CN110335064A - 产品推送方法、装置、计算机设备和存储介质 - Google Patents
产品推送方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110335064A CN110335064A CN201910485475.7A CN201910485475A CN110335064A CN 110335064 A CN110335064 A CN 110335064A CN 201910485475 A CN201910485475 A CN 201910485475A CN 110335064 A CN110335064 A CN 110335064A
- Authority
- CN
- China
- Prior art keywords
- product
- data
- user
- identification
- candidate products
- 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 43
- 238000012216 screening Methods 0.000 claims description 21
- 230000003542 behavioural effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 647
- 230000009471 action Effects 0.000 description 7
- 239000006227 byproduct Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能决策技术，提供了一种产品推送方法、装置、计算机设备和存储介质。所述方法包括：接收终端发送的与用户标识对应的产品获取请求；根据所述产品获取请求查询预配置的候选产品标识对应的产品特征数据，以及所述用户标识对应的用户特征数据；将所述用户特征数据和所述产品特征数据输入已训练的产品预测模型，通过所述产品预测模型确定推送的产品标识；将所述产品标识对应的产品数据推送至所述终端进行展示。采用本方法能够提高产品数据推送的精准性，从而提高产品的转化率。
Description
技术领域
本申请涉及互联网技术领域，特别是涉及一种产品推送方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的发展，因互联网的曝光率高和展示形式多样等优势，越来越多的产品借助于互联网推送给用户，一定程度上提高了产品的推送效率。借助于互联网推送产品时通常会在浏览器页面或者客户端界面设置指定的产品展示区，以通过产品展示区向用户展示所推送的一个或多个产品。产品展示区可设置成在指定时间段内轮流展示多个产品，以提高各个产品的曝光率。
目前，对于可轮流展示多个产品的产品展示区，通常会预配置多个待展示的产品以及相应的轮流展示规则，并按照轮流展示规则在产品展示区轮流展示该多个产品。轮流展示规则通常是按照展示总时长、流量耗费总量、曝光总次数或者随机展示等轮流展示。然而，基于该种轮流展示规则轮流在产品展示区展示的产品，可能不是用户实际感兴趣的产品，从而导致产品的转化率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高产品转化率的产品推送方法、装置、计算机设备和存储介质。
一种产品推送方法，所述方法包括：
接收终端发送的与用户标识对应的产品获取请求；
根据所述产品获取请求查询预配置的候选产品标识对应的产品特征数据，以及所述用户标识对应的用户特征数据；
将所述用户特征数据和所述产品特征数据输入已训练的产品预测模型，通过所述产品预测模型确定推送的产品标识；
将所述产品标识对应的产品数据推送至所述终端进行展示。
在其中一个实施例中，所述根据所述产品获取请求查询预配置的候选产品标识对应的产品特征数据，以及所述用户标识对应的用户特征数据，包括：
根据所述产品获取请求确定产品展示区标识，以及所述用户标识对应的用户历史行为数据和用户属性数据；
对所述用户历史行为数据和所述用户属性数据进行分析，得到所述用户标识对应的用户特征数据；
根据所述产品展示区标识查询预配置的候选产品标识对应的产品特征数据。
在其中一个实施例中，所述将所述用户特征数据和所述产品特征数据输入已训练的产品预测模型，通过所述产品预测模型确定推送的产品标识，包括：
将所述用户特征数据和所述产品特征数据作为输入特征，输入已训练的产品预测模型进行预测，得到各所述候选产品标识对应的用户匹配度；
从所述候选产品标识中筛选出所述用户匹配度符合预设筛选条件的候选产品标识，作为推送的产品标识。
在其中一个实施例中，所述将所述产品标识对应的产品数据推送至所述终端进行展示，包括：
查询与所述产品标识对应的产品数据和产品配置数据；
根据所述产品配置数据生成相应的产品展示策略参数；
将所述产品数据推送至所述终端进行展示，并实时获取所述产品数据的展示统计参数；
当所述展示统计参数与所述产品展示策略参数一致时，根据所述用户匹配度从所述候选产品标识中筛选出再次推送的产品标识；
将所述再次推送的产品标识对应的产品数据推送至所述终端进行展示。
在其中一个实施例中，所述从所述候选产品标识中筛选出所述用户匹配度符合预设筛选条件的候选产品标识，作为推送的产品标识，包括：
按照各所述候选产品标识对应的用户匹配度，对各所述候选产品标识进行优先级排序，得到产品标识序列；
从所述产品标识序列中筛选出符合预设筛选条件的多个候选产品标识，作为推送的产品标识。
在其中一个实施例中，所述将所述产品标识对应的产品数据推送至所述终端进行展示，包括：
分别查询与各所述产品标识对应的产品数据和产品配置数据；
根据各所述产品配置数据生成与所述产品数据对应的产品展示策略参数；
将所述产品数据和相应的所述产品展示策略参数推送至所述终端，以指示所述终端按照所述产品展示策略参数轮番展示所述产品数据。
在其中一个实施例中，所述产品预测模型的训练步骤，包括：
获取目标用户标识对应的目标用户特征数据和目标产品标识对应的目标产品特征数据；
根据所述目标用户特征数据和所述目标产品特征数据，得到各目标产品标识对应的目标用户匹配度；
将所述目标用户特征数据和所述目标产品特征数据作为输入特征，将相应的所述目标用户匹配度作为期望的输出特征，对初始化的产品预测模型进行模型训练，得到已训练的产品预测模型。
