CN110264248A - 用户体验信息的预测方法及装置 - Google Patents
用户体验信息的预测方法及装置 Download PDFInfo
- Publication number
- CN110264248A CN110264248A CN201910461109.8A CN201910461109A CN110264248A CN 110264248 A CN110264248 A CN 110264248A CN 201910461109 A CN201910461109 A CN 201910461109A CN 110264248 A CN110264248 A CN 110264248A
- Authority
- CN
- China
- Prior art keywords
- application
- information
- user
- sample
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000002349 favourable effect Effects 0.000 claims description 31
- 230000006399 behavior Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/0282—Rating or review of business operators or products
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书一个或多个实施例公开了一种用户体验信息的预测方法及装置，用以提升应用程序的用户体验信息的预测准确率。所述方法包括：获取预测模型，所述预测模型基于多个应用的特征信息进行训练得到；其中，所述特征信息包括应用信息、所述应用的开发者信息、使用所述应用的用户行为信息中的至少一项；获取待预测应用的第一特征信息；根据所述第一特征信息，利用所述预测模型对所述待预测应用的用户体验信息进行预测，得到预测结果。
Description
技术领域
本说明书涉及通信领域，尤其涉及一种用户体验信息的预测方法及装置。
背景技术
目前，通常根据现有的用户差评或者投诉数据来衡量应用的用户差评率。例如，根据应用程序在最近30天内的用户差评数来衡量该应用程序最近30天内的差评率。但是，这种评判应用差评率的方法存在以下几点缺陷：首先，由于衡量应用差评率使用的是历史数据，而历史数据都是已经发生的，平台无法提前预知，也就无法提前采取相应措施，从而体现不出平台的能力，更不利于平台运营；其次，将使用历史数据衡量出的应用差评率直接作为该应用后续差评率的预测，准确性无法保证。
发明内容
本说明书一个或多个实施例的目的是提供一种用户体验信息的预测方法及装置，用以提升应用程序的用户体验信息的预测准确率。
为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
一方面，本说明书一个或多个实施例提供一种用户体验信息的预测方法，包括：
获取预测模型，所述预测模型基于多个应用的特征信息进行训练得到；其中，所述特征信息包括应用信息、所述应用的开发者信息、使用所述应用的用户行为信息中的至少一项；
获取待预测应用的第一特征信息；
根据所述第一特征信息，利用所述预测模型对所述待预测应用的用户体验信息进行预测，得到预测结果。
在一个实施例中，所述方法还包括：
获取多个第一样本应用的特征信息及各所述第一样本应用的应用类型；其中，所述应用类型包括差评类应用和/或好评类应用；所述差评类应用指在预设时长内的用户差评率达到第一预设阈值的应用；所述好评类应用指在所述预设时长内的用户访问数大于第二预设阈值、且用户差评率小于第三预设阈值的应用；
基于所述多个第一样本应用的特征信息及各所述第一样本应用的应用类型进行模型训练，得到所述预测模型。
在一个实施例中，所述应用信息包括所述应用的名称、文本描述、所属行业、所属行业中的差评类应用的数量、所属行业中的好评类应用的数量中的至少一项信息；
所述开发者信息包括开发者所开发的差评类应用的数量、所述开发者所开发的好评类应用的数量、所述开发者所开发的应用的用户差评率中的至少一项信息；
所述用户行为信息包括所述预设时长内的用户访问数、分享量、收藏量、投诉量、差评数中的至少一项信息。
在一个实施例中，所述获取预测模型之后，所述方法还包括：
判断所述预测模型的预测准确率是否达到第四预设阈值；
若否，则获取多个第二样本应用的特征信息及各所述第二样本应用的应用类型；及，根据所述多个第二样本应用的特征信息及各所述第二样本应用的应用类型对所述预测模型进行更新。
在一个实施例中，所述判断所述预测模型的预测准确率是否达到第四预设阈值之前，所述方法还包括：
获取多个第三样本应用的特征信息；
根据各所述第三样本应用的特征信息，利用所述预测模型对各所述第三样本应用的用户体验信息进行预测，得到各所述第三样本应用对应的预测结果；
根据各所述第三样本应用对应的预测结果，确定所述预测模型的预测准确率。
在一个实施例中，所述根据各所述第三样本应用对应的预测结果，确定所述预测模型的预测准确率，包括：
获取各所述第三样本应用的应用类型；
根据各所述第三样本应用对应的预测结果，判断各所述第三样本应用的用户体验信息与对应的所述第三样本应用的应用类型是否相匹配；
若是，则确定所述预测模型对所述第三样本应用的用户体验信息的预测结果正确；若否，则确定所述预测模型对所述第三样本应用的用户体验信息的预测结果错误；
统计所述预测模型对应的正确预测结果数和/或错误预测结果数；及，根据所述正确预测结果数和/或错误预测结果数确定所述预测模型的预测准确率。
在一个实施例中，所述方法还包括：
根据所述待预测应用的用户体验信息，确定所述待预测应用在应用推荐列表中的排列位置；
根据所述排列位置，向用户展示所述应用推荐列表。
在一个实施例中，所述用户体验信息包括用户差评率；
相应的，所述方法还包括：
若所述预测结果为所述待预测应用的用户差评率大于第五预设阈值，则在接收到用户对所述待预测应用的运行请求时，向所述用户发出提醒信息，所述提醒信息用于提醒所述用户所述待预测应用存在风险。
