出行目的地的确定方法和目标用户的确定方法
技术领域
本说明书属于互联网技术领域,尤其涉及一种出行目的地的确定方法和目标用户的确定方法。
背景技术
旅行类的网站平台为了能有针对性地向用户推荐适合于用户的业务服务,提高成单率以及用户的使用体验,往往希望能准确地预测出用户未来某个时间段(例如未来一周)的出行目的地,以便基于所预测出的出行目的地为用户推荐相对合适的业务服务。
因此,亟需一种能够较为准确地预测用户未来的出行目的地的出行目的地的确定方法。
发明内容
本说明书目的在于提供一种出行目的地的确定方法和目标用户的确定方法,以提高预测用户未来出行目的地的准确度,减少了预测误差,进而准确地为用户推荐与用户未来的出行目的地关联的业务服务。
本说明书提供的一种出行目的地的确定方法和目标用户的确定方法是这样实现的:
一种出行目的地的确定方法,包括:获取用户的属性数据,其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据;通过预设的目的地预测模型,根据所述用户的属性数据,得到结果数据;其中,所述预设的目的地预测模型为预先利用样本数据对神经网络模型进行训练得到的;根据所述结果数据,确定用户的出行目的地。
一种目标用户的确定方法,包括:获取多个用户的属性数据;其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据;通过预设的目的地预测模型,根据所述多个用户的属性数据,得到多个用户前往目标目的地的概率值;根据多个用户前往目标目的地的概率值,从多个用户中筛选出前往目标目的地的概率值大于预设的概率阈值的用户作为目标用户。
一种出行目的地的确定装置,包括:获取模块,用于获取用户的属性数据,其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据;处理模块,用于通过预设的目的地预测模型,根据所述用户的属性数据,得到结果数据;其中,所述预设的目的地预测模型为预先利用样本数据对神经网络模型进行训练得到的;确定模块,用于根据所述结果数据,确定用户的出行目的地。
一种目标用户的确定装置,包括:获取模块,用于获取多个用户的属性数据;其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据;处理模块,用于通过预设的目的地预测模型,根据所述多个用户的属性数据,得到多个用户前往目标目的地的概率值;确定模块,用于根据多个用户前往目标目的地的概率值,从多个用户中筛选出前往目标目的地的概率值大于预设的概率阈值的用户作为目标用户。
一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现:获取用户的属性数据,其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据;通过预设的目的地预测模型,根据所述用户的属性数据,得到结果数据;其中,所述预设的目的地预测模型为预先利用样本数据对神经网络模型进行训练得到的;根据所述结果数据,确定用户的出行目的地。
一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现:获取用户的属性数据,其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据;通过预设的目的地预测模型,根据所述用户的属性数据,得到结果数据;其中,所述预设的目的地预测模型为预先利用样本数据对神经网络模型进行训练得到的;根据所述结果数据,确定用户的出行目的地。
本说明书提供的一种出行目的地的确定方法和目标用户的确定方法,由于通过先获取包括用户的画像数据和用户的历史行为数据多种不同维度的属性数据作为模型输入,再通过预先训练好的预设的目的地预测模型基于上述用户的属性数据准确地预测出目标用户未来一个时间段内将要前往的出行目的地,从而解决了现有方法中存在的预测用户未来出行目的地误差较大的技术问题,提高了预测出行目的地的准确度,减少了预测误差,进而可以根据上述预测得到的出行目的地,为用户进行更加精准、有效的与出行目的地关联的业务服务的推荐,提高用户体验。
附图说明
为了更清楚地说明本说明书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是应用本说明书实施例提供的出行目的地的确定方法的系统的结构组成的一种实施例的示意图;
图2是在一个场景示例中,应用本说明书实施例提供的出行目的地的确定方法的一种实施例的示意图;
图3是在一个场景示例中,应用本说明书实施例提供的目标用户的确定方法的一种实施例的示意图;
图4是在一个场景示例中,应用本说明书实施例提供的目标用户的确定方法的一种实施例的示意图;
图5是本说明书实施例提供的出行目的地的确定方法的流程的一种实施例的示意图;
图6是本说明书实施例提供的目标用户的确定方法的流程的一种实施例的示意图;
图7是本说明书实施例提供的服务器的结构的一种实施例的示意图;
图8是本说明书实施例提供的出行目的地的确定装置的结构的一种实施例的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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,都应当属于本说明书保护的范围。