一种产品推送装置，所述装置包括：
接收模块，用于接收终端发送的与用户标识对应的产品获取请求；
查询模块，用于根据所述产品获取请求查询预配置的候选产品标识对应的产品特征数据，以及所述用户标识对应的用户特征数据；
预测模块，用于将所述用户特征数据和所述产品特征数据输入已训练的产品预测模型，通过所述产品预测模型确定推送的产品标识；
推送模块，用于将所述产品标识对应的产品数据推送至所述终端进行展示。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各个实施例中所述的产品推送方法的步骤。
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各个实施例中所述的产品推送方法的步骤。
上述产品推送方法、装置、计算机设备和存储介质，在接收到终端发送的与用户标识对应的产品获取请求时，根据产品获取请求查询预配置的候选产品标识对应的产品特征数据，以及用户标识对应的用户特征数据，并将查询到的产品特征数据和用户特征数据输入已训练的产品预测模型，通过该产品预测模型确定推送的产品标识，进而将产品标识对应的产品数据推送至终端，已通过终端将该产品数据展示给相应用户。依据用户特征数据和产品特征数据确定的产品数据是符合用户预期的产品数据，由此确定的推送产品数据是符合用户喜好的产品数据，提高了产品数据推送的精准性，从而可以提高产品的转化率。而且，基于已训练的产品预测模型根据用户特征数据和产品特征数据确定推送的产品数据，进一步提高了产品数据推送的精准性，从而可以进一步提高产品的转化率。
附图说明
图1为一个实施例中产品推送方法的应用场景图；
图2为一个实施例中产品推送方法的流程示意图；
图3为另一个实施例中产品推送方法的流程示意图；
图4为又一个实施例中产品推送方法的流程示意图；
图5为一个实施例中产品推送装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的产品推送方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104接收终端102发送的与用户标识对应的产品获取请求，根据该产品获取请求查询预配置的候选产品标识对应的产品特征数据，以及用户标识对应的用户特征数据，并将获取到的用户特征数据和产品特征数据输入已训练的产品预测模型，以通过该产品预测模型确定推送的产品标识，进而将产品标识对应的产品数据推送至终端102，以通过终端102将产品数据展示给用户。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种产品推送方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，接收终端发送的与用户标识对应的产品获取请求。
其中，产品获取请求是用于触发产品数据获取操作的请求，用于指示服务器获取并反馈推送给用户标识对应的用户的产品数据。用户标识用于唯一标识用户，具体可以是用户的身份证、手机号或能用于唯一标识用户的用户名等。
具体地，终端实时检测用户的预设触发操作，当检测到预设触发操作时，触发生成与该用户的用户标识对应的产品获取请求，并将生成的产品获取请求发送至服务器。终端具体可实时检测用户针对运行于其上的客户端的预设触发操作，并根据检测到的预设触发操作生成产品获取请求。预设触发操作比如用户针对预设触发控件的触发操作，比如用户针对已安装于终端的客户端的图标的点击操作，或用户在客户端或浏览器的特定用户操作界面的点击或滑动操作。
在一个实施例中，服务器接收终端通过客户端或指定网页或浏览器发送的产品获取请求。服务器接收终端通过有线或无线方式发送的产品获取请求。
S204，根据产品获取请求查询预配置的候选产品标识对应的产品特征数据，以及用户标识对应的用户特征数据。
其中，候选产品标识是可被选作为推送的产品标识的产品标识。产品标识用于唯一标识产品，具体可以是产品的名称、编号或其他由数字、字母和符号等中的至少一种组成的、且能够用于唯一标识产品的字符串，产品具体可以是广告。产品特征数据是用于表征产品所具有或所对应的特征的数据，具体可包括产品类型和目标群组数据等，产品类型比如理财类、保险类、贷款类和信用卡类等，目标群组数据是指产品的预期目标人群所共有的特征数据，比如年龄、性别、婚姻状况或职业类型等。用户特征数据是根据用户的用户行为数据和用户属性数据确定的、用于表征用户的特征的数据。用户特征数据比如用户的性别、年龄、工作类型、收入、婚姻状况、是否有房、是否有车、行为喜好和产品类型偏好等。
具体地，服务器本地预配置有多个产品标识，作为候选产品标识，并针对预配置的各候选产品标识在数据库中配置有相应的产品配置数据。当接收到产品获取请求时，服务器从数据库中筛选产品配置数据符合预设筛选条件的候选产品标识，并根据筛选出的候选产品标识查询相应的产品特征数据。产品配置数据包括剩余展示总次数、剩余展示总时长或剩余展示流量总量等。预设筛选条件比如剩余展示总次数、剩余展示总时长或剩余展示流量总量大于零。进一步地，服务器根据产品获取请求对应的用户标识在数据库中查询与该用户标识对应的用户特征数据。
在一个实施例中，产品配置数据还包括产品数据的预设展示时间段。当接收到产品获取请求时，服务器获取当前系统时间，在数据库中查询与该当前系统时间相匹配的预设展示段所对应的候选产品标识，并根据查询到的候选产品标识在数据库中查询相应的产品特征数据。
在一个实施例中，产品获取请求中携带有候选产品标识和用户标识。服务器解析接收到的产品获取请求得到候选产品标识和用户标识，并在数据库中查询与候选产品标识对应的产品特征数据，以及与用户标识对应的用户特征数据。
S206，将用户特征数据和产品特征数据输入已训练的产品预测模型，通过产品预测模型确定推送的产品标识。
其中，产品预测模型是根据预先获取的训练样本集进行模型训练获得的、能够根据用户特征数据和产品特征数据确定推送的产品标识的预测模型。产品预测模型根据用户标识对应的用户特征数据和各候选产品标识对应的产品特征数据进行预测，可直接预测输出推送给用户的产品数据所对应的产品标识，也可预测输出各候选产品标识对应的用户匹配度，进而根据用户匹配度从多个候选产品标识中筛选推送的产品标识。
具体地，服务器将根据产品获取请求获取到的产品特征数据和用户特征数据作为输入特征，输入已训练的产品预测模型中，以借助于该产品预测模型确定推送给相应用户的产品数据所对应的产品标识，作为推送的产品标识。
