CN109685091A - 使用贝叶斯方式的数字体验目标确定 - Google Patents

使用贝叶斯方式的数字体验目标确定 Download PDF

Info

Publication number
CN109685091A
CN109685091A CN201810911081.9A CN201810911081A CN109685091A CN 109685091 A CN109685091 A CN 109685091A CN 201810911081 A CN201810911081 A CN 201810911081A CN 109685091 A CN109685091 A CN 109685091A
Authority
CN
China
Prior art keywords
conversion
multi classifier
user
probability
conversion multi
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
Application number
CN201810911081.9A
Other languages
English (en)
Other versions
CN109685091B (zh
Inventor
P·古普塔
N·普里
B·克里希纳默西
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.)
Adobe Inc
Original Assignee
Adobe Systems Inc
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 Adobe Systems Inc filed Critical Adobe Systems Inc
Publication of CN109685091A publication Critical patent/CN109685091A/zh
Application granted granted Critical
Publication of CN109685091B publication Critical patent/CN109685091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • 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
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开内容的各实施例涉及使用贝叶斯方式的数字体验目标确定。公开了数字体验目标确定技术，其提供关于给定用户访问简档具有高转换概率的数字体验。在一些示例中，一种方法可以包括基于用户访问简档和展现用户访问简档的用户将要转换的指示来预测正被提供的活动中的每个数字体验的概率，基于用户访问简档和展现用户访问简档的用户将不转换的指示来预测正被提供的活动中的每个数字体验的概率，以及针对用户访问简档，得出针对活动中的每个数字体验的转换概率。针对用于用户访问简档的活动中的每个数字体验的转换概率可以使用贝叶斯框架而被得出。