考虑到现有的出行目的地的确定方法大多使用的是传统的机器学习模型,例如,逻辑回归模型(Logistic Regression,LR)作为预测模型基于用户的身份信息等数据来预测用户的出行目的地。但是,这种方法所使用的预测模型需要通过大量的人工特征工程来筛选、确定出用于具体预测的特征,导致在实施时相对较为麻烦,人工成本也相对较高。此外,由于上述方法只考虑到了用户的身份信息这一种单一维度的用户数据,又受限于模型本身结构的限制,导致所使用的预测模型本身的拟合能力就相对较弱,进而使得基于这种预测模型进行出行目的地预测时,误差也相对较大。
针对产生上述问题的根本原因,本说明书首先考虑可以引入用户的历史行为数据,以便结合包括用户的身份信息的画像数据共同作为用户的属性数据,来更加准确地来预测用户未来的出行目的地。进一步,还考虑可以对所使用的预测模型进行改进,引入包含有残差网络层的神经网络模型进行训练得到能够自动对所提取的初级特征数据进行组合处理,得到表征效果更好的高级特征数据,进而可以基于上述高级特征数据进行具体预测,提高了模型的准确度,进一步减少了预测误差,从而达到能准确、高效地预测用户未来出行目的地的效果。
本说明书实施例提供一种出行目的地的确定方法,所述出行目的地的确定方法具体可以应用于包含有服务器和客户端的系统架构中。具体可以参阅图1所示,其中,上述服务器和客户端可以通过有线或无线的方式耦合,以便相互之间可以进行数据交互。
在本实施例中,服务器可以通过用户使用的客户端获取用户的属性数据,其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据;再通过预设的目的地预测模型,根据所述用户的属性数据,得到结果数据;其中,所述预设的目的地预测模型为预先利用样本数据对神经网络模型进行训练得到的;根据所述结果数据,确定用户的出行目的地;其中,所述用户的出行目的地为用户未来一个时间段内可能前往的出行目的地。服务器在预测出该用户的未来一个时间段内可能前往的出行目的地后,进一步可以生成与该出行目的地关联的业务数据,其中,上述业务数据具体可以是与该目的地相关的业务服务的推送信息;再将上述业务数据推送给客户端。客户端可以接收并向用户展示上述业务数据。
在本实施例中,所述服务器可以是一种应用于网站业务平台一侧,能够实现数据传输、数据处理等功能的后台数据处理系统的服务器。具体的,所述服务器可以为一个具有数据运算、存储功能以及网络交互功能的电子设备;也可以为运行于该电子设备中,为数据处理、存储和网络交互提供支持的软件程序。在本实施例中,并不具体限定所述服务器的数量。所述服务器具体可以为一个服务器,也可以为几个服务器,或者,由若干服务器形成的服务器集群。
在本实施例中,所述客户端可以是一种应用于用户一侧,能够实现数据采集、数据传输等功能的前端设备。具体地,所述客户端例如可以为台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备、导购终端、具有网络访问功能的电视机等。或者,所述客户端也可以为能够运行于上述电子设备中的软件应用。例如,可以是在手机上运行的某出行APP等。
在一个场景示例中,可以参阅图2所示,XX旅行网可以应用本说明书实施例提供的出行目的地的确定方法对用户A未来7天的出行目的地进行预测,进而可以根据预测出的出行目的地有针对性地向用户A推送与该目的地的住宿推荐链接。
在本实施例中,用户A可以事先在自己所使用的手机上安装XX旅行网的手机APP,平常用户A会通过该手机APP在网上发起诸如预订住宿、餐饮,或者网上购买出行的火车票、飞机票等业务请求。该APP会响应用户的上述请求,完成对应的业务处理;同时,还会记录并保存下业务处理的相关信息作为用户的历史行为数据。例如,用户A2019年5月20日预定了一张2019年5月25日下午5:30从上海飞往北京的机票,或者用户A2019年5月24日预定了2019年5月25日入住的北京酒店的单人间,或者用户A2019年5月26日在北京消费了1000元,或者用户A2019年5月27日在该APP上搜索浏览了故宫的介绍信息等等。此外,该APP还会记录并保存用户A的画像数据。例如,用户A的身份信息、用户A的月收入数据、用户A的职业信息、用户A的兴趣爱好等等
当用户A点击进入该手机APP时,手机APP作为客户端在接收到用户A的点击操作时,可以判断用户A想要通过该手机APP向XX旅行网络发起旅行类的业务请求。为了能够自动识别并针对用户的当前需求,提供满足用户当前期望的业务服务,手机APP可以先将近期(例如近一周)所记录保存的用户A的历史行为数据,以及用户A的画像数据一同发送给XX旅行网的后台业务处理系统的服务器。
服务器在接收到该APP所的用户A的历史行为数据和画像数据后,可以将上述用户A的历史行为数据和画像数据作为模型输入,输入进预先训练好的预设的目的地预设模型中,通过模型运算得到对应的模型输出作为针对用户A的结果数据。其中,上述结果数据具体可以是用户A未来7天内可能前往的较为热门的3个预设城市(即W城、X城和Y城)的概率值。