另一方面，本说明书一个或多个实施例提供一种用户体验信息的预测装置，包括：
第一获取模块，用于获取预测模型，所述预测模型基于多个应用的特征信息进行训练得到；其中，所述特征信息包括应用信息、所述应用的开发者信息、使用所述应用的用户行为信息中的至少一项；
第二获取模块，用于获取待预测应用的第一特征信息；
第一预测模块，用于根据所述第一特征信息，利用所述预测模型对所述待预测应用的用户体验信息进行预测，得到预测结果。
在一个实施例中，所述装置还包括：
第三获取模块，用于获取多个第一样本应用的特征信息及各所述第一样本应用的应用类型；其中，所述应用类型包括差评类应用和/或好评类应用；所述差评类应用指在预设时长内的用户差评率达到第一预设阈值的应用；所述好评类应用指在所述预设时长内的用户访问数大于第二预设阈值、且用户差评率小于第三预设阈值的应用；
训练模块，用于基于所述多个第一样本应用的特征信息及各所述第一样本应用的应用类型进行模型训练，得到所述预测模型。
在一个实施例中，所述应用信息包括所述应用的名称、文本描述、所属行业、所属行业中的差评类应用的数量、所属行业中的好评类应用的数量中的至少一项信息；
所述开发者信息包括开发者所开发的差评类应用的数量、所述开发者所开发的好评类应用的数量、所述开发者所开发的应用的用户差评率中的至少一项信息；
所述用户行为信息包括所述预设时长内的用户访问数、分享量、收藏量、投诉量、差评数中的至少一项信息。
在一个实施例中，所述装置还包括：
判断模块，用于在所述获取预测模型之后，判断所述预测模型的预测准确率是否达到第三预设阈值；
更新模块，用于若所述预测模型的预测准确率未达到第四预设阈值，则获取多个第二样本应用的特征信息及各所述第二样本应用的应用类型；及，根据所述多个第二样本应用的特征信息及各所述第二样本应用的应用类型对所述预测模型进行更新。
在一个实施例中，所述装置还包括：
第四获取模块，用于在所述判断所述预测模型的预测准确率是否达到第四预设阈值之前，获取多个第三样本应用的特征信息；
第二预测模块，用于根据各所述第三样本应用的特征信息，利用所述预测模型对各所述第三样本应用的用户体验信息进行预测，得到各所述第三样本应用对应的预测结果；
第一确定模块，用于根据各所述第三样本应用对应的预测结果，确定所述预测模型的预测准确率。
在一个实施例中，所述第一确定模块包括：
获取单元，用于获取各所述第三样本应用的应用类型；
判断单元，用于根据各所述第三样本应用对应的预测结果，判断各所述第三样本应用的用户体验信息与对应的所述第三样本应用的应用类型是否相匹配；
若所述第三样本应用的用户体验信息与对应的所述第三样本应用的应用类型相匹配，则确定所述预测模型对所述第三样本应用的用户体验信息的预测结果正确；若所述第三样本应用的用户体验信息与对应的所述第三样本应用的应用类型不相匹配，则确定所述预测模型对所述第三样本应用的用户体验信息的预测结果错误；
统计及确定单元，用于统计所述预测模型对应的正确预测结果数和/或错误预测结果数；及，根据所述正确预测结果数和/或错误预测结果数确定所述预测模型的预测准确率。
在一个实施例中，所述装置还包括：
第二确定模块，用于根据所述待预测应用的用户体验信息，确定所述待预测应用在应用推荐列表中的排列位置；
展示模块，用于根据所述排列位置，向用户展示所述应用推荐列表。
在一个实施例中，所述用户体验信息包括用户差评率；
相应的，所述装置还包括：
提醒模块，用于若所述预测结果为所述待预测应用的用户差评率大于第五预设阈值，则在接收到用户对所述待预测应用的运行请求时，向所述用户发出提醒信息，所述提醒信息用于提醒所述用户所述待预测应用存在风险。
再一方面，本说明书一个或多个实施例提供一种用户体验信息的预测设备，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，所述可执行指令在被执行时使所述处理器：
获取预测模型，所述预测模型基于多个应用的特征信息进行训练得到；其中，所述特征信息包括应用信息、所述应用的开发者信息、使用所述应用的用户行为信息中的至少一项；
获取待预测应用的第一特征信息；
根据所述第一特征信息，利用所述预测模型对所述待预测应用的用户体验信息进行预测，得到预测结果。
再一方面，本申请实施例提供一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
获取预测模型，所述预测模型基于多个应用的特征信息进行训练得到；其中，所述特征信息包括应用信息、所述应用的开发者信息、使用所述应用的用户行为信息中的至少一项；
获取待预测应用的第一特征信息；
根据所述第一特征信息，利用所述预测模型对所述待预测应用的用户体验信息进行预测，得到预测结果。
采用本说明书一个或多个实施例的技术方案，通过获取基于多个应用的特征信息(包括应用信息、应用的开发者信息、使用应用的用户行为信息中的至少一项)进行训练得到的预测模型及获取待预测应用的第一特征信息，并利用预测模型根据第一特征信息对待预测应用的用户体验信息进行预测，以得到预测结果。可见，该技术方案能够根据待预测应用的第一特征信息(如应用信息、应用的开发者信息、使用应用的用户行为信息中的至少一项)提前预测出待预测应用的用户体验信息，从而使应用平台提前识别出用户体验好或用户体验差的应用，提升了应用平台对应用的理解及运营效果；并且，相较于现有的利用历史数据预测应用的用户体验信息而言，该技术方案对应用的用户体验信息的预测准确率更高。
附图说明
为了更清楚地说明本说明书一个或多个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说明书一个或多个实施例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是根据本说明书一实施例的一种用户体验信息的预测方法的示意性流程图；
图2是根据本说明书一实施例的一种用户体验信息的预测装置的示意性框图；
图3是根据本说明书一实施例的一种用户体验信息的预测设备的示意性框图。
具体实施方式
