CN109218411A - 数据处理方法及装置、计算机可读存储介质、电子设备 - Google Patents
数据处理方法及装置、计算机可读存储介质、电子设备 Download PDFInfo
- Publication number
- CN109218411A CN109218411A CN201810962561.8A CN201810962561A CN109218411A CN 109218411 A CN109218411 A CN 109218411A CN 201810962561 A CN201810962561 A CN 201810962561A CN 109218411 A CN109218411 A CN 109218411A
- Authority
- CN
- China
- Prior art keywords
- user
- reflux ratio
- item number
- message
- prediction
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/542—Event management; Broadcasting; Multicasting; Notifications
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开属于大数据技术领域,涉及一种数据处理方法及装置、计算机可读存储介质、电子设备,该数据处理方法包括:获取多个用户样本数据,所述用户样本数据包括消息推送条数和用户访问日志;根据所述消息推送条数和所述用户访问日志获得与所述消息推送条数对应的用户回流率;将所述消息推送条数和所述用户回流率输入至一回流率预测模型,以对所述回流率预测模型进行训练;获取待分析数据,并将所述待分析数据输入至所述回流率预测模型,以获得一预测回流率;将所述预测回流率与一预设回流率进行比较,并根据比较结果确定目标推送条数。该方法能够确定合适的消息推送条数,减少用户骚扰,提高挽回效果,达到双赢。
Description
技术领域
本公开涉及大数据技术领域,具体而言,涉及一种数据处理方法、数据处理装置、计算机可读存储介质以及电子设备。
背景技术
随着经济发展和社会进步,计算机、智能手机等智能终端设备的应用越来越广泛,人们通过计算机、智能手机等终端设备可以看新闻、玩游戏、购物等等。而作为APP供应商,为了提高自身的业务转化率,通常会根据用户的点击行为推送一些相关主题的信息,以提高用户的活跃度。
信息推送,就是"web广播",是通过一定的技术标准或协议,在互联网上通过定期传送用户需要的信息来减少信息过载的一项新技术。推送技术通过自动传送信息给用户,来减少用于网络上搜索的时间。它根据用户的兴趣来搜索、过滤信息,并将其定期推给用户,帮助用户高效率地发掘有价值的信息。虽然信息推送可以在一定程度上挽回部分用户,但是无限制的推送消息可能会导致部分用户由于信息骚扰等没有回流,反而把APP卸载了,对APP供应商带来消极影响。
因此,本领域亟需一种新的数据处理方法及装置,用于把握消息推送条数,减少用户骚扰。
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公开的背景的理解,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
本公开的目的在于提供一种数据处理方法、数据处理装置、计算机可读存储介质以及电子设备,进而至少在一定程度上克服不适当的消息推送导致用户由于信息骚扰而将应用程序卸载,降低了用户体验,同时也对APP供应商带来不利影响。
根据本公开的一个方面,提供一种数据处理方法,其特征在于,包括:
获取多个用户样本数据,所述用户样本数据包括消息推送条数和用户访问日志;
根据所述消息推送条数和所述用户访问日志获得与所述消息推送条数对应的用户回流率;
将所述消息推送条数和所述用户回流率输入至一回流率预测模型,以对所述回流率预测模型进行训练;
获取待分析数据,并将所述待分析数据输入至所述回流率预测模型,以获得一预测回流率;
将所述预测回流率与一预设回流率进行比较,并根据比较结果确定目标推送条数。
在本公开的示例性实施例中,所述用户访问日志包括用户点击行为,且所述用户点击行为随所述消息推送条数的变化而变化。
在本公开的示例性实施例中,根据所述消息推送条数和所述用户访问日志获得与所述消息推送条数对应的用户回流率,包括:
根据所述用户点击行为判断用户是否为回流用户;
计算所述消息推送条数对应的所述回流用户的数量;
根据所述回流用户的数量和总用户量获得所述用户回流率。
