CN110413358B - 页面的展示方法及装置 - Google Patents

页面的展示方法及装置 Download PDF

Info

Publication number
CN110413358B
CN110413358B CN201910568597.2A CN201910568597A CN110413358B CN 110413358 B CN110413358 B CN 110413358B CN 201910568597 A CN201910568597 A CN 201910568597A CN 110413358 B CN110413358 B CN 110413358B
Authority
CN
China
Prior art keywords
exposure
alternative
user
conversion
schemes
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.)
Active
Application number
CN201910568597.2A
Other languages
English (en)
Other versions
CN110413358A (zh
Inventor
姜聪
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
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 Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201910568597.2A priority Critical patent/CN110413358B/zh
Publication of CN110413358A publication Critical patent/CN110413358A/zh
Application granted granted Critical
Publication of CN110413358B publication Critical patent/CN110413358B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种页面的展示方法，所述方法包括：首先，获取第一用户的基础特征，所述基础特征中至少包括用户属性特征；接着，将所述基础特征输入预先训练的第一分类模型中，得到针对所述特定业务的第一转化概率；然后，获取所述第一用户在当前时刻之前的第一预定时段的曝光历史特征；再接着，将所述第一转化概率和所述曝光历史特征输入预先训练的第二分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率；再然后，至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示。

