CN110599240A - 应用的偏好值确定方法、装置和设备及存储介质 - Google Patents
应用的偏好值确定方法、装置和设备及存储介质 Download PDFInfo
- Publication number
- CN110599240A CN110599240A CN201910782842.XA CN201910782842A CN110599240A CN 110599240 A CN110599240 A CN 110599240A CN 201910782842 A CN201910782842 A CN 201910782842A CN 110599240 A CN110599240 A CN 110599240A
- Authority
- CN
- China
- Prior art keywords
- value
- data
- parameter
- application
- comprehensive index
- 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
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种应用的偏好值确定方法、装置和设备及存储介质,属于计算机技术领域,用于提升获取的用户对于应用的偏好值的准确性。该方法包括:获取目标应用中目标用户的使用数据,所述使用数据包括至少一种类型的参数在N个周期内的数据,其中,N为正整数;根据各类型的参数数据以及各类型的参数数据在N个周期内的效用值,分别获得各类型的参数对应的综合指标值;其中,所述效用值用于表征不同周期内的数据对于偏好值的影响程度;根据各类型的参数对应的所述综合指标值确定所述目标用户对于所述目标应用的偏好值。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种应用的偏好值确定方法、装置和设备及存储介质。
背景技术
应用偏好是用户选择应用的时候所做出的具有倾向性的选择,是用户认知和心理感受的综合结果。偏好值可以用来衡量一个用户对某款应用的喜好程度,偏好值越大表明用于对于应用的喜好程度越大,因此,准确的获取用户对于某款应用的偏好值,有利于应用的运营商较好的开展后续的运营活动。
但是,目前在获取用户对于应用的偏好值时,通常只是根据单一方面的数据来衡量用户的偏好值,这样得到的偏好值较为片面,无法较好的反映用户真实的偏好值;或者,目前也有综合多种类型数据来得到偏好值的方案,但是该方案只是单纯将获取的用户的多方面的数据进行加权求和,所得到的值也无法较好反映用户真实的偏好值。
因此,如何准确的获取用户对于应用的偏好值是目前亟待解决的问题。
发明内容
本申请实施例提供一种应用的偏好值确定方法、装置和设备及存储介质,用于提升获取的用户对于应用的偏好值的准确性。
一方面,提供一种应用的偏好值确定方法,所述方法包括:
获取目标应用中目标用户的使用数据,所述使用数据包括至少一种类型的参数在N个周期内的数据;
根据各类型的参数数据以及各类型的参数数据在N个周期内的效用值,分别获得各类型的参数对应的综合指标值;其中,所述效用值用于表征不同周期内的数据对于偏好值的影响程度;
根据各类型的参数对应的所述综合指标值确定所述目标用户对于所述目标应用的偏好值。
一方面,提供一种应用的偏好值确定装置,所述装置包括:
数据获取单元,用于获取目标应用中目标用户的使用数据,所述使用数据包括至少一种类型的参数在N个周期内的数据,其中,N为正整数;
综合指标获取单元,用于根据各类型的参数数据以及各类型的参数数据在N个周期内的效用值,分别获得各类型的参数对应的综合指标值;其中,所述效用值用于表征不同周期内的数据对于偏好值的影响程度;
确定单元,用于根据各类型的参数对应的所述综合指标值确定所述目标用户对于所述目标应用的偏好值。
可选的,所述效用值是根据参数数据所在周期与当前周期之间的周期数以及参数数据的衰减系数确定的,其中,所述所述衰减系数根据所述目标应用的预测生命周期进行设置。
可选的,所述确定单元,具体用于:
分别对各类型的参数对应的所述综合指标值进行归一化处理;
根据各类型的参数的权重以及归一化后的各类型的参数对应的所述综合指标值,获得所述偏好值。
可选的,所述确定单元,具体用于:
针对任一类型的参数,若该参数对应的所述综合指标值小于预设指标阈值,则调用第一方法对所述综合指标值进行归一化处理;或者,