进一步,服务器可以根据上述结果数据,确定出概率值最高的预设城市作为用户A的出行目的地。例如,根据上述结果数据发现X城对应的概率值相对于W城和Y城更高,因此,可以将X城确定为用户A未来7天内将可能前往的出行目的地。
进而服务器可以通过搜索X城的方式,查找到XX旅行网上关于X城的住宿的页面,例如,X城JY酒店的客房预订页面,或者X城GG民宿的介绍页面等;再将携带有上述页面内容的关键词的链接作为关联的业务数据发送给客户端,即手机APP上。
手机APP在接收到上述关联的业务数据后,可以在响应用户A的点击操作打开的APP界面上展示出携带有关键词的链接。具体可以参阅图3所示。例如,自动在APP的首界面上以悬浮框的方式弹出包含“X城JY酒店预订”、“X城GG民宿介绍”等页面链接的提示界面。
这样可以在用户A在打开的APP界面中进行具体的输入搜索操作之前,自动地弹出提示界面,以与所预测的用户A可能想要前往的X城相关联的住宿信息。这时如果用户确实是想在该手机APP上预定X城的酒店住宿,可以直接点击“X城JY酒店预定”的链接,以进入该链接所对应X城JY酒店的客房预订页面,并在该页面上完成X城JY酒店的房间预定,从而通过基于预测出的用户A未来想要前往的出行目的地,智能地向用户A推送了该目的地的住宿信息,简化了用户的操作,使得用户获得更好的使用体验。
当然,如果用户A并不是想预定X城的酒店或名宿,也可以通过点击设置在链接的边缘位置的叉子符号,关闭上述弹出上述的链接,从而可以按照正常方式在搜索框中手动输入想要发起请求的某个城市的某项业务。
在另一个场景示例中,可以参阅图4所示,XX旅行网计划未来一周在SZ城的某旅游景点开展旅行活动,为推广在SZ城的某旅游景点开展的旅行活动,吸引更多未来届时在SZ城旅游的用户前往该旅游景点参与该旅行活动,XX旅行网可以先利用该网站平台的业务处理系统的服务器通过各个用户所使用的手机、笔记本电脑等客户端获取各个用户最新的属性数据,即各个用户最新的画像数据和历史行为数据。
具体的,例如,按照上述方式,服务器可以获得用户甲、用户乙、用户丙、用户丁的画像数据和历史行为数据。当然,需要说明的是上述所列举的4个不同用户只是一种示意性说明。具体实施时,根据具体情况可以获取更多数量用户的属性数据,以便后续可以对更多数量用户的出行目的地进行预测预测。对此,本说明书不作限定。
在得到上述多个用户的画像数据和历史行为数据后,可以将上述多个用户的画像数据和历史行为数据作为模型输入,输入进预先的训练好的预设的目的地预测模型中。上述预设的目的地预测模型可以根据输入的多个用户的画像数据和历史行为数据进行模型运算,输出得到对应不同用户未来一周前往SZ城的概率值。例如,通过预设的目的地预测模型,可以得到用户甲前往SZ城的概率为58%,用户乙前往SZ城的概率为23%,用户丙前往SZ城的概率为81%,用户丁前往SZ城的概率为92%。
进一步,服务器可以将通过预设的目的地预测模型预测出的上述不同用户前往SZ城的概率值分别与预设的概率阈值(例如60%)进行比较,将概率值大于预设的概率值的用户丙和用户丁从4个用户中筛选出来,判断用户丙和用户丁未来一周内有较大的概率会前往SZ城。因此,可以将用户丙和用户丁确定为待推广的将要在SZ城的某旅游景点开展的旅行活动的目标用户。进而可以将目标用户的身份信息发送至XX旅行网推广系统的服务器。
推广系统的服务器在接收到上述目标用户的身份信息后可以从XX旅行网所拥有的用户信息中搜索到未来一周将要前往SZ城的用户丙和用户丁的手机号。再根据用户丙和用户丁的手机号,以短信的形式向用户丙和用户丁推送提示消息,以提示用户丙和用户丁:即将在SZ城的某旅游景点开展旅行活动,欢迎届时参与。由于用户丙和用户丁原本就计划近期前往SZ城旅游,如果在自己前往SZ城之前就接收到了上述提示消息,则会相对更倾向于届时前往SZ城的某旅游景点参与该旅行活动,从而可以达到较好的推广效果。
在另一场景示例中,为了得到上述使用的准确度较高、误差较小的预设的目的地预测模型,XX旅行网的后台业务处理系统的服务器可以预先获取使用该网站手机APP的用户的第一时间段内画像数据和历史行为数据作为样本数据,将上述样本数据所对应的用户作为样本用户;同时获取并确定上述样本用户第一时间段后真实前往预设目的地的情况。其中,上述预设目的地可以是根据具体应用场景预先选定的一个或多个地区。例如,可以单独将SZ城一个地区作为预设目的地,也可以将W城、X城和Y城3个不同的地区作为需要预测的3个不同的预设目的地。对于上述预设目的地的具体数量,本说明书不作限定。
下面以单独将SZ城一个地区作为预设目的地为例,服务器可以根据样本用户第一时间段后真实前往该预设目的地的情况,对样本数据进行标注。例如,对于一个对应用户Q的样本数据q,在确定第一时间段后用户Q没有前往SZ城的情况下,可以在样本数据q上设置一个数据标签“no”,完成对样本数据q的标注。对于另一个对应用户P的样本数据p,在确定第一时间段后用户P确实前往了SZ城的情况下,可以在样本数据p上设置一个数据标签“yes”,完成对样本数据p的标注。按照上述方式完成了对样本数据的标注,得到了标注后数据标签。
进一步,为了提高模型的准确度,在构建初始模型时,可以先构建一个包含有依次连接的第一网络层、第二网络层和第三网络层的神经网络作为初始模型。