在本公开的示例性实施例中,所述回流率预测模型为神经网络模型,将所述消息推送条数和所述用户回流率输入至一回流率预测模型,以对所述回流率预测模型进行训练,包括:
将所述消息推送条数作为输入向量,所述用户回流率作为输出向量输入所述神经网络模型,以对所述神经网络模型进行训练。
在本公开的示例性实施例中,所述数据处理方法还包括:
获取多个用户的与所述消息推送条数对应的用户回流率,所述用户具有不同的属性,且所述属性包括年龄、性别、职业中的一个或多个;
将所述消息推送条数、所述属性及与所述消息推送条数、所述属性对应的所述用户回流率输入至所述神经网络模型,以对所述神经网络模型进行训练。
在本公开的示例性实施例中,所述待分析数据包括一预设消息推送条数和用户属性,获取待分析数据,并将所述待分析数据输入至所述回流率预测模型,以获得一预测回流率,包括:
将所述预设消息推送条数和所述用户属性输入至所述回流率预测模型,以获得所述预测回流率。
在本公开的示例性实施例中,将所述预测回流率与一预设回流率进行比较,并根据比较结果确定目标推送条数,包括:
判断所述预测回流率与所述预设回流率的大小关系;
若所述预测回流率大于或等于所述预设回流率,则将所述预测回流率对应的所述预设消息推送条数作为所述目标推送条数。
根据本公开的一个方面,提供一种数据处理装置,其特征在于,包括:
数据获取模块,用于获取多个用户样本数据,所述用户样本数据包括消息推送条数和用户访问日志;
第一计算模块,用于根据所述消息推送条数和所述用户访问日志获得与所述消息推送条数对应的用户回流率;
模型训练模块,用于将所述消息推送条数和所述用户回流率输入至一回流率预测模型,以对所述回流率预测模型进行训练;
模型预测模块,用于获取待分析数据,并将所述待分析数据输入至所述回流率预测模型,以获得一预测回流率;
第二计算模块,用于将所述预测回流率与一预设回流率进行比较,并根据比较结果确定目标推送条数。
根据本公开的一个方面,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数据处理方法。
根据本公开的一个方面,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数据处理方法。
本公开的数据处理方法是根据多个用户样本数据获取与不同的消息推送条数对应的用户回流率;然后通过不同的消息推送条数及对应的用户回流率训练一回流率预测模型;再将待分析数据输入训练好的回流率预测模型以获得预测回流率,最后根据预测回流率确定目标推送条数。本公开的数据处理方法能够确定合适的消息推送条数,减少用户骚扰,提高挽回效果,达到双赢。
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,并不能限制本公开。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出一种数据处理方法的流程图;
图2示意性示出一种数据处理方法的应用场景示例图;
图3示意性示出一种计算用户回流率的流程示意图;
图4示意性示出一种推送条数和预测回流数的关系曲线图;
图5示意性示出一种数据处理装置的方框图;
图6示意性示出一种用于实现数据处理方法的电子设备示例框图;
图7示意性示出一种用于实现数据处理方法的计算机可读存储介质。
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。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技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,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。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。
本示例实施方式中首先提供了一种数据处理方法,该数据处理方法可以运行于服务器,也可以运行于服务器集群或云服务器等,当然,本领域技术人员也可以根据需求在其他平台运行本公开的方法,本示例性实施例中对此不做特殊限定。参考图1所示,该数据处理方法可以包括以下步骤:
步骤S110.获取多个用户样本数据,所述用户样本数据包括消息推送条数和用户访问日志;
步骤S120.根据所述消息推送条数和所述用户访问日志获得与所述消息推送条数对应的用户回流率;
步骤S130.将所述消息推送条数和所述用户回流率输入至一回流率预测模型,以对所述回流率预测模型进行训练;
步骤S140.获取待分析数据,并将所述待分析数据输入至所述回流率预测模型,以获得一预测回流率;
