CN110472645A - 一种选择目标对象的方法和装置 - Google Patents

一种选择目标对象的方法和装置 Download PDF

Info

Publication number
CN110472645A
CN110472645A CN201810436728.7A CN201810436728A CN110472645A CN 110472645 A CN110472645 A CN 110472645A CN 201810436728 A CN201810436728 A CN 201810436728A CN 110472645 A CN110472645 A CN 110472645A
Authority
CN
China
Prior art keywords
sample
user
users
collection
sample user
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
Application number
CN201810436728.7A
Other languages
English (en)
Inventor
周默
李凯东
曹宇
花志祥
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology 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 Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810436728.7A priority Critical patent/CN110472645A/zh
Publication of CN110472645A publication Critical patent/CN110472645A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种选择目标对象的方法和装置，涉及计算机技术领域。该方法的一个具体实施方式包括：获取样本用户集，将其中的样本用户分为两类，一类构成正样本用户集，另一类构成负样本用户集；确定每个所述正样本用户或所述负样本用户对于每个对象的预设行为的数量；根据所述数量确定每个所述对象的权重；根据所述权重从所述对象中选出目标对象。该实施方式达到选出的目标对象更符合预期和实际情况的技术效果。

Description

一种选择目标对象的方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种选择目标对象的方法、装置、电子设备和计算机可读介质。
背景技术
大数据环境下数据量快速的积累，要想分析出海量数据所蕴含的价值，筛选出有价值的数据十分重要。而数据筛选在整个数据处理流程中处于至关重要的地位。数据筛选的目的是为了提高之前收集存储的相关数据的可用性，更利于后期数据分析。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
数据量的增加及结构的复杂化，这使得面向大数据的数据筛选必然会耗费较多资源，因此要想快速准确筛选出有价值的数据选择合适的算法十分必要。而每个算法都有着自己使用所需要的环境，大数据环境下数据复杂度的增加提升了选择合适算法的困难；其次，大数据的巨大数据量也使得通过单一算法分析出有价值的数据越来越困难，选出符合预期目标数据的准确率有待提高。
发明内容
有鉴于此，本发明实施例提供一种选择目标对象的方法和装置，能够根据样本用户的分类结果确定目标对象的权重，根据对象的权重选出的目标对象结果更准确；使用目标对象作为训练样本构建出的分类模型更符合预期和实际情况。
为实现上述目的，根据本发明实施例的一个方面，提供了一种选择目标对象的方法，包括：获取样本用户集，将其中的样本用户分为两类，一类构成正样本用户集，另一类构成负样本用户集；确定每个所述正样本用户或所述负样本用户对于每个对象的预设行为的数量；根据所述数量确定每个所述对象的权重；根据所述权重从所述对象中选出目标对象。
可选地，根据所述权重从所述对象中选出目标对象之后，所述方法还包括：确定每个所述样本用户对于每个所述目标对象的预设行为的数量；根据每个所述样本用户对于每个所述目标对象的预设行为的数量构造特征向量；根据所述特征向量构造分类模型，其中所述分类模型用于对用户进行分类。
可选地，根据所述数量确定每个所述对象Ci的权重V(Ci)的公式包括：
其中，所述正样本用户或所述负样本用户Xn对于每个所述对象Ci的预设行为的数量为M(Xn|Ci)次，每个用户Yq对于每个所述对象Ci的预设行为的数量为M(Yq|Ci)次；n＝1,2,3,…,N1，N1为所述正样本用户或所述负样本用户X的数量；i＝1,2,3,…,N2，N2为所述对象C的数量；q＝1,2,3,…,N3，N3为所有用户Y的数量。
可选地，获取样本用户集，将其中的样本用户分为两类，一类构成正样本用户集，另一类构成负样本用户集的方法包括：获取样本用户集，将其中的样本用户平均分为两类，一类构成正样本用户集，另一类构成负样本用户集。