本说明书一个或多个实施例提供一种用户体验信息的预测方法及装置，用以提升应用程序的用户体验信息的预测准确率。
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个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说明书一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，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，都应当属于本说明书一个或多个实施例保护的范围。
图1是根据本说明书一实施例的一种用户体验信息的预测方法的示意性流程图，如图1所示，该方法包括：
S102，获取预测模型，预测模型基于多个应用的特征信息进行训练得到。
其中，特征信息包括应用信息、应用的开发者信息、使用应用的用户行为信息中的至少一项。
S104，获取待预测应用的第一特征信息。
S106，根据第一特征信息，利用预测模型对待预测应用的用户体验信息进行预测，得到预测结果。
本实施例中，待预测应用可以是应用程序本身，也可以应用程序内的小程序，例如支付宝内的小程序“我的快递”、“医疗健康”等。
用户体验信息可包括用户好评率或用户差评率。即，本实施例的技术方案可用于预测待预测应用的用户好评率，也可用于预测待预测应用的用户差评率。
此外，上述步骤中，S102和S104的执行顺序不受限定。即，可先获取预测模型，然后再获取待预测应用的第一特征信息；或者，先获取待预测应用的第一特征信息，然后再获取预测模型；再或者，同时获取预测模型及获取待预测应用的第一特征信息。
采用本说明书一个或多个实施例的技术方案，通过获取基于多个应用的特征信息(包括应用信息、应用的开发者信息、使用应用的用户行为信息中的至少一项)进行训练得到的预测模型及获取待预测应用的第一特征信息，并利用预测模型根据第一特征信息对待预测应用的用户体验信息进行预测，以得到预测结果。可见，该技术方案能够根据待预测应用的第一特征信息(如应用信息、应用的开发者信息、使用应用的用户行为信息中的至少一项)提前预测出待预测应用的用户体验信息，从而使应用平台提前识别出用户体验好或用户体验差的应用，提升了应用平台对应用的理解及运营效果；并且，相较于现有的利用历史数据预测应用的用户体验信息而言，该技术方案对应用的用户体验信息的预测准确率更高。
上述实施例中，预测模型是预先基于多个应用的特征信息及各应用的应用类型进行训练得到的。在一个实施例中，可采用以下方法预先训练预测模型：
首先，获取多个第一样本应用的特征信息及各第一样本应用的应用类型；其中，应用类型包括差评类应用和/或好评类应用；差评类应用指在预设时长内的用户差评率达到第一预设阈值的应用；好评类应用指在预设时长内的用户访问数大于第二预设阈值、且用户差评率小于第三预设阈值的应用。优选地，好评类应用指在预设时长内的用户访问数大于第二预设阈值、且用户差评数为零的应用。
其次，基于多个第一样本应用的特征信息及各第一样本应用的应用类型进行模型训练，得到预测模型。
本实施例中，第一样本应用的特征信息可包括但不限于以下内容：
(1)应用信息；应用信息可包括应用的名称、文本描述、所属行业、所属行业中的差评类应用的数量、所属行业中的好评类应用的数量等。
(2)应用的开发者信息；开发者信息可包括开发者所开发的差评类应用的数量、开发者所开发的好评类应用的数量、开发者所开发的应用的用户差评率等。
(3)使用应用的用户行为信息；用户行为信息可包括预设时长内的用户访问数、分享量、收藏量、投诉量、差评数等。
本实施例中，可使用现有的任一种机器学习算法训练预测模型，例如xgboost(Extreme Gradient Boosting)模型、GBDT(GradientBoosting Decision Tree)模型、线性回归模型、神经网络模型等。
优选的，可使用xgboost模型进行训练。由于xgboost模型是一种集成学习模型，模型精度高，能够处理稀疏特征，且能够自动利用CPU的多线程进行并行。利用xgboost模型进行训练的目的是为了得到提升树(boosting tree)结构，进而利用提升树结构得到预测模型。提升树中包括多个分裂节点和叶子，每个叶子上包括一个或多个样本数据(包括第一样本应用的特征信息及各第一样本应用的应用类型)。本实施例中，可根据样本数据和lossfunction确定分裂节点，然后将样本数据特征分配到分裂节点对应的叶子上，多次迭代后，即可得到提升树结构。具体的迭代方法属于现有技术，因此不再赘述。
在一个实施例中，获取预测模型之后，可判断预测模型的预测准确率是否达到第三预设阈值；若预测模型的预测准确率未达到第三预设阈值，则获取多个第二样本应用的特征信息及各第二样本应用的应用类型；及，根据多个第二样本应用的特征信息及各第二样本应用的应用类型对预测模型进行更新。
其中，第二样本应用的特征信息可包括但不限于以下内容：
(1)应用信息；应用信息可包括应用的名称、文本描述、所属行业、所属行业中的差评类应用的数量、所属行业中的好评类应用的数量等。
(2)应用的开发者信息；开发者信息可包括开发者所开发的差评类应用的数量、开发者所开发的好评类应用的数量、开发者所开发的应用的用户差评率等。
(3)使用应用的用户行为信息；用户行为信息可包括预设时长内的用户访问数、分享量、收藏量、投诉量、差评数等。
本实施例中，若预测模型的预测准确率达到第四预设阈值，则可利用所获取的预测模型对待预测应用的用户体验信息进行预测。若预测模型的预测准确率未达到第四预设阈值，则需要重新获取样本数据，重新获取的样本数据包括多个第二样本应用的特征信息及各第二样本应用的应用类型。其中，为使重新获取的样本数据能够对预测模型起到更新作用，第二样本应用通常与第一样本应用不同。
对预测模型进行更新后，可直接利用更新后的预测模型对待预测应用的用户体验信息进行预测，也可再次判断更新后的预测模型的预测准确率是否达到第四预设阈值，并更加判断结果确定是否对预测模型进行再次更新。
