、所述领取率以及所述核销率中的至少两种。
可选地,所述第一预测单元112通过以下方式训练得到所述转化率模型,包括:
获取所述待推荐的券的历史数据,所述历史数据包括:所述待推荐的券的推荐方式,在所述推荐方式下所述待推荐的券的点击数据、领取数据以及核销数据中的至少两种,所述点击数据包括点击所述待推荐的券的用户的特征信息,所述领取数据包括领取所述待推荐的券的用户的特征信息,所述核销数据包括使用所述待推荐的券的用户的特征信息;
基于预设模型对所述历史数据进行训练,得到所述转化率模型。
可选地,所述第二预测单元113,,根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率,包括:
将所述点击率、所述领取率以及所述核销率中至少两种的乘积确定为所述待推荐的券的转化率,其中:
若预测得到所述点击率以及所述核销率,则将所述点击率以及所述核销率的乘积确定为所述待推荐的券的转化率;
若预测得到所述领取率以及所述核销率,则将所述领取率以及所述核销率的乘积确定为所述待推荐的券的转化率;
若预测得到所述点击率、所述领取率以及所述核销率,则将所述点击率、所述领取率以及所述核销率的乘积确定为所述待推荐的券的转化率。
可选地,所述券转化率的预测装置110还包括:推荐单元114,其中:
所述推荐单元114,在所述第二预测单元113预测得到所述待推荐的券的转化率后,根据所述转化率向所述用户推荐券。
可选地,所述推荐单元114,根据所述转化率向所述用户推荐券,包括:
若所述待推荐的券的个数为多个,则:
根据所述转化率的大小对多个所述待推荐的券进行排序,并将转化率最大的券推荐给所述用户;或,
分别按照点击率、领取率以及核销率中的至少两种对多个所述待推荐的券进行排序;确定点击率、领取率以及核销率中至少两种均在设定排序范围内的券,将确定的券中转化率最大的券推荐给所述用户。
券转化率的预测装置110还可执行图4的方法,并实现券转化率的预测装置在图4所示实施例中的功能,本申请实施例在此不再赘述。
图12是本申请的一个实施例电子设备的结构示意图。请参考图12,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
图12中,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成推荐券的装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
确定多个待推荐的券以及用户的特征信息;
根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率;
根据所述多个待推荐的券的转化率,向所述用户推荐券。
上述如本申请图12所示实施例揭示的推荐券的装置执行的方法可以应用于处理器中,或者由处理器实现。此外,图12中其他硬件的具体连接结构以及实现的功能可以参见图8所示的电子设备中的相关记载,这里不再重复描述。
该电子设备还可执行图5的方法,并实现推荐券的装置在图5所示实施例中的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图5所示实施例的方法,并具体用于执行以下操作:
确定多个待推荐的券以及用户的特征信息;
根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率;
根据所述多个待推荐的券的转化率,向所述用户推荐券。
图13是本申请的一个实施例推荐券的装置130的结构示意图。请参考图13,在一种软件实施方式中,所述推荐券的装置130可包括:确定单元131、第一预测单元132、第二预测单元133和推荐单元134,其中:
确定单元131,确定多个待推荐的券以及用户的特征信息;
第一预测单元132,根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
第二预测单元133,根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率;
推荐单元134,根据所述多个待推荐的券的转化率,向所述用户推荐券。
可选地,所述推荐单元134,根据所述多个待推荐的券的转化率,向所述用户推荐券,包括:
根据转化率的大小对所述多个待推荐的券进行排序,并将转化率最大的券推荐给所述用户;或,
分别按照点击率、领取率以及核销率中的至少两种对所述多个待推荐的券进行排序;确定点击率、领取率以及核销率中至少两种均在设定排序范围内的券,将确定的券中转化率最大的券推荐给所述用户。
推荐券的装置130还可执行图5的方法,并实现推荐券的装置在图5所示实施例中的功能,本申请实施例在此不再赘述。
总之,以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,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。

Claims (30)