步骤S150.将所述预测回流率与一预设回流率进行比较,并根据比较结果确定目标推送条数。
上述数据处理方法中,通过根据用户样本数据中的消息推送条数和用户访问日志获得不同消息推送条数对应的用户回流率;然后将不同的消息推送条数和对应的用户回流率输入至一回流率预测模型,以对回流率预测模型进行训练;再获取待分析数据,并将待分析数据输入回流率预测模型获得预测回流率;最后根据预测回流率和预设回流率的大小关系确定目标推送条数。本公开中的数据处理方法能够确定合适的消息推送条数,既能触达用户,提高用户的挽回效果,又能减少用户骚扰,提高了用户体验。
下面,将结合图2对本示例实施方式中上述数据处理方法中的各步骤进行详细的解释以及说明。
在步骤S110中,获取多个用户样本数据,所述用户样本数据包括消息推送条数和用户访问日志。
在本公开的示例性实施例中,可以从服务器201或终端设备202的数据仓库中获取多个用户样本数据,用户样本数据包括消息推送条数和用户访问日志,该用户访问日志包括用户点击行为,且用户点击行为随着消息推送条数的变化而变化,例如对新闻平台而言,用户点击行为可以是点击消息链接,继续阅读;可以是其它的点击操作,如打开应用程序查找感兴趣的新闻,等等;还可以是卸载新闻平台的应用程序。不同的消息推送条数,用户点击行为也不同。
在步骤S120中,根据所述消息推送条数和所述用户访问日志获得与所述消息推送条数对应的用户回流率。
在本公开的示例性实施例中,图3示出了计算用户回流率的流程示意图,如图3所示,在步骤S301中,根据用户点击行为判断用户是否为回流用户。在获取用户样本数据后,可以根据用户样本数据中的用户点击行为判断用户是否为回流用户。若用户点击消息链接阅读相关新闻,则该用户为回流用户;若用户点击卸载应用程序,则具有该消息推送条数的消息对用户产生了骚扰,那么该用户则不是回流用户。在步骤S302中,计算消息推送条数对应的回流用户的数量。不同的消息推送条数对应的回流用户的数量不同,对应每一消息推送条数,统计多个用户中回流用户的数量,即获得多组数据{Ni,Ri},其中N为消息推送条数,R为回流用户的数量,i为不同的消息推送条数的序号,且i为正整数。在步骤S303中,根据回流用户的数量和总用户量获得用户回流率。将回流用户的数量与总用户数量作比即可获得用户回流率,其计算公式如下所示:
其中,P为与消息推送条数对应的用户回流率,M为总用户量。
在步骤S130中,将所述消息推送条数和所述用户回流率输入至一回流率预测模型,以对所述回流率预测模型进行训练。
在本公开的示例性实施例中,回流率预测模型可以是神经网络模型、支持向量机(SVM)或其它的机器学习模型,以神经网络模型为例,在获得消息推送条数对应的用户回流率后,将不同的消息推送条数作为输入向量,用户回流率作为输出向量输入神经网络模型中,对神经网络模型进行机器训练,直至模型收敛。
进一步的,在获取用户样本数据的同时获取检测样本数据,在完成回流率预测模型的训练后,可以将检测样本数据输入回流率预测模型中,以判断回流率预测模型是否训练好。
在本公开的示例性实施例中,用户样本数据中还可以包括用户属性,不同的用户,其用户属性不同。该用户属性包括年龄、性别、职业中的一个或多个,例如男性青少年比较关注各类网游或手游,那么可以针对男性青少年群体的回流率与消息推送条数的关系进行统计;中老年人更注重养生,那么对于养生类APP供应商,则可以重点关注中老年人群的回流率与消息推送条数的关系,等等。在训练回流率预测模型的时候,可以将用户属性、消息推送条数作为输入向量,与用户属性和消息推送条数对应的用户回流率作为输出向量输入回流率预测模型中,以对回流率预测模型进行训练。
在步骤S140中,获取待分析数据,并将所述待分析数据输入至所述回流率预测模型,以获得一预测回流率。
在本公开的示例性实施例中,训练好回流率预测模型后,可以获取多个待分析数据,该待分析数据可以包括预设消息推送条数,也可以包括预设消息推送条数和用户属性。然后将预设消息推送条数或将预设消息推送条数和用户属性输入至回流率预测模型,以获得一预测回流率。
在步骤S150中,将所述预测回流率与一预设回流率进行比较,并根据比较结果确定目标推送条数。