本实施例中，通过对预测准确率低于第四预设阈值的预测模型进行更新，并利用更新后的预测模型对待预测应用的用户体验信息进行预测，使得预测结果的准确率能够确保高于第四预设阈值，从而大大提升预测模型的准确率。
在一个实施例中，可通过以下步骤判断预测模型的预测准确率是否达到第四预设阈值：
步骤A1、获取多个第三样本应用的特征信息。
其中，第三样本应用的特征信息可包括但不限于以下内容：
(1)应用信息；应用信息可包括应用的名称、文本描述、所属行业、所属行业中的差评类应用的数量、所属行业中的好评类应用的数量等。
(2)应用的开发者信息；开发者信息可包括开发者所开发的差评类应用的数量、开发者所开发的好评类应用的数量、开发者所开发的应用的用户差评率等。
(3)使用应用的用户行为信息；用户行为信息可包括预设时长内的用户访问数、分享量、收藏量、投诉量、差评数等。
步骤A2、根据各第三样本应用的特征信息，利用预测模型对各第三样本应用的用户体验信息进行预测，得到各第三样本应用对应的预测结果。
其中，用户体验信息包括用户好评率或用户差评率。
步骤A3、根据各第三样本应用对应的预测结果，确定预测模型的预测准确率。
该步骤中，第三样本应用的应用类型是预先确定的。应用类型包括差评类应用或好评类应用；其中，差评类应用指在预设时长内的用户差评率达到第一预设阈值的应用；好评类应用指在预设时长内的用户访问数大于第二预设阈值、且用户差评率小于第三预设阈值的应用。
在得到第三样本应用对应的预测结果后，可获取第三样本应用的应用类型，然后判断第三样本应用的用户体验信息与第三样本应用的应用类型是否相匹配；若匹配，则确定预测模型对第三样本应用的用户体验信息的预测结果正确；若不匹配，则确定预测模型对第三样本应用的用户体验信息的预测结果错误。然后，统计预测模型对应的正确预测结果数和/或错误预测结果数，并根据正确预测结果数和/或错误预测结果数确定预测模型的预测准确率。
在一个实施例中，用户体验信息为用户差评率。第三样本应用的用户差评率与第三样本应用的应用类型是否相匹配，实际上指的是由第三样本应用的用户差评率所确定的应用类型与预先确定的第三样本应用的应用类型是否相同。例如，若第三样本应用的用户差评率达到了第一预设阈值，则说明第三样本应用的应用类型为差评类应用。将此结果与预先确定的第三样本应用的应用类型进行比对，若预先确定的第三样本应用的应用类型也为差评类应用，则说明第三样本应用的用户差评率与第三样本应用的应用类型相匹配；否则，说明第三样本应用的用户差评率与第三样本应用的应用类型不相匹配。
步骤A4、判断预测模型的预测准确率是否达到第四预设阈值。
在一个实施例中，得到预测结果之后，可根据待预测应用的用户体验信息，确定待预测应用在应用推荐列表中的排列位置，进而根据该排列位置向用户展示应用推荐列表。
本实施例中，应用推荐列表中的各应用可根据各应用分别对应的用户体验信息进行排序。对于用户体验较好的应用，可将该应用的排列位置靠前；对于用户体验较差的应用，可将该应用的排列位置靠后。
例如，用户体验信息为用户差评率。假设应用A的用户差评率较高，则应用A在应用推荐列表中的排列位置较为靠后。并且，若应用A在当前预设时长内的用户差评率低于上一个预设时长内的用户差评率，则可将应用A在应用推荐列表中的排列位置调整至更加靠后的位置。
本实施例中，通过各应用的用户体验信息调整各应用在应用推荐列表中的排列位置，进而向用户展示应用推荐列表，使得用户能够优先查看应用推荐列表中的用户体验较好的应用，从而提高用户对用户体验较好的应用的使用率，进一步提升用户对所推送的应用的使用体验度。
在一个实施例中，用户体验信息为用户差评率。若预测结果为待预测应用的用户差评率大于第五预设阈值，则在接收到用户对待预测应用的运行请求时，向用户发出提醒信息，该提醒信息用于提醒用户待预测应用存在风险。
本实施例中，通过提醒用户差评率较高的应用存在风险，能够避免用户继续使用用户差评率较高的应用，从而避免给用户造成不好的体验。
在一个实施例中，用户体验信息为用户差评率，且待预测应用为某应用程序中的小程序。基于此，若预测结果为小程序的用户差评率大于第六预设阈值，则可向小程序的开发者发出提醒，以提醒小程序的用户差评率较高，后续存在被投诉或差评的风险，从而使开发者及时改进小程序，也进一步避免了后续用户使用该小程序时产生较差的体验。
综上，已经对本主题的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可以按照不同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，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
以上为本说明书一个或多个实施例提供的用户体验信息的预测方法，基于同样的思路，本说明书一个或多个实施例还提供一种用户体验信息的预测装置。
图2是根据本说明书一实施例的一种用户体验信息的预测装置的示意性框图，如图2所示，用户体验信息的预测装置200包括：
第一获取模块210，用于获取预测模型，预测模型基于多个应用的特征信息进行训练得到；其中，特征信息包括应用信息、应用的开发者信息、使用应用的用户行为信息中的至少一项；
第二获取模块220，用于获取待预测应用的第一特征信息；
第一预测模块230，用于根据第一特征信息，利用预测模型对待预测应用的用户体验信息进行预测，得到预测结果。
在一个实施例中，装置200还包括：
第三获取模块，用于获取多个第一样本应用的特征信息及各第一样本应用的应用类型；其中，应用类型包括差评类应用和/或好评类应用；差评类应用指在预设时长内的用户差评率达到第一预设阈值的应用；好评类应用指在预设时长内的用户访问数大于第二预设阈值、且用户差评率小于第三预设阈值的应用；
训练模块，用于基于多个第一样本应用的特征信息及各第一样本应用的应用类型进行模型训练，得到预测模型。
在一个实施例中，应用信息包括应用的名称、文本描述、所属行业、所属行业中的差评类应用的数量、所属行业中的好评类应用的数量中的至少一项信息；
开发者信息包括开发者所开发的差评类应用的数量、开发者所开发的好评类应用的数量、开发者所开发的应用的用户差评率中的至少一项信息；
用户行为信息包括预设时长内的用户访问数、分享量、收藏量、投诉量、差评数中的至少一项信息。