1.一种信息转化率的预测方法,包括:
确定待推荐信息以及用户的特征信息;
根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。
2.如权利要求1所述的方法,
影响所述待推荐信息转化过程的至少两种因素包括:查看所述待推荐信息、获取所述待推荐信息以及使用所述待推荐信息中的至少两种;
所述至少两种因素对应的转化概率包括:查看所述待推荐信息的第一概率、获取所述待推荐信息的第二概率以及使用所述待推荐信息的第三概率中的至少两种。
3.如权利要求2所述的方法,根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率,包括:
确定预先训练得到的转化率模型,所述转化率模型包括第一概率模型、第二概率模型以及第三概率模型中的至少两种;
根据所述待推荐信息以及所述特征信息,通过所述转化率模型确定所述第一概率、所述第二概率以及所述第三概率中的至少两种。
4.如权利要求3所述的方法,所述转化率模型通过以下方式训练得到,包括:
获取所述待推荐信息的历史数据,所述历史数据包括:所述待推荐信息的属性信息和推荐方式,在不同的属性信息和推荐方式下所述待推荐信息的查看数据、获取数据以及使用数据中的至少两种,所述查看数据包括点击所述待推荐信息的用户的特征信息,所述获取数据包括获取所述待推荐信息的用户的特征信息,所述使用数据包括使用所述待推荐信息的用户的特征信息;
基于预设模型对所述历史数据进行训练,得到所述转化率模型。
5.如权利要求4所述的方法,根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率,包括:
将预测的所述第一概率、所述第二概率以及所述第三概率中至少两种概率的乘积确定为所述待推荐信息的转化率,其中:
若预测得到所述第一概率以及所述第三概率,则将所述第一概率以及所述第二概率的乘积确定为所述待推荐信息的转化率;
若预测得到所述第二概率以及所述第三概率,则将所述第二概率以及所述第三概率的乘积确定为所述待推荐信息的转化率;
若预测得到所述第一概率、所述第二概率以及所述第三概率,则将所述第一概率、所述第二概率以及所述第三概率的乘积确定为所述待推荐信息的转化率。
6.如权利要求1至5任一项所述的方法,在预测得到所述待推荐信息的转化率后,所述方法还包括:
根据所述待推荐信息的转化率,向所述用户进行信息推荐。
7.如权利要求6所述的方法,根据所述待推荐信息的转化率,向所述用户进行信息推荐,包括:
若所述待推荐信息的个数为多个,则:
根据所述转化率的大小对多个所述待推荐信息进行排序,并将转化率最大的待推荐信息推荐给所述用户;或,
分别按照第一概率、第二概率以及第三概率中的至少两种对多个所述待推荐信息进行排序;确定第一概率、第二概率以及第三概率中至少两种均在设定排序范围内的待推荐信息,并将确定的待推荐信息中转化率最大的待推荐信息推荐给所述用户。
8.一种信息推荐方法,包括:
确定多个待推荐信息以及用户的特征信息;
根据所述多个待推荐信息以及所述特征信息,预测影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述多个待推荐信息的转化率;
根据所述多个待推荐信息的转化率,向所述用户进行信息推荐。
9.如权利要求8所述的方法,根据所述多个待推荐信息的转化率,向所述用户进行信息推荐,包括:
根据所述转化率的大小对多个所述待推荐信息进行排序,并将转化率最大的待推荐信息推荐给所述用户。
10.如权利要求8所述的方法,影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率包括:查看所述待推荐信息的第一概率、获取所述待推荐信息的第二概率以及使用所述待推荐信息的第三概率中的至少两种;
根据所述多个待推荐信息的转化率,向所述用户进行信息推荐,包括:
分别按照第一概率、第二概率以及第三概率中的至少两种对所述多个待推荐信息进行排序;确定第一概率、第二概率以及第三概率中至少两种均在设定排序范围内的待推荐信息,并将确定的待推荐信息中转化率最大的待推荐信息推荐给所述用户。
11.一种券转化率的预测方法,包括:
确定待推荐的券以及用户的特征信息;
根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。
12.如权利要求11所示的方法,根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种,包括:
确定预先训练得到的转化率模型,所述转化率模型包括点击率模型、领取率模型以及核销率模型中的至少两种;
根据所述待推荐的券以及所述特征信息,通过所述转化率模型确定所述点击率、所述领取率以及所述核销率中的至少两种。
13.如权利要求12所述的方法,所述转化率模型通过以下方式训练得到,包括:
获取所述待推荐的券的历史数据,所述历史数据包括:所述待推荐的券的推荐方式,在所述推荐方式下所述待推荐的券的点击数据、领取数据以及核销数据中的至少两种,所述点击数据包括点击所述待推荐的券的用户的特征信息,所述领取数据包括领取所述待推荐的券的用户的特征信息,所述核销数据包括使用所述待推荐的券的用户的特征信息;
基于预设模型对所述历史数据进行训练,得到所述转化率模型。
14.如权利要求13所述的方法,根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率,包括:
将所述点击率、所述领取率以及所述核销率中至少两种的乘积确定为所述待推荐的券的转化率,其中:
若预测得到所述点击率以及所述核销率,则将所述点击率以及所述核销率的乘积确定为所述待推荐的券的转化率;
若预测得到所述领取率以及所述核销率,则将所述领取率以及所述核销率的乘积确定为所述待推荐的券的转化率;
若预测得到所述点击率、所述领取率以及所述核销率,则将所述点击率、所述领取率以及所述核销率的乘积确定为所述待推荐的券的转化率。
15.如权利要求11至14任一项所述的方法,在预测得到所述待推荐的券的转化率后,所述方法还包括:
根据所述转化率向所述用户推荐券。
16.如权利要求15所述的方法,根据所述转化率向所述用户推荐券,包括:
若所述待推荐的券的个数为多个,则:
根据所述转化率的大小对多个所述待推荐的券进行排序,并将转化率最大的券推荐给所述用户;或,
分别按照点击率、领取率以及核销率中的至少两种对多个所述待推荐的券进行排序;确定点击率、领取率以及核销率中至少两种均在设定排序范围内的券,将确定的券中转化率最大的券推荐给所述用户。
17.一种推荐券的方法,包括:
确定多个待推荐的券以及用户的特征信息;
根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率;