在本公开的示例性实施例中,获得预测回流率后,可以将该预测回流率与一预设回流率进行比较,判断二者的大小关系。若预测回流率大于或等于预设回流率,则将该预测回流率对应的预设消息推送条数作为目标推送条数,APP供应商可以根据该目标推送条数向客户进行消息推送。若预测回流率小于预设回流率,则该预测回流率对应的预设消息推送条数不适合作为目标推送条数,应当进行调整。例如当推送条数和预测回流率的关系曲线呈正态分布,图4示出了推送条数和预测回流数的关系曲线图,如图4所示,预设回流率与预测回流率曲线存在两个交点A和B,其中A对应的推送条数为N1条,B对应的推送条数为N2条,当预测回流率小于预设回流率,且推送条数小于N1时,可以增加推送条数;当预测回流率小于预设回流率,且推送条数大于N2时,可以减少推送条数,使得推送条数不低于N1且不高于N2,进而使得预测回流率大于或等于预设回流率。由于推送条数过高或过低,预测回流率都不会最优,因此推送条数和预测回流率之间的关系曲线还可以是其它的分布曲线,比如泊松分布等,在对推送条数进行调整时,可以参考图4中的调整方法进行调整,本公开对此不再赘述。
在本公开的示例性实施例中,消息推送条数可以是具体的数值,也可以是一个取值范围,例如当消息推送条数为10条时,用户回流率为2%;或者当消息推送条数为[10,20]时,用户回流率为2%。也就是说,预测回流率所对应的消息推送条数可以是一具体数值,也可以是一个取值范围,本公开对此不做具体限定。
本公开还提供了一种数据处理装置。图5示出了数据处理装置的结构示意图,如图5所示,该数据处理装置可以包括数据获取模块510、第一计算模块520、模型训练模块530、模型预测获取模块540和第二计算模块550。其中:
数据获取模块510,用于获取多个用户样本数据,所述用户样本数据包括消息推送条数和用户访问日志;
第一计算模块520,用于根据所述消息推送条数和所述用户访问日志获得与所述消息推送条数对应的用户回流率;
模型训练模块530,用于将所述消息推送条数和所述用户回流率输入至一回流率预测模型,以对所述回流率预测模型进行训练;
模型预测模块540,用于获取待分析数据,并将所述待分析数据输入至所述回流率预测模型,以获得一预测回流率;
第二计算模块550,用于将所述预测回流率与一预设回流率进行比较,并根据比较结果确定目标推送条数。
上述数据处理装置中各模块的具体细节已经在对应的数据处理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,根据本公开的实施方式,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。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤S110:获取多个用户样本数据,所述用户样本数据包括消息推送条数和用户访问日志;步骤S120:根据所述消息推送条数和所述用户访问日志获得与所述消息推送条数对应的用户回流率;步骤S130:将所述消息推送条数和所述用户回流率输入至一回流率预测模型,以对所述回流率预测模型进行训练;步骤S140:获取待分析数据,并将所述待分析数据输入至所述回流率预测模型,以获得一预测回流率;步骤S150:将所述预测回流率与一预设回流率进行比较,并根据比较结果确定目标推送条数。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图7所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取多个用户样本数据,所述用户样本数据包括消息推送条数和用户访问日志;
根据所述消息推送条数和所述用户访问日志获得与所述消息推送条数对应的用户回流率;
将所述消息推送条数和所述用户回流率输入至一回流率预测模型,以对所述回流率预测模型进行训练;
获取待分析数据,并将所述待分析数据输入至所述回流率预测模型,以获得一预测回流率;
将所述预测回流率与一预设回流率进行比较,并根据比较结果确定目标推送条数。
2.根据权利要求1所述的数据处理方法,其特征在于,所述用户访问日志包括用户点击行为,且所述用户点击行为随所述消息推送条数的变化而变化。
3.根据权利要求2所述的数据处理方法,其特征在于,根据所述消息推送条数和所述用户访问日志获得与所述消息推送条数对应的用户回流率,包括:
根据所述用户点击行为判断用户是否为回流用户;
计算所述消息推送条数对应的所述回流用户的数量;
根据所述回流用户的数量和总用户量获得所述用户回流率。
4.根据权利要求1所述的数据处理方法,其特征在于,所述回流率预测模型为神经网络模型,将所述消息推送条数和所述用户回流率输入至一回流率预测模型,以对所述回流率预测模型进行训练,包括:
将所述消息推送条数作为输入向量,所述用户回流率作为输出向量输入所述神经网络模型,以对所述神经网络模型进行训练。
5.根据权利要求4所述的数据处理方法,其特征在于,所述数据处理方法还包括:
获取多个用户的与所述消息推送条数对应的用户回流率,所述用户具有不同的属性,且所述属性包括年龄、性别、职业中的一个或多个;
将所述消息推送条数、所述属性及与所述消息推送条数、所述属性对应的所述用户回流率输入至所述神经网络模型,以对所述神经网络模型进行训练。