Description

页面的展示方法及装置
技术领域
本说明书实施例涉及计算机领域，具体地，涉及一种页面的展示方法及装置。
背景技术
终端页面中，通常包括一个或多个区块，其中部分区块可以用于向用户展示业务推荐信息。例如，支付宝客户端主页的中心区块，可以展示芝麻信用等业务的推荐信息。进一步地，希望在页面中比较合适的区块同时在恰当的时间点向用户展示业务推荐信息，以使用户更倾向于对展示的业务推荐信息进行点击查看，进而使用对应推荐的业务来满足生活或工作需求，从而提高用户体验。
然而，目前确定出的业务推荐信息在页面中进行曝光展示的曝光方案过于单一，无法满足不同用户的不同需求。因此，需要提供一种合理、可靠的方法，可以为用户量身定制曝光方案，进而有效提高用户体验。
发明内容
本说明书描述了一种页面的展示方法，通过引入具有时序的曝光历史特征，以及引入曝光疲劳度、ROI控制，为用户量身定制业务推荐信息在页面中进行曝光展示的方案，从而有效提高用户体验。
根据第一方面，提供了一种页面的展示方法，所述页面中包括用于展示特定业务的信息的N个备选区块，所述方法包括：获取第一用户的基础特征，所述基础特征中至少包括用户属性特征；将所述基础特征输入预先训练的第一分类模型中，得到针对所述特定业务的第一转化概率；获取所述第一用户在当前时刻之前的第一预定时段的曝光历史特征，所述第一预定时段划分为M个子时段，所述曝光历史特征包括N*M个特征值，其中的各个特征值用于指示所述N个备选区块中的各个区块在所述M个子时段中的各个子时段内是否向第一用户曝光展示所述特定业务的信息；将所述第一转化概率和所述曝光历史特征输入预先训练的第二分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率，所述第二预定时段包括K个子时段，所述多种备选曝光方案中的各种备选方案包括，在所述N个备选区块中的各个区块与所述K个子时段中的各个子时段的N*K种组合下，是否对所述特定业务进行曝光展示的曝光选择；至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示；其中，所述N、M、和K为大于等于1的整数。
根据第二方面，提供了一种页面的展示方法，所述页面中包括用于展示特定业务的信息的N个备选区块，所述方法包括：获取第一用户的基础特征，以及，所述第一用户在当前时刻之前的第一预定时段的曝光历史特征，所述基础特征中至少包括用户属性特征，所述第一预定时段划分为M个子时段，所述曝光历史特征包括N*M个特征值，其中的各个特征值用于指示所述N个备选区块中的各个区块在所述M个子时段中的各个子时段内是否向第一用户曝光展示所述特定业务的信息；将所述基础特征和所述曝光历史特征输入预先训练的分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率，所述第二预定时段包括K个子时段，所述多种备选曝光方案中的各种备选方案包括，在所述N个备选区块中的各个区块与所述K个子时段中的各个子时段的N*K种组合下，是否对所述特定业务进行曝光展示的曝光选择；至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示；其中，所述N、M、和K为大于等于1的整数。
根据第三方面，提供了一种页面的展示装置，所述页面中包括用于展示特定业务的信息的N个备选区块，所述装置包括：第一获取单元，配置为获取第一用户的基础特征，所述基础特征中至少包括用户属性特征；第一预测单元，配置为将所述基础特征输入预先训练的第一分类模型中，得到针对所述特定业务的第一转化概率；第二获取单元，配置为获取所述第一用户在当前时刻之前的第一预定时段的曝光历史特征，所述第一预定时段划分为M个子时段，所述曝光历史特征包括N*M个特征值，其中的各个特征值用于指示所述N个备选区块中的各个区块在所述M个子时段中的各个子时段内是否向第一用户曝光展示所述特定业务的信息；第二预测单元，配置为将所述第一转化概率和所述曝光历史特征输入预先训练的第二分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率，所述第二预定时段包括K个子时段，所述多种备选曝光方案中的各种备选方案包括，在所述N个备选区块中的各个区块与所述K个子时段中的各个子时段的N*K种组合下，是否对所述特定业务进行曝光展示的曝光选择；确定单元，配置为至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示；其中，所述N、M、和K为大于等于1的整数。
根据第四方面，提供了一种页面的展示装置，所述页面中包括用于展示特定业务的信息的N个备选区块，所述装置包括：获取单元，配置为获取第一用户的基础特征，以及，所述第一用户在当前时刻之前的第一预定时段的曝光历史特征，所述基础特征中至少包括用户属性特征，所述第一预定时段划分为M个子时段，所述曝光历史特征包括N*M个特征值，其中的各个特征值用于指示所述N个备选区块中的各个区块在所述M个子时段中的各个子时段内是否向第一用户曝光展示所述特定业务的信息；预测单元，配置为将所述基础特征和所述曝光历史特征输入预先训练的分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率，所述第二预定时段包括K个子时段，所述多种备选曝光方案中的各种备选方案包括，在所述N个备选区块中的各个区块与所述K个子时段中的各个子时段的N*K种组合下，是否对所述特定业务进行曝光展示的曝光选择；确定单元，配置为至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示；其中，所述N、M、和K为大于等于1的整数。
根据第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行第一方面或第二方面的方法。
根据第六方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面或第二方面的方法。
在本说明书实施例提供的页面的展示方法及装置中，通过引入具有时序的曝光历史特征，以及引入曝光疲劳度、ROI控制，为用户量身定制业务推荐信息在页面中的曝光方案，从而有效提高用户体验。
附图说明
为了更清楚地说明本说明书披露的多个实施例的技术方案，下面将对实施例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披露的多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出根据一个实施例的页面的展示系统架构图；
图2示出根据一个实施例的在页面中展示特定业务信息的示意图；
图3示出根据一个实施例的页面的展示方法流程图；
图4示出根据一个实施例的备选曝光方案的示意图；
图5示出根据另一个实施例的页面的展示方法流程图；
图6示出根据一个实施例的页面的展示装置示意性框图；
图7示出根据另一个实施例的页面的展示装置示意性框图。
具体实施方式
下面结合附图，对本说明书披露的多个实施例进行描述。
需要理解的是，向用户展示针对特定业务的推荐信息的目的通常包括，一来让没有使用过该项业务的用户体验该项业务，也就是使未转化用户变为已转化用户，二来使已转化用户更加频繁地使用该项业务。如此可以使用户通过使用该项业务满足自身需求，提高用户体验。此外，推荐信息具体可以包括对特定业务的业务介绍、活动信息、优惠信息等等。
如前所述，目前确定出的业务推荐信息在页面中的曝光方案过于单一。一般来说，是基于业务优先级和用户点击率的排序，确定出针对某项业务的统一曝光方案，比如，连续三天在页面的中心区块向所有用户展示针对某项业务的推荐信息。此种确定方式没有考虑不同用户的特性，举例来说，不同用户对于相同的业务推荐信息通常具有不同的疲劳度，如有些用户看到两次会产生疲劳感，还有些用户在页面不同的区块中连续看到三次即产生疲劳感。另外，不同用户所偏好的对业务推荐信息进行展示的页面区块不同，有些用户习惯点击查看展示在页面顶部区块的推荐信息，而还有些用户习惯点击查看展示在页面底部区块的查看推荐信息。显然，单一的曝光方案无法满足不同用户的不同需求，导致用户体验不佳。
基于此，发明人提出，可以通过引入机器学习、具有时序性的曝光历史特征等，为不同用户量身定制针对业务推荐信息的不同曝光方案。具体地，本说明书一个或多个实施例披露一种页面的展示方法。在一个实施例中，首先对用户进行预判，判断其针对特定业务是否具有较强的倾向性(如，是否具有较强的转化概率或点击概率)，进一步地，在判断出倾向性较强的情况下，获取该用户的具有时序性的曝光历史特征，并基于曝光历史特征和预判中得到的倾向性数据，为该用户定制针对特征业务信息的曝光方案，进而根据曝光方案向该用户进行页面展示，以使用户可以体验或者更加频繁地使用所述特定业务，进而更好地满足自身需求。
更具体地，图1示出根据一个实施例的页面的展示系统架构图，如图1所示，第一获取单元110可以用于获取任意的第一用户的画像特征、历史行为特征；第一预测单元120用于将第一获取单元110获取的第一用户的特征输入第一分类模型中，得到第一用户针对特定业务的第一转化概率；判断单元130用于判断第一转化概率是否大于概率阈值；第二预测单元140用于在第一转化概率大于概率阈值的情况下，将第一转化概率和第二获取单元150获取的曝光历史特征输入第二分类模型中，得到第一用户针对L个备选曝光方案的L个第二转化概率；过滤单元160用于根据引入的曝光疲劳度控制和/或ROI控制，从L个备选曝光方案中去除部分备选方案；排序单元170，用于对保留的备选方案进行基于第二转化概率的排序，并将排在首位的备选方案确定为最终的展示使用方案；展示单元180用于根据确定出的展示使用方案向第一用户进行页面展示。根据一个具体的例子，确定出的展示使用方案包括在第一天的下午14:00-15:00在页面中的中心区块，以及，在第二天的晚上18:00-19:00在页面的中心区块和底部区块，对特定业务的信息进行展示，当用户在对应时段内进入页面，即可看到图2中示出的页面。