可选地，根据所述特征向量构造分类模型的方法包括：根据所述特征向量，使用随机森林算法构造第一分类模型M1；根据所述特征向量，使用梯度提升树算法构造第二分类模型M2；则所述分类模型M为：M＝λM1+(1-λ)M2，其中λ为预设系数，λ不大于1。
为实现上述目的，根据本发明实施例的另一个方面，提供了一种选择目标对象的装置，包括：分类模块，用于获取样本用户集，将其中的样本用户分为两类，一类构成正样本用户集，另一类构成负样本用户集；计算模块，用于确定每个所述正样本用户或所述负样本用户对于每个对象的预设行为的数量；分析模块，用于根据所述数量确定每个所述对象的权重；选取模块，用于根据所述权重从所述对象中选出目标对象。
可选地，所述计算模块还用于确定每个所述样本用户对于每个所述目标对象的预设行为的数量；所述装置还包括：特征模块，用于根据每个所述样本用户对于每个所述目标对象的预设行为的数量构造特征向量；模型模块，用于根据所述特征向量构造分类模型，其中所述分类模型用于对用户进行分类。
可选地，根据所述数量确定每个所述对象Ci的权重V(Ci)的公式包括：
其中，所述正样本用户或所述负样本用户X对于每个所述对象C的预设行为的数量为M(Xn|Ci)次，每个用户Yq对于每个所述对象Ci的预设行为的数量为M(Yq|Ci)次；n＝1,2,3,…,N1，N1为所述正样本用户或所述负样本用户X的数量；i＝1,2,3,…,N2，N2为所述对象C的数量；q＝1,2,3,…,N3，N3为所有用户Y的数量。
可选地，所述分类模块还用于，获取样本用户集，将其中的样本用户平均分为两类，一类构成正样本用户集，另一类构成负样本用户集。
可选地，所述模型模块还用于根据所述特征向量，使用随机森林算法构造第一分类模型M1；根据所述特征向量，使用梯度提升树算法构造第二分类模型M2；则所述分类模型M为：M＝λM1+(1-λ)M2，其中λ为预设系数，λ不大于1。
为实现上述目的，根据本发明实施例的再一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现一种选择目标对象的方法中任一所述的方法。
为实现上述目的，根据本发明实施例的再一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被一个或多个处理器执行时实现一种选择目标对象的方法中任一所述的方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用根据样本用户的分类计算对象的权重的技术手段，所以克服了目标对象选取时数据量过大、准确性过低的技术问题，进而达到选出的目标对象更符合预期和实际情况的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的一种选择目标对象的方法的主要步骤的示意图；
图2是根据本发明实施例的一种选择目标对象的装置的主要部分的示意图；
图3是本发明实施例可以应用于其中的示例性系统架构图；
图4是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的一种选择目标对象的方法的主要步骤的示意图，如图1所示：
步骤S101表示获取样本用户集，将其中的样本用户分为两类，一类构成正样本用户集，另一类构成负样本用户集。此步骤的目的是缩小数据的分析范围，提高选取目标对象的准确率。进一步地，将样本用户集中的样本用户平均分为两类，一类构成正样本用户集，另一类构成负样本用户集，分类的标准可以根据样本用户与目标对象的关联关系确定。目的是保证样本用户的数量，形成对比机制，提高目标对象选择的正确率。
例如，获取样本用户集，当所述目标对象与所述样本用户的性别有关联关系时，将所有样本用户按照性别平均分为两类，一类构成正样本(男性样本)用户集，另一类构成负样本(女性样本)用户集，根据用户的性别特征选取目标对象。
步骤S102表示确定每个所述正样本用户或所述负样本用户对于每个对象的预设行为的数量。此步骤的目的是进一步缩小数据的分析范围，提高选取目标对象的准确率。
例如，在电子商务领域，当对象为某品类商品时，选取买家为样本用户集，预设行为为浏览、关注、加入购物车和下单，确定每个正样本用户或负样本用户对于每个品类商品的浏览量、关注量、加入购物车的次数和下单量。
步骤S103表示根据所述数量确定每个所述对象的权重。此步骤的目的是对预设行为的数量进行分析量化，以此计算权重。
根据所述数量确定每个所述对象Ci的权重V(Ci)的公式包括：
其中，所述正样本用户或所述负样本用户Xn对于每个所述对象Ci的预设行为的数量为M(Xn|Ci)次，每个用户Yq对于每个所述对象Ci的预设行为的数量为M(Yq|Ci)次；
n＝1,2,3,…,N1，N1为所述正样本用户或所述负样本用户X的数量；
i＝1,2,3,…,N2，N2为所述对象C的数量；
q＝1,2,3,…,N3，N3为所有用户Y的数量。
表示所有正样本用户或负样本用户对于对象Ci的预设行为的数量之和；表示样本用户Xn对于所有对象的预设行为的数量之和；表示所有用户(包括所有样本用户)对于对象Ci的预设行为的数量之和；表示用户Yq对于所有对象的预设行为的数量之和。