Description

使用贝叶斯方式的数字体验目标确定
技术领域
本公开内容总体上涉及数字体验，并且更特别地涉及使用贝叶斯方式的数字体验目标确定。
背景技术
数字体验涵盖了用户通过数字渠道(诸如网站、社交媒体、移动和平板计算机应用以及电子邮件等)与组织的通信、产品和流程进行的各种体验。用户可以访问数字渠道而无需考虑时间和位置的平台(诸如计算机、平板计算机、智能电话、智能手表等)的开发为组织递送信息提供了大好机会。这些数字渠道和平台的开发的一个不幸的后果是，用户正在被大量信息所淹没。
附图说明
附图并未旨在于按比例绘制。在附图中，在各个图中被示出的每个相同或几乎相同的组件由相同的数字表示，如在上下文中被阅读时将被领会到的。
图1是示出根据本文中描述的至少一些实施例而被布置的示例数字体验目标确定框架的框图；
图2是示出根据本文中描述的至少一些实施例的到框架的转换多类分类器和非转换多类分类器的示例训练数据输入的视图；
图3是示出根据本文中描述的至少一些实施例的框架的转换多类分类器和非转换多类分类器的示例输入和输出的视图；
图4是示出根据本文中描述的至少一些实施例的用来提供具有最高转换概率的数字体验的目标确定的示例过程的流程图；以及
图5示出了根据本文中描述的至少一些实施例的可以被用于执行如本公开内容中被不同地描述的技术中的任何技术的示例计算系统的选择的组件。
在以下详细描述中，参考形成本描述的一部分的附图。在附图中，除非上下文另有指示，否则类似的符号通常标识类似的组件。在“具体实施方式”、“附图”和“权利要求”中描述的说明性实施例并不意味着限制。在不脱离本文中提出的主题内容的精神或范围的情况下，可以使用其他实施例，并且可以进行其他改变。如本文中一般描述的和附图中所示出的本公开内容的各方面可以按照各种不同的配置而被布置、替换、组合、分离和设计，所有这些都在本文中被明确地预期。
具体实施方式
组织正在受到挑战以向访问它们的网站的用户提供(例如，示出)个性化数字体验，这将有助于最大化由于提供数字体验而为组织带来的回报。在转换的上下文中，组织的动机是选择数字体验以服务于特定用户，这种数字体验可以帮助在被呈现选择的数字体验时最大化用户转换的机会(例如，用户采取组织预期的动作)。例如，在数字体验是包括广告的网页的情况下，用户通过点击或以其他方式选择被显示在网页中的广告来在数字体验上转换(执行转换)。由用户进行的转换可以是在数字体验被提供给用户时，或者在数字体验首次被提供给用户之后的合适的时间段(例如，1小时、2小时等)内。类似地，组织旨在向正确的用户提供正确的数字体验。直观地说，这意味着，应当为特定用户提供用户最有可能在其上转换的数字体验。例如，金融机构可以在活动中具有两种类型的数字体验(例如，广告)，一种用于白金信用卡，并且另一种用于金限额信用卡。情况可以是，来自某些位置的用户比金限额信用卡更有可能更喜欢白金信用卡，并且反之亦然。然后，金融机构有责任确定新用户更有可能针对其转换的是两种数字体验中的哪一种，并且然后将该数字体验提供给新用户。
可以训练并且利用监督的机器学习分类器来确定要向特定用户提供什么数字体验。可用于训练分类器的数据有两种类型：转换数据和非转换数据。对于针对特定数字体验而被转换的每个用户，转换数据通常包括用户访问简档(例如，用户的属性)和用户针对其转换的特定数字体验的标识符。对于未针对特定数字体验转换的每个用户，非转换数据通常包括用户访问简档和用户未针对其转换的特定数字体验的标识符。约束是，可用于训练分类器的数据是不完整的。也就是说，没有关于在用户被示出某种其他(不同的)数字体验时会发生什么的数据。因此，例如，如果用户没有针对数字体验A转换，则没有关于在用户被示出数字体验B或数字体验C等时将会发生什么的训练数据。这种数据(知识)对于适当地训练监督的机器学习分类器是必要的，监督的机器学习分类器可以在用户的用户访问简档属性作为输入被提供给训练的分类器时预测要向用户提供的最佳数字体验。但是，如果没有完整的训练数据(完整的知识)，则正确地训练这样的分类器是非常困难的。
用来考虑不完整训练数据的一种可能的解决方案可以是针对活动中的每个数字体验训练一个分类器。例如，如果活动包括十个数字体验，则可以使用针对特定数字体验的转换数据和非转换数据来训练十个分类器(用于特定数字体验的分类器)。可以训练每个分类器以在给定用户访问简档的情况下预测转换的可能性。然后，在提供时，组织可以单独地查询每个分类器以确定特定用户针对数字体验的转换可能性。然后，组织可以选择具有最高预测的转换概率的数字体验以递送给特定用户。当活动中存在多个数字体验时，组织需要在组织能够确定要提供的数字体验之前查询多个分类器。不幸的是，在处理大量数字体验时，查询大量分类器会增加提供数字体验的延迟。此外，每个分类器忽略可以在数字体验之间进行区分的任何模式的值，因为每个分类器针对特定数字体验而被训练。
考虑不完整训练数据的另一种可能的解决方案可以是针对活动中的数字体验训练多类分类器。可以针对活动中的所有数字体验使用转换数据来训练多类分类器，以针对用户访问简档预测该用户访问简档的用户很有可能针对其转换的数字体验。不幸的是，以这种方式而被训练的多类分类器可以产生表现变化的结果，甚至可能产生显著的变化。变化可能是由于在小的训练数据集上训练多类分类器。也就是说，活动中的转换率很可能很低，甚至非常低。因此，作为总记录的总数的一小部分的转换记录的数目可能非常小，这导致多类分类器在非常少的数据上被训练，并且因此更可能表现出它的结果中的变化。用来校正变化问题的一种方式可以是等待大量时间(例如，在活动已经开始之后)以收集足够的训练数据(例如，转换数据)以训练多类分类器。此外，多类分类器在确定要向用户提供哪种数字体验时也完全忽略非转换数据的值。非转换数据可能传递用于决定要向用户提供哪种数字体验的重要信息。例如，可能来自加利福尼亚的100个用户在提供数字体验A时进行了转换，而来自加利福尼亚的50个用户在提供数字体验B时进行了转换。使用利用这种转换数据而被训练的多类分类器，组织可能会错误地断定来自加利福尼亚的用户更倾向于转换数字体验A而不是数字体验B。然而，非转换数据可能表明，来自加利福尼亚的1,000个用户在提供数字体验A时未转换，而来自加利福尼亚的50个用户在提供数字体验B时未转换。利用这些附加数据(非转换数据)，很明显，实际上，来自加利福尼亚的用户在提供数字体验B时更有可能转换。这一事实被仅使用转换数据而被训练的多类分类器所忽略。