其中,上述第一网络层具体可以包含有一个或多个分组,其中,每一个分组用于后续训练以从样本数据中对应提取一个第一特征数据作为一个embedding向量,并和其他组提取的特征数据拼接在一起以后,输入至与第一网络层连接的第二网络层。上述第二网络层具体可以是一种残差网络层,例如,深度残差网络层(Deep Residual Network),该网络层可以用于训练以对拼接在一起的第一特征数据进行再次加工,以便可以基于拼接在一起的第一特征数据,通过特征处理等方式,得到第二特征数据;再将第二特征数据输入至与第二网络层连接的第三网络层。其中,需要说明的是,上述第二特征数据区别于第一特征数据,第一特征数据是直接从样本数据中提取得到的特征,相对较为粗糙,是一种初级特征,常常会包含有其他的干扰信息,用于预测目的地时的表征效果相对较差;而第二特征数据是基于第一特征数据通过进一步的特征处理后得到的特征,相对较为精细,是一种经过处理的高级特征,用于预测目的地时的表征效果相对更好。上述第三网络层具体可以是softmax层,可以用于训练基于第二特征数据计算对应预设目的地的概率值。
在得到上述初始模型后,服务器可以将标注后的样本数据分别输入至初始模型,对初始模型进行监督学习(supervised),通过训练、学习分别确定出上述第一网络层、第二网络层和第三网络层的网络参数,在确定出上述网络参数后完成对初始模型的模型训练,从而可以得到准确度较高的预设的目的地预测模型。
在本场景示例中,为了进一步提高第二网络层所提取的第二特征数据的表征效果,具体实施时,在构建初始模型时可以将包含有6层的残差网络层作为第二网络层参与构建初始模型,以使得最终得到的预设的目的地预测模型具有更高的准确度。
由上述场景示例可见,本说明书提供的出行目的地的确定方法,由于通过先获取包括用户的画像数据和用户的历史行为数据多种不同维度的属性数据作为模型输入,再通过预先训练好的预设的目的地预测模型基于上述用户的属性数据准确地确定出目标用户未来一个时间段内将要前往的出行目的地,从而解决了现有方法中存在的预测用户未来出行目的地误差较大的技术问题,提高了预测出行目的地的准确度,减少了预测误差,进而可以根据上述预测的出行目的地,为用户进行更加精准、有效的与出行目的地关联的业务服务的推荐,提高用户体验。
参阅图5所示,本说明书实施例提供了一种出行目的地的确定方法,其中,该方法具体应用于服务器一侧。具体实施时,该方法可以包括以下内容。
S51:获取用户的属性数据,其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据。
在本实施例中,上述用户的属性数据具体可以理解为一种用于预测用户的未来出行情况的用户数据。具体的,上述用户的属性数据可以包括用户的画像数据、用户的历史行为数据等至少两种不同维度的用户数据。
在本实施例中,上述用户的画像数据具体可以理解为一种能反映用户的静态特征的数据。例如,上述用户的画像数据具体可以包括以下所列举的一种或多种:用户的基础信息(例如,用户的身份信息、用户的账户名称、用户的性别、用户的年龄、用户所在区域、用户的职业信息等),用户的财富数据(例如,用户的月收入数据、用户的资产数据、用户的购买力等级、用户网上交易记录等),用户的学历信息,用户的兴趣爱好(例如,用户收藏过的网页、用户自行设置的个人标签等)等等。当然,需要说明的是,上述所列举的画像数据只是为了更好地说明本说明书实施例。具体实施时,根据具体的应用场景,还可以引入其他能反映用户的静态特征的数据作为用户的画像数据。对此,本说明书不作限定。
在本实施例中,上述用户的历史行为数据具体可以理解为一种能反映用户的动态特征的数据。例如,上述用户的历史行为数据具体可以包括以下所列举的一种或多种:用户预设时间段内(例如最近一周内)的网络搜索记录、用户的异地交易记录、用户预设时间段内的出行类账单数据、用户的历史出行记录、用户的异地支付记录、用户的异地银行卡信息等等。当然,需要说明的是,上述所列举的历史行为数据只是为了更好地说明本说明书实施例。具体实施时,根据具体的应用场景,还可以引入其他能反映用户的动态特征的特征数据作为用户的历史行为数据。对此,本说明书不作限定。
在本实施例中,需要说明的是,由于用户的历史行为数据能够有效地反映最近的一段时间即预设时间段内用户具体的动态特征,进而可以根据这种动态特征确定出用户最近的动态趋势,进一步可以基于这种动态趋势对用户为来的出行进行更加准确的预测。
例如,根据用户的历史数据发现用户最近的一周中每天都在上午前往上海,下午返回苏州,可以确定出用户最近的动态趋势是每天往返于上海和苏州,进而可以基于这种动态趋势的延续,预测未来两天该用户还有较大的可能继续前往上海,可以将上海确定为未来两天该用户的出行目的地。通过这个例子可知,将用户的历史行为数据引入用户的属性数据中用于预测用户未来的出行目的地,可以提高预测的准确度。
在本实施例中,上述获取用户的属性数据,具体实施时,可以包括以下内容:服务器可以通过用户使用的客户端采集用户的画像数据和历史行为数据,并由客户端将所采集的用户的画像数据和历史行为数据发送至服务器。
S53:通过预设的目的地预测模型,根据所述用户的属性数据,得到结果数据;其中,所述预设的目的地预测模型为预先利用样本数据对神经网络模型进行训练得到的。