在一个实施例中，装置200还包括：
判断模块，用于在获取预测模型之后，判断预测模型的预测准确率是否达到第四预设阈值；
更新模块，用于若预测模型的预测准确率未达到第四预设阈值，则获取多个第二样本应用的特征信息及各第二样本应用的应用类型；及，根据多个第二样本应用的特征信息及各第二样本应用的应用类型对预测模型进行更新。
在一个实施例中，装置200还包括：
第四获取模块，用于在判断预测模型的预测准确率是否达到第四预设阈值之前，获取多个第三样本应用的特征信息；
第二预测模块，用于根据各第三样本应用的特征信息，利用预测模型对各第三样本应用的用户体验信息进行预测，得到各第三样本应用对应的预测结果；
第一确定模块，用于根据各第三样本应用对应的预测结果，确定预测模型的预测准确率。
在一个实施例中，第一确定模块包括：
获取单元，用于获取各第三样本应用的应用类型；
判断单元，用于根据各第三样本应用对应的预测结果，判断各第三样本应用的用户体验信息与对应的第三样本应用的应用类型是否相匹配；
若第三样本应用的用户体验信息与对应的第三样本应用的应用类型相匹配，则确定预测模型对第三样本应用的用户体验信息的预测结果正确；若第三样本应用的用户体验信息与对应的第三样本应用的应用类型不相匹配，则确定预测模型对第三样本应用的用户体验信息的预测结果错误；
统计及确定单元，用于统计预测模型对应的正确预测结果数和/或错误预测结果数；及，根据正确预测结果数和/或错误预测结果数确定预测模型的预测准确率。
在一个实施例中，装置200还包括：
第二确定模块，用于根据待预测应用的用户体验信息，确定待预测应用在应用推荐列表中的排列位置；
展示模块，用于根据排列位置，向用户展示应用推荐列表。
在一个实施例中，用户体验信息包括用户差评率；
相应的，装置200还包括：
提醒模块，用于若预测结果为待预测应用的用户差评率大于第五预设阈值，则在接收到用户对待预测应用的运行请求时，向用户发出提醒信息，提醒信息用于提醒用户待预测应用存在风险。
采用本说明书一个或多个实施例的装置，通过获取基于多个应用的特征信息(包括应用信息、应用的开发者信息、使用应用的用户行为信息中的至少一项)进行训练得到的预测模型及获取待预测应用的第一特征信息，并利用预测模型根据第一特征信息对待预测应用的用户体验信息进行预测，以得到预测结果。可见，该装置能够根据待预测应用的第一特征信息(如应用信息、应用的开发者信息、使用应用的用户行为信息中的至少一项)提前预测出待预测应用的用户体验信息，从而使应用平台提前识别出用户体验好或用户体验差的应用，提升了应用平台对应用的理解及运营效果；并且，相较于现有的利用历史数据预测应用的用户体验信息而言，该技术方案对应用的用户体验信息的预测准确率更高。
本领域的技术人员应可理解，上述用户体验信息的预测装置能够用来实现前文所述的用户体验信息的预测方法，其中的细节描述应与前文方法部分描述类似，为避免繁琐，此处不另赘述。
基于同样的思路，本说明书一个或多个实施例还提供一种用户体验信息的预测设备，如图3所示。用户体验信息的预测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器301和存储器302，存储器302中可以存储有一个或一个以上存储应用程序或数据。其中，存储器302可以是短暂存储或持久存储。存储在存储器302的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对用户体验信息的预测设备中的一系列计算机可执行指令。更进一步地，处理器301可以设置为与存储器302通信，在用户体验信息的预测设备上执行存储器302中的一系列计算机可执行指令。用户体验信息的预测设备还可以包括一个或一个以上电源303，一个或一个以上有线或无线网络接口304，一个或一个以上输入输出接口305，一个或一个以上键盘306。
具体在本实施例中，用户体验信息的预测设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对用户体验信息的预测设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取预测模型，所述预测模型基于多个应用的特征信息进行训练得到；其中，所述特征信息包括应用信息、所述应用的开发者信息、使用所述应用的用户行为信息中的至少一项；
获取待预测应用的第一特征信息；
根据所述第一特征信息，利用所述预测模型对所述待预测应用的用户体验信息进行预测，得到预测结果。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
获取多个第一样本应用的特征信息及各所述第一样本应用的应用类型；其中，所述应用类型包括差评类应用和/或好评类应用；所述差评类应用指在预设时长内的用户差评率达到第一预设阈值的应用；所述好评类应用指在所述预设时长内的用户访问数大于第二预设阈值、且用户差评率小于第三预设阈值的应用；
基于所述多个第一样本应用的特征信息及各所述第一样本应用的应用类型进行模型训练，得到所述预测模型。
可选地，所述应用信息包括所述应用的名称、文本描述、所属行业、所属行业中的差评类应用的数量、所属行业中的好评类应用的数量中的至少一项信息；
所述开发者信息包括开发者所开发的差评类应用的数量、所述开发者所开发的好评类应用的数量、所述开发者所开发的应用的用户差评率中的至少一项信息；
所述用户行为信息包括所述预设时长内的用户访问数、分享量、收藏量、投诉量、差评数中的至少一项信息。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
所述获取预测模型之后，判断所述预测模型的预测准确率是否达到第四预设阈值；
若否，则获取多个第二样本应用的特征信息及各所述第二样本应用的应用类型；及，根据所述多个第二样本应用的特征信息及各所述第二样本应用的应用类型对所述预测模型进行更新。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
所述判断所述预测模型的预测准确率是否达到第四预设阈值之前，获取多个第三样本应用的特征信息；