为此，本文中公开了用于多类分类器框架的技术，以在给定不完整训练数据的约束的情况下以数字体验为目标。该框架提供了关于给定用户访问简档(例如，具有或展现给定用户访问简档的用户)具有高转换概率的数字体验的目标。在一些实施例中，多类分类器框架包括转换多类分类器、非转换多类分类器和转换似然估计器。多类分类器可以使用能够被训练以解决多类分类问题(例如，能够学习数字体验(类)特定概率)的任何合适的算法或机制而被实现，诸如随机森林、神经网络(例如，前馈神经网络)、梯度增强树、支持向量机(SVM)和决策树等。转换多类分类器仅使用转换数据而被训练。转换多类分类器的目的是针对给定用户访问简档，假定预测概率的数字体验导致转换，关于给定用户访问简档来预测正被提供的活动中的每个数字体验的概率。非转换多类分类器仅使用非转换数据而被训练。非转换多类分类器的目的是针对给定用户访问简档，假定预测概率的数字体验导致非转换(未导致转换)，关于给定用户访问简档来预测正被提供的活动中的每个数字体验的概率。转换似然估计器使用贝叶斯的定理来组合由两个多类分类器生成的概率，以关于给定用户访问简档来得出活动中的每个数字体验的转换概率。要提供给展现给定用户访问简档的用户的数字体验基于关于给定用户访问简档的每个数字体验的得出的转换概率而被确定。例如，关于给定用户访问简档，具有转换概率与非转换概率的最高比率(比率值)的数字体验可以被选择为在被提供给展现给定用户访问简档的用户时具有最高转换概率的数字体验。
前述框架提供了跨活动中的所有数字体验使用转换数据而被训练的一个多类分类器、以及跨活动中的所有数字体验使用非转换数据而被训练的第二多类分类器。也就是说，仅训练两个多类分类器，一个用于转换数据，另一个用于非转换数据，而不管活动中的数字体验的数目。因此，在提供数字体验时，仅查询两个多类分类器以决定要提供的数字体验，由此提供快速决定要提供的数字体验的能力。
此外，由于转换数据和非转换数据都在训练两个多类分类器中被使用，因此框架需要较少的时间来收集训练数据(被用于训练两个多类分类器的转换数据和非转换数据)。也就是说，当整个训练数据集(转换数据和非转换数据)被用于训练两个多类分类器时，用足够大量的数据训练两个多类分类器。此外，该框架能够更好地得出用户行为的完整图像，因为该框架并入转换数据和非转换数据两者。
此外，该框架利用两个多类分类器，其分别使用转换数据和非转换数据而被训练，以确定所有类的概率，其中每个类表示活动中的数字体验。确定所有类的概率允许两个多类分类器学习在数字体验之间进行区分的模式。因此，该框架可能减少与通用模式相关联的转换数据的权重，诸如“来自加利福尼亚的人更有可能转换，而无论提供什么。”相反，该框架可能会向与区分模式相关联的转换数据给予更多权重，诸如“来自加利福尼亚的iPhone用户可能会转换优惠X而不是优惠Y。”
框架
现在转向附图，图1是示出根据本文中描述的至少一些实施例而被布置的示例数字体验目标确定框架100的框图。在给定不完整训练数据的约束的情况下，数字体验目标确定框架100有助于选择关于给定用户访问简档具有高转换概率的数字体验。如上所述，不完整训练数据的约束是，仅被示出给用户的数字体验的转换和非转换结果(数据)是已知的。因此，组织可以利用数字体验目标确定框架100来向其用户(消费者、访客等)提供个性化数字体验。如图所示，数字体验目标确定框架100包括转换多类分类器102、非转换多类分类器104和转换似然估计器106。
转换多类分类器102可以是多类分类器，其在被提供给定用户访问简档时，假定数字体验导致转换，针对活动中的每个数字体验关于给定用户访问简档来预测正被提供的每个数字体验的概率。非转换多类分类器104可以是多类分类器，其在被提供给定用户访问简档作为输入时，假定数字体验导致非转换，针对活动中的每个数字体验关于给定用户访问简档来预测正被提供的每个数字体验的概率。在一些实施例中，转换多类分类器102和非转换多类分类器104中的每个可以使用能够被训练以解决多类分类问题的任何合适的算法或机制(例如，能够学习数字体验(类)特定的概率)而被实现，诸如随机森林、神经网络、梯度增强树和决策树等。转换多类分类器102和非转换分类器104各自被训练以基于训练数据集108生成相应的预测，例如，如图2中所示。
图2是示出根据本文中描述的至少一些实施例的到框架100的转换多类分类器102和非转换多类分类器104的示例训练数据输入的视图。如图所示，转换多类分类器102仅使用活动中的所有数字体验(例如，所有数字体验1至E)的转换数据而被训练。转换数据可以包括数字体验1至E中的每个的标识符、以及关于被转换的每个用户的属性(例如，用户访问简档)的数据、以及用户针对其转换的数字体验的标识符。非转换多类分类器104仅使用活动中的所有数字体验(例如，所有数字体验1至E)的非转换数据而被训练。类似于转换数据，非转换数据可以包括数字体验1至E中的每个的标识符、以及关于未转换的每个用户的属性(例如，用户访问简档)的数据、以及用户没有针对其转换的数字体验的标识符。被包括在活动中的特定数目的数字体验E用于说明，并且本领域技术人员将领会到，活动可以包括不同数目的数字体验，包括少量或非常大量的数字体验。
用户的属性(例如，用户访问简档)指示在提供数字体验时接受(例如，转换)或不接受(例如，非转换)的用户特征。从广义上讲，这些属性指示用户的特征是接受或不接受数字体验，并且因此可以被用于根据用户在提供数字体验时的特征将数字体验定向到用户。可以领会到，这些属性可以是人口统计学(例如，种族、经济状况、性别、职业、职业、收入水平、教育水平等)和/或行为(例如，浏览行为、购物行为、购买历史、最近的活动等)。例如，组织可以根据当前会话变量(例如，会话创建时间、会话终止时间等)、历史会话变量和碎片(例如，第一次将用户作为活动的一部分时创建的碎片)来确定访问其网站的用户的浏览行为。附加地或备选地，组织可以通过监测用户在其网站上观看的网页来确定用户的兴趣。例如，组织可以将其网站上的每个网页与一个或多个兴趣区域相关联。当用户访问网站上的网页时，组织可以记录用户观看的网页，并且基于所查看的网页来确定用户的兴趣。例如，可以根据用户对与每个兴趣区域相关联的网页的观看的频率和/或新近度来确定用户的兴趣。附加地或备选地，组织可以从诸如引用URL、HTTP请求、用户用于访问组织网站的计算设备(例如，计算设备供应商、计算设备操作系统和计算设备显示的屏幕分辨率(例如，浏览器应用高度和/或宽度)等)等源来确定用户访问简档属性。在更一般的意义上，用户访问简档属性可以从任何数目的源而被确定，包括第三方源。