进一步地，展示单元180还可以用于采集第一用户基于展示页面产生的操作记录、行为数据，进而使第一获取单元110和第二获取单元150可以基于操作记录、行为数据进行特征提取，还可以使第一预测单元120和第二预测单元140可以分别基于采集的数据构建训练样本，分别用于第一分类模型和第二分类模型的再训练。
由上，在本说明书一个或多个实施例提供的页面的展示方法中，通过引入具有时序的曝光历史特征，以及引入曝光疲劳度、ROI控制，可以为用户量身定制业务推荐信息在页面中的曝光方案，进而提高用户体验。下面，结合具体的实施例，描述所述方法的实施步骤。
图3示出根据一个实施例的页面的展示方法流程图，所述页面中包括用于展示特定业务的信息的N个备选区块。所述方法的执行主体可以为具有处理能力的服务器、装置或系统。如图3所示，该方法流程包括以下步骤：步骤S310，获取第一用户的基础特征，所述基础特征中至少包括用户属性特征；步骤S320，将所述基础特征输入预先训练的第一分类模型中，得到针对所述特定业务的第一转化概率；步骤S330，获取所述第一用户在当前时刻之前的第一预定时段的曝光历史特征；步骤S340，将所述第一转化概率和所述曝光历史特征输入预先训练的第二分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率；步骤S350，至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示。以上步骤具体如下：
首先，步骤S310，获取第一用户的基础特征，所述基础特征中至少包括用户属性特征。
需要说明的是，第一用户以及下文中第一分类模型、第二分类模型、第一转化概率、第二转化概率、第一预定时段、第二预定时段、第一数量和第二数量中涉及的“第一”、“第二”，仅用于对同类事物进行区分，不具有其他限定作用。
在一个实施例中，上述用户属性特征可以包括性别、年龄、职业、婚育状况、兴趣爱好、资产情况等。
在一个实施例中，上述基础特征还包括基于历史页面采集的历史行为特征，其中历史行为特征包括页面浏览次数、页面停留时长、所述特定业务的信息的曝光次数和点击次数。在一个具体的实施例中，其中曝光次数可以为统计的平均曝光次数，例如2次/天。在另一个具体的实施例中，其中曝光次数可以为统计的曝光总次数，例如3天内共曝光5次。根据一个例子，可以在一段时间内随机对所述特定业务的信息进行曝光，然后基于这段时间内用户产生的历史行为数据提取上述历史行为特征。
以上，可以获取第一用户的基础特征。接着在步骤S320，将所述基础特征输入预先训练的第一分类模型中，得到针对所述特定业务的第一转化概率。
需要说明的是，第一分类模型用于确定用户对特定业务的倾向性，包括用户倾向于了解、使用特定业务的程度或者说可能性。在一个实施例中，第一分类模型可以为二分类模型。在一个实施例中，第一分类模型基于的分类算法可以包括逻辑回归算法、支持向量机、贝叶斯算法、决策树等。
在一个实施例中，上述第一分类模型基于以下步骤而预先训练：首先，获取多个训练样本，其中每个训练样本包括样本用户的基础特征和样本标签，所述样本标签指示所述样本用户是否被转化；然后，使用所述多个训练样本训练所述第一分类模型。
以上，可以得到第一用户针对特定业务的第一转化概率。在执行步骤S320之前，或同时，或之后，执行步骤S330，获取所述第一用户在当前时刻之前的第一预定时段的曝光历史特征。
需要说明的是，在一个实施例中，本步骤在步骤S320之后执行，此时，本步骤可以包括：在所述第一转化概率大于预设概率阈值的情况下，获取所述曝光历史特征。在一个具体的实施例中，其中预设概率阈值可以根据由工作人员根据经验而设定，例如，设定为0.2或0.3等。在另一个具体的实施例中，可以先通过步骤S310和步骤S320确定出多个用户对应的多个第一转化概率，然后根据多个第一转化概率确定所述预设概率阈值。在一个例子中，可以将多个第一转化概率的平均值作为所述预设概率阈值。如此，可以实现在第一用户针对特定业务的倾向性不够强的情况下，不执行后续步骤S330-步骤S350来确定针对第一用户使用的曝光方案，从而可以避免用户看到不感兴趣的业务信息而体验不佳，同时，还可以避免计算资源的浪费。
具体地，上述第一预定时段划分为M个子时段，所述曝光历史特征包括N*M个特征值，其中的各个特征值用于指示所述N个备选区块中的各个区块在所述M个子时段中的各个子时段内是否向第一用户曝光展示所述特定业务的信息；其中，所述N和M为大于等于1的整数。在一个实施例中，其中第一预定时段的总时长以及对总时长的划分粒度(即子时段的时长)，可以根据实际需要而设定，进而得到M个子时段。在一个具体的实施例中，第一预定时段的总时长设定为3天，子时段的时长设定为6h，由此可以得到M(＝12)个子时段，具体包括3天中每1天的00:00-06:00、06:00-12:00、12:00-18:00和18:00-24:00。在一个实施例中，N也可以是人为设定的。在一个具体的实施例中，页面被划分为10个区块，其中N(＝5)个区块被选定为用于展示特定业务信息的备选区块。
在一个实施例中，N*M个特征值中包括任意的特征值ei,j，其中i为大于1且小于等于N的整数，j为大于1且小于等于M的整数，ei,j表示第i个备选区块在第j个子时段内是否向第一用户曝光展示特定业务的信息。在一个具体的实施例中，特征值为1时表示展示，特定值为0时表示不展示。在另一个具体的实施例中，特征值为1时表示不展示，特定值为0时表示展示。
根据一个具体的例子，假定页面中包括图1中示出的5个区块，5个区块由上至下顺序编号为1至5，另外第一预定时长(一天24h)被划分为3个子时段，依次为00:00-08:00、08:00-16:00、16:00-24:00，则获取的曝光历史特征中包括15个特征值，假定其中包括的特征值e1,1＝0，则e1,1可以表示第1个备选区块在第1个区块在一天中的第1个子时段00:00-08:00内不向第一用户曝光展示特定业务的信息。
由上可知，获取的曝光历史特征包括N*M个特征值，具有时序性。
以上，在步骤S320和步骤S330中分别获取第一用户的第一转化概率和曝光历史特征。接着在步骤S340中，将所述第一转化概率和曝光历史特征输入预先训练的第二分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率。
一方面，在一个实施例中，上述第二预定时段包括K个子时段，所述多种备选曝光方案中的各种备选方案包括，在所述N个备选区块中的各个区块与所述K个子时段中的各个子时段的N*K种组合下，是否对所述特定业务进行曝光展示的曝光选择。在一个具体的实施例中，其中第二预定时段可以由工作人员根据实际需要或经验而设定，例如，可以设定为1天或2天等。此外，对于第二预定时段和K个子时段的设定还可以参见前述对第一预定子时段和M个子时段的描述，且第一预定时段和第二预定时段对应的时长可以相等也可以不等，相应地，M和K可以相等也可以不相等。在一个例子中，M和K均为3。在另一个例子中，M为2，K为1。
需要理解的是，对于上述N*K种组合，其中的任意一种组合下对于特定业务的可选曝光方式均为两种，即曝光或不曝光，基于此确定的备选曝光方案中，包括对N*K种组合中各种组合下是否对特定业务进行曝光展示的曝光选择。针对N*K种组合可以确定出的备选曝光方案至多为2^(N*K)种，上述多种备选曝光方案可以从2^(N*K)种备选曝光方案中进行选取。在一个实施例中，可以直接将2^(N*K)种备选曝光方案确定为所述多种曝光方案。在另一个实施例中，可以将2^(N*K)种曝光方案中对应于全量曝光(各种组合下均曝光)和全量不曝光(各种组合下均不曝光)的曝光方案进行去除，再将剩余的方案确定为所述多个备选曝光方案。在又一个实施例中，还可以从2^(N*K)种备选曝光方案中随机选取部分方案作为所述多个备选曝光方案。
进一步地，下面通过图示来更加直观地描述备选曝光方案。如图4所示，假定N＝5，K＝3，则备选曝光方案中涉及到对15种组合中各种组合下是否对特定业务进行曝光展示的曝光选择，其中白色色块表示曝光，黑色色块表示曝光，图4中仅示出3种备选曝光方案作为示例，至多可以有2^15种备选曝光方案。
以上，对多个备选曝光方案进行介绍。另一方面，在一个实施例中，第二分类模型可以为多分类模型，具体用于预测上述多种备选曝光方案中各种备选曝光方案对应的第二转化概率。在一个实施例中，第二分类模型所基于的算法，可参见前述第一分类模型基于的分类算法，在此不作赘述。
在一个实施例中，第二分类模型可以基于以下步骤而预先训练：首先，获取多个训练样本，其中每个训练样本包括样本用户的第一转化概率、在第一历史时刻之前的第一预定时段的曝光历史特征以及样本标签，所述样本用户的第一转化概率基于所述样本用户的基础特征和所述预先训练的第一分类模型而得到，所述样本标签用于指示所述样本用户在所述第一历史时刻之后的第二预定时段内针对所述多种备选曝光方案中的各种方案是否被转化；然后，使用所述多个训练样本训练所述第二分类模型。
进一步地，关于上述第一历史时刻，在一个具体的实施例中，在所述样本用户属于已转化用户的情况下，所述第一历史时刻可以为所述样本用户被转化的时刻向前回溯第二预定时段而得到的时刻。在另一个具体的实施例中，在所述样本用户属于未转化用户的情况下，所述第一历史时刻为任意指定的历史时刻向前回溯第二预定时段而得到的时刻。如此，可以过获取多个训练样本训练第二分类模型。
进一步地，基于以上训练得到的第二分类模型，可以预测得到在当前时刻之后的第二预定时段中对应于多个备选曝光方案的多个第二转化概率。然后，在步骤S350，至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示。