在一个实施例中，服务器将所获取到的用户特征数据和产品特征数据作为输入特征，输入已训练的产品预测模型进行预测，得到推送的产品标识。相应地，该产品预测模型的训练步骤包括：服务器分别获取目标用户标识对应目标用户特征数据和目标产品标识对应的目标产品特征数据，根据目标用户特征数据和目标产品特征数据从目标产品标识中确定推送的目标产品标识，将目标用户特征数据和目标产品特征数据作为输入特征，将对应确定的推送的目标产品标识作为期望的输出特征，对初始化的产品预测模型进行模型训练，得到已训练的产品预测模型。可以理解的是，在上述模型训练过程中，目标用户标识有多个，每个目标用户标识对应有多个目标产品标识，该多个目标产品标识中的一个目标产品标识作为推送的目标产品标识，由此，每个目标用户标识和该目标用户标识对应的多个目标产品标识，以及对应确定的推送的目标产品标识构成训练样本集中的一个训练样本。
在一个实施例中，步骤S206包括：将用户特征数据和产品特征数据作为输入特征，输入已训练的产品预测模型进行预测，得到各候选产品标识对应的用户匹配度；从候选产品标识中筛选出用户匹配度符合预设筛选条件的候选产品标识，作为推送的产品标识。
其中，用户匹配度是指候选产品标识对应的产品数据与用户期望的产品数据之间的匹配程度。用户匹配度可以是预设数值范围内的数值，数值越大表明匹配程度越高，预设数值范围比如0到10，数值0表示匹配程度为0，即完全不匹配，数值10表示完全匹配。用户匹配度也可以是百分比，比如60％，百分比越大表示匹配程度越高。预设筛选条件是预先自定义的筛选条件，比如筛选用户匹配度最高的候选产品标识，作为推送的产品标识。
具体地，服务器将获取到的用户特征数据和产品特征数据作为输入特征，输入已训练的产品预测模型进行预测，得到各候选产品标识所对应的用户匹配度。服务器根据各候选产品标识对应的用户匹配度，从该多个候选产品标识中筛选出用户匹配度最高的候选产品标识，作为推送的产品标识。
在一个实施例中，当通过产品预测模型预测得到各候选产品标识对应的用户匹配度时，服务器根据预测得到的用户匹配度对该多个候选产品标识进行优先级排序，得到产品标识序列。服务器从产品标识序列中选取排序位置最前或最后的候选产品标识，作为推送的产品标识，具体依据排序方式而定。
上述实施例中，借助于已训练的产品预测模型根据用户特征数据和产品特征数据进行预测，得到各候选产品标识对应的产品数据与用户期望的产品数据之间的匹配程度，以筛选出匹配程度最高的产品数据并通过终端展示给用户，提高了产品数据推送的精准度，从而可以提高产品的转化率。
S208，将产品标识对应的产品数据推送至终端进行展示。
具体地，当借助于已训练的产品预测模型确定推送的产品标识时，服务器根据所确定的产品标识从数据库中查询相应的产品数据，并将查询到的产品数据推送至终端，以通过终端将该产品数据展示给相应用户。
在一个实施例中，服务器根据产品标识从其他计算机设备或在线网络获取该产品标识所对应的产品数据。其他计算机设备比如用于配置或存储产品标识对应的产品数据的服务器或终端。
上述产品推送方法，在接收到终端发送的与用户标识对应的产品获取请求时，根据产品获取请求查询预配置的候选产品标识对应的产品特征数据，以及用户标识对应的用户特征数据，并将查询到的产品特征数据和用户特征数据输入已训练的产品预测模型，通过该产品预测模型确定推送的产品标识，进而将产品标识对应的产品数据推送至终端，已通过终端将该产品数据展示给相应用户。依据用户特征数据和产品特征数据确定的产品数据是符合用户预期的产品数据，由此确定的推送产品数据是符合用户喜好的产品数据，提高了产品数据推送的精准性，从而可以提高产品的转化率。而且，基于已训练的产品预测模型根据用户特征数据和产品特征数据确定推送的产品数据，进一步提高了产品数据推送的精准性，从而可以进一步提高产品的转化率。
在一个实施例中，步骤S204包括：根据产品获取请求确定产品展示区标识，以及用户标识对应的用户历史行为数据和用户属性数据；对用户历史行为数据和用户属性数据进行分析，得到用户标识对应的用户特征数据；根据产品展示区标识查询预配置的候选产品标识对应的产品特征数据。
其中，产品展示区标识用于唯一标识产品展示区。产品展示区是用于展示推送的产品数据的区域。以产品为广告为例，产品展示区是指广告位。用户历史行为数据是指与用户历史行为相关的数据。用户历史行为数据是指根据用户对产品展示区所展示的各产品数据的点击、浏览或收藏等操作行为对应生成的数据，根据用户历史行为数据可确定用户对各类产品的偏好。用户属性数据包括用户基本数据和用户兴趣偏好数据，用户基本数据比如用户的性别、年龄、工作类型、婚姻情况、收入、是否有车或房等，用户兴趣偏好数据比如用户喜好理财或用户喜好购物等。
具体地，当检测到用户的预设触发操作时，终端根据该预设触发操作查询预配置的产品展示区标识，并根据所查询到的产品展示区标识和相应的用户标识生成产品获取请求，并将生成的产品获取请求发送至服务器。服务器解析接收到的产品获取请求，得到产品展示区标识和用户标识。服务器根据解析得到的产品展示区标识，在数据库中查询对应于该产品展示区标识预配置的候选产品标识，并根据查询到的候选产品标识查询相应的产品特征数据。进一步地，服务器根据用户标识在数据库中查询相应的用户历史行为数据和用户属性数据，并对查询到的用户历史行为数据和用户属性数据进行统计分析，得到用户标识对应的用户特征数据。
在一个实施例中，服务器根据用户属性数据得到用户基本数据和用户兴趣偏好数据，并根据用户兴趣偏好数据确定用户兴趣特征数据，比如用户偏好的产品类型。服务器对用户历史行为数据进行统计分析，以从该用户历史行为数据中提取出用户偏好的产品类型和/或产品标识。服务器根据用户基本数据和用户兴趣特征数据，以及基于用户历史行为数据提取的产品类型和/或产品标识，确定用户特征数据。比如，用户基本数据为性别男、年龄25、工作类型为技术研发类、婚姻状况为未婚，用户兴趣特征数据为偏好理财类产品，基于用户历史行为数据确定用户偏好的产品类型为基金，具体还可确定用户偏好股票基金和/或投资基金，则对应确定的用户特征数据为性别男、年龄25、工作类型为技术研发类、婚姻状况为未婚，偏好理财类产品，偏好的产品类型为基金。用户特征数据还可包括用户偏好股票基金和/或投资基金。这样，按照上述产品推送方法可将基金类的产品数据推送至终端进行展示。