根据各所述第三样本应用的特征信息，利用所述预测模型对各所述第三样本应用的用户体验信息进行预测，得到各所述第三样本应用对应的预测结果；
根据各所述第三样本应用对应的预测结果，确定所述预测模型的预测准确率。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
获取各所述第三样本应用的应用类型；
根据各所述第三样本应用对应的预测结果，判断各所述第三样本应用的用户体验信息与对应的所述第三样本应用的应用类型是否相匹配；
若是，则确定所述预测模型对所述第三样本应用的用户体验信息的预测结果正确；若否，则确定所述预测模型对所述第三样本应用的用户体验信息的预测结果错误；
统计所述预测模型对应的正确预测结果数和/或错误预测结果数；及，根据所述正确预测结果数和/或错误预测结果数确定所述预测模型的预测准确率。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
根据所述待预测应用的用户体验信息，确定所述待预测应用在应用推荐列表中的排列位置；
根据所述排列位置，向用户展示所述应用推荐列表。
可选地，所述用户体验信息包括用户差评率；
相应的，计算机可执行指令在被执行时，还可以使所述处理器：
若所述预测结果为所述待预测应用的用户差评率大于第五预设阈值，则在接收到用户对所述待预测应用的运行请求时，向所述用户发出提醒信息，所述提醒信息用于提醒所述用户所述待预测应用存在风险。
本说明书一个或多个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电子设备执行时，能够使该电子设备执行上述用户体验信息的预测方法，并具体用于执行：
获取预测模型，所述预测模型基于多个应用的特征信息进行训练得到；其中，所述特征信息包括应用信息、所述应用的开发者信息、使用所述应用的用户行为信息中的至少一项；
获取待预测应用的第一特征信息；
根据所述第一特征信息，利用所述预测模型对所述待预测应用的用户体验信息进行预测，得到预测结果。
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。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
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。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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。
以上所述仅为本说明书一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。
Claims (14)
1.一种用户体验信息的预测方法，包括：
获取预测模型，所述预测模型基于多个应用的特征信息进行训练得到；其中，所述特征信息包括应用信息、所述应用的开发者信息、使用所述应用的用户行为信息中的至少一项；
获取待预测应用的第一特征信息；
根据所述第一特征信息，利用所述预测模型对所述待预测应用的用户体验信息进行预测，得到预测结果。
2.根据权利要求1所述的方法，还包括：
获取多个第一样本应用的特征信息及各所述第一样本应用的应用类型；其中，所述应用类型包括差评类应用和/或好评类应用；所述差评类应用指在预设时长内的用户差评率达到第一预设阈值的应用；所述好评类应用指在所述预设时长内的用户访问数大于第二预设阈值、且用户差评率小于第三预设阈值的应用；
基于所述多个第一样本应用的特征信息及各所述第一样本应用的应用类型进行模型训练，得到所述预测模型。
3.根据权利要求1所述的方法，所述应用信息包括所述应用的名称、文本描述、所属行业、所属行业中的差评类应用的数量、所属行业中的好评类应用的数量中的至少一项信息；
所述开发者信息包括开发者所开发的差评类应用的数量、所述开发者所开发的好评类应用的数量、所述开发者所开发的应用的用户差评率中的至少一项信息；
所述用户行为信息包括所述预设时长内的用户访问数、分享量、收藏量、投诉量、差评数中的至少一项信息。
4.根据权利要求2所述的方法，所述获取预测模型之后，还包括：
判断所述预测模型的预测准确率是否达到第四预设阈值；
若否，则获取多个第二样本应用的特征信息及各所述第二样本应用的应用类型；及，根据所述多个第二样本应用的特征信息及各所述第二样本应用的应用类型对所述预测模型进行更新。
5.根据权利要求4所述的方法，所述判断所述预测模型的预测准确率是否达到第四预设阈值之前，还包括：
获取多个第三样本应用的特征信息；
根据各所述第三样本应用的特征信息，利用所述预测模型对各所述第三样本应用的用户体验信息进行预测，得到各所述第三样本应用对应的预测结果；
根据各所述第三样本应用对应的预测结果，确定所述预测模型的预测准确率。
6.根据权利要求5所述的方法，所述根据各所述第三样本应用对应的预测结果，确定所述预测模型的预测准确率，包括：
获取各所述第三样本应用的应用类型；
根据各所述第三样本应用对应的预测结果，判断各所述第三样本应用的用户体验信息与对应的所述第三样本应用的应用类型是否相匹配；
若是，则确定所述预测模型对所述第三样本应用的用户体验信息的预测结果正确；若否，则确定所述预测模型对所述第三样本应用的用户体验信息的预测结果错误；
统计所述预测模型对应的正确预测结果数和/或错误预测结果数；及，根据所述正确预测结果数和/或错误预测结果数确定所述预测模型的预测准确率。
7.根据权利要求1所述的方法，还包括：
根据所述待预测应用的用户体验信息，确定所述待预测应用在应用推荐列表中的排列位置；
根据所述排列位置，向用户展示所述应用推荐列表。
8.根据权利要求1所述的方法，所述用户体验信息包括用户差评率；
相应的，所述方法还包括：
若所述预测结果为所述待预测应用的用户差评率大于第五预设阈值，则在接收到用户对所述待预测应用的运行请求时，向所述用户发出提醒信息，所述提醒信息用于提醒所述用户所述待预测应用存在风险。