若所述综合指标值大于或者等于所述预设指标阈值,则调用不同于所述第一方法的第二方法对所述综合指标值进行归一化处理。
可选的,所述确定单元,具体用于:
获得所有用户的所述综合指标值的均值以及所有用户中所述综合指标值的最小值;
根据所述目标用户的所述综合指标值、所述均值以及所述最小值,通过线性归一化处理方法,得到归一化后的所述综合指标值。
可选的,所述确定单元,具体用于:
获得所有用户的所述综合指标值的均值以及标准差;
根据所述目标用户的所述综合指标值、所述均值以及所述标准差,获得所述目标用户的所述综合指标值对应的标准分数值;
通过逻辑回归函数归一化处理方法,根据所述标准分数值,得到归一化后的所述综合指标值。
可选的,所述目标应用为游戏应用,则所述使用数据包括所述目标用户在所述N个周期内的登录数据和充值数据。
可选的,所述装置还包括推荐单元或者模型训练单元;
所述推荐单元,用于根据所述目标用户的偏好值,向所述目标用户推荐所述目标应用中与所述偏好值对应的道具;或者,
所述模型训练单元,用于将所述目标用户的偏好值作为模型训练特征参数,对构建的模型进行训练。
一方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方面所述的方法。
一方面,提供一种计算机可读存储介质,存储有处理器可执行指令,所述处理器可执行指令用于执行上述方面所述的方法。
本申请实施例中,在获取目标用户对于目标应用的偏好值时,不仅综合考虑了多种类型的参数数据,还考虑到数据对于用户偏好值的时效性的问题,在获取各类型参数的综合指标值时,考虑到了各周期的数据的效用值因素,从而得到的综合指标值是融合效用值因素的,那么最终根据这些综合指标值得到的偏好值也是融合效用值因素的,能够更接近于用户当前对于应用的实际偏好值,从而提升了最终获得的偏好值的准确性。
附图说明
为了更清楚地说明本申请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申请实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的应用场景示意图;
图2为本申请实施例提供的应用的偏好值确定方法的流程示意图;
图3为本申请实施例提供的目标应用为游戏应用时的偏好值的计算示意图;
图4为本申请实施例提供的AUC对比情况示意图;
图5为本申请实施例提供的应用的偏好值确定装置的一种结构示意图;
图6为本申请实施例提供的计算机设备的一种结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
为便于理解本申请实施例提供的技术方案,这里先对本申请实施例使用的一些关键名词进行解释:
应用:应用可以包括在手机或者平板电脑等移动终端中安装的应用程序(application,APP),也可以包括在个人电脑(personal computer,PC)中安装的客户端程序。应用可以为多种类型的应用,例如可以为游戏应用,或者可以即时通讯应用,或者还可以是图像应用或者办公应用均可,针对不同类型的应用,计算用户偏好值所采用的参数数据可以针对性的设计,本申请实施例中主要以游戏应用为例进行介绍。
偏好值:偏好值可以用来衡量一个用户对某款应用的喜好程度,一般来讲,偏好值的取值范围为[0,1],偏好值越大表明用户对于该应用的喜好程度越大。偏好值存在明显的个体差异,也呈现出一定的群体特征,获取用户的偏好值有利于后续对单个用户进行分析或者对群体用户进行群体分析,以及帮助应用的运营商开展运营活动等。
使用数据:使用数据是用户在使用应用时产生的数据,其中,在本申请实施例中,使用数据一般是指与计算用户的偏好值相关的使用数据,例如,用户频繁登录应用时,表明用户使用应用的频率较高,且登录时长较高时,也表明用户很喜欢使用该应用,因此,使用数据可以包括用户的登录数据。
效用值:用户对于应用的偏好值并不是一成不变的,例如用户在某个时间段内可能使用一个应用较多,那么在这个时间段内用户对于应用的偏好值显然是较高的,而在某个时间段用户可能对于某一应用的偏好值有所降低,因此,用户的偏好值通常是具有阶段性的。因此,本申请实施例中考虑到了偏好值的阶段性的问题,相应的当前的使用数据与偏好值的相关性更高,因而引入了周期的效用值,即不同周期的使用数据具有不同的效用值,效用值用表征相应周期内使用数据对于偏好值的影响程度。