上述实施例中，根据产品展示区标识确定产品特征数据，以保证推送的产品数据是与产品展示区相匹配的产品数据，提高了产品数据推送的准确性。进一步地，将用户标识对应的用户历史行为数据和用户属性数据特征化，得到该用户标识对应的用户特征数据，以使得用户特征数据能更好的反映用户的特征和偏好。这样，根据用户特征数据和产品特征数据确定的推送给用户的产品数据与用户期望的产品数据的匹配程度更高，提高了产品数据推送精准性，从而可以提高产品的转化率。
在一个实施例中，步骤S208包括：查询与产品标识对应的产品数据和产品配置数据；根据产品配置数据生成相应的产品展示策略参数；将产品数据推送至终端进行展示，并实时获取产品数据的展示统计参数；当展示统计参数与产品展示策略参数一致时，根据用户匹配度从候选产品标识中筛选出再次推送的产品标识；将再次推送的产品标识对应的产品数据推送至终端进行展示。
其中，产品展示策略参数是产品展示策略中的量化参数，用于表征展示产品数据的策略，比如产品数据的展示总时长，或者展示产品数据时的流量耗费总量。展示统计参数是指在产品数据展示过程中实时统计的展示参数，比如展示总时长或流量耗费总量等。
具体地，当确定推送的产品标识时，服务器根据所确定的产品标识从数据库中查询相应的产品数据和产品配置参数，根据查询到的产品配置参数生成相应的产品展示策略参数，并将生成的产品展示策略参数缓存在本地。服务器将查询的产品数据推送至终端进行展示，实时统计该产品数据对应的展示统计参数，并将统计的展示统计参数与缓存的产品展示策略参数进行比较。当展示统计参数与产品展示策略参数一致时，服务器根据各候选产品标识对应的用户匹配度，从当前尚未推送相应产品数据的多个候选产品标识中筛选出用户匹配度最高的候选产品标识，作为再次推送的产品标识。服务器根据再次推送的产品标识查询相应的产品数据，并将查询到的产品数据推送至终端进行展示。
在一个实施例中，对于再次推送的产品标识，服务器按照上述方式生成相应的产品展示策略参数，实时统计相应的展示统计参数，并当产品展示策略参数与相应的展示统计参数一致时，继续执行根据用户匹配度从候选产品标识中筛选出再次推送的产品标识的步骤，直至符合预设停止条件时，停止迭代。预设停止条件比如各候选产品标识对应的产品数据按照上述方式依次推送完毕，或服务器获取到产品数据推送终止指令等。
在一个实施例中，服务器根据实时统计的展示统计参数，在数据库中动态更新产品标识对应的产品配置数据。当展示统计参数与产品展示策略参数一致时，服务器从数据库中获取该当前推送的产品标识所对应的产品配置数据。在当前获取的产品配置数据符合预设筛选条件时，服务器将该当前推送的产品标识确定为再次推送的产品标识。
上述实施例中，根据产品配置数据动态更新推送至终端进行展示的产品数据，保证了产品数据推送的多样性，提高了产品数据的推送效率，可提高产品的整体转化率。同时，按照各候选产品标识的用户匹配度依次推送，以便于用户在推送的各产品数据中能快速定位自身感兴趣的产品数据，进一步提高了产品数据推送效率。
在一个实施例中，从候选产品标识中筛选出用户匹配度符合预设筛选条件的候选产品标识，作为推送的产品标识，包括：按照各候选产品标识对应的用户匹配度，对各候选产品标识进行优先级排序，得到产品标识序列；从产品标识序列中筛选出符合预设筛选条件的多个候选产品标识，作为推送的产品标识。
其中，产品标识序列是由多个候选产品标识按照特定的优先级排序排列组成的序列。预设筛选条件比如筛选出在产品标识序列中排序位置靠前的预设数量的候选产品标识，或筛选出用户匹配度达到预设匹配度阈值的候选产品标识。
具体地，推送的产品标识有多个。当确定各候选产品标识对应的用户匹配度时，服务器按照各候选产品标识对应的用户匹配度，对各候选产品标识进行优先级排序，得到由该多个候选产品标识组成的产品标识序列。用户匹配度越高，相应候选产品标识的优先级越高，即该候选产品标识在产品标识序列中的排序位置越靠前。服务器从该产品标识序列中筛选出排序位置靠前的预设数量的候选产品标识，作为推送的产品标识。预设数量可自定义，比如3。
在一个实施例中，服务器按照用户匹配度由高至低的先后顺序，从该多个候选产品标识中筛选出预设数量的候选产品标识，作为推送的产品标识。服务器可从该多个候选产品标识中，筛选出用户匹配度大于或等于预设匹配度阈值的候选产品标识，作为推送的产品标识。预设匹配度阈值比如7或70％。
上述实施例中，根据用户匹配度在预配置的多个候选产品标识中筛选推送的产品标识，在保证推送的产品数据多样性的前提下，提高了产品数据推送的精准性，从而可以提高产品的整体转化率。
在一个实施例中，步骤S208包括：分别查询与各产品标识对应的产品数据和产品配置数据；根据各产品配置数据生成与产品数据对应的产品展示策略参数；将产品数据和相应的产品展示策略参数推送至终端，以指示终端按照产品展示策略参数轮番展示产品数据。
其中，产品展示策略参数比如产品数据的曝光次数、单次曝光时长或单次曝光的流量耗费总量。
具体地，当根据用户匹配度从候选产品标识中筛选出推送的多个产品标识时，服务器根据筛选出的各产品标识分别查询相应的产品数据和产品配置数据，并根据各产品标识对应的产品配置数据分别生成相应的产品展示策略参数。服务器将各产品标识对应的产品数据和产品展示策略参数推送至终端。终端按照所接收到的产品展示策略参数在相应产品展示区轮番展示相应的产品数据。
以产品为广告举例说明，产品展示区为轮播广告位，终端在接收到服务器推送的多个广告数据和各广告数据对应的广告展示策略参数时，按照各广告展示策略参数在轮播广告位轮播相应的广告数据。
上述实施例中，根据各产品标识的产品配置数据确定轮番展示相应产品数据的产品展示策略参数，以使得终端在产品展示区按照产品展示策略参数将各产品数据轮番展示给用户，提高了轮番展示的产品的转化率。
在一个实施例中，上述产品推送方法中，产品预测模型的训练步骤，包括：获取目标用户标识对应的目标用户特征数据和目标产品标识对应的目标产品特征数据；根据目标用户特征数据和目标产品特征数据，得到各目标产品标识对应的目标用户匹配度；将目标用户特征数据和目标产品特征数据作为输入特征，将相应的目标用户匹配度作为期望的输出特征，对初始化的产品预测模型进行模型训练，得到已训练的产品预测模型。