当预设行为多于一种时，例如，第一预设行为的数量为M1，第二预设行为的数量为M2，第s个预设行为的数量为Ms，s＝1,2,3,…N4，N4为预设行为M的数量，则有：
步骤S104表示根据所述权重从所述对象中选出目标对象。例如可以预设一个权重阈值，选取权重值大于或不大于这一阈值的对象作为目标对象；或者设置一个预设数量，将对象按照权重值降序排列，选取前预设数量个对象作为目标对象。
根据所述权重从所述对象中选出目标对象之后，所述方法还可包括：确定每个所述样本用户对于每个所述目标对象的预设行为的数量；根据每个所述样本用户对于每个所述目标对象的预设行为的数量构造特征向量；根据所述特征向量构造分类模型，其中所述分类模型用于对用户进行分类。此步骤的作用是使用目标对象作为训练样本构造分类模型。
例如，在电子商务领域，选出N个品类的商品作为目标对象，确定第i个所述正样本用户和所述负样本用户(即买家)对于每个目标对象的下单(即预设行为)数量，依次为F1i，F2i，F3i，…，FNi，构造特征向量Ti：
Ti＝(F1i,F2i,F3i,…,FNi)
使用解决二元分类问题的有关算法，以特征向量Ti为输入值，可以通过机器学习的方式，以特征向量为训练样本，构造决策树模型。
进一步地，根据所述特征向量构造分类模型的方法包括：根据所述特征向量，使用随机森林算法(Random forest，是一种包含多个决策树的分类算法)构造第一分类模型M1；根据所述特征向量，使用梯度提升树算法(Gradient Boosting Decision Tree，又叫Multiple Additive Regression Tree，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终决策结果)构造第二分类模型M2；则所述分类模型M为：M＝λM1+(1-λ)M2，其中λ为预设系数，λ不大于1。
此步骤的目的是将随机森林与梯度提升树算法的模型进行融合，进一步提高分类的准确率与模型的泛化能力。
图2是根据本发明实施例的一种选择目标对象的装置200的主要部分的示意图，如图2所示：
分类模块201用于获取样本用户集，将其中的样本用户分为两类，一类构成正样本用户集，另一类构成负样本用户集；目的是缩小数据的分析范围，提高选取目标对象的准确率。
分类模块201还可用于，获取样本用户集，将其中的样本用户平均分为两类，一类构成正样本用户集，另一类构成负样本用户集。分类的标准可以根据样本用户与目标对象的关联关系确定。目的是保证样本用户的数量，形成对比机制，提高目标对象选择的正确率。
例如，获取样本用户集，当所述目标对象与所述样本用户的性别有关联关系时，将所有样本用户按照性别平均分为两类，一类构成正样本(男性样本)用户集，另一类构成负样本(女性样本)用户集，根据用户的性别特征选取目标对象。
计算模块202用于确定每个所述正样本用户或所述负样本用户对于每个对象的预设行为的数量；目的是进一步缩小数据的分析范围，提高选取目标对象的准确率。
例如，在电子商务领域，当对象为某品类商品时，选取买家为样本用户集，预设行为为浏览、关注、加入购物车和下单，确定每个正样本用户或负样本用户对于每个品类商品的浏览量、关注量、加入购物车的次数和下单量。
分析模块203用于根据所述数量确定每个所述对象的权重；目的是对预设行为的数量进行分析量化，以此计算权重。
根据所述数量确定每个所述对象Ci的权重V(Ci)的公式包括：
其中，所述正样本用户或所述负样本用户Xn对于每个所述对象Ci的预设行为的数量为M(Xn|Ci)次，每个用户Yq对于每个所述对象Ci的预设行为的数量为M(Yq|Ci)次；n＝1,2,3,…,N1，N1为所述正样本用户或所述负样本用户X的数量；i＝1,2,3,…,N2，N2为所述对象C的数量；q＝1,2,3,…,N3，N3为所有用户Y的数量。
表示所有正样本用户或负样本用户对于对象Ci的预设行为的数量之和；表示样本用户Xn对于所有对象的预设行为的数量之和；表示所有用户(包括所有样本用户)对于对象Ci的预设行为的数量之和；表示用户Yq对于所有对象的预设行为的数量之和。
当预设行为多于一种时，例如，第一预设行为的数量为M1，第二预设行为的数量为M2，第s个预设行为的数量为Ms，s＝1,2,3,…N4，N4为预设行为M的数量，则有：
选取模块204用于根据所述权重从所述对象中选出目标对象。例如可以预设一个权重阈值，选取权重值大于或不大于这一阈值的对象作为目标对象；或者设置一个预设数量，将对象按照权重值降序排列，选取前预设数量个对象作为目标对象。
计算模块202还用于确定每个所述样本用户对于每个所述目标对象的预设行为的数量；装置200还可包括：特征模块，用于根据每个所述样本用户对于每个所述目标对象的预设行为的数量构造特征向量；模型模块，用于根据所述特征向量构造分类模型，其中所述分类模型用于对用户进行分类。目的是使用目标对象作为训练样本构造分类模型。
例如，在电子商务领域，选出N个品类的商品作为目标对象，确定第i个所述正样本用户和所述负样本用户(即买家)对于每个目标对象的下单(即预设行为)数量，依次为F1i，F2i，F3i，…，FNi，构造特征向量Ti：