在一些实施例中，转换多类分类器102和非转换多类分类器104分别使用收集的转换数据和非转换数据而被周期性地训练，例如，每12小时一次、每24小时一次等。例如，对于用户的每次访问(例如，向用户提供数字体验)，组织可以生成访问记录，访问记录包括访问的转换状态的指示(即，与访问相关联的转换数据或非转换数据)。组织可以收集和使用访问记录来周期性地训练转换多类分类器102和非转换多类分类器104。新训练的转换多类分类器102和非转换多类分类器104可以在框架100中被使用，直到使用更加新的(已更新的)训练数据而被训练的转换多类分类器102和非转换多类分类器104替换。在一些实施例中，转换多类分类器102和非转换多类分类器104可以分别使用在先前的阈值天数(滑动窗口)(例如，前30天、前60天、前90天等)上被收集的转换数据和非转换数据而被训练。如果在延长的时间段内进行(例如，运行)活动，则可以从用于训练转换多类分类器102和非转换多类分类器104的训练数据(例如，训练数据集108)逐渐排除旧的或陈旧的数据。相反，在活动开始时，可能无法获取足够的训练数据来充分地训练转换多类分类器102和非转换多类分类器104。此外，可能需要超过周期性训练间隔的时间段来收集足够的训练数据。在这种情况下，诸如等待要收集的转换数据的阈值数目(例如，100、150等)等启发法可以在训练转换多类分类器102和非转换多类分类器104中被应用。一旦被训练并且提供适当的输入，转换多类分类器102和非转换分类器104就能够生成相应的预测，例如，如图3中所示。
图3是示出根据本文中描述的至少一些实施例的框架100的转换多类分类器102和非转换多类分类器104的示例输入和输出的视图。如上所述，转换多类分类器102仅使用跨活动中的所有数字体验1至E的转换数据而被训练，并且非转换多类分类器104仅使用跨活动中的所有数字体验1至E的非转换数据而被训练。在利用跨所有数字体验1到E的转换数据而被训练之后，转换多类分类器102能够预测为导致转换的给定用户访问简档而提供的每个数字体验1到E的概率。也就是说，如从图3中可见，提供用户访问简档并且假定呈现用户访问简档的用户将要转换，转换多类分类器生成用户被提供数字体验1的概率、用户被提供数字体验2的概率、...、以及用户被提供数字体验E的概率。类似地，在使用跨所有数字体验1到E的非转换数据而被训练之后，非转换多类分类器104能够预测为导致非转换的给定用户访问简档而提供的每个数字体验1到E的概率。也就是说，如从图3中还可见，提供用户访问简档并且假定呈现用户访问简档的用户将不转换，则非转换多类分类器生成用户被提供数字体验1的概率、用户被提供数字体验2的概率、...、以及用户被提供数字体验E的概率。
再次参考图1，转换似然估计器106被配置为关于给定用户访问简档得出活动中的每个数字体验的转换概率。在一些实施例中，转换似然性估计器106组合由转换多类分类器102和非转换多类分类器104生成的概率，以针对给定用户访问简档得出活动中的每个数字体验的转换概率。由转换多类分类器102和非转换多类分类器104生成的概率可以使用贝叶斯框架而被组合。
例如，假定存在总共k个数字体验，被表示为O1、O2、…、Oi、…Ok。还假定C是表示转换状态的随机变量，其中C＝1表示转换，并且C＝0表示非转换。在这种情况下，使用跨所有数字体验O1、O2、…、Oi、…Ok的转换数据而被训练的转换多类分类器102针对给定用户访问简档预测当展现给定用户访问简档的用户已知要被转换时用户针对所有1＜i＜k被示出Oi的概率。这个概率可以由P1 i＝Pr(O＝Oi|C＝1)表示。同样，使用跨所有数字体验O1、O2、…、Oi、…Ok的非转换数据而被训练的非转换多类分类器104针对给定用户访问简档预测当展现处给定用户访问简档的用户已知将不被转换时用户针对所有1＜i＜k被示出Oi的概率。这个概率可以由P2 i＝Pr(O＝Oi|C＝0)表示。然后，转换似然估计器106可以使用贝叶斯定理针对数字体验Oi得出给定用户访问简档的转换概率，如下面的等式[1]中所示。
Pr(C＝1|O＝Oi)＝Pr(O＝Oi|C＝1)*Pr(C＝1)/[Pr(O＝Oi|C＝1)*Pr(C＝1)+Pr(O＝Oi|C＝0)*Pr(C＝0)]＝1/[1+(P2 i*(1-Pr(C＝1)))/(P1 i*Pr(C＝1))] [1]
根据等式[1]，转换似然估计器106可以确定具有Pr(C＝1|O＝Oi)的最高值的数字体验将具有的最高值(转换概率与非转换概率的最高比率)。这是因为，给定用户访问简档Pr(C＝1)的转换概率与所提供的数字体验无关。因此，为了最大化整体转换率，转换似然估计器106可以选择被预测为与给定用户访问简档相对应的具有最高转换概率的数字体验，以提供给展现给定用户访问简档的用户。
在一些实施例中，数字体验目标确定框架100可以可选地包括被配置为减少用于在训练转换多类分类器102和非转换多类分类器104时使用的训练数据的维度的维度减少模块110。维度减少模块110可以使用无监督的统计技术(诸如主成分分析(PCA))而不是训练数据来减少训练数据的维度。例如，在由于训练数据的高维度而导致大量权重可能潜在地导致转换多类分类器102和非转换多类分类器104的过度拟合的情况下(例如，在使用神经网络实现转换多类分类器102和非转换多类分类器104的情况下)，减小训练数据的维度可能是有益的。
图4是示出根据本文中描述的至少一些实施例的用来提供具有最高转换概率的数字体验的目标确定的示例过程的流程图400。示例过程和方法可以包括如框402、404、406、408和/或410中的一个或多个所示的一个或多个操作、功能或动作，并且在一些实施例中可以由诸如图5的计算系统500等计算系统执行。框402至410中描述的操作也可以作为计算机可执行指令被存储在诸如存储器504和/或计算系统500的数据存储装置506等计算机可读介质中。该过程可以由数字体验目标确定框架100的组件执行。
如由流程图400所示，该过程可以从框402开始，在框402中，确定访问网站的用户的简档。作为示例用例，用户可以在计算设备上执行客户端应用，诸如浏览器应用，并且使用客户端应用访问(例如，浏览)组织网站。已经在其网站上检测到用户的存在的组织(例如，组织网站)可以利用数字体验目标确定框架100来瞄准用户具有高转换概率的活动中的用户数字体验。数字体验目标确定框架100可以从源确定用户访问简档(用户的属性)，诸如用户在访问网站时的浏览行为、从用户对网站的先前访问的历史会话变量、以及由用户使用以访问网站的客户端应用上的碎片等。
框402之后可以是框404，在框404中，关于用户访问简档并且假定数字体验导致转换来预测正被提供的活动中的每个数字体验的概率。继续上面的示例，给定访问网站的用户的用户访问简档，假定数字经验导致转换，转换多类分类器102可以关于所提供的用户访问简档来预测正被提供的活动中的每个数字体验的概率。