具体地，服务器获取多个目标用户标识各自对应的目标用户特征数据，并针对每个目标用户标识对应的多个目标产品标识，分别获取与各目标产品标识对应的目标产品特征数据。对于每个目标用户标识，服务器根据该目标用户标识对应的目标用户特征数据，以及相应的多个目标产品标识各自对应的目标产品特征数据，分别对该多个目标产品标识中的各目标产品标识进行标注，得到各目标产品标识对应的目标用户匹配度。服务器将各目标用户标识对应的目标用户特征数据和相应的多个目标产品特征数据作为输入特征，将相应的多个目标用户匹配度作为期望的输出特征，对初始化的产品预测模型进行模型训练，得到已训练的产品预测模型。
在一个实施例中，上述模型训练过程中涉及的机器学习算法可以是逻辑回归算法、决策树、随机森林、神经网络和支持向量机等。
举例说明，以逻辑回归算法为例，其对应的逻辑回归函数为：其中，x为输入的特征向量，α为权重参数，h(x)为输出的特征向量。通过不断的训练使得逻辑回归的代价函数最小，对应确定权重参数的最优值，从而获得训练完成的逻辑回归模型。
上述实施例中，预先对初始化的产品预测模型进行训练，得到已训练的产品预测模型，以在进行产品推送时借助于该已训练的产品预测模型确定各候选产品标识对应的用户匹配度，进而根据用户匹配度确定推送的产品标识，提高了产品数据推送的精准性，从而可以提高产品的转化率。
如图3所示，在一个实施例中，提供了一种产品推送方法，该方法具体包括以下步骤：
S302，接收终端发送的与用户标识对应的产品获取请求。
S304，根据产品获取请求确定产品展示区标识，以及用户标识对应的用户历史行为数据和用户属性数据。
S306，对用户历史行为数据和用户属性数据进行分析，得到用户标识对应的用户特征数据。
S308，根据产品展示区标识查询预配置的候选产品标识对应的产品特征数据。
S310，将用户特征数据和产品特征数据作为输入特征，输入已训练的产品预测模型进行预测，得到各候选产品标识对应的用户匹配度。
S312，从候选产品标识中筛选出用户匹配度符合预设筛选条件的候选产品标识，作为推送的产品标识。
S314，查询与产品标识对应的产品数据和产品配置数据。
S316，根据产品配置数据生成相应的产品展示策略参数。
S318，将产品数据推送至终端进行展示，并实时获取产品数据的展示统计参数。
S320，当展示统计参数与产品展示策略参数一致时，根据用户匹配度从候选产品标识中筛选出再次推送的产品标识。
S322，将再次推送的产品标识对应的产品数据推送至终端进行展示。
上述实施例中，借助于已训练的产品预测模型，根据用户特征数据和产品特征数据预测得到各候选产品标识对应的用户匹配度，进而根据用户匹配度筛选推送的产品标识并进行产品数据的推送，提高了产品数据推送的精准性，从而可以提高产品转化率。进一步地，根据当前展示的产品数据对应的展示统计参数和产品展示策略参数动态更新展示的产品数据，使得用户在更新展示的各产品数据中选择自身感兴趣的，以提高产品的整体转化率。
如图4所示，在一个实施例中，提供了一种产品推送方法，该方法具体包括以下步骤：
S402，接收终端发送的与用户标识对应的产品获取请求。
S404，根据产品获取请求确定产品展示区标识，以及用户标识对应的用户历史行为数据和用户属性数据。
S406，对用户历史行为数据和用户属性数据进行分析，得到用户标识对应的用户特征数据。
S408，根据产品展示区标识查询预配置的候选产品标识对应的产品特征数据。
S410，将用户特征数据和产品特征数据作为输入特征，输入已训练的产品预测模型进行预测，得到各候选产品标识对应的用户匹配度。
S412，按照各候选产品标识对应的用户匹配度，对各候选产品标识进行优先级排序，得到产品标识序列。
S414，从产品标识序列中筛选出符合预设筛选条件的多个候选产品标识，作为推送的产品标识。
S416，分别查询与各产品标识对应的产品数据和产品配置数据。
S418，根据各产品配置数据生成与产品数据对应的产品展示策略参数。
S420，将产品数据和相应的产品展示策略参数推送至终端，以指示终端按照产品展示策略参数轮番展示产品数据。
上述实施例中，借助于产品预测模型根据用户特征数据和产品特征数据预测得到各候选产品标识的用户匹配度，进而根据用户匹配度筛选多个推送的产品标识，并将该多个产品标识的产品数据推送至终端进行轮番展示，以便于用户快速从多个产品数据中筛选自身感兴趣产品数据，提高了产品的整体转化率。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种产品推送装置500，包括：接收模块502、查询模块504、预测模块506和推送模块508，其中：
接收模块502，用于接收终端发送的与用户标识对应的产品获取请求；
查询模块504，用于根据产品获取请求查询预配置的候选产品标识对应的产品特征数据，以及用户标识对应的用户特征数据；
预测模块506，用于将用户特征数据和产品特征数据输入已训练的产品预测模型，通过产品预测模型确定推送的产品标识；
推送模块508，用于将产品标识对应的产品数据推送至终端进行展示。
在一个实施例中，查询模块504，还用于根据产品获取请求确定产品展示区标识，以及用户标识对应的用户历史行为数据和用户属性数据；对用户历史行为数据和用户属性数据进行分析，得到用户标识对应的用户特征数据；根据产品展示区标识查询预配置的候选产品标识对应的产品特征数据。
在一个实施例中，预测模块506，还用于将用户特征数据和产品特征数据作为输入特征，输入已训练的产品预测模型进行预测，得到各候选产品标识对应的用户匹配度；从候选产品标识中筛选出用户匹配度符合预设筛选条件的候选产品标识，作为推送的产品标识。
在一个实施例中，推送模块508，还用于查询与产品标识对应的产品数据和产品配置数据；根据产品配置数据生成相应的产品展示策略参数；将产品数据推送至终端进行展示，并实时获取产品数据的展示统计参数；当展示统计参数与产品展示策略参数一致时，根据用户匹配度从候选产品标识中筛选出再次推送的产品标识；将再次推送的产品标识对应的产品数据推送至终端进行展示。
在一个实施例中，预测模块506，还用于按照各候选产品标识对应的用户匹配度，对各候选产品标识进行优先级排序，得到产品标识序列；从产品标识序列中筛选出符合预设筛选条件的多个候选产品标识，作为推送的产品标识。
在一个实施例中，推送模块508，还用于分别查询与各产品标识对应的产品数据和产品配置数据；根据各产品配置数据生成与产品数据对应的产品展示策略参数；将产品数据和相应的产品展示策略参数推送至终端，以指示终端按照产品展示策略参数轮番展示产品数据。