Ti＝(F1i,F2i,F3i,…,FNi)
使用解决二元分类问题的有关算法，以特征向量Ti为输入值，可以通过机器学习的方式，以特征向量为训练样本，构造决策树模型。
所述模型模块还用于根据所述特征向量，使用随机森林算法(Random forest，是一种包含多个决策树的分类算法)构造第一分类模型M1；根据所述特征向量，使用梯度提升树算法(Gradient Boosting Decision Tree，又叫Multiple Additive Regression Tree，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终决策结果)构造第二分类模型M2；
则所述分类模型M为：M＝λM1+(1-λ)M2，其中λ为预设系数，λ不大于1。
目的是将随机森林与梯度提升树算法的模型进行融合，进一步提高分类的准确率与模型的泛化能力。
图3示出了可以应用本发明实施例的一种选择目标对象的方法或一种选择目标对象的装置的示例性系统架构300。
如图3所示，系统架构300可以包括终端设备301、302、303，网络304和服务器305。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备301、302、304通过网络304与服务器305交互，以接收或发送消息等。终端设备301、302、303上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器305可以是提供各种服务的服务器，例如对用户利用终端设备301、302、303所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是，本发明实施例所提供的一种选择目标对象的方法一般由服务器305执行，相应地，一种选择目标对象的装置一般设置于服务器305中。
应该理解，图3中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图4所示为适于用来实现本发明实施例的终端设备的计算机系统400的结构示意图。图4所示的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，根据本发明公开的实施例，上文步骤图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行步骤图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质包括计算机可读信号介质或计算机可读存储介质，或者是上述两者的任意组合。计算机可读存储介质包括但不限于电、磁、光、电磁、红外线、半导体的系统、装置或器件，或者上述内容的任意组合。计算机可读存储介质具体包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述内容的任意组合。在本发明中，计算机可读存储介质包括任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用；计算机可读的信号介质包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述信号的任意组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF(射频)等，或者上述介质的任意组合。
附图中的步骤图或框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作，步骤图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以并行地执行，有时也可以按相反的顺序执行，其执行顺序依所涉及的功能而定。也要注意的是，框图或步骤图中的每个方框以及其组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块或单元也可以设置在处理器中，例如，可以描述为：一种处理器包括分类模块、计算模块、分析模块和选取模块。其中，这些模块或单元的名称在某种情况下并不构成对该模块或单元本身的限定，例如，分析模块还可以被描述为“用于根据所述数量确定每个所述对象的权重的模块”。
另一方面，本发明实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取样本用户集，将其中的样本用户分为两类，一类构成正样本用户集，另一类构成负样本用户集；确定每个所述正样本用户或所述负样本用户对于每个对象的预设行为的数量；根据所述数量确定每个所述对象的权重；根据所述权重从所述对象中选出目标对象。
根据本发明实施例的技术方案，采用根据样本用户的分类计算对象的权重的技术手段，所以克服了目标对象选取时数据量过大、准确性过低的技术问题，进而达到选出的目标对象更符合预期和实际情况的技术效果。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (12)