框404之后可以是框406，在框406中，关于用户访问简档并且假定数字体验导致非转换来预测正被提供的活动中的每个数字体验的概率。继续上面的示例，给定访问网站的用户的用户访问简档，假定数字体验导致非转换，非转换多类分类器104可以关于所提供的用户访问简档来预测正被提供的活动中的每个数字体验的概率。
框406之后可以是框408，在框408中，得出活动中的每个数字体验的转换概率。继续上面的示例，转换似然性估计器106可以组合由转换多类分类器102和非转换多类分类器104生成的概率，以针对访问网站的用户的用户访问简档来得出活动中的每个数字体验的转换概率。在一些实施例中，转换似然估计器106可以使用贝叶斯框架来组合概率。
框408之后可以是框410，在框410中，基于所得出的转换概率来提供数字体验。继续上面的示例，转换似然估计器106可以选择被预测为与访问网站的用户的用户访问简档相对应的具有最高转换概率的活动中的数字体验，以提供给访问网站的用户。然后，组织(例如，组织网站)可以将由转换似然估计器106选择的数字体验提供给访问网站的用户。
本领域技术人员将领会到，对于本文中公开的这个和其他过程和方法，在过程和方法中被执行的功能可以按照不同的顺序而被实现。附加地或备选地，可以同时执行两个或更多个操作。此外，概述的动作和操作仅作为示例而被提供，并且，在不偏离所公开的实施例的本质的情况下，一些动作和操作可以是可选的，被组合成更少的动作和操作，或者被扩展为更多的动作和操作。
图5示出了根据本文中描述的至少一些实施例的可以被用于执行如本公开内容中被不同地描述的技术中的任何技术的示例计算系统500的选择的组件。在一些实施例中，计算系统500可以被配置为实现或指导关联于与图1的数字体验目标确定框架100相关联的一些或所有引擎、组件和/或模块的一个或多个操作。例如，转换多类分类器102、非转换多类分类器104、转换似然估计器106、训练数据108、维度降低模块110或这些的任何组合可以在计算系统500中和/或使用计算系统500而被实现。在一个示例情况下，例如，转换多类分类器102、非转换多类分类器104、转换似然估计器106和维度降低模块110中的每个被加载到存储器504中并且由处理器502可执行，并且训练数据108被包括在数据存储装置506中。计算系统500可以是任何计算机系统，诸如工作站、台式计算机、服务器、膝上型计算机、手持计算机、平板计算机(例如，iPadTM平板计算机)、移动计算或通信设备(例如，iPhoneTM移动通信设备、AndroidTM移动通信设备等)、或者能够通信并且具有足够的处理器功率和存储器容量来执行本公开内容中被描述的操作的其他形式的计算或电信设备。可以提供包括多个这样的计算设备的分布式计算系统。如图所示，计算系统500可以包括处理器502、存储器504和数据存储装置506。处理器502、存储器504和数据存储装置506可以被通信地耦合。
通常，处理器502可以包括任何合适的专用或通用计算机、计算实体、或者包括各种计算机硬件、固件或软件模块的计算或处理设备，并且可以被配置为执行存储在任何适用的计算机可读存储介质上的指令，诸如程序指令。例如，处理器502可以包括微处理器、微控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者被配置为解释和/或执行程序指令和/或处理数据的任何其他数字或模拟电路。尽管在图5中被示出为单个处理器，但是处理器502可以包括被配置为单独地或共同地执行本公开内容中被描述的任何数目的操作或指导其执行的任何数目的处理器和/或处理器核。另外，一个或多个处理器可以存在于一个或多个不同的电子设备(诸如不同的服务器)上。
在一些实施例中，处理器502可以被配置为解释和/或执行存储在存储器504、数据存储装置506或者存储器504和数据存储装置506中的程序指令和/或处理数据。在一些实施例中，处理器502可以从数据存储装置506获取程序指令并且将程序指令加载到存储器504中。在程序指令被加载到存储器504中之后，处理器502可以执行程序指令。
例如，在一些实施例中，数字体验目标确定框架100的引擎、组件和/或模块中的任何一个或多个可以作为程序指令被包括在数据存储装置506中。处理器502可以从数据存储装置506获取一些或所有程序指令，并且可以将获取的程序指令加载到存储器504中。在将程序指令加载到存储器504中之后，处理器502可以执行程序指令，从而使得计算系统可以实现指令所指示的操作。
在一些实施例中，可以在计算设备500中采用虚拟化，从而使得可以动态地共享计算设备500中的基础设施和资源。例如，可以提供虚拟机来处理在多个处理器上运行的进程，从而使得进程看起来仅使用一个计算资源而不是多个计算资源。多个虚拟机也可以与一个处理器一起使用。
存储器504和数据存储装置506可以包括用于携带或存储计算机可执行指令或数据结构的计算机可读存储介质。这样的计算机可读存储介质可以包括可以由诸如处理器502等通用或专用计算机访问的任何可用介质。作为示例而非限制，这样的计算机可读存储介质可以包括有形的或非暂态计算机可读存储介质，包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)或其他光盘存储器、磁盘存储器或其他磁存储设备、闪存设备(例如，固态存储设备)、或可以用于以计算机可执行指令或数据结构的形式携带或存储特定程序代码并且可以由通用或专用计算机访问的任何其他存储介质。以上的组合也可以被包括在计算机可读存储介质的范围内。计算机可执行指令可以包括例如被配置为使得处理器502执行特定操作或一组操作的指令和数据。
在不脱离本公开内容的范围的情况下，可以对计算系统500进行修改、添加或省略。例如，在一些实施例中，计算系统500可以包括可能未在本文中明确示出或描述的任何数目的其他组件。
如上所述，本公开内容中被描述的实施例可以包括使用包括各种计算机硬件或软件模块的专用或通用计算机(例如，图5的处理器502)，如本文中更详细地讨论的。此外，如上所述，本公开内容中被描述的实施例可以使用用于携带或存储计算机可执行指令或数据结构的计算机可读介质(例如，图5的存储器504)而被实现。
鉴于本公开内容，很多示例变化和配置将是很清楚的。根据一些示例，描述了一种用来提供具有高转换概率的数字体验的目标确定的系统。示例系统可以包括：一个或多个处理器；由一个或多个处理器可控制或可执行或可控制且可执行的转换多类分类器，转换多类分类器具有用来接收用户访问简档的第一输入和用来接收展现用户访问简档的用户将要转换的指示的第二输入，转换多类分类器被配置为预测正被提供的活动中的每个数字体验的概率；由一个或多个处理器可控制或可执行或可控制且可执行的非转换多类分类器，非转换多类分类器具有用来接收用户访问简档的第一输入和用来接收展现用户访问简档的用户将不转换的指示的第二输入，非转换多类分类器被配置为预测正被提供的活动中的每个数字体验的概率；由一个或多个处理器可控制或可执行或可控制且可执行并且被配置为针对用户访问简档并且基于由转换多类分类器和非转换多类分类器生成的概率来得出用于活动中的每个数字体验的转换概率的转换似然估计器。