根据所述多个待推荐的券的转化率,向所述用户推荐券。
18.如权利要求17所述的方法,根据所述多个待推荐的券的转化率,向所述用户推荐券,包括:
根据转化率的大小对所述多个待推荐的券进行排序,并将转化率最大的券推荐给所述用户;或,
分别按照点击率、领取率以及核销率中的至少两种对所述多个待推荐的券进行排序;确定点击率、领取率以及核销率中至少两种均在设定排序范围内的券,将确定的券中转化率最大的券推荐给所述用户。
19.一种信息转化率的预测装置,包括:
确定单元,确定待推荐信息以及用户的特征信息;
第一预测单元,根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;
第二预测单元;根据所述至少两种转化概率,预测所述待推荐信息的转化率。
20.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,该可执行指令在被执行时使该处理器执行以下操作:
确定待推荐信息以及用户的特征信息;
根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。
21.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下方法:
确定待推荐信息以及用户的特征信息;
根据所述待推荐信息以及所述特征信息,预测影响所述待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述待推荐信息的转化率。
22.一种信息推荐装置,包括:
确定单元,确定多个待推荐信息以及用户的特征信息;
第一预测单元,根据所述多个待推荐信息以及所述特征信息,预测影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率;
第二预测单元,根据所述至少两种因素对应的转化概率,预测所述多个待推荐信息的转化率;
推荐单元,根据所述多个待推荐信息的转化率,向所述用户进行信息推荐。
23.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,该可执行指令在被执行时使该处理器执行以下操作:
确定多个待推荐信息以及用户的特征信息;
根据所述多个待推荐信息以及所述特征信息,预测影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述多个待推荐信息的转化率;
根据所述多个待推荐信息的转化率,向所述用户进行信息推荐。
24.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下方法:
确定多个待推荐信息以及用户的特征信息;
根据所述多个待推荐信息以及所述特征信息,预测影响所述多个待推荐信息转化过程的至少两种因素对应的转化概率;
根据所述至少两种因素对应的转化概率,预测所述多个待推荐信息的转化率;
根据所述多个待推荐信息的转化率,向所述用户进行信息推荐。
25.一种券转化率的预测装置,包括:
确定单元,确定待推荐的券以及用户的特征信息;
第一预测单元,根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
第二预测单元,根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。
26.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,该可执行指令在被执行时使该处理器执行以下操作:
确定待推荐的券以及用户的特征信息;
根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。
27.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下方法:
确定待推荐的券以及用户的特征信息;
根据所述待推荐的券以及所述特征信息,预测所述待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述待推荐的券的转化率。
28.一种券推荐装置,包括:
确定单元,确定多个待推荐的券以及用户的特征信息;
第一预测单元,根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
第二预测单元,根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率;
推荐单元,根据所述多个待推荐的券的转化率,向所述用户推荐券。
29.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,该可执行指令在被执行时使该处理器执行以下操作:
确定多个待推荐的券以及用户的特征信息;
根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率;
根据所述多个待推荐的券的转化率,向所述用户推荐券。
30.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下方法:
确定多个待推荐的券以及用户的特征信息;
根据所述多个待推荐的券以及所述特征信息,预测所述多个待推荐的券在转化过程中的点击率、领取率以及核销率中的至少两种;
根据所述点击率、所述领取率以及所述核销率中的至少两种,预测所述多个待推荐的券的转化率;
根据所述多个待推荐的券的转化率,向所述用户推荐券。
CN201810187238.8A 2018-03-07 2018-03-07 一种信息转化率的预测、信息推荐方法和装置 Pending CN108510313A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810187238.8A CN108510313A (zh) 2018-03-07 2018-03-07 一种信息转化率的预测、信息推荐方法和装置
TW107147130A TWI777010B (zh) 2018-03-07 2018-12-26 資訊轉化率的預測、資訊推薦方法和裝置
PCT/CN2019/073365 WO2019169977A1 (zh) 2018-03-07 2019-01-28 一种信息转化率的预测、信息推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810187238.8A CN108510313A (zh) 2018-03-07 2018-03-07 一种信息转化率的预测、信息推荐方法和装置