在一个实施例中，可以先对多种曝光方案进行至少一次过滤，再对至少一次过滤后保留的曝光方案进行基于第二转化概率的排序，并基于排序结果确定所述针对第一用户使用的曝光方案。在一个具体的实施例中，上述至少一次过滤可以包括基于曝光疲劳度的过滤，基于转化率增量的过滤，以及基于ROI的过滤中的一种或多种。
一方面，上述基于曝光疲劳度的过滤，是考虑到用户会对同样的信息产生曝光疲劳，因此，为了避免用户产生曝光疲劳而导致的用户体验不佳，可以基于曝光疲劳度对多种曝光方案进行过滤。在一个更具体的实施例中，本步骤可以包括：首先，基于预先确定的所述N*K种组合中各种组合下对应的单位曝光强度，确定所述多种备选曝光方案对应的多个总曝光强度；然后，对所述多个总曝光强度中不超过预设强度阈值的总曝光强度所对应的备选曝光方案进行保留，得到第一数量的备选曝光方案；接着，基于所述多个第二转化概率，从所述第一数量的备选曝光方案中确定所述针对第一用户使用的曝光方案。
进一步地，在一个更具体的实施例中，所述N*K种组合中包括任意的第一组合，所述第一组合对应的单位曝光强度可以基于以下方式预先确定：选取历史的第二预定时段，获取在历史的第二预定时段内对应的第一组合下进行曝光展示，所对应的曝光用户总数以及其中发生转化的转化用户数量，再将转化用户数量和曝光用户总数的比值确定为上述第一组合对应的单位曝光强度。基于此种方式，可以确定出N*K种组合种各种组合下对应的单位曝光强度。需要说明的是，还可以结合现有技术中计算曝光强度的方式，确定单位曝光强度。
在一个更具体的实施例中，多种备选曝光方案中包括任意的第一备选曝光方案，上述确定所述多种备选曝光方案对应的多个总曝光强度，可以包括：确定第一备选曝光方案对应的总曝光强度，具体地，先确定第一备选曝光方案中包括的进行曝光展示的至少一个组合，再将至少一个组合中各个组合对应的单位曝光强度进行求和，得到对应的总曝光强度。在一个具体的例子中，其中加和可以为算数求和或者加权求和。更具体地，在为加权求和的情况下，其中的权值可以由工作人员预先设定。如此，可以确定出多种备选曝光方案对应的多个总曝光强度。
在一个更具体的实施例中，上述预设强度阈值可以由工作人员预先设定，例如，可以设定为0.05或0.1，等等。
如此，可以通过引入基于曝光疲劳度的控制，得到对多个备选曝光方案进行过滤后保留的第一数量的备选曝光方案。
另外，上述基于转化率增量的过滤，是考虑到在备选曝光方案带来的转化率增量较高的情况下，才对其进行保留，否则对其进行去除，以使保留的备选曝光方案更加贴近用户偏好，增加用户使用特定业务满足自身需求的可能性。在一个具体的实施例中，本步骤中可以包括：首先，基于所述多个第二转化概率，确定所述N*K种组合中各种组合下对所述特定业务的信息进行曝光展示相比于不进行曝光展示带来的转化率增量；接着，至少基于所述转化率增量，确定所述针对第一用户使用的曝光方案。
在一个更具体的实施例中，所述N*K种组合中包括由任意的第一备选区块和第一子时段构成的第一组合，上述确定所述N*K种组合中各种组合下对所述特定业务的信息进行曝光展示相比于不进行曝光展示带来的转化率增量，包括以下步骤：首先，对所述多个第二转化概率中对应于在所述第一组合下对所述特定业务的信息进行曝光展示的第二转化概率进行平均，得到第一平均值；同时，对所述多个第二转化概率中对应于在所述第一组合下不对所述特定业务的信息进行曝光展示的第二转化概率进行平均，得到第二平均值；接着，利用所述第一平均值减去所述第二平均值，得到所述第一组合下的转化率增量；重复执行以上步骤直至确定出所述N*K种组合对应的N*K个转化率增量。需要说明的是，由前述可知，其中多个第二转化概率对应于多个备选方案，且多个备选方案为前述2^(N*K)个备选方案中的至少一部分，在多个备选方案是前述2^(N*K)个备选方案中的一部分而非全部的情况下，在此处重复执行的步骤中，还可以利用2^(N*K)个备选方案对应的2^(N*K)个第二转化概率，替代其中的多个转化概率，确定出N*K个转化率增量。
进一步地，至少基于确定出的N*K个转化率增量，可以确定出所述针对第一用户使用的曝光方案。在一个更具体地实施例中，其中确定出所述针对第一用户使用的曝光方案，可以包括：对所述多种备选曝光方案进行第一过滤处理，得到保留的第二数量的备选曝光方案；基于所述多个第二转化概率，对所述第二数量的备选曝光方案进行排序，将排在首位的备选曝光方案确定为所述针对所述第一用户使用的曝光方案。
更具体地，其中所述多种备选曝光方案中包括任意的第一备选曝光方案，所述第一备选曝光方案中包括对所述特定业务的信息进行展示的备选区块与子时段组成的至少一个组合，所述第一过滤处理包括：基于所述N*K种组合对应的N*K个转化率增量，确定所述至少一个组合对应的至少一个转化率增量；在所述至少一个转化率增量中包括小于预定增量阈值的转化率增量的情况下，将所述第一备选曝光方案从所述第一数量的备选曝光方案中去除。在一个例子中，其中预定增量阈值可以由工作人员根据实际需要而设定。在另一个例子中，其中预定增量阈值可以设定为N*K个转化率增量的平均值。
另一方面，至少基于所述转化率增量，确定所述针对第一用户使用的曝光方案，可以包括：基于所述第一组合对应的转化率增量和预先确定的在所述第一组合下对所述特定业务的信息进行曝光展示的成本，确定所述第一组合对应的投入产出比，重复此步骤进而得到所述N*K个组合对应的N*K个投入产出比；对所述多种备选曝光方案进行第二过滤处理，得到保留的第二数量的备选曝光方案；基于所述多个第二转化概率，对所述第二数量的备选曝光方案进行排序，将排在首位的备选曝光方案确定为所述针对所述第一用户使用的曝光方案。
更具体地，其中所述多种备选曝光方案中包括任意的第一备选曝光方案，所述第一备选曝光方案中包括对所述特定业务的信息进行展示的备选区块与子时段组成的至少一个组合，所述第二过滤处理包括：基于所述N*K种组合对应的N*K个投入产出比，确定所述至少一个组合对应的至少一个投入产出比；在所述至少一个投入产出比中包括小于预定比例阈值的投入产出比的情况下，将所述第一备选曝光方案从所述第一数量的备选曝光方案中去除。在一个例子中，其中预定比例阈值可以由工作人员根据实际需要而设定。在另一个例子中，其中预定比例阈值可以设定为N*K个投入产出比的平均值。
在一个具体的例子中，各个组合下对应的曝光展示的成本，可以基于多种方式确定，比如，由工作人员根据经验设定，或者，根据对应的历史流量而确定。
在一个具体的例子中，上述基于所述第一组合对应的转化率增量和预先确定的在所述第一组合下对所述特定业务的信息进行曝光展示的成本，确定所述第一组合对应的投入产出比，可以包括：将所述第一组合对应的转化率增量和所述第一组合下的曝光展示成本的比值，确定为所述第一组合对应的投入产出比。
以上，对基于曝光疲劳度的过滤，基于转化率增量的过滤和基于ROI的过滤进行介绍。需要理解的是，对于这几种过滤方式，可以单独使用，也可以组合使用。在一种实施方式中，可以先基于曝光疲劳度对多个备选曝光方案进行过滤，从中筛选得到第一数量的备选曝光方案，再基于ROI对第一数量的备选曝光方案进行过滤，进一步得到第二数量的备选曝光方案，然后基于第二数量的备选曝光方案对应的第二转化概率进行排序，将排在首位的方案确定为针对第一用户使用的曝光方案。
在另一个实施例中，本步骤可以包括：基于所述多个转化概率，对所述多种备选曝光方案进行排序，将排在首位的备选曝光方案确定为针对第一用户使用的曝光方案。
由上，可以从多个备选方案中确定出在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示。
综上，采用本说明书实施例披露的页面的展示方法，通过引入具有时序的曝光历史特征，以及引入曝光疲劳度、ROI控制，为用户量身定制业务推荐信息在页面中的曝光方案，以使用户可以体验或者更加频繁地使用所述特定业务，进而更好地满足自身需求，从而有效提高用户体验。
根据另一方面的实施例，还可以提供另一种页面的展示方法。图5示出根据一个实施例的页面的展示方法流程图，所述页面中包括用于展示特定业务的信息的N个备选区块。所述方法的执行主体可以为具有处理能力的服务器、装置或系统。如图5所示，该方法流程包括以下步骤：步骤S510，获取第一用户的基础特征，以及，所述第一用户在当前时刻之前的第一预定时段的曝光历史特征；步骤S520，将所述基础特征和所述曝光历史特征输入预先训练的分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率；步骤S530，至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示。以上步骤具体如下：
首先，在步骤S510，获取第一用户的基础特征，以及，所述第一用户在当前时刻之前的第一预定时段的曝光历史特征。
在一个实施例中，所述基础特征中至少包括用户属性特征，所述第一预定时段划分为M个子时段，所述曝光历史特征包括N*M个特征值，其中的各个特征值用于指示所述N个备选区块中的各个区块在所述M个子时段中的各个子时段内是否向第一用户曝光展示所述特定业务的信息。其中，N和M为大于等于1的整数。
接着，在步骤S520，将所述基础特征和所述曝光历史特征输入预先训练的分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率。
在一个实施例中，所述第二预定时段包括K个子时段，所述多种备选曝光方案中的各种备选方案包括，在所述N个备选区块中的各个区块与所述K个子时段中的各个子时段的N*K种组合下，是否对所述特定业务进行曝光展示的曝光选择。其中，K为大于等于1的整数。
在一个实施例中，上述分类模型基于以下步骤而预先训练：首先，获取多个训练样本，其中每个训练样本包括样本用户的基础特征、在第一历史时刻之前的第一预定时段的曝光历史特征以及样本标签，所述样本标签用于指示所述样本用户在所述第一历史时刻之后的第二预定时段内针对所述多种备选曝光方案中的各种方案是否被转化；然后，使用所述多个训练样本训练所述第二分类模型。