在一些示例中，转换似然估计器被配置为在数学上组合由转换多类分类器和非转换多类分类器生成的概率以得出用于活动中的每个数字体验的转换概率。在其他示例中，组合由转换多类分类器和非转换多类分类器生成的概率包括对贝叶斯的定理的使用。在其他示例中，转换多类分类器仅使用活动中的数字体验的转换数据而被训练。在其他示例中，非转换多类分类器仅使用活动中的数字体验的非转换数据而被训练。在另外的示例中，转换多类分类器和非转换多类分类器各自使用随机森林而被实现。在其他示例中，转换多类分类器和非转换多类分类器各自使用神经网络而被实现。在其他示例中，转换多类分类器和非转换多类分类器各自使用梯度增强树而被实现。在其他示例中，转换多类分类器和非转换多类分类器各自使用决策树而被实现。在另外的示例中，该系统还包括维度减少模块，该维度减少模块由一个或多个处理器可控制或可执行或可控制且可执行，并且被配置为减少用于在训练转换多类分类器和非转换多类分类器时使用的训练数据的维度。
根据一些示例，描述了一种用来提供具有高转换概率的数字体验的目标确定的计算机实现的方法。示例计算机实现的方法可以包括：由转换多类分类器基于用来接收用户访问简档的第一输入和用来接收展现用户访问简档的用户将要转换的指示的第二输入来预测正被提供的活动中的每个数字体验的概率；由非转换多类分类器基于用来接收用户访问简档的第一输入和用来接收展现用户访问简档的用户将不转换的指示的第二输入来预测正被提供的活动中的每个数字体验的概率；以及由用于用户访问简档的转换似然估计器基于由转换多类分类器和非转换多类分类器生成的概率来得出用于活动中的每个数字体验的转换概率。
在一些示例中，得出用于活动中的每个数字体验的转换概率包括使用贝叶斯的定理在数学上组合由转换多类分类器和非转换多类分类器生成的概率。在其他示例中，该方法还可以包括：仅使用用于活动中的数字体验的转换数据来训练转换多类分类器；以及仅使用用于活动中的数字体验的非转换数据来训练非转换多类分类器。在其他示例中，转换多类分类器和非转换多类分类器各自使用随机森林、神经网络、梯度增强树和决策树中的一种而被实现。在其他示例中，该方法还可以包括减少用于在训练转换多类分类器和非转换多类分类器时使用的训练数据的维度。
根据一些示例，描述了一种计算机程序产品，其包括编码有指令的一个或多个非暂态机器可读介质，这些指令在由一个或多个处理器执行时使得提供具有高转换概率的数字体验的目标确定的过程被执行。示例过程可以包括：基于用户访问简档和展现用户访问简档的用户将要转换的指示来预测正被提供的活动中的每个数字体验的概率；基于用户访问简档和展现用户访问简档的用户将不转换的指示来预测正被提供的活动中的每个数字体验的概率；以及针对用户访问简档得出用于活动中的每个数字体验的转换概率。
在一些示例中，基于用户访问简档和展现用户访问简档的用户将要转换的指示的、正被提供的活动中的每个数字体验的概率使用转换多类分类器而被生成，并且基于用户访问简档和展现用户访问简档的用户将不转换的指示的、正被提供的活动中的每个数字体验的概率使用非转换多类分类器而被生成，转换多类分类器不同于非转换多类分类器。在其他示例中，转换多类分类器仅使用用于活动中的数字体验的转换数据而被训练，并且非转换多类分类器仅使用用于活动中的数字体验的非转换数据而被训练。在其他示例中，转换多类分类器和非转换多类分类器各自使用随机森林、神经网络、梯度增强树和决策树中的一种而被实现。在另外的示例中，得出用于活动中的每个数字体验的转换概率包括使用贝叶斯的定理在数学上组合由转换多类分类器和非转换多类分类器生成的概率。
如在本公开内容中被使用的，术语“引擎”或“模块”或“组件”可以指代被配置为执行引擎或模块或组件和/或可以存储在计算系统的通用硬件(例如，计算机可读介质、处理设备等)上和/或由其执行的软件对象或软件例程的动作的特定硬件实现。在一些实施例中，本公开内容中被描述的不同组件、模块、引擎和服务可以被实现为在计算系统上执行的对象或进程(例如，作为单独的线程)。虽然本公开内容中被描述的一些系统和方法通常被描述为以软件(存储在通用硬件上和/或由通用硬件执行)而被实现，但是特定硬件实现、固件实现或其任何组合也是可能的和预期的。在本说明书中，“计算实体”可以是如先前在本公开内容中被描述的任何计算系统，或者是在计算系统上执行的任何模块或模块组合。
本公开内容和所附权利要求(例如，所附权利要求的主体)中使用的术语通常旨在作为“开放”术语(例如，术语“包括(including)”应当解释为“包括但不限于”，术语“具有(having)”应当解释为“至少具有”，术语“包括(includes)”应当解释为“包括但不限于”，等等)。
另外，如果意图特定数目的引入的权利要求，则在权利要求中将明确地叙述这样的意图，并且在没有这样的叙述的情况下，不存在这样的意图。例如，为了帮助理解，以下所附权利要求可以包含介绍性短语“至少一个”和“一个或多个”的使用以引入权利要求叙述。然而，这样的短语的使用不应当被解释为暗示由不定冠词“一个(a)”或“一个(an)”对权利要求叙述的引入将包含这样的引入的权利要求叙述的任何特定权利要求限制于仅包含一个这样的叙述的实施例，即使当相同的权利要求包括引言短语“一个或多个”或“至少一个”以及诸如“一个(a)”或“一个(an)”等不定冠词时(例如，“一个(a)”和/或“一个(an)”应当被解释为表示“至少一个”或“一个或多个”)；对于用于引入权利要求叙述的定冠词的使用也是如此。
另外，即使明确地引用了特定数目的引入的权利要求叙述，本领域技术人员将认识到，这样的叙述应当被解释为至少表示所述的数字(例如，没有其他修饰语到“两个叙述对象”的单纯叙述表示至少两个叙述对象、或者两个或更多个叙述对象)。此外，在使用类似于“A、B和C等中的至少一个”或“A、B和C等中的一个或多个”的惯例的情况下，通常，这样的结构意图包括单独的A、单独的B、单独的C、A和B一起、A和C一起、B和C一起、或A、B和C一起等。
本公开内容中被记载的所有示例和条件语言旨在用于教学对象以帮助读者理解本公开内容和由发明人提供的用于推进本领域的概念，并且应当被解释为不限于这样的具体列举的示例和条件。尽管已经详细描述了本公开内容的实施例，但是在不脱离本公开内容的精神和范围的情况下，可以对其进行各种改变、替换和变更。因此，意图是本公开内容的范围不受本详细描述的限制，而是受所附权利要求的限制。