在一个实施例中，预测模块506，还用于执行产品预测模型的训练步骤，包括：获取目标用户标识对应的目标用户特征数据和目标产品标识对应的目标产品特征数据；根据目标用户特征数据和目标产品特征数据，得到各目标产品标识对应的目标用户匹配度；将目标用户特征数据和目标产品特征数据作为输入特征，将相应的目标用户匹配度作为期望的输出特征，对初始化的产品预测模型进行模型训练，得到已训练的产品预测模型。
关于产品推送装置的具体限定可以参见上文中对于产品推送方法的限定，在此不再赘述。上述产品推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预配置的候选产品标识对应的产品特征数据和产品数据，以及用户标识对应的用户特征数据和已训练的产品预测模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品推送方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述各个实施例中的产品推送方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个实施例中的产品推送方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种产品推送方法，所述方法包括：
接收终端发送的与用户标识对应的产品获取请求；
根据所述产品获取请求查询预配置的候选产品标识对应的产品特征数据，以及所述用户标识对应的用户特征数据；
将所述用户特征数据和所述产品特征数据输入已训练的产品预测模型，通过所述产品预测模型确定推送的产品标识；
将所述产品标识对应的产品数据推送至所述终端进行展示。
2.根据权利要求1所述的方法，其特征在于，所述根据所述产品获取请求查询预配置的候选产品标识对应的产品特征数据，以及所述用户标识对应的用户特征数据，包括：
根据所述产品获取请求确定产品展示区标识，以及所述用户标识对应的用户历史行为数据和用户属性数据；
对所述用户历史行为数据和所述用户属性数据进行分析，得到所述用户标识对应的用户特征数据；
根据所述产品展示区标识查询预配置的候选产品标识对应的产品特征数据。
3.根据权利要求1所述的方法，其特征在于，所述将所述用户特征数据和所述产品特征数据输入已训练的产品预测模型，通过所述产品预测模型确定推送的产品标识，包括：
将所述用户特征数据和所述产品特征数据作为输入特征，输入已训练的产品预测模型进行预测，得到各所述候选产品标识对应的用户匹配度；
从所述候选产品标识中筛选出所述用户匹配度符合预设筛选条件的候选产品标识，作为推送的产品标识。
4.根据权利要求3所述的方法，其特征在于，所述将所述产品标识对应的产品数据推送至所述终端进行展示，包括：
查询与所述产品标识对应的产品数据和产品配置数据；
根据所述产品配置数据生成相应的产品展示策略参数；
将所述产品数据推送至所述终端进行展示，并实时获取所述产品数据的展示统计参数；
当所述展示统计参数与所述产品展示策略参数一致时，根据所述用户匹配度从所述候选产品标识中筛选出再次推送的产品标识；
将所述再次推送的产品标识对应的产品数据推送至所述终端进行展示。
5.根据权利要求3所述的方法，其特征在于，所述从所述候选产品标识中筛选出所述用户匹配度符合预设筛选条件的候选产品标识，作为推送的产品标识，包括：
按照各所述候选产品标识对应的用户匹配度，对各所述候选产品标识进行优先级排序，得到产品标识序列；
从所述产品标识序列中筛选出符合预设筛选条件的多个候选产品标识，作为推送的产品标识。
6.根据权利要求5所述的方法，其特征在于，所述将所述产品标识对应的产品数据推送至所述终端进行展示，包括：
分别查询与各所述产品标识对应的产品数据和产品配置数据；
根据各所述产品配置数据生成与所述产品数据对应的产品展示策略参数；
将所述产品数据和相应的所述产品展示策略参数推送至所述终端，以指示所述终端按照所述产品展示策略参数轮番展示所述产品数据。
7.根据权利要求1至6任意一项所述的方法，其特征在于，所述产品预测模型的训练步骤，包括：
获取目标用户标识对应的目标用户特征数据和目标产品标识对应的目标产品特征数据；
根据所述目标用户特征数据和所述目标产品特征数据，得到各目标产品标识对应的目标用户匹配度；
将所述目标用户特征数据和所述目标产品特征数据作为输入特征，将相应的所述目标用户匹配度作为期望的输出特征，对初始化的产品预测模型进行模型训练，得到已训练的产品预测模型。
8.一种产品推送装置，其特征在于，所述装置包括：
接收模块，用于接收终端发送的与用户标识对应的产品获取请求；
查询模块，用于根据所述产品获取请求查询预配置的候选产品标识对应的产品特征数据，以及所述用户标识对应的用户特征数据；
预测模块，用于将所述用户特征数据和所述产品特征数据输入已训练的产品预测模型，通过所述产品预测模型确定推送的产品标识；
推送模块，用于将所述产品标识对应的产品数据推送至所述终端进行展示。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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至7中任一项所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910485475.7A CN110335064A (zh) | 2019-06-05 | 2019-06-05 | 产品推送方法、装置、计算机设备和存储介质 |
| PCT/CN2019/118034 WO2020244152A1 (zh) | 2019-06-05 | 2019-11-13 | 数据推送方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910485475.7A CN110335064A (zh) | 2019-06-05 | 2019-06-05 | 产品推送方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110335064A true CN110335064A (zh) | 2019-10-15 |
Family