然后，在步骤S530，至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示。
需要说明的是，第步骤S510-步骤S530中描述，还可以参见前述对图3中步骤的描述，不在赘述。
以上，可以从多个备选曝光方案中确定针对第一用户使用的曝光方案。
综上，采用本说明书实施例披露的页面的展示方法，通过引入具有时序的曝光历史特征，以及引入曝光疲劳度、ROI控制，为用户量身定制业务推荐信息在页面中的曝光方案，以使用户可以体验或者更加频繁地使用所述特定业务，进而更好地满足自身需求，从而有效提高用户体验。
根据再一方面的实施例，还提供一种页面的展示装置。具体地，图6示出根据一个实施例的页面的展示装置示意性框图，所述所述页面中包括用于展示特定业务的信息的N个备选区块。如图6所示，所述装置包括：第一获取单元610，配置为获取第一用户的基础特征，所述基础特征中至少包括用户属性特征；第一预测单元620，配置为将所述基础特征输入预先训练的第一分类模型中，得到针对所述特定业务的第一转化概率；第二获取单元630，配置为获取所述第一用户在当前时刻之前的第一预定时段的曝光历史特征，所述第一预定时段划分为M个子时段，所述曝光历史特征包括N*M个特征值，其中的各个特征值用于指示所述N个备选区块中的各个区块在所述M个子时段中的各个子时段内是否向第一用户曝光展示所述特定业务的信息；第二预测单元640，配置为将所述第一转化概率和所述曝光历史特征输入预先训练的第二分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率，所述第二预定时段包括K个子时段，所述多种备选曝光方案中的各种备选方案包括，在所述N个备选区块中的各个区块与所述K个子时段中的各个子时段的N*K种组合下，是否对所述特定业务进行曝光展示的曝光选择；确定单元650，配置为至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示；其中，所述N、M、和K为大于等于1的整数。
在一个实施例中，所述用户属性特征包括以下中的一种或多种：性别、年龄、职业、婚育状况、兴趣爱好、资产情况。
在一个实施例中，所述基础特征还包括基于历史页面采集的历史行为特征，所述历史行为特征包括以下中的一种或多种：页面浏览次数、页面停留时长、所述特定业务的信息的曝光次数和点击次数。
在一个实施例中，所述第一获取单元610具体配置为：在所述第一转化概率大于预设概率阈值的情况下，获取所述曝光历史特征。
在一个实施例中，所述第一分类模型基于第一训练单元而预先训练，所述第一训练单元配置为：获取多个训练样本，其中每个训练样本包括样本用户的基础特征和样本标签，所述样本标签指示所述样本用户是否被转化；使用所述多个训练样本训练所述第一分类模型。
在一个实施例中，所述第二分类模型基于第二训练单元而预先训练，所述第二训练单元配置为：获取多个训练样本，其中每个训练样本包括样本用户的第一转化概率、在第一历史时刻之前的第一预定时段的曝光历史特征以及样本标签，所述样本用户的第一转化概率基于所述样本用户的基础特征和所述预先训练的第一分类模型而得到，所述样本标签用于指示所述样本用户在所述第一历史时刻之后的第二预定时段内针对所述多种备选曝光方案中的各种方案是否被转化；使用所述多个训练样本训练所述第二分类模型。
进一步地，在一个具体的实施例中，在所述样本用户属于已转化用户的情况下，所述第一历史时刻为所述样本用户被转化的时刻向前回溯第二预定时段而得到的时刻；在所述样本用户属于未转化用户的情况下，所述第一历史时刻为任意指定的历史时刻向前回溯第二预定时段而得到的时刻。
在一个实施例中，所述确定单元650具体配置为：基于预先确定的所述N*K种组合中各种组合下对应的单位曝光强度，确定所述多种备选曝光方案对应的多个总曝光强度；对所述多个总曝光强度中不超过预设强度阈值的总曝光强度所对应的备选曝光方案进行保留，得到第一数量的备选曝光方案；基于所述多个第二转化概率，从所述第一数量的备选曝光方案中确定所述针对第一用户使用的曝光方案。
在一个实施例中，所述确定单元650包括：第一确定模块651，配置为基于所述多个第二转化概率，确定所述N*K种组合中各种组合下对所述特定业务的信息进行曝光展示相比于不进行曝光展示带来的转化率增量；第二确定模块652，配置为至少基于所述转化率增量，确定所述针对第一用户使用的曝光方案。
进一步地，在一个具体的实施例中，所述确定单元650还包括：第三确定模块653，配置为基于预先确定的所述N*K种组合中各种组合下对所述特定业务的信息进行曝光展示对应的单位曝光强度，确定所述多种备选曝光方案对应的多个总曝光强度；保留模块，配置为对所述多个总曝光强度中不超过预设强度阈值的总曝光强度所对应的备选曝光方案进行保留，得到第一数量的备选曝光方案；所述第二确定模块652具体配置为：基于所述转化率增量，从所述第一数量的备选曝光方案中确定所述针对第一用户使用的曝光方案。
另一方面，在一个具体的实施例中，所述N*K种组合中包括由任意的第一备选区块和第一子时段构成的第一组合；所述第一确定模块651具体配置为：对所述多个第二转化概率中对应于在所述第一组合下对所述特定业务的信息进行曝光展示的第二转化概率进行平均，得到第一平均值；对所述多个第二转化概率中对应于在所述第一组合下不对所述特定业务的信息进行曝光展示的第二转化概率进行平均，得到第二平均值；利用所述第一平均值减去所述第二平均值，得到所述第一组合下的转化率增量；重复执行以上步骤直至确定出所述N*K种组合对应的N*K个转化率增量。
进一步地，在一个具体的实施例中，所述第二确定模块652具体配置为：对所述多种备选曝光方案进行第一过滤处理，得到保留的第二数量的备选曝光方案；其中，所述多种备选曝光方案中包括任意的第一备选曝光方案，所述第一备选曝光方案中包括对所述特定业务的信息进行展示的备选区块与子时段组成的至少一个组合，所述第一过滤处理包括：基于所述N*K种组合对应的N*K个转化率增量，确定所述至少一个组合对应的至少一个转化率增量；在所述至少一个转化率增量中包括小于预定增量阈值的转化率增量的情况下，将所述第一备选曝光方案从所述第一数量的备选曝光方案中去除；再基于所述多个第二转化概率，对所述第二数量的备选曝光方案进行排序，将排在首位的备选曝光方案确定为所述针对所述第一用户使用的曝光方案。
另一方面，在一个具体的实施例中，所述第二确定模块652具体配置为：基于所述第一组合对应的转化率增量和预先确定在所述第一组合下的对所述特定业务的信息进行曝光展示的成本，确定所述第一组合对应的投入产出比，重复此步骤进而得到所述N*K个组合对应的N*K个投入产出比；对所述多种备选曝光方案进行第二过滤处理，得到保留的第二数量的备选曝光方案；其中，所述多种备选曝光方案中包括任意的第一备选曝光方案，所述第一备选曝光方案中包括对所述特定业务的信息进行展示的备选区块与子时段组成的至少一个组合，所述第二过滤处理包括：基于所述N*K种组合对应的N*K个投入产出比，确定所述至少一个组合对应的至少一个投入产出比；在所述至少一个投入产出比中包括小于预定比例阈值的投入产出比的情况下，将所述第一备选曝光方案从所述第一数量的备选曝光方案中去除；再基于所述多个第二转化概率，对所述第二数量的备选曝光方案进行排序，将排在首位的备选曝光方案确定为所述针对所述第一用户使用的曝光方案。
根据还一方面的实施例，还提供一种页面的展示装置。具体地，图7示出根据另一个实施例的页面的展示装置示意性框图，所述所述页面中包括用于展示特定业务的信息的N个备选区块。如图7所示，所述装置包括：获取单元710，配置为获取第一用户的基础特征，以及，所述第一用户在当前时刻之前的第一预定时段的曝光历史特征，所述基础特征中至少包括用户属性特征，所述第一预定时段划分为M个子时段，所述曝光历史特征包括N*M个特征值，其中的各个特征值用于指示所述N个备选区块中的各个区块在所述M个子时段中的各个子时段内是否向第一用户曝光展示所述特定业务的信息；预测单元720，配置为将所述基础特征和所述曝光历史特征输入预先训练的分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率，所述第二预定时段包括K个子时段，所述多种备选曝光方案中的各种备选方案包括，在所述N个备选区块中的各个区块与所述K个子时段中的各个子时段的N*K种组合下，是否对所述特定业务进行曝光展示的曝光选择；确定单元730，配置为至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示；其中，所述N、M、和K为大于等于1的整数。
如上，根据再一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图3或图5所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图3或图5所描述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本说明书披露的多个实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本说明书披露的多个实施例的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本说明书披露的多个实施例的具体实施方式而已，并不用于限定本说明书披露的多个实施例的保护范围，凡在本说明书披露的多个实施例的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本说明书披露的多个实施例的保护范围之内。