在本实施例中,上述预设的目的地预测模型具体可以理解为一种预先训练好的,用于基于用户的属性数据来计算未来一段时间(例如未来3天)用户将前往预设目的地的概率值。具体的,上述预设的目的地预测模型可以是事先训练好的用于预测用户前往一个预设目的地的概率值的预测模型,也可以是事先训练好的用于预测用户前往多个不同的预设目的地的概率值的预测模型。其中,上述预设目的地可以根据具体的应用场景灵活设置。例如,如果想预测用户未来一个时间段内前往SZ城的概率值,可以只将SZ城这1个地区作预设目的地。又如果想要预测用户未来同一个时间段内前往SZ城、BJ城和HZ城多个不同地区的概率值,可以同时将SZ城、BJ城和HZ城3个地区作为不同的预设目的地,这样通过该预设的目的地预测模型可以得到用户未来分别前往SZ城、BJ城和HZ城的3个概率值。相应的,上述结果数据具体可以理解为用户未来前往预设目的地的概率值。
在本实施例中,上述预设的目的地预测模型具体可以是预先利用所获取的样本数据对基于神经网络模型结构的初始模型进行模型训练得到的。进一步,上述初始模型还可以是包含有残差网络结构(例如深度残差网络层等)的初始模型。由于初始模型包含有残差网络结构,因此可以对从样本数据中直接提取到的较为粗糙的初级特征数据,即第一特征数据进行组合和深加工,得到表征效果更好的高级特征数据,即第二特征数据,进而后续可以根据第二特征数据而不是直接根据第一特征数据来进行概率值的计算,从而可以最终训练得到的预设的目的地预测模型的准确度,减少模型误差。
在本实施例中,上述通过预设的目的地预测模型,根据所述用户的属性数据,得到结果数据,具体实施时,可以包括:服务器将用户的属性数据作为模型输入,输入至已经训练好的预设的目的地预测模型中;预设的目的地预测模型根据输入进的用户的属性数据进行模型运算,计算出用户前往目的地的概率值,通过模型输出,作为对应该用户的结果数据。
S55:根据所述结果数据,确定用户的出行目的地。
在本实施例中,上述根据所述结果数据,确定用户的出行目的地,具体实施时可以包括:在预设目的地只有一个的情况下,服务器可以将根据结果数据得到的用户前往该预设目的地的概率值和预设的概率阈值作比较,如果确定用户前往该预设目的地的概率值大于所述预设的概率阈值,可以判断用很有可能在未来的一段时间会前往该预设目的地,并将该预设目的地确定为用户未来将要前往的出行目的地。在预设目的地包括多个的情况下,服务器可以将根据结果数据得到的用户分别前往多个预设目的地的概率值进行相互比较,将概率值最高的一个预设目的地确定用户很有可能在未来的一段时间会前往的目的地,并将该预设目的地确定为出行目的地。
在本实施例中,在确定出用户的出行目的地后,所述方法具体实施时,还可以包括以下内容:向所述用户推送与所述出行目的地关联的业务数据。
在本实施例中,上述与所述出行目的地关联的业务数据具体可以理解为一种与出行目的业务服务相关的数据。具体的,例如,上述业务数据可以是目的地的住宿预订链接(例如,SZ的某酒店的客房预订页面的页面链接),也可以是目的地的美食餐饮的推荐信息(例如,SZ城美食榜单TOP10),还可以是由用户当前所在地区前往目的地的票务信息(例如,前往SZ城的火车票余量、价格、发车时间)等等。当然,需要说明的是,上述所列举的业务数据只是一种示意性说明。具体实施时,根据具体的应用场景,还可以引入除上述所列举的业务数据以外其他类型的业务数据作为与出行目的地关联的业务数据。
在本实施例中,服务器可以将与出行目的地关联的业务数据发送至用使用的客户端,客户端在接收到上述与出行目的地关联的业务数据后,可以向用户展示出相应的业务数据。这样可以在用户发出针对自己想要前往的目的地的业务服务请求之前,智能地预测出用户想要前往的目的地,并自动向用户推送展示有针对性的与该目的地的业务服务相关的业务数据,从而可以简化用户的操作,更加智能地为用户服务,提高了用户的使用体验。
此外,在这样的友好、智能的使用情景中,用户相对会更容易接受所推送的与出行目的地关联的业务数据所对应的业务服务。例如,用户确实计划未来3天前往SZ城出差,而当前用户还没来得及自己去预定SZ城的住宿,但用户所使用的智能手机在用户就已经预测出用户未来想要前往SZ城,并自动为用户推送了所推荐的SZ城中的某酒店的客房预定页面的链接数据。这时用户相对会更愿意直接通过点击该链接数据,进入对应的所推荐的SZ城中的某酒店的客房预定页面,直接在该页面中预定客房,从而可以能提高成单率,达到较好的推荐效果。
在本实施例中,由于通过先获取包括用户的画像数据和用户的历史行为数据多种不同维度的属性数据作为模型输入,再通过预先训练好的预设的目的地预测模型基于上述用户的属性数据准确地确定出目标用户未来一个时间段内将要前往的出行目的地,从而解决了现有方法中存在的预测用户未来出行目的地误差较大的技术问题,提高了预测出行目的地的准确度,减少了预测误差,进而可以根据上述预测的出行目的地,为用户进行更加精准、有效的与出行目的地关联的业务服务的推荐,提高用户体验。
在一个实施例中,所述用户的历史行为数据具体可以包括以下至少之一:用户预设时间段内的网络搜索记录、用户的异地交易记录、用户预设时间段内的出行类账单数据、用户的历史出行记录等等。当然,需要说明的是,上述所列举的用户的历史行为数据只是一种示意性说明。具体实施时,根据具体的应用场景,还可以引入其他类型的数据作为上述用户的历史行为数据使用。对此,本说明书不作限定。