9.一种用户体验信息的预测装置，包括：
第一获取模块，用于获取预测模型，所述预测模型基于多个应用的特征信息进行训练得到；其中，所述特征信息包括应用信息、所述应用的开发者信息、使用所述应用的用户行为信息中的至少一项；
第二获取模块，用于获取待预测应用的第一特征信息；
第一预测模块，用于根据所述第一特征信息，利用所述预测模型对所述待预测应用的用户体验信息进行预测，得到预测结果。
10.根据权利要求9所述的装置，还包括：
第三获取模块，用于获取多个第一样本应用的特征信息及各所述第一样本应用的应用类型；其中，所述应用类型包括差评类应用和/或好评类应用；所述差评类应用指在预设时长内的用户差评率达到第一预设阈值的应用；所述好评类应用指在所述预设时长内的用户访问数大于第二预设阈值、且用户差评率小于第三预设阈值的应用；
训练模块，用于基于所述多个第一样本应用的特征信息及各所述第一样本应用的应用类型进行模型训练，得到所述预测模型。
11.根据权利要求9所述的装置，所述应用信息包括所述应用的名称、文本描述、所属行业、所属行业中的差评类应用的数量、所属行业中的好评类应用的数量中的至少一项信息；
所述开发者信息包括开发者所开发的差评类应用的数量、所述开发者所开发的好评类应用的数量、所述开发者所开发的应用的用户差评率中的至少一项信息；
所述用户行为信息包括所述预设时长内的用户访问数、分享量、收藏量、投诉量、差评数中的至少一项信息。
12.根据权利要求9所述的装置，所述用户体验信息包括用户差评率；
相应的，所述装置还包括：
提醒模块，用于若所述预测结果为所述待预测应用的用户差评率大于第五预设阈值，则在接收到用户对所述待预测应用的运行请求时，向所述用户发出提醒信息，所述提醒信息用于提醒所述用户所述待预测应用存在风险。
13.一种用户体验信息的预测设备，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，所述可执行指令在被执行时使所述处理器：
获取预测模型，所述预测模型基于多个应用的特征信息进行训练得到；其中，所述特征信息包括应用信息、所述应用的开发者信息、使用所述应用的用户行为信息中的至少一项；
获取待预测应用的第一特征信息；
根据所述第一特征信息，利用所述预测模型对所述待预测应用的用户体验信息进行预测，得到预测结果。
14.一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
获取预测模型，所述预测模型基于多个应用的特征信息进行训练得到；其中，所述特征信息包括应用信息、所述应用的开发者信息、使用所述应用的用户行为信息中的至少一项；
获取待预测应用的第一特征信息；
根据所述第一特征信息，利用所述预测模型对所述待预测应用的用户体验信息进行预测，得到预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910461109.8A CN110264248A (zh) | 2019-05-30 | 2019-05-30 | 用户体验信息的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910461109.8A CN110264248A (zh) | 2019-05-30 | 2019-05-30 | 用户体验信息的预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110264248A true CN110264248A (zh) | 2019-09-20 |
Family
ID=67915910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910461109.8A Pending CN110264248A (zh) | 2019-05-30 | 2019-05-30 | 用户体验信息的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110264248A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111324370A (zh) * | 2020-02-19 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 用于对待上线小程序进行风险处理的方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201100224D0 (en) * | 2011-01-07 | 2011-02-23 | Canon Kk | Improved reconstruction of at least one missing area of a sequence of digital images |
| CN104794593A (zh) * | 2015-05-16 | 2015-07-22 | 曹龙 | 基于互联网平台上的一种创业系统 |
| CN105654250A (zh) * | 2016-02-01 | 2016-06-08 | 百度在线网络技术（北京）有限公司 | 一种满意度自动测评的方法和装置 |
| CN107018004A (zh) * | 2016-01-28 | 2017-08-04 | 中国移动通信集团福建有限公司 | 用户满意度管理系统及方法 |
| CN108681912A (zh) * | 2018-03-21 | 2018-10-19 | 南京邮电大学 | 网购用户大指数模型的生成方法及系统 |
| CN108985475A (zh) * | 2018-06-13 | 2018-12-11 | 厦门大学 | 基于深度神经网络的网约车召车需求预测方法 |
| CN109345263A (zh) * | 2018-08-02 | 2019-02-15 | 北京天元创新科技有限公司 | 预测客户满意度的方法和系统 |
| CN109377252A (zh) * | 2018-08-30 | 2019-02-22 | 广州崇业网络科技有限公司 | 一种基于大数据框架的客户满意度预测方法 |