Claims (30)

1.一种页面的展示方法，其中，所述页面中包括用于展示特定业务的信息的N个备选区块，所述方法包括：
获取第一用户的基础特征，所述基础特征中至少包括用户属性特征；
将所述基础特征输入预先训练的第一分类模型中，得到针对所述特定业务的第一转化概率；
获取所述第一用户在当前时刻之前的第一预定时段的曝光历史特征，所述第一预定时段划分为M个子时段，所述曝光历史特征包括N*M个特征值，其中的各个特征值用于指示所述N个备选区块中的各个区块在所述M个子时段中的各个子时段内是否向第一用户曝光展示所述特定业务的信息；
将所述第一转化概率和所述曝光历史特征输入预先训练的第二分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率，所述第二预定时段包括K个子时段，所述多种备选曝光方案中的各种备选方案包括，在所述N个备选区块中的各个区块与所述K个子时段中的各个子时段的N*K种组合下，是否对所述特定业务进行曝光展示的曝光选择；
至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示；
其中，所述N、M、和K为大于等于1的整数。
2.根据权利要求1所述的方法，其中，所述用户属性特征包括以下中的一种或多种：性别、年龄、职业、婚育状况、兴趣爱好、资产情况。
3.根据权利要求1所述的方法，其中，所述基础特征还包括基于历史页面采集的历史行为特征，所述历史行为特征包括以下中的一种或多种：页面浏览次数、页面停留时长、所述特定业务的信息的曝光次数和点击次数。
4.根据权利要求1所述的方法，其中，所述获取所述第一用户在当前时刻之前的第一预定时段的曝光历史特征，包括：
在所述第一转化概率大于预设概率阈值的情况下，获取所述曝光历史特征。
5.根据权利要求1-3中任一项所述的方法，其中，所述第一分类模型基于以下步骤而预先训练：
获取多个训练样本，其中每个训练样本包括样本用户的基础特征和样本标签，所述样本标签指示所述样本用户是否被转化；
使用所述多个训练样本训练所述第一分类模型。
6.根据权利要求1-3中任一项所述的方法，其中，所述第二分类模型基于以下步骤而预先训练：
获取多个训练样本，其中每个训练样本包括样本用户的第一转化概率、在第一历史时刻之前的第一预定时段的曝光历史特征以及样本标签，所述样本用户的第一转化概率基于所述样本用户的基础特征和所述预先训练的第一分类模型而得到，所述样本标签用于指示所述样本用户在所述第一历史时刻之后的第二预定时段内针对所述多种备选曝光方案中的各种方案是否被转化；
使用所述多个训练样本训练所述第二分类模型。
7.根据权利要求6所述的方法，其中，
在所述样本用户属于已转化用户的情况下，所述第一历史时刻为所述样本用户被转化的时刻向前回溯第二预定时段而得到的时刻；
在所述样本用户属于未转化用户的情况下，所述第一历史时刻为任意指定的历史时刻向前回溯第二预定时段而得到的时刻。
8.根据权利要求1所述的方法，其中，所述至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，包括：
基于预先确定的所述N*K种组合中各种组合下对应的单位曝光强度，确定所述多种备选曝光方案对应的多个总曝光强度；
对所述多个总曝光强度中不超过预设强度阈值的总曝光强度所对应的备选曝光方案进行保留，得到第一数量的备选曝光方案；
基于所述多个第二转化概率，从所述第一数量的备选曝光方案中确定所述针对第一用户使用的曝光方案。
9.根据权利要求1所述的方法，其中，所述至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，包括：
基于所述多个第二转化概率，确定所述N*K种组合中各种组合下对所述特定业务的信息进行曝光展示相比于不进行曝光展示带来的转化率增量；
至少基于所述转化率增量，确定所述针对第一用户使用的曝光方案。
10.根据权利要求9所述的方法，其中，所述至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，还包括：
基于预先确定的所述N*K种组合中各种组合下对所述特定业务的信息进行曝光展示对应的单位曝光强度，确定所述多种备选曝光方案对应的多个总曝光强度；
对所述多个总曝光强度中不超过预设强度阈值的总曝光强度所对应的备选曝光方案进行保留，得到第一数量的备选曝光方案；
所述至少基于所述转化率增量，确定所述针对第一用户使用的曝光方案包括：
基于所述转化率增量，从所述第一数量的备选曝光方案中确定所述针对第一用户使用的曝光方案。
11.根据权利要求9所述的方法，其中，所述N*K种组合中包括由任意的第一备选区块和第一子时段构成的第一组合；所述确定所述N*K种组合中各种组合下对所述特定业务的信息进行曝光展示相比于不进行曝光展示带来的转化率增量，包括以下步骤：
对所述多个第二转化概率中对应于在所述第一组合下对所述特定业务的信息进行曝光展示的第二转化概率进行平均，得到第一平均值；
对所述多个第二转化概率中对应于在所述第一组合下不对所述特定业务的信息进行曝光展示的第二转化概率进行平均，得到第二平均值；
利用所述第一平均值减去所述第二平均值，得到所述第一组合下的转化率增量；
重复执行以上步骤直至确定出所述N*K种组合对应的N*K个转化率增量。
12.根据权利要求11所述的方法，其中，所述至少基于所述转化率增量，确定所述针对第一用户使用的曝光方案，包括：
对所述多种备选曝光方案进行第一过滤处理，得到保留的第二数量的备选曝光方案；其中，所述多种备选曝光方案中包括任意的第一备选曝光方案，所述第一备选曝光方案中包括对所述特定业务的信息进行展示的备选区块与子时段组成的至少一个组合，所述第一过滤处理包括：
基于所述N*K种组合对应的N*K个转化率增量，确定所述至少一个组合对应的至少一个转化率增量；
在所述至少一个转化率增量中包括小于预定增量阈值的转化率增量的情况下，将所述第一备选曝光方案从所述第二数量的备选曝光方案中去除；
基于所述多个第二转化概率，对所述第二数量的备选曝光方案进行排序，将排在首位的备选曝光方案确定为所述针对所述第一用户使用的曝光方案。
13.根据权利要求11所述的方法，其中，所述至少基于所述转化率增量，确定所述针对第一用户使用的曝光方案，包括：
基于所述第一组合对应的转化率增量和预先确定在所述第一组合下的对所述特定业务的信息进行曝光展示的成本，确定所述第一组合对应的投入产出比，重复此步骤进而得到所述N*K个组合对应的N*K个投入产出比；
对所述多种备选曝光方案进行第二过滤处理，得到保留的第二数量的备选曝光方案；其中，所述多种备选曝光方案中包括任意的第一备选曝光方案，所述第一备选曝光方案中包括对所述特定业务的信息进行展示的备选区块与子时段组成的至少一个组合，所述第二过滤处理包括：
基于所述N*K种组合对应的N*K个投入产出比，确定所述至少一个组合对应的至少一个投入产出比；
在所述至少一个投入产出比中包括小于预定比例阈值的投入产出比的情况下，将所述第一备选曝光方案从所述第二数量的备选曝光方案中去除；
基于所述多个第二转化概率，对所述第二数量的备选曝光方案进行排序，将排在首位的备选曝光方案确定为所述针对所述第一用户使用的曝光方案。
14.一种页面的展示方法，其中，所述页面中包括用于展示特定业务的信息的N个备选区块，所述方法包括：
获取第一用户的基础特征，以及，所述第一用户在当前时刻之前的第一预定时段的曝光历史特征，所述基础特征中至少包括用户属性特征，所述第一预定时段划分为M个子时段，所述曝光历史特征包括N*M个特征值，其中的各个特征值用于指示所述N个备选区块中的各个区块在所述M个子时段中的各个子时段内是否向第一用户曝光展示所述特定业务的信息；
将所述基础特征和所述曝光历史特征输入预先训练的分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率，所述第二预定时段包括K个子时段，所述多种备选曝光方案中的各种备选方案包括，在所述N个备选区块中的各个区块与所述K个子时段中的各个子时段的N*K种组合下，是否对所述特定业务进行曝光展示的曝光选择；
至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示；
其中，所述N、M、和K为大于等于1的整数。
15.一种页面的展示装置，其中，所述页面中包括用于展示特定业务的信息的N个备选区块，所述装置包括：
第一获取单元，配置为获取第一用户的基础特征，所述基础特征中至少包括用户属性特征；
第一预测单元，配置为将所述基础特征输入预先训练的第一分类模型中，得到针对所述特定业务的第一转化概率；