6.根据权利要求1所述的数据处理方法,其特征在于,所述待分析数据包括一预设消息推送条数和用户属性,获取待分析数据,并将所述待分析数据输入至所述回流率预测模型,以获得一预测回流率,包括:
将所述预设消息推送条数和所述用户属性输入至所述回流率预测模型,以获得所述预测回流率。
7.根据权利要求6所述的数据处理方法,其特征在于,将所述预测回流率与一预设回流率进行比较,并根据比较结果确定目标推送条数,包括:
判断所述预测回流率与所述预设回流率的大小关系;
若所述预测回流率大于或等于所述预设回流率,则将所述预测回流率对应的所述预设消息推送条数作为所述目标推送条数。
8.一种数据处理装置,其特征在于,包括:
数据获取模块,用于获取多个用户样本数据,所述用户样本数据包括消息推送条数和用户访问日志;
第一计算模块,用于根据所述消息推送条数和所述用户访问日志获得与所述消息推送条数对应的用户回流率;
模型训练模块,用于将所述消息推送条数和所述用户回流率输入至一回流率预测模型,以对所述回流率预测模型进行训练;
模型预测模块,用于获取待分析数据,并将所述待分析数据输入至所述回流率预测模型,以获得一预测回流率;
第二计算模块,用于将所述预测回流率与一预设回流率进行比较,并根据比较结果确定目标推送条数。
9.一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1-7任一项所述的数据处理方法。
10.一种电子设备,其特征在于,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权利要求1-7任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810962561.8A CN109218411B (zh) | 2018-08-22 | 2018-08-22 | 数据处理方法及装置、计算机可读存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810962561.8A CN109218411B (zh) | 2018-08-22 | 2018-08-22 | 数据处理方法及装置、计算机可读存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109218411A true CN109218411A (zh) | 2019-01-15 |
CN109218411B CN109218411B (zh) | 2022-10-18 |
Family
ID=64989003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810962561.8A Active CN109218411B (zh) | 2018-08-22 | 2018-08-22 | 数据处理方法及装置、计算机可读存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109218411B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106998274A (zh) * | 2016-12-12 | 2017-08-01 | 深圳大宇无限科技有限公司 | 应用消息推送方法和装置 |
WO2017219548A1 (zh) * | 2016-06-20 | 2017-12-28 | 乐视控股(北京)有限公司 | 用户属性预测方法及装置 |
CN107666506A (zh) * | 2017-07-24 | 2018-02-06 | 上海壹账通金融科技有限公司 | 推送结果预测方法、装置、计算机设备和存储介质 |
CN107766580A (zh) * | 2017-11-20 | 2018-03-06 | 北京奇虎科技有限公司 | 消息的推送方法及装置 |
CN108076154A (zh) * | 2017-12-21 | 2018-05-25 | 广东欧珀移动通信有限公司 | 应用信息推荐方法、装置及存储介质和服务器 |
-
2018
- 2018-08-22 CN CN201810962561.8A patent/CN109218411B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017219548A1 (zh) * | 2016-06-20 | 2017-12-28 | 乐视控股(北京)有限公司 | 用户属性预测方法及装置 |