Claims (20)

1.一种用来提供具有高转换概率的数字体验的目标确定的系统，所述系统包括：
一个或多个处理器；
转换多类分类器，由所述一个或多个处理器可控制或可执行或可控制且可执行，所述转换多类分类器具有用来接收用户访问简档的第一输入和用来接收展现所述用户访问简档的用户将要转换的指示的第二输入，所述转换多类分类器被配置为预测正被提供的活动中的每个数字体验的概率；
非转换多类分类器，由所述一个或多个处理器可控制或可执行或可控制且可执行，所述非转换多类分类器具有用来接收所述用户访问简档的第一输入和用来接收展现所述用户访问简档的所述用户将不转换的指示的第二输入，所述非转换多类分类器被配置为预测正被提供的所述活动中的每个数字体验的概率；以及
转换似然估计器，由所述一个或多个处理器可控制或可执行或可控制且可执行，并且被配置为针对所述用户访问简档并且基于由所述转换多类分类器和所述非转换多类分类器生成的概率来得出用于所述活动中的每个数字体验的转换概率。
2.根据权利要求1所述的系统，其中所述转换似然估计器被配置为在数学上组合由所述转换多类分类器和所述非转换多类分类器生成的所述概率以得出用于所述活动中的每个数字体验的所述转换概率。
3.根据权利要求2所述的系统，其中组合由所述转换多类分类器和所述非转换多类分类器生成的所述概率包括对贝叶斯的定理的使用。
4.根据权利要求1所述的系统，其中所述转换多类分类器仅使用用于所述活动中的数字体验的转换数据而被训练。
5.根据权利要求1所述的系统，其中所述非转换多类分类器仅使用用于所述活动中的数字体验的非转换数据而被训练。
6.根据权利要求1所述的系统，其中所述转换多类分类器和所述非转换多类分类器各自使用随机森林而被实现。
7.根据权利要求1所述的系统，其中所述转换多类分类器和所述非转换多类分类器各自使用神经网络而被实现。
8.根据权利要求1所述的系统，其中所述转换多类分类器和所述非转换多类分类器各自使用梯度增强树而被实现。
9.根据权利要求1所述的系统，其中所述转换多类分类器和所述非转换多类分类器各自使用决策树而被实现。
10.根据权利要求1所述的系统，还包括维度减少模块，所述维度减少模块由所述一个或多个处理器可控制或可执行或可控制且可执行，并且被配置为减少用于在训练所述转换多类分类器和所述非转换多类分类器时使用的训练数据的维度。
11.一种用来提供具有高转换概率的数字体验的目标确定的计算机实现的方法，所述方法包括：
由转换多类分类器基于用来接收用户访问简档的第一输入和用来接收展现所述用户访问简档的用户将要转换的指示的第二输入来预测正被提供的活动中的每个数字体验的概率；
由非转换多类分类器基于用来接收所述用户访问简档的第一输入和用来接收展现所述用户访问简档的所述用户将不转换的指示的第二输入来预测正被提供的所述活动中的每个数字体验的概率；以及
由用于所述用户访问简档的转换似然估计器基于由所述转换多类分类器和所述非转换多类分类器生成的概率来得出用于所述活动中的每个数字体验的转换概率。
12.根据权利要求11所述的方法，其中得出用于所述活动中的每个数字体验的所述转换概率包括使用贝叶斯的定理在数学上组合由所述转换多类分类器和所述非转换多类分类器生成的所述概率。
13.根据权利要求11所述的方法，还包括：
仅使用用于所述活动中的数字体验的转换数据来训练所述转换多类分类器；以及
仅使用用于所述活动中的数字体验的非转换数据来训练所述非转换多类分类器。
14.根据权利要求11所述的方法，其中所述转换多类分类器和所述非转换多类分类器各自使用随机森林、神经网络、梯度增强树和决策树中的一种而被实现。
15.根据权利要求11所述的方法，还包括减少用于在训练所述转换多类分类器和所述非转换多类分类器时使用的训练数据的维度。
16.一种计算机程序产品，包括编码有指令的一个或多个非暂态机器可读介质，所述指令在由一个或多个处理器执行时使得提供具有高转换概率的数字体验的目标确定的过程被执行，所述过程包括：
基于用户访问简档和展现所述用户访问简档的用户将要转换的指示来预测正被提供的活动中的每个数字体验的概率；
基于所述用户访问简档和展现所述用户访问简档的所述用户将不转换的指示来预测正被提供的所述活动中的每个数字体验的概率；以及
针对所述用户访问简档得出用于所述活动中的每个数字体验的转换概率。
17.根据权利要求16所述的计算机程序产品，其中基于所述用户访问简档和展现所述用户访问简档的用户将要转换的所述指示的、正被提供的所述活动中的每个数字体验的所述概率使用转换多类分类器而被生成，并且基于所述用户访问简档和展现所述用户访问简档的所述用户将不转换的所述指示的、正被提供的所述活动中的每个数字体验的所述概率使用非转换多类分类器而被生成，所述转换多类分类器不同于所述非转换多类分类器。
18.根据权利要求17所述的计算机程序产品，其中所述转换多类分类器仅使用用于所述活动中的数字体验的转换数据而被训练，并且所述非转换多类分类器仅使用用于所述活动中的数字体验的非转换数据而被训练。
19.根据权利要求17所述的计算机程序产品，其中所述转换多类分类器和所述非转换多类分类器各自使用随机森林、神经网络、梯度增强树和决策树中的一种而被实现。
20.根据权利要求17所述的计算机程序产品，其中得出用于所述活动中的每个数字体验的所述转换概率包括使用贝叶斯的定理在数学上组合由所述转换多类分类器和所述非转换多类分类器生成的概率。
CN201810911081.9A 2017-10-18 2018-08-10 使用贝叶斯方式的数字体验目标确定 Active CN109685091B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/787,369 2017-10-18
US15/787,369 US20190114673A1 (en) 2017-10-18 2017-10-18 Digital experience targeting using bayesian approach