Publications (1)

Publication Number Publication Date
CN108510313A true CN108510313A (zh) 2018-09-07

Family

ID=63376213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810187238.8A Pending CN108510313A (zh) 2018-03-07 2018-03-07 一种信息转化率的预测、信息推荐方法和装置

Country Status (3)

Country Link
CN (1) CN108510313A (zh)
TW (1) TWI777010B (zh)
WO (1) WO2019169977A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109740066A (zh) * 2019-01-28 2019-05-10 北京三快在线科技有限公司 信息推荐方法、信息推荐装置、存储介质及电子设备
CN110046932A (zh) * 2019-03-29 2019-07-23 阿里巴巴集团控股有限公司 一种数据处理方法、装置及设备
CN110188917A (zh) * 2019-04-16 2019-08-30 上海上湖信息技术有限公司 客户转化率分析方法及装置、可读存储介质
WO2019169977A1 (zh) * 2018-03-07 2019-09-12 阿里巴巴集团控股有限公司 一种信息转化率的预测、信息推荐方法和装置
CN110490389A (zh) * 2019-08-27 2019-11-22 腾讯科技(深圳)有限公司 点击率预测方法、装置、设备及介质
CN110569427A (zh) * 2019-08-07 2019-12-13 智者四海(北京)技术有限公司 一种多目标排序模型训练、用户行为预测方法及装置
CN111192108A (zh) * 2019-12-16 2020-05-22 北京淇瑀信息科技有限公司 一种用于产品推荐的排序方法、装置和电子设备
CN111382346A (zh) * 2018-12-28 2020-07-07 第四范式(北京)技术有限公司 用于推荐内容的方法及系统
CN111401974A (zh) * 2020-06-03 2020-07-10 北京每日优鲜电子商务有限公司 信息发送方法、装置、电子设备和计算机可读介质
CN111798280A (zh) * 2020-09-08 2020-10-20 腾讯科技(深圳)有限公司 多媒体信息推荐方法、装置和设备及存储介质
CN112819497A (zh) * 2019-11-18 2021-05-18 百度在线网络技术(北京)有限公司 转化率预测方法、装置、设备和存储介质
CN113344647A (zh) * 2021-07-14 2021-09-03 杭州网易云音乐科技有限公司 一种信息推荐的方法及装置