| CN109492837A (zh) * | 2018-12-29 | 2019-03-19 | 携程旅游网络技术（上海）有限公司 | 机票订单保险推送方法、装置、电子设备、存储介质 |
-
2019
- 2019-05-30 CN CN201910461109.8A patent/CN110264248A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201100224D0 (en) * | 2011-01-07 | 2011-02-23 | Canon Kk | Improved reconstruction of at least one missing area of a sequence of digital images |
| CN104794593A (zh) * | 2015-05-16 | 2015-07-22 | 曹龙 | 基于互联网平台上的一种创业系统 |
| CN107018004A (zh) * | 2016-01-28 | 2017-08-04 | 中国移动通信集团福建有限公司 | 用户满意度管理系统及方法 |
| CN105654250A (zh) * | 2016-02-01 | 2016-06-08 | 百度在线网络技术（北京）有限公司 | 一种满意度自动测评的方法和装置 |
| CN108681912A (zh) * | 2018-03-21 | 2018-10-19 | 南京邮电大学 | 网购用户大指数模型的生成方法及系统 |
| CN108985475A (zh) * | 2018-06-13 | 2018-12-11 | 厦门大学 | 基于深度神经网络的网约车召车需求预测方法 |
| CN109345263A (zh) * | 2018-08-02 | 2019-02-15 | 北京天元创新科技有限公司 | 预测客户满意度的方法和系统 |
| CN109377252A (zh) * | 2018-08-30 | 2019-02-22 | 广州崇业网络科技有限公司 | 一种基于大数据框架的客户满意度预测方法 |
| CN109492837A (zh) * | 2018-12-29 | 2019-03-19 | 携程旅游网络技术（上海）有限公司 | 机票订单保险推送方法、装置、电子设备、存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111324370A (zh) * | 2020-02-19 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 用于对待上线小程序进行风险处理的方法及装置 |
| CN111324370B (zh) * | 2020-02-19 | 2022-10-18 | 支付宝(杭州)信息技术有限公司 | 用于对待上线小程序进行风险处理的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109976998B (zh) | 一种软件缺陷预测方法、装置和电子设备 | |
| CN107391526A (zh) | 一种基于区块链的数据处理方法及设备 | |
| CN109062809A (zh) | 一种线上测试用例生成方法、装置及电子设备 | |
| CN108256893A (zh) | 广告投放效果的分析方法及装置 | |
| CN107679700A (zh) | 业务流程处理方法、装置及服务器 | |
| CN110232537A (zh) | 分配数据对象的方法、装置、设备及存储介质 | |
| CN104778123B (zh) | 一种检测系统性能的方法及装置 | |
| CN109598414A (zh) | 风险评估模型训练、风险评估方法、装置及电子设备 | |
| CN110443457A (zh) | 数据处理方法及装置 | |
| CN109784013A (zh) | 一种信息识别的方法、装置以及设备 | |
| CN109754144A (zh) | 面向云控的智能网联汽车数据及应用管理方法和装置 | |
| CN109359120A (zh) | 一种模型训练中的数据更新方法、装置及设备 | |
| CN109583890A (zh) | 异常交易对象的识别方法、装置及设备 | |
| CN108229337A (zh) | 一种数据处理的方法、装置及设备 | |
| CN110413510A (zh) | 一种数据处理方法、装置及设备 | |
| CN110020427A (zh) | 策略确定方法和装置 | |
| CN108255886A (zh) | 推荐系统的评估方法及装置 | |
| CN110209561A (zh) | 用于对话平台的评测方法和评测装置 | |
| CN110033117A (zh) | 模型校准方法及装置 | |
| CN110532295A (zh) | 一种计算机实施的信息处理、信息查询的方法及装置 | |
| CN110580217B (zh) | 软件代码健康度的检测方法、处理方法、装置及电子设备 | |
| CN110264248A (zh) | 用户体验信息的预测方法及装置 | |
| CN109948038A (zh) | 问题推送方法及装置 | |
| CN107395447A (zh) | 模块检测方法、系统容量预估方法及相应的设备 | |
| CN110245978A (zh) | 策略组中的策略评估、策略选择方法及装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200924 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: 20200924 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: 20190920 |