1.一种选择目标对象的方法，其特征在于，包括：
获取样本用户集，将其中的样本用户分为两类，一类构成正样本用户集，另一类构成负样本用户集；
确定每个所述正样本用户或所述负样本用户对于每个对象的预设行为的数量；
根据所述数量确定每个所述对象的权重；
根据所述权重从所述对象中选出目标对象。
2.根据权利要求1所述的方法，其特在于，根据所述权重从所述对象中选出目标对象之后，所述方法还包括：
确定每个所述样本用户对于每个所述目标对象的预设行为的数量；
根据每个所述样本用户对于每个所述目标对象的预设行为的数量构造特征向量；
根据所述特征向量构造分类模型，其中所述分类模型用于对用户进行分类。
3.根据权利要求1所述的方法，其特征在于，根据所述数量确定每个所述对象Ci的权重V(Ci)的公式包括：
其中，所述正样本用户或所述负样本用户Xn对于每个所述对象Ci的预设行为的数量为M(Xn|Ci)次，每个用户Yq对于每个所述对象Ci的预设行为的数量为M(Yq|Ci)次；
n＝1,2,3,…,N1，N1为所述正样本用户或所述负样本用户X的数量；
i＝1,2,3,…,N2，N2为所述对象C的数量；
q＝1,2,3,…,N3，N3为所有用户Y的数量。
4.根据权利要求1所述的方法，其特征在于，获取样本用户集，将其中的样本用户分为两类，一类构成正样本用户集，另一类构成负样本用户集的方法包括：
获取样本用户集，，将其中的样本用户平均分为两类，一类构成正样本用户集，另一类构成负样本用户集。
5.根据权利要求2所述的方法，其特征在于，根据所述特征向量构造分类模型的方法包括：
根据所述特征向量，使用随机森林算法构造第一分类模型M1；
根据所述特征向量，使用梯度提升树算法构造第二分类模型M2；
则所述分类模型M为：M＝λM1+(1-λ)M2，其中λ为预设系数，λ不大于1。
6.一种选择目标对象的装置，其特征在于，包括：
分类模块，用于获取样本用户集，将其中的样本用户分为两类，一类构成正样本用户集，另一类构成负样本用户集；
计算模块，用于确定每个所述正样本用户或所述负样本用户对于每个对象的预设行为的数量；
分析模块，用于根据所述数量确定每个所述对象的权重；
选取模块，用于根据所述权重从所述对象中选出目标对象。
7.根据权利要求6所述的装置，其特征在于，所述计算模块还用于确定每个所述样本用户对于每个所述目标对象的预设行为的数量；
所述装置还包括：
特征模块，用于根据每个所述样本用户对于每个所述目标对象的预设行为的数量构造特征向量；
模型模块，用于根据所述特征向量构造分类模型，其中所述分类模型用于对用户进行分类。
8.根据权利要求6所述的装置，其特征在于，根据所述数量确定每个所述对象Ci的权重V(Ci)的公式包括：
其中，所述正样本用户或所述负样本用户Xn对于每个所述对象Ci的预设行为的数量为M(Xn|Ci)次，每个用户Yq对于每个所述对象Ci的预设行为的数量为M(Yq|Ci)次；
n＝1,2,3,…,N1，N1为所述正样本用户或所述负样本用户X的数量；
i＝1,2,3,…,N2，N2为所述对象C的数量；
q＝1,2,3,…,N3，N3为所有用户Y的数量。
9.根据权利要求6所述的装置，其特征在于，所述分类模块还用于，获取样本用户集，将其中的样本用户平均分为两类，一类构成正样本用户集，另一类构成负样本用户集。
10.根据权利要求7所述的装置，其特征在于，所述模型模块还用于根据所述特征向量，使用随机森林算法构造第一分类模型M1；
根据所述特征向量，使用梯度提升树算法构造第二分类模型M2；
则所述分类模型M为：M＝λM1+(1-λ)M2，其中λ为预设系数，λ不大于1。
11.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被一个或多个处理器执行时实现如权利要求1-5中任一所述的方法。
CN201810436728.7A 2018-05-09 2018-05-09 一种选择目标对象的方法和装置 Pending CN110472645A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810436728.7A CN110472645A (zh) 2018-05-09 2018-05-09 一种选择目标对象的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810436728.7A CN110472645A (zh) 2018-05-09 2018-05-09 一种选择目标对象的方法和装置