第二获取单元，配置为获取所述第一用户在当前时刻之前的第一预定时段的曝光历史特征，所述第一预定时段划分为M个子时段，所述曝光历史特征包括N*M个特征值，其中的各个特征值用于指示所述N个备选区块中的各个区块在所述M个子时段中的各个子时段内是否向第一用户曝光展示所述特定业务的信息；
第二预测单元，配置为将所述第一转化概率和所述曝光历史特征输入预先训练的第二分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率，所述第二预定时段包括K个子时段，所述多种备选曝光方案中的各种备选方案包括，在所述N个备选区块中的各个区块与所述K个子时段中的各个子时段的N*K种组合下，是否对所述特定业务进行曝光展示的曝光选择；
确定单元，配置为至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示；
其中，所述N、M、和K为大于等于1的整数。
16.根据权利要求15所述的装置，其中，所述用户属性特征包括以下中的一种或多种：性别、年龄、职业、婚育状况、兴趣爱好、资产情况。
17.根据权利要求15所述的装置，其中，所述基础特征还包括基于历史页面采集的历史行为特征，所述历史行为特征包括以下中的一种或多种：页面浏览次数、页面停留时长、所述特定业务的信息的曝光次数和点击次数。
18.根据权利要求15所述的装置，其中，所述第一获取单元具体配置为：
在所述第一转化概率大于预设概率阈值的情况下，获取所述曝光历史特征。
19.根据权利要求15-18中任一项所述的装置，其中，所述第一分类模型基于第一训练单元而预先训练，所述第一训练单元配置为：
获取多个训练样本，其中每个训练样本包括样本用户的基础特征和样本标签，所述样本标签指示所述样本用户是否被转化；
使用所述多个训练样本训练所述第一分类模型。
20.根据权利要求15-18中任一项所述的装置，其中，所述第二分类模型基于第二训练单元而预先训练，所述第二训练单元配置为：
获取多个训练样本，其中每个训练样本包括样本用户的第一转化概率、在第一历史时刻之前的第一预定时段的曝光历史特征以及样本标签，所述样本用户的第一转化概率基于所述样本用户的基础特征和所述预先训练的第一分类模型而得到，所述样本标签用于指示所述样本用户在所述第一历史时刻之后的第二预定时段内针对所述多种备选曝光方案中的各种方案是否被转化；
使用所述多个训练样本训练所述第二分类模型。
21.根据权利要求20所述的装置，其中，
在所述样本用户属于已转化用户的情况下，所述第一历史时刻为所述样本用户被转化的时刻向前回溯第二预定时段而得到的时刻；
在所述样本用户属于未转化用户的情况下，所述第一历史时刻为任意指定的历史时刻向前回溯第二预定时段而得到的时刻。
22.根据权利要求15所述的装置，其中，所述确定单元具体配置为：
基于预先确定的所述N*K种组合中各种组合下对应的单位曝光强度，确定所述多种备选曝光方案对应的多个总曝光强度；
对所述多个总曝光强度中不超过预设强度阈值的总曝光强度所对应的备选曝光方案进行保留，得到第一数量的备选曝光方案；
基于所述多个第二转化概率，从所述第一数量的备选曝光方案中确定所述针对第一用户使用的曝光方案。
23.根据权利要求15所述的装置，其中，所述确定单元包括：
第一确定模块，配置为基于所述多个第二转化概率，确定所述N*K种组合中各种组合下对所述特定业务的信息进行曝光展示相比于不进行曝光展示带来的转化率增量；
第二确定模块，配置为至少基于所述转化率增量，确定所述针对第一用户使用的曝光方案。
24.根据权利要求23所述的装置，其中，所述确定单元还包括：
第三确定模块，配置为基于预先确定的所述N*K种组合中各种组合下对所述特定业务的信息进行曝光展示对应的单位曝光强度，确定所述多种备选曝光方案对应的多个总曝光强度；
保留模块，配置为对所述多个总曝光强度中不超过预设强度阈值的总曝光强度所对应的备选曝光方案进行保留，得到第一数量的备选曝光方案；
所述第二确定模块具体配置为：
基于所述转化率增量，从所述第一数量的备选曝光方案中确定所述针对第一用户使用的曝光方案。
25.根据权利要求23所述的装置，其中，所述N*K种组合中包括由任意的第一备选区块和第一子时段构成的第一组合；所述第一确定模块具体配置为：
对所述多个第二转化概率中对应于在所述第一组合下对所述特定业务的信息进行曝光展示的第二转化概率进行平均，得到第一平均值；
对所述多个第二转化概率中对应于在所述第一组合下不对所述特定业务的信息进行曝光展示的第二转化概率进行平均，得到第二平均值；
利用所述第一平均值减去所述第二平均值，得到所述第一组合下的转化率增量；
重复执行以上步骤直至确定出所述N*K种组合对应的N*K个转化率增量。
26.根据权利要求25所述的装置，其中，所述第二确定模块具体配置为：
对所述多种备选曝光方案进行第一过滤处理，得到保留的第二数量的备选曝光方案；其中，所述多种备选曝光方案中包括任意的第一备选曝光方案，所述第一备选曝光方案中包括对所述特定业务的信息进行展示的备选区块与子时段组成的至少一个组合，所述第一过滤处理包括：
基于所述N*K种组合对应的N*K个转化率增量，确定所述至少一个组合对应的至少一个转化率增量；
在所述至少一个转化率增量中包括小于预定增量阈值的转化率增量的情况下，将所述第一备选曝光方案从所述第二数量的备选曝光方案中去除；
基于所述多个第二转化概率，对所述第二数量的备选曝光方案进行排序，将排在首位的备选曝光方案确定为所述针对所述第一用户使用的曝光方案。
27.根据权利要求25所述的装置，其中，所述第二确定模块具体配置为：
基于所述第一组合对应的转化率增量和预先确定在所述第一组合下的对所述特定业务的信息进行曝光展示的成本，确定所述第一组合对应的投入产出比，重复此步骤进而得到所述N*K个组合对应的N*K个投入产出比；
对所述多种备选曝光方案进行第二过滤处理，得到保留的第二数量的备选曝光方案；其中，所述多种备选曝光方案中包括任意的第一备选曝光方案，所述第一备选曝光方案中包括对所述特定业务的信息进行展示的备选区块与子时段组成的至少一个组合，所述第二过滤处理包括：
基于所述N*K种组合对应的N*K个投入产出比，确定所述至少一个组合对应的至少一个投入产出比；
在所述至少一个投入产出比中包括小于预定比例阈值的投入产出比的情况下，将所述第一备选曝光方案从所述第二数量的备选曝光方案中去除；
基于所述多个第二转化概率，对所述第二数量的备选曝光方案进行排序，将排在首位的备选曝光方案确定为所述针对所述第一用户使用的曝光方案。
28.一种页面的展示装置，其中，所述页面中包括用于展示特定业务的信息的N个备选区块，所述装置包括：
获取单元，配置为获取第一用户的基础特征，以及，所述第一用户在当前时刻之前的第一预定时段的曝光历史特征，所述基础特征中至少包括用户属性特征，所述第一预定时段划分为M个子时段，所述曝光历史特征包括N*M个特征值，其中的各个特征值用于指示所述N个备选区块中的各个区块在所述M个子时段中的各个子时段内是否向第一用户曝光展示所述特定业务的信息；
预测单元，配置为将所述基础特征和所述曝光历史特征输入预先训练的分类模型中，预测得到在当前时刻之后的第二预定时段中对应于多种备选曝光方案的多个第二转化概率，所述第二预定时段包括K个子时段，所述多种备选曝光方案中的各种备选方案包括，在所述N个备选区块中的各个区块与所述K个子时段中的各个子时段的N*K种组合下，是否对所述特定业务进行曝光展示的曝光选择；
确定单元，配置为至少基于所述多个第二转化概率，从所述多种备选曝光方案中确定在所述第二预定时段内针对第一用户使用的曝光方案，用于对所述第一用户进行页面展示；
其中，所述N、M、和K为大于等于1的整数。
29.一种计算机可读存储介质，其上存储有计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-14中任一项的所述的方法。
30.一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-14中任一项所述的方法。
CN201910568597.2A 2019-06-27 2019-06-27 页面的展示方法及装置 Active CN110413358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910568597.2A CN110413358B (zh) 2019-06-27 2019-06-27 页面的展示方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910568597.2A CN110413358B (zh) 2019-06-27 2019-06-27 页面的展示方法及装置