在本实施例中,上述用户预设时间段内的出行类账单数据具体可以是用户预设时间段内与出行类服务相关的账单数据,例如,可以是用户预设时间段内使用的火车票的支付账单、用户预设时间段内使用的飞机票的支付账单、用户预设时间段内住宿的酒店客房的消费账单等等。
在一个实施例中,在根据所述结果数据,确定用户的出行目的地后,所述方法具体实施时,还可以包括以下内容:向所述用户推送与所述出行目的地关联的业务数据。
在本实施例中,上述与所述出行目的地关联的业务数据具体可以理解为一种与出行目的业务服务器相关的数据。
在一个实施例中,与所述出行目的地关联的业务数据具体可以包括以下至少之一:目的地的住宿预订链接、目的地的美食推荐信息、前往目的地的票务信息等等。当然,需要说明的是,上述所列举的业务数据只是一种示意性说明。具体实施时,根据具体的应用场景,还可以引入其他类型或内容的数据作为上述与出行目的地关联的业务数据。对此,本说明书不作限定。
在一个实施例中,所述预设的目的地预测模型具体可以按照以下方式建立:
S1:获取样本数据;
S2:标注出所述样本数据的数据标签,得到标注后的样本数据,其中,所述数据标签为用于指示所述样本数据所对应的样本用户是否前往过预设目的地的标签信息;
S3:利用所述标注后的样本数据对初始模型进行模型训练,得到预设的目的地预测模型。
在本实施例中,上述样本数据具体可以为某个时间段的样本用户的画像数据和历史行为数据。
在本实施例中,上述数据标签具体可以为一种用于指示样本用户在某个时间段后是否前往过预设目的地的标签数据。其中,上述预设目的地具体可以是一个目的地,也可以是多个目的地。
在本实施例中,在上述预设目的地包括多个的情况下,相应的,上述数据标签可以是用于分别指示用户在某个时间段后是否前往上述多个目的地的标签数据。
在本实施例中,上述初始模型具体可以是一种基于神经网络模型构建好的基础模型。具体实施时,上述初始模型可以是一个构建好的包含有依次连接的第一网络层、第二网络层和第三网络层的神经网络作为初始模型。
在本实施例中,上述第一网络层具体可以包含有一个或多个分组,其中,每一个分组用于后续训练以从样本数据中对应提取一个第一特征数据作为一个embedding向量,并和其他组提取的特征数据拼接在一起以后,输入至与第一网络层连接的第二网络层。
在本实施例中,上述第二网络层具体可以是一种残差网络层,例如,深度残差网络层(Deep Residual Network),该网络层可以用于训练以对拼接在一起的第一特征数据进行再次加工,以便可以基于拼接在一起的第一特征数据,通过特征处理等方式,得到第二特征数据;再将第二特征数据输入至与第二网络层连接的第三网络层。
其中,需要说明的是,上述第二特征数据区别于第一特征数据,第一特征数据是直接从样本数据中提取得到的特征,相对较为粗糙,是一种初级特征,常常会包含有其他的干扰信息,用于预测目的地时的表征效果相对较差;而第二特征数据是基于第一特征数据通过进一步的特征处理后得到的特征,相对较为精细,是一种经过处理的高级特征,用于预测目的地时的表征效果相对更好。
在本实施例中,上述第三网络层具体可以是一种softmax层,可以用于训练以基于第二特征数据计算对应预设目的地的概率值。
在本实施例中,利用所述标注后的样本数据对初始模型进行模型训练,得到预设的目的地预测模型,具体实施时,可以包括:将上述标注后的样本数据分别输入上述初始模型,对初始模型进行模型进行多次的学习训练;通过多次学习训练,分别确定出初始模型中的第一网络层、第二网络层和第三网络层中的网络参数,从而完成了对初始模型的模型训练,得到准确度相对较高的预设的目的地预测模型。
在一个实施例中,所述初始模型锯腿可以包括:第一网络层、第二网络层和第三网络层等。其中,所述第一网络层具体可以用于从所述属性数据中提取第一特征数据,所述第二网络层具体可以用于根据所述第一特征数据得到第二特征数据,所述第三网络层具体可以用于根据所述第二特征数据确定对应于目的地的概率值。
在一个实施例中,所述第二网络层具体可以为残差网络层,例如深度残差网络层。具体的,可以是一种6层残差网络层。当然,上述所列举的第二网络层只是一种示意性说明。具体实施时,根据具体情况,也可以选择使用其他层数合适的残差网络层作为第二网络层来构建初始模型。对此,本说明书不作限定。
由上可见,本说明书实施例提供的出行目的地的确定方法,由于通过先获取包括用户的画像数据和用户的历史行为数据多种不同维度的属性数据作为模型输入,再通过预先训练好的预设的目的地预测模型基于上述用户的属性数据准确地确定出目标用户未来一个时间段内将要前往的出行目的地,从而解决了现有方法中存在的预测用户未来出行目的地误差较大的技术问题,提高了预测出行目的地的准确度,减少了预测误差,进而可以根据上述预测的出行目的地,为用户进行更加精准、有效的与出行目的地关联的业务服务的推荐,提高用户体验;还通过利用包含有第一网络层、第二网络层和第三网络层的神经网络模型作为初始模型,并且所使用的第二网络层为残差网络层;从而可以训练第二网络层基于第一网络层直接提取到的初始的第一特征数据,通过组合处理得到表征效果更好的第二特征数据,以便第三网络层可以基于上述第二特征数据更加准确地确定出用户前往目的地的概率值,从而提高了所建立的预设的目的地预测模型的模型准确度,使得基于上述预设的目的地预测模型得到的结果对目标用户推送关联的业务服务更加精准、有效,提高了用户的使用体验。