ID=68141200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910485475.7A Pending CN110335064A (zh) | 2019-06-05 | 2019-06-05 | 产品推送方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110335064A (zh) |
| WO (1) | WO2020244152A1 (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111104588A (zh) * | 2019-11-11 | 2020-05-05 | 广州赛宝认证中心服务有限公司 | 产品信息匹配方法、装置、计算机设备和存储介质 |
| CN111695938A (zh) * | 2020-06-05 | 2020-09-22 | 中国工商银行股份有限公司 | 产品推送方法及系统 |
| CN111897587A (zh) * | 2020-06-19 | 2020-11-06 | 深圳奇迹智慧网络有限公司 | 物联网应用配置方法、装置、计算机设备和存储介质 |
| WO2020244152A1 (zh) * | 2019-06-05 | 2020-12-10 | 平安科技（深圳）有限公司 | 数据推送方法、装置、计算机设备和存储介质 |
| CN112148937A (zh) * | 2020-10-12 | 2020-12-29 | 平安科技（深圳）有限公司 | 动态防疫知识的推送方法及系统 |
| WO2021081962A1 (zh) * | 2019-10-31 | 2021-05-06 | 华为技术有限公司 | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 |
| CN113869973A (zh) * | 2021-09-15 | 2021-12-31 | 中信建投证券股份有限公司 | 产品推荐方法、产品推荐系统和计算机可读存储介质 |
| CN113919856A (zh) * | 2020-07-09 | 2022-01-11 | 上海钧正网络科技有限公司 | 目标用户选择方法、系统、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105206180A (zh) * | 2015-10-29 | 2015-12-30 | 江苏惠居乐信息科技有限公司 | 一种反馈式信息滚动展示系统 |
| CN105573998A (zh) * | 2014-10-09 | 2016-05-11 | 阿里巴巴集团控股有限公司 | 一种页面运营信息维护方法及服务器 |
| CN108711110A (zh) * | 2018-08-14 | 2018-10-26 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
| CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技（深圳）有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101076032A (zh) * | 2007-02-15 | 2007-11-21 | 腾讯科技（深圳）有限公司 | 一种信息推送系统和方法 |
| CN101075253A (zh) * | 2007-02-15 | 2007-11-21 | 腾讯科技（深圳）有限公司 | 一种广告信息推送系统和方法 |
| KR101712988B1 (ko) * | 2010-09-10 | 2017-03-07 | 삼성전자주식회사 | 이동통신 단말기에서 인터넷 서비스 제공 방법 및 장치 |
| CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
| CN107729488A (zh) * | 2017-10-17 | 2018-02-23 | 北京搜狐新媒体信息技术有限公司 | 一种信息推荐方法及装置 |
| CN110335064A (zh) * | 2019-06-05 | 2019-10-15 | 平安科技（深圳）有限公司 | 产品推送方法、装置、计算机设备和存储介质 |
-
2019
- 2019-06-05 CN CN201910485475.7A patent/CN110335064A/zh active Pending
- 2019-11-13 WO PCT/CN2019/118034 patent/WO2020244152A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105573998A (zh) * | 2014-10-09 | 2016-05-11 | 阿里巴巴集团控股有限公司 | 一种页面运营信息维护方法及服务器 |
| CN105206180A (zh) * | 2015-10-29 | 2015-12-30 | 江苏惠居乐信息科技有限公司 | 一种反馈式信息滚动展示系统 |
| CN108711110A (zh) * | 2018-08-14 | 2018-10-26 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
| CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技（深圳）有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 王喜宾等, 重庆：重庆大学出版社 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020244152A1 (zh) * | 2019-06-05 | 2020-12-10 | 平安科技（深圳）有限公司 | 数据推送方法、装置、计算机设备和存储介质 |
| CN113508378A (zh) * | 2019-10-31 | 2021-10-15 | 华为技术有限公司 | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 |
| WO2021081962A1 (zh) * | 2019-10-31 | 2021-05-06 | 华为技术有限公司 | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 |