CN106998274A (zh) * | 2016-12-12 | 2017-08-01 | 深圳大宇无限科技有限公司 | 应用消息推送方法和装置 |
CN107666506A (zh) * | 2017-07-24 | 2018-02-06 | 上海壹账通金融科技有限公司 | 推送结果预测方法、装置、计算机设备和存储介质 |
CN107766580A (zh) * | 2017-11-20 | 2018-03-06 | 北京奇虎科技有限公司 | 消息的推送方法及装置 |
CN108076154A (zh) * | 2017-12-21 | 2018-05-25 | 广东欧珀移动通信有限公司 | 应用信息推荐方法、装置及存储介质和服务器 |
Non-Patent Citations (1)
Title |
---|
石雁等: "基于朴素贝叶斯点击预测的查询推荐方法", 《计算机应用与软件》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109218411B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6967612B2 (ja) | 情報検索方法、装置及びシステム | |
CN109360012A (zh) | 广告投放渠道的选择方法及装置、存储介质、电子设备 | |
CN110909222B (zh) | 基于聚类的用户画像建立方法、装置、介质及电子设备 | |
US11748452B2 (en) | Method for data processing by performing different non-linear combination processing | |
US10949917B1 (en) | Contextual graphical user interfaces | |
CN114329201A (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
CN107392259B (zh) | 构建不均衡样本分类模型的方法和装置 | |
CN109446431A (zh) | 用于信息推荐的方法、装置、介质、和计算设备 | |
CN109960650A (zh) | 基于大数据的应用程序评估方法、装置、介质及电子设备 | |
US7991648B2 (en) | Opportunity index for identifying a user's unmet needs | |
CN109087138A (zh) | 数据处理方法及系统、计算机系统和可读存储介质 | |
CN111611514B (zh) | 一种基于用户登录信息的页面展示方法、装置和电子设备 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
WO2020251665A1 (en) | System for effective use of data for personalization | |
CN109961328A (zh) | 确定订单冷静期的方法和装置 | |
US20220276067A1 (en) | Method and apparatus for guiding voice-packet recording function, device and computer storage medium | |
CN112116397A (zh) | 用户行为特征实时处理方法、装置、存储介质及电子设备 | |
WO2020252925A1 (zh) | 用户特征群中用户特征寻优方法、装置、电子设备及计算机非易失性可读存储介质 | |
WO2023115831A1 (zh) | 应用程序的测试方法、装置、电子设备及存储介质 | |
CN113094602B (zh) | 酒店推荐方法、系统、设备及介质 | |
CN109218411A (zh) | 数据处理方法及装置、计算机可读存储介质、电子设备 | |
CN115185606A (zh) | 业务配置参数的获得方法、装置、设备及存储介质 | |
US20220027434A1 (en) | Providing recommendations via matrix factorization | |
CN109325198B (zh) | 一种资源展示方法、装置和存储介质 | |
CN113112311A (zh) | 训练因果推断模型的方法、信息提示方法以装置 |
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 |