参阅图6所示,本说明书实施例还提供了一种目标用户的确定方法,以便可以从大量的用户中筛选出未来将会前往目标目的地的用户,进而可以针对这类用户进行针对性的业务数据的推送。其中,该方法具体实施时,可以包括以下内容。
S61:获取多个用户的属性数据;其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据;
S63:通过预设的目的地预测模型,根据所述多个用户的属性数据,得到多个用户前往目标目的地的概率值;
S65:根据多个用户前往目标目的地的概率值,从多个用户中筛选出前往目标目的地的概率值大于预设的概率阈值的用户作为目标用户。
在本实施例中,可以按照上述方式,通过预设的目的地预测基于用户的画像数据和历史行为数据,从大量用户中准确地筛选出未来一段时间想要前往目标目的地的用户作为目标用户。
在一个实施例中,在根据多个用户前往目标目的地的概率值,从多个用户中筛选出前往目标目的地的概率值大于预设的概率阈值的用户作为目标用户后,所述方法具体实施时,还可以包括以下内容:向所述目标用户推送与所述目标目的地关联的业务数据。
在本实施例中,上述与目标地关联的业务数据具体可以理解为一种与目标目的业务服务相关的数据。其中,上述业务服务具体可以是住宿预订服务、餐饮预订服务、往返机票购买服务等等。对于上述业务服务器的具体内容,本说明书不作限定。
在本实施例中,由于所确定的目标用户是未来想要前往该目标目的地的用户,这类用户相对更容易接受与所述目标目的地关联的业务数据所对应的目标目的地的业务服务,从而可以提高成单率,提高用户的使用体验。
在一个实施例中,服务器在按照上述方式确定出目标用户后,还可以将上述目标用户发送给投放平台,再由投放平台有针对性地向上述目标用户推送与所述目标目的地关联的业务数据。
由上可见,本说明书实施例提供的目标用户的确定方法,由于通过先获取包括多个用户的画像数据和用户的历史行为数据多种不同维度的属性数据作为模型输入,再通过预先训练好的预设的目的地预测模型基于上述多个用户的属性数据,从多个用户中准确地筛选出未来将前往目标目的地的目标用户,以便后续针对目标用户推送与目标目的地关联的业务数据,从而提高用户对所推送的业务服务的接受度和成单率,提高用户的使用体验。
本说明书实施例还提供一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:获取用户的属性数据,其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据;通过预设的目的地预测模型,根据所述用户的属性数据,得到结果数据;其中,所述预设的目的地预测模型为预先利用样本数据对神经网络模型进行训练得到的;根据所述结果数据,确定用户的出行目的地。
为了能够更加准确地完成上述指令,参阅图7所示,本说明书实施例还提供了另一种具体的服务器,其中,所述服务器包括网络通信端口701、处理器702以及存储器703,上述结构通过内部线缆相连,以便各个结构可以进行具体的数据交互。
其中,所述网络通信端口701,具体可以用于获取用户的属性数据,其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据。
所述处理器702,具体可以用于通过预设的目的地预测模型,根据所述用户的属性数据,得到结果数据;其中,所述预设的目的地预测模型为预先利用样本数据对神经网络模型进行训练得到的;根据所述结果数据,确定用户的出行目的地。
所述存储器703,具体可以用于存储处理器702所基于的相应的指令程序。
在本实施例中,所述网络通信端口701可以是与不同的通信协议进行绑定,从而可以发送或接收不同数据的虚拟端口。例如,所述网络通信端口可以是负责进行web数据通信的80号端口,也可以是负责进行FTP数据通信的21号端口,还可以是负责进行邮件数据通信的25号端口。此外,所述网络通信端口还可以是实体的通信接口或者通信芯片。例如,其可以为无线移动网络通信芯片,如GSM、CDMA等;其还可以为Wifi芯片;其还可以为蓝牙芯片。
在本实施例中,所述处理器702可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中,所述存储器703可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
本说明书实施例还提供了一种基于上述出行目的地的确定方法的计算机存储介质,所述计算机存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:获取用户的属性数据,其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据;通过预设的目的地预测模型,根据所述用户的属性数据,得到结果数据;其中,所述预设的目的地预测模型为预先利用样本数据对神经网络模型进行训练得到的;根据所述结果数据,确定用户的出行目的地。