Publications (2)

Publication Number Publication Date
CN110413358A CN110413358A (zh) 2019-11-05
CN110413358B true CN110413358B (zh) 2022-03-04

Family

ID=68359900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910568597.2A Active CN110413358B (zh) 2019-06-27 2019-06-27 页面的展示方法及装置

Country Status (1)

Country Link
CN (1) CN110413358B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116627534B (zh) * 2021-11-19 2024-04-05 荣耀终端有限公司 应用程序处理方法及装置
CN114237772A (zh) * 2021-12-22 2022-03-25 支付宝(杭州)信息技术有限公司 一种针对小程序的用户引导方法、装置以及设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104965890A (zh) * 2015-06-17 2015-10-07 深圳市腾讯计算机系统有限公司 广告推荐的方法和装置
CN105653545A (zh) * 2014-11-10 2016-06-08 阿里巴巴集团控股有限公司 在页面中提供业务对象信息的方法及装置
CN106503006A (zh) * 2015-09-07 2017-03-15 阿里巴巴集团控股有限公司 应用App中子应用的排序方法及装置
CN108427708A (zh) * 2018-01-25 2018-08-21 腾讯科技（深圳）有限公司 数据处理方法、装置、存储介质和电子装置
CN108460082A (zh) * 2018-01-12 2018-08-28 北京三快在线科技有限公司 一种推荐方法及装置，电子设备
CN108733825A (zh) * 2018-05-23 2018-11-02 阿里巴巴集团控股有限公司 一种对象触发事件预测方法及装置
CN108829808A (zh) * 2018-06-07 2018-11-16 麒麟合盛网络技术股份有限公司 一种页面个性化排序方法、装置及电子设备
CN108985823A (zh) * 2018-06-27 2018-12-11 腾讯科技（深圳）有限公司 一种信息投放方法、装置、服务器及存储介质
CN109324862A (zh) * 2018-10-09 2019-02-12 阿里巴巴集团控股有限公司 App展示方法及装置
CN109325806A (zh) * 2018-09-20 2019-02-12 北京小度信息科技有限公司 一种用户信息的处理方法及装置
CN109460513A (zh) * 2018-10-31 2019-03-12 北京字节跳动网络技术有限公司 用于生成点击率预测模型的方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678587B (zh) * 2016-01-12 2020-11-24 腾讯科技（深圳）有限公司 一种推荐特征确定方法、信息推荐方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105653545A (zh) * 2014-11-10 2016-06-08 阿里巴巴集团控股有限公司 在页面中提供业务对象信息的方法及装置
CN104965890A (zh) * 2015-06-17 2015-10-07 深圳市腾讯计算机系统有限公司 广告推荐的方法和装置
CN106503006A (zh) * 2015-09-07 2017-03-15 阿里巴巴集团控股有限公司 应用App中子应用的排序方法及装置
CN108460082A (zh) * 2018-01-12 2018-08-28 北京三快在线科技有限公司 一种推荐方法及装置，电子设备
CN108427708A (zh) * 2018-01-25 2018-08-21 腾讯科技（深圳）有限公司 数据处理方法、装置、存储介质和电子装置
CN108733825A (zh) * 2018-05-23 2018-11-02 阿里巴巴集团控股有限公司 一种对象触发事件预测方法及装置
CN108829808A (zh) * 2018-06-07 2018-11-16 麒麟合盛网络技术股份有限公司 一种页面个性化排序方法、装置及电子设备
CN108985823A (zh) * 2018-06-27 2018-12-11 腾讯科技（深圳）有限公司 一种信息投放方法、装置、服务器及存储介质
CN109325806A (zh) * 2018-09-20 2019-02-12 北京小度信息科技有限公司 一种用户信息的处理方法及装置
CN109324862A (zh) * 2018-10-09 2019-02-12 阿里巴巴集团控股有限公司 App展示方法及装置
CN109460513A (zh) * 2018-10-31 2019-03-12 北京字节跳动网络技术有限公司 用于生成点击率预测模型的方法和装置

Also Published As

Publication number Publication date
CN110413358A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
AU2018201691B2 (en) Job allocation
JP2024109982A (ja) 棚割支援装置、棚割支援方法、および、プログラム
US20060293943A1 (en) Facilitating automated meeting scheduling
EP2273448A1 (en) Apparatus and method for supporting cause analysis
CN110413358B (zh) 页面的展示方法及装置
CN112256550A (zh) 存储容量预测模型生成方法、存储容量预测方法
CA3168008A1 (en) Artificial intelligence machine learning platform trained to predict dispatch outcome
CN112669084A (zh) 策略确定方法、设备及计算机可读存储介质
WO2022127517A1 (en) Hierarchical adaptive contextual bandits for resource-constrained recommendation
CN114091684A (zh) 增强业务结果可解释性的方法及装置
CN111652471B (zh) 名单分配控制方法、装置、电子设备及存储介质
CN111046156B (zh) 奖励数据的确定方法、装置和服务器
CN116319567B (zh) 资源分配方法、资源分配设备和可读存储介质
CN109168049B (zh) 直播节目的等级评价方法、装置、存储介质及服务器
CN110427234A (zh) 页面的展示方法及装置
CN115564525B (zh) 一种服务器标识的勾选显示方法、电子设备及存储介质
CN109783236B (zh) 用于输出信息的方法和装置
CN115002049B (zh) 资源分配的方法及装置
CN108537570B (zh) 一种信息曝光方法及装置
CN115983876A (zh) 一种营销策略自优化方法、装置及存储介质
CN115187097A (zh) 一种任务排期方法、装置、电子设备以及计算机存储介质
CN115203545A (zh) 基于深度学习和知识图谱的康养服务智能匹配方法和系统
CN112508631A (zh) 用户策略分配方法、装置及电子设备
CN116151878A (zh) 推荐处理方法、装置、设备、程序产品及存储介质
CN113672807A (zh) 推荐方法、装置、介质、装置和计算设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201010

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20201010

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman 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.

GR01 Patent grant
GR01 Patent grant