Publications (1)

Publication Number Publication Date
CN110472645A true CN110472645A (zh) 2019-11-19

Family

ID=68503543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810436728.7A Pending CN110472645A (zh) 2018-05-09 2018-05-09 一种选择目标对象的方法和装置

Country Status (1)

Country Link
CN (1) CN110472645A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104679771A (zh) * 2013-11-29 2015-06-03 阿里巴巴集团控股有限公司 一种个性化数据搜索方法和装置
CN104850567A (zh) * 2014-02-19 2015-08-19 阿里巴巴集团控股有限公司 一种识别网络用户之间关联关系的方法和装置
CN106599047A (zh) * 2016-11-10 2017-04-26 咪咕动漫有限公司 一种信息的推送方法及装置
CN107483500A (zh) * 2017-09-25 2017-12-15 咪咕文化科技有限公司 一种基于用户行为的风险识别方法、装置及存储介质
CN107741967A (zh) * 2017-10-09 2018-02-27 北京京东尚科信息技术有限公司 用于行为数据处理的方法、装置以及电子设备
CN107818344A (zh) * 2017-10-31 2018-03-20 上海壹账通金融科技有限公司 用户行为进行分类和预测的方法和系统
CN107870984A (zh) * 2017-10-11 2018-04-03 北京京东尚科信息技术有限公司 识别搜索词的意图的方法和装置
CN107909392A (zh) * 2017-11-02 2018-04-13 北京三快在线科技有限公司 刺激行为敏感度预测方法、装置、设备及可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104679771A (zh) * 2013-11-29 2015-06-03 阿里巴巴集团控股有限公司 一种个性化数据搜索方法和装置
US20150154508A1 (en) * 2013-11-29 2015-06-04 Alibaba Group Holding Limited Individualized data search
CN104850567A (zh) * 2014-02-19 2015-08-19 阿里巴巴集团控股有限公司 一种识别网络用户之间关联关系的方法和装置
CN106599047A (zh) * 2016-11-10 2017-04-26 咪咕动漫有限公司 一种信息的推送方法及装置
CN107483500A (zh) * 2017-09-25 2017-12-15 咪咕文化科技有限公司 一种基于用户行为的风险识别方法、装置及存储介质
CN107741967A (zh) * 2017-10-09 2018-02-27 北京京东尚科信息技术有限公司 用于行为数据处理的方法、装置以及电子设备
CN107870984A (zh) * 2017-10-11 2018-04-03 北京京东尚科信息技术有限公司 识别搜索词的意图的方法和装置
CN107818344A (zh) * 2017-10-31 2018-03-20 上海壹账通金融科技有限公司 用户行为进行分类和预测的方法和系统
CN107909392A (zh) * 2017-11-02 2018-04-13 北京三快在线科技有限公司 刺激行为敏感度预测方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN107105031A (zh) 信息推送方法和装置
CN108768840A (zh) 一种账号管理的方法和装置
CN107609890A (zh) 一种订单跟踪的方法和装置
CN109976997A (zh) 测试方法和装置
CN107424007A (zh) 一种构建电子券敏感度识别模型的方法和装置
CN109685537B (zh) 用户行为的分析方法、装置、介质和电子设备
CN110119445A (zh) 生成特征向量和基于特征向量进行文本分类的方法和装置
CN109634833A (zh) 一种软件缺陷预测方法和装置
CN109961299A (zh) 数据分析的方法和装置
CN108776692A (zh) 用于处理信息的方法和装置
CN109993179A (zh) 一种对数据进行聚类的方法和装置
CN107346344A (zh) 文本匹配的方法和装置
CN110309142A (zh) 规则管理的方法和装置
CN109146152A (zh) 一种线上事故等级预测方法和装置
CN107908662A (zh) 搜索系统的实现方法和实现装置
CN109190123A (zh) 用于输出信息的方法和装置
CN109284342A (zh) 用于输出信息的方法和装置
CN109785072A (zh) 用于生成信息的方法和装置
CN110866625A (zh) 促销指标信息生成方法和装置
CN109961199A (zh) 一种分析数据波动的方法和装置
CN107562941A (zh) 数据处理方法及其系统
CN110263791A (zh) 一种识别功能区的方法和装置
CN109754273A (zh) 提升活跃用户数量的方法和装置
CN110197317A (zh) 目标用户确定方法及装置、电子设备及存储介质
CN112990311A (zh) 一种准入客户的识别方法和装置

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