在本实施例中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施例中,该计算机存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
参阅图8所示,在软件层面上,本说明书实施例还提供了一种出行目的地的确定装置,该装置具体可以包括以下的结构模块:
获取模块801,具体可以用于获取用户的属性数据;
处理模块802,具体可以用于通过预设的目的地预测模型,根据所述用户的属性数据,得到结果数据;其中,所述预设的目的地预测模型为预先利用样本数据对神经网络模型进行训练得到的;
确定模块803,具体可以用于根据所述结果数据,确定用户的出行目的地。
在一个实施例中,所述用户的历史行为数据具体可以包括以下至少之一:用户预设时间段内的网络搜索记录、用户的异地交易记录、用户预设时间段内的出行类账单数据、用户的历史出行记录等等。
在一个实施例中,所述装置具体还可以包括推送模块,具体可以用于向所述用户推送与所述出行目的地关联的业务数据。
在一个实施例中,与所述出行目的地关联的业务数据具体可以包括以下至少之一:目的地的住宿预订链接、目的地的美食推荐信息、前往目的地的票务信息等等。
在一个实施例中,所述装置具体还可以包括建模模块,具体可以用于获取样本数据,其中,所述样本数据为样本用户的属性数据;标注出所述样本数据的数据标签,得到标注后的样本数据,其中,所述数据标签为用于指示所述样本数据所对应的样本用户是否前往过预设目的地的标签信息;利用所述标注后的样本数据对初始模型进行模型训练,得到预设的目的地预测模型。
在一个实施例中,所述初始模型具体可以包括:第一网络层、第二网络层和第三网络层,其中,所述第一网络层用于从所述属性数据中提取第一特征数据,所述第二网络层用于根据所述第一特征数据得到第二特征数据,所述第三网络层用于根据所述第二特征数据确定对应于预设目的地的概率值。
在一个实施例中,所述第二网络层具体可以为残差网络层。
需要说明的是,上述实施例阐明的单元、装置或模块等,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。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
由上可见,本说明书实施例提供的出行目的地的确定装置,由于通过获取模块先获取包括用户的画像数据和用户的历史行为数据多种不同维度的属性数据作为模型输入,再通过处理模块和确定模块利用预先训练好的预设的目的地预测模型基于上述用户的属性数据准确地确定出目标用户未来一个时间段内将要前往的出行目的地,从而解决了现有方法中存在的预测用户未来出行目的地误差较大的技术问题,提高了预测出行目的地的准确度,减少了预测误差,进而可以根据上述预测的出行目的地,为用户进行更加精准、有效的与出行目的地关联的业务服务的推荐,提高用户体验。
在软件层面上,本说明书实施例还提供了一种出行目标用户的确定装置,该装置具体可以包括以下的结构模块:
获取模块,具体可以用于获取多个用户的属性数据;其中,所述用户的属性数据包括以下至少之一:用户的画像数据、用户的历史行为数据;
处理模块,具体可以用于通过预设的目的地预测模型,根据所述多个用户的属性数据,得到多个用户前往目标目的地的概率值;
确定模块,具体可以用于根据多个用户前往目标目的地的概率值,从多个用户中筛选出前往目标目的地的概率值大于预设的概率阈值的用户作为目标用户。
在一个实施例中,所述装置具体还可以包括推送模块,具体可以用于向所述目标用户推送与所述目标目的地关联的业务数据。
由上可见,本说明书实施例提供的目标用户的确定装置,由于通过获取模块先获取包括多个用户的画像数据和用户的历史行为数据多种不同维度的属性数据作为模型输入,再通过处理模块和确定模块利用预先训练好的预设的目的地预测模型基于上述多个用户的属性数据,从多个用户中准确地筛选出未来将前往目标目的地的目标用户,以便后续针对目标用户推送与目标目的地关联的业务数据,从而提高用户对所推送的业务服务的接受度和成单率,提高用户的使用体验。
虽然本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本说明书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、类等等。也可以在分布式计算环境中实践本说明书,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。
通过以上的实施例的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或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。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形和变化而不脱离本说明书的精神,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。