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160959B (zh) * 2019-12-20 2023-06-27 深圳前海微众银行股份有限公司 一种用户点击转化预估方法及装置
CN111460290B (zh) * 2020-03-27 2023-06-02 喜丈(上海)网络科技有限公司 信息的推荐方法、装置、设备和存储介质
CN111859289B (zh) * 2020-06-17 2024-04-19 北京嘀嘀无限科技发展有限公司 交通工具的交易转化率预估方法、装置、电子设备及介质
CN112381607B (zh) * 2020-11-12 2023-11-24 杭州时趣信息技术有限公司 一种网络商品排序方法、装置、设备及介质
CN112508613B (zh) * 2020-12-09 2024-03-19 天津狮拓信息技术有限公司 一种商品推荐方法、装置、电子设备和可读存储介质
CN112667892B (zh) * 2020-12-25 2024-01-19 北京达佳互联信息技术有限公司 一种信息推荐方法、装置、服务器和存储介质
CN113360770B (zh) * 2021-06-30 2024-04-12 北京百度网讯科技有限公司 内容推荐的方法、装置、设备以及存储介质
TWI810670B (zh) * 2021-10-04 2023-08-01 中華電信股份有限公司 服務優惠推薦之裝置、方法及執行其方法之電腦程式產品
CN114422584B (zh) * 2021-12-16 2023-07-07 北京百度网讯科技有限公司 资源的推送方法、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102479366A (zh) * 2010-11-25 2012-05-30 阿里巴巴集团控股有限公司 一种商品推荐方法及系统
CN102663519A (zh) * 2012-04-01 2012-09-12 浙江盘石信息技术有限公司 网络广告投放中媒体选择的优化系统及方法
CN103618774A (zh) * 2013-11-19 2014-03-05 北京奇虎科技有限公司 一种基于网络行为的资源推荐方法及装置、系统
CN104598511A (zh) * 2014-10-23 2015-05-06 腾讯科技(深圳)有限公司 搜索结果推荐方法、装置及系统
CN107391680A (zh) * 2017-07-24 2017-11-24 北京京东尚科信息技术有限公司 内容推荐方法、装置和设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107688967A (zh) * 2017-08-24 2018-02-13 平安科技(深圳)有限公司 客户购买意向的预测方法及终端设备
CN108510313A (zh) * 2018-03-07 2018-09-07 阿里巴巴集团控股有限公司 一种信息转化率的预测、信息推荐方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102479366A (zh) * 2010-11-25 2012-05-30 阿里巴巴集团控股有限公司 一种商品推荐方法及系统
CN102663519A (zh) * 2012-04-01 2012-09-12 浙江盘石信息技术有限公司 网络广告投放中媒体选择的优化系统及方法
CN103618774A (zh) * 2013-11-19 2014-03-05 北京奇虎科技有限公司 一种基于网络行为的资源推荐方法及装置、系统
CN104598511A (zh) * 2014-10-23 2015-05-06 腾讯科技(深圳)有限公司 搜索结果推荐方法、装置及系统
CN107391680A (zh) * 2017-07-24 2017-11-24 北京京东尚科信息技术有限公司 内容推荐方法、装置和设备