| US12038986B2 (en) | 2019-10-31 | 2024-07-16 | Huawei Technologies Co., Ltd. | Recommendation model training method, recommendation method, apparatus, and computer-readable medium |
| CN113508378B (zh) * | 2019-10-31 | 2024-07-05 | 华为技术有限公司 | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 |
| CN111104588B (zh) * | 2019-11-11 | 2023-10-31 | 广州赛宝认证中心服务有限公司 | 产品信息匹配方法、装置、计算机设备和存储介质 |
| CN111104588A (zh) * | 2019-11-11 | 2020-05-05 | 广州赛宝认证中心服务有限公司 | 产品信息匹配方法、装置、计算机设备和存储介质 |
| CN111695938B (zh) * | 2020-06-05 | 2023-07-18 | 中国工商银行股份有限公司 | 产品推送方法及系统 |
| CN111695938A (zh) * | 2020-06-05 | 2020-09-22 | 中国工商银行股份有限公司 | 产品推送方法及系统 |
| CN111897587A (zh) * | 2020-06-19 | 2020-11-06 | 深圳奇迹智慧网络有限公司 | 物联网应用配置方法、装置、计算机设备和存储介质 |
| CN111897587B (zh) * | 2020-06-19 | 2023-10-31 | 深圳奇迹智慧网络有限公司 | 物联网应用配置方法、装置、计算机设备和存储介质 |
| CN113919856A (zh) * | 2020-07-09 | 2022-01-11 | 上海钧正网络科技有限公司 | 目标用户选择方法、系统、设备及存储介质 |
| CN112148937B (zh) * | 2020-10-12 | 2023-07-25 | 平安科技（深圳）有限公司 | 动态防疫知识的推送方法及系统 |
| CN112148937A (zh) * | 2020-10-12 | 2020-12-29 | 平安科技（深圳）有限公司 | 动态防疫知识的推送方法及系统 |
| CN113869973A (zh) * | 2021-09-15 | 2021-12-31 | 中信建投证券股份有限公司 | 产品推荐方法、产品推荐系统和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020244152A1 (zh) | 2020-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110335064A (zh) | 产品推送方法、装置、计算机设备和存储介质 | |
| CN110263244B (zh) | 内容推荐方法、装置、存储介质和计算机设备 | |
| CN109345302B (zh) | 机器学习模型训练方法、装置、存储介质和计算机设备 | |
| KR102122373B1 (ko) | 사용자 포트레이트를 획득하는 방법 및 장치 | |
| EP3862893A1 (en) | Recommendation model training method, recommendation method, device, and computer-readable medium | |
| CN101937446B (zh) | 网站加速器 | |
| CN107885796B (zh) | 信息推荐方法及装置、设备 | |
| CN102866992B (zh) | 一种在网页中显示产品信息的方法及装置 | |
| CN111444334A (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
| CN106251174A (zh) | 信息推荐方法及装置 | |
| CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
| CN112148973B (zh) | 一种信息推送的数据处理方法及装置 | |
| CN109801101A (zh) | 标签确定方法、装置、计算机设备和存储介质 | |
| CN110233879A (zh) | 智能推送界面方法、装置、计算机设备及存储介质 | |
| CN108804133A (zh) | 虚拟资源的获取方法、系统、计算机设备和存储介质 | |
| CN110135943A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN112529665A (zh) | 基于组合模型的产品推荐方法、装置及计算机设备 | |
| CN111161009B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
| CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
| CN109754135A (zh) | 信用行为数据处理方法、装置、存储介质和计算机设备 | |
| CN114692889A (zh) | 用于机器学习算法的元特征训练模型 | |
| CN110633840A (zh) | 一种数据处理方法、装置及存储介质 | |
| CN114331495A (zh) | 多媒体数据处理方法、装置、设备及存储介质 | |
| CN116628349B (zh) | 信息推荐方法、装置、设备、存储介质及程序产品 | |
| CN111523315A (zh) | 数据处理方法、文本识别方法、装置及计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |
|
| RJ01 | Rejection of invention patent application after publication |