Publications (2)

Publication Number Publication Date
CN109685091A true CN109685091A (zh) 2019-04-26
CN109685091B CN109685091B (zh) 2024-01-12

Family

ID=63715069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810911081.9A Active CN109685091B (zh) 2017-10-18 2018-08-10 使用贝叶斯方式的数字体验目标确定

Country Status (5)

Country Link
US (1) US20190114673A1 (zh)
CN (1) CN109685091B (zh)
AU (1) AU2018214157A1 (zh)
DE (1) DE102018006371A1 (zh)
GB (1) GB2567929A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11206315B2 (en) * 2019-11-13 2021-12-21 Microsoft Technology Licensing, Llc Systems and methods for automatic user profile switching
US11805139B1 (en) 2021-01-25 2023-10-31 Trend Micro Incorporated Multiclass classification system with accumulator-based arbitration

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1463540A (zh) * 2001-04-12 2003-12-24 皇家菲利浦电子有限公司 登记用户偏好的方法及系统
US20080240532A1 (en) * 2007-03-30 2008-10-02 Siemens Corporation System and Method for Detection of Fetal Anatomies From Ultrasound Images Using a Constrained Probabilistic Boosting Tree
US20100310158A1 (en) * 2008-09-26 2010-12-09 Tencent Technology (Shenzhen) Company Limited Method And Apparatus For Training Classifier, Method And Apparatus For Image Recognition
US8655695B1 (en) * 2010-05-07 2014-02-18 Aol Advertising Inc. Systems and methods for generating expanded user segments
US8725663B1 (en) * 2012-03-28 2014-05-13 Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College System, method, and computer program product for data mining applications
US20160071117A1 (en) * 2014-09-09 2016-03-10 Fliptop Inc. System and method for using marketing automation activity data for lead prioritization and marketing campaign optimization
US20160147758A1 (en) * 2014-11-24 2016-05-26 Adobe Systems Incorporated Automatic aggregation of online user profiles
CN105960656A (zh) * 2013-12-05 2016-09-21 谷歌公司 用于创建用于向多个事件分配归因得分的数据驱动归因模型的方法和系统
US20160275107A1 (en) * 2015-03-19 2016-09-22 International Business Machines Corporation System and method for creating a preference profile from shared images
US9524469B1 (en) * 2015-12-14 2016-12-20 MetroStar Systems, Inc. Systems, apparatus, and methods for generating prediction sets based on a known set of features
US20170109330A1 (en) * 2012-11-21 2017-04-20 Marketo, Inc. Method for adjusting content of a webpage in real time based on users online behavior and profile

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8364540B2 (en) * 2005-09-14 2013-01-29 Jumptap, Inc. Contextual targeting of content using a monetization platform

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1463540A (zh) * 2001-04-12 2003-12-24 皇家菲利浦电子有限公司 登记用户偏好的方法及系统
US20080240532A1 (en) * 2007-03-30 2008-10-02 Siemens Corporation System and Method for Detection of Fetal Anatomies From Ultrasound Images Using a Constrained Probabilistic Boosting Tree
US20100310158A1 (en) * 2008-09-26 2010-12-09 Tencent Technology (Shenzhen) Company Limited Method And Apparatus For Training Classifier, Method And Apparatus For Image Recognition
US8655695B1 (en) * 2010-05-07 2014-02-18 Aol Advertising Inc. Systems and methods for generating expanded user segments
US8725663B1 (en) * 2012-03-28 2014-05-13 Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College System, method, and computer program product for data mining applications
US20170109330A1 (en) * 2012-11-21 2017-04-20 Marketo, Inc. Method for adjusting content of a webpage in real time based on users online behavior and profile
CN105960656A (zh) * 2013-12-05 2016-09-21 谷歌公司 用于创建用于向多个事件分配归因得分的数据驱动归因模型的方法和系统
US20160071117A1 (en) * 2014-09-09 2016-03-10 Fliptop Inc. System and method for using marketing automation activity data for lead prioritization and marketing campaign optimization
US20160147758A1 (en) * 2014-11-24 2016-05-26 Adobe Systems Incorporated Automatic aggregation of online user profiles
CN105630856A (zh) * 2014-11-24 2016-06-01 奥多比公司 在线用户简档的自动聚合
US20160275107A1 (en) * 2015-03-19 2016-09-22 International Business Machines Corporation System and method for creating a preference profile from shared images
US9524469B1 (en) * 2015-12-14 2016-12-20 MetroStar Systems, Inc. Systems, apparatus, and methods for generating prediction sets based on a known set of features

Also Published As

Publication number Publication date
AU2018214157A1 (en) 2019-05-02
GB2567929A (en) 2019-05-01
US20190114673A1 (en) 2019-04-18
DE102018006371A1 (de) 2019-04-18
GB201813851D0 (en) 2018-10-10
CN109685091B (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
US10360517B2 (en) Distributed hyperparameter tuning system for machine learning
US11694109B2 (en) Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure
US11941527B2 (en) Population based training of neural networks
CN110766142A (zh) 模型生成方法和装置
CN111090756B (zh) 基于人工智能的多目标推荐模型的训练方法及装置
US11636341B2 (en) Processing sequential interaction data
CN114265979B (zh) 确定融合参数的方法、信息推荐方法和模型训练方法
US11645575B2 (en) Linking actions to machine learning prediction explanations
US11574096B1 (en) Systems and methods for time series simulation
CN111460384A (zh) 策略的评估方法、装置和设备
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN109685091A (zh) 使用贝叶斯方式的数字体验目标确定
US10678800B2 (en) Recommendation prediction based on preference elicitation
CN110352418A (zh) 通过消歧对话问题来进行查询消歧
US20230153843A1 (en) System to combine intelligence from multiple sources that use disparate data sets
CA3182446A1 (en) Systems and methods for classifying a webpage or a webpage element
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN114896061A (zh) 计算资源控制模型的训练方法、计算资源控制方法及装置
CN116415548A (zh) 标签预测模型的训练方法及装置
CN114564644A (zh) 模型训练、资源推荐方法、装置、电子设备及存储介质
CN111767290B (zh) 用于更新用户画像的方法和装置
CN114120416A (zh) 模型训练方法、装置、电子设备及介质
CN112348587B (zh) 信息推送方法、装置和电子设备
CN111310901B (zh) 用于获取样本的方法及装置
US20210397983A1 (en) Predicting an outcome of a user journey

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