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019169977A1 (zh) * 2018-03-07 2019-09-12 阿里巴巴集团控股有限公司 一种信息转化率的预测、信息推荐方法和装置
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
CN111382346B (zh) * 2018-12-28 2023-09-01 第四范式(北京)技术有限公司 用于推荐内容的方法及系统
CN111382346A (zh) * 2018-12-28 2020-07-07 第四范式(北京)技术有限公司 用于推荐内容的方法及系统
CN109740066B (zh) * 2019-01-28 2021-05-28 北京三快在线科技有限公司 信息推荐方法、信息推荐装置、存储介质及电子设备
CN109740066A (zh) * 2019-01-28 2019-05-10 北京三快在线科技有限公司 信息推荐方法、信息推荐装置、存储介质及电子设备
CN110046932A (zh) * 2019-03-29 2019-07-23 阿里巴巴集团控股有限公司 一种数据处理方法、装置及设备
CN110188917A (zh) * 2019-04-16 2019-08-30 上海上湖信息技术有限公司 客户转化率分析方法及装置、可读存储介质
CN110569427A (zh) * 2019-08-07 2019-12-13 智者四海(北京)技术有限公司 一种多目标排序模型训练、用户行为预测方法及装置
CN110569427B (zh) * 2019-08-07 2022-03-01 智者四海(北京)技术有限公司 一种多目标排序模型训练、用户行为预测方法及装置
CN110490389A (zh) * 2019-08-27 2019-11-22 腾讯科技(深圳)有限公司 点击率预测方法、装置、设备及介质
CN112819497A (zh) * 2019-11-18 2021-05-18 百度在线网络技术(北京)有限公司 转化率预测方法、装置、设备和存储介质
CN112819497B (zh) * 2019-11-18 2023-10-10 百度在线网络技术(北京)有限公司 转化率预测方法、装置、设备和存储介质
CN111192108A (zh) * 2019-12-16 2020-05-22 北京淇瑀信息科技有限公司 一种用于产品推荐的排序方法、装置和电子设备
CN111192108B (zh) * 2019-12-16 2024-10-15 北京淇瑀信息科技有限公司 一种用于产品推荐的排序方法、装置和电子设备
CN111401974A (zh) * 2020-06-03 2020-07-10 北京每日优鲜电子商务有限公司 信息发送方法、装置、电子设备和计算机可读介质
CN111798280B (zh) * 2020-09-08 2020-12-15 腾讯科技(深圳)有限公司 多媒体信息推荐方法、装置和设备及存储介质
CN111798280A (zh) * 2020-09-08 2020-10-20 腾讯科技(深圳)有限公司 多媒体信息推荐方法、装置和设备及存储介质
CN113344647A (zh) * 2021-07-14 2021-09-03 杭州网易云音乐科技有限公司 一种信息推荐的方法及装置
CN113344647B (zh) * 2021-07-14 2023-05-23 杭州网易云音乐科技有限公司 一种信息推荐的方法及装置

Also Published As

Publication number Publication date
TWI777010B (zh) 2022-09-11
TW201939379A (zh) 2019-10-01
WO2019169977A1 (zh) 2019-09-12

Similar Documents

Publication Publication Date Title
CN108510313A (zh) 一种信息转化率的预测、信息推荐方法和装置
CN108537568A (zh) 一种信息推荐方法和装置
CN110046965A (zh) 信息推荐方法、装置、设备和介质
EP3564828A1 (en) Method of data query based on evaluation and device
CN107590654A (zh) 一种在线支付的方法、终端及计算机可读介质
CN107424069A (zh) 一种风控特征的生成方法、风险监控方法及设备
Cheng et al. Predicting bankruptcy using the discrete-time semiparametric hazard model
CN113688313A (zh) 一种预测模型的训练方法、信息推送的方法及装置
CN106295832A (zh) 产品信息推送方法及装置
Steele et al. Algorithms for data science
CN108550046A (zh) 一种资源和营销推荐方法、装置及电子设备
CN108416627A (zh) 一种基于互联网数据的品牌影响力监控方法及系统
CN109598414A (zh) 风险评估模型训练、风险评估方法、装置及电子设备
CN114817538B (zh) 文本分类模型的训练方法、文本分类方法及相关设备
CN108694183A (zh) 一种检索方法及装置
CN109102324B (zh) 模型训练方法、基于模型的红包物料铺设预测方法及装置
CN110298508A (zh) 行为预测方法、装置及设备
CN113934851A (zh) 用于文本分类的数据增强方法、装置及电子设备
CN109255073A (zh) 一种个性化推荐方法、装置及电子设备
CN114996486A (zh) 一种数据推荐方法、装置、服务器以及存储介质
CN108694664A (zh) 业务系统的核对方法及装置、电子设备
CN105138897B (zh) 确定用户权限的方法及装置
CN110490595A (zh) 一种风险控制方法和装置
CN110858326A (zh) 模型训练及获取附加特征数据的方法、装置、设备及介质
CN110020196A (zh) 一种基于不同数据源的用户分析方法和装置及计算设备

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1259265

Country of ref document: HK

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200921

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200921

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180907