衰减系数:而在实际应用中,距离当前时长越近的数据更能反映用户当前的偏好值,相反的,距离当前时长越久的数据对于反映用户当前的偏好值的作用就越小,因此获取的使用数据应是具有一定的时效性的,且随着时间的增长,距离当前时长越久的数据的时效性越低,即使用数据的时效性随着时间的增长是逐渐衰减的,因而引入了衰减系数,各周期内的效用值可以根据衰减系数计算得到。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,在不做特别说明的情况下,一般表示前后关联对象是一种“或”的关系。此外,对于本文中涉及的“第一”或者“第二”等仅用于区分类似的对象,而不是用于描述特定的顺序或者先后次序。
偏好值可以用来衡量一个用户对某款应用的喜好程度,偏好值越大表明用于对于应用的喜好程度越大,因此,准确的获取用户对于某款应用的偏好值,有利于应用的运营商较好的开展后续的运营活动。但是目前的偏好值计算方法均无法较好反映用户真实的偏好值。
本申请人对现有技术进行分析后发现,在现有技术中,或是仅根据单一方面的数据来计算偏好值,使得得到的偏好值无法更好的反映用户真实的喜好,或是仅将多方面的数据进行加权求和来计算偏好值,但是不管是哪种方式,其均为考虑到数据的时效性问题,从而使得即使将所有的数据杂糅到一起,所得到的用户偏好值也是不准确的。因此,若是想要进一步提升偏好值的准确性,那么必然需要考虑数据的时效性给偏好值所带来的影响。
基于上述的分析和考虑,本申请实施例提供一种应用的偏好值确定方法,该方法在获取目标用户对于目标应用的偏好值时,不仅综合考虑了多种类型的参数数据,还考虑到数据对于用户偏好值的时效性的问题,在获取各类型参数的综合指标值时,考虑到了各周期的数据的效用值因素,从而得到的综合指标值是融合效用值因素的,那么最终根据这些综合指标值得到的偏好值也是融合效用值因素的,能够更接近于用户当前对于应用的实际偏好值,进而最终获得的偏好值的准确性更高。
此外,还考虑到对于某些应用而言,例如游戏应用,数据的分布具有典型的非一般分布特征,其大部分数据分布较为集中,例如在游戏应用中充值数据大部分集中在零值的附近,因此,现有技术中在计算偏好值时所采用的归一化方法对于这种类型的应用而言,会出现数据分布异常的问题。因此,基于该问题,在本申请实施例中,采用了分段归一化处理的方法,以一阈值为分界线,分界线之下可以采用一种方法进行归一化处理,而分界线之上可以采用另一方法进行更为细致的归一化处理,从而将数据映射到一个合理的分布,解决数据分布集中化的问题。
在介绍完本申请实施例的设计思想之后,下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施过程中,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
请参见图1所示,为本申请实施例中的技术方案能够适用的一种应用场景,在该场景中,可以包括多个终端设备101,如图1所示的终端设备101~1至终端设备101~M,在具体实施时,对于终端设备的数量M并不进行限制,该场景中还可以包括应用服务器102和计算服务器103。
终端设备101可以是手机、个人电脑(personal computer,PC)、平板电脑(PAD)、掌上电脑(Personal Digital Assistant,PDA)、笔记本电脑或者智能穿戴式设备(例如智能手表和智能手环)等终端设备。终端设备101可以包括一个或多个处理器1011、存储器1012、I/O接口1013以及显示面板1014等。其中,终端设备101中可以安装本申请实施例涉及的目标应用,终端设备101的存储器1012中可以存储目标应用的程序指令,这些程序指令被处理器1011执行时能够用以实现上述目标应用的功能,以及在显示面板1014显示相应显示页面。
应用服务器102可以为上述目标应用的后台服务器,用于在用户使用应用时为用户提供后台服务。其中,应用服务器102可以包括一个或多个处理器1021、存储器1022以及I/O接口1023等。此外,应用服务器102还可以配置数据库1024,数据库1024可以用于存储用户的历史使用数据等信息。
计算服务器103可以用于执行本申请实施例提供的应用的偏好值确定方法。其中,计算服务器103可以包括一个或多个处理器1031、存储器1032以及I/O接口1033等,计算服务器103的存储器1032中可以存储本申请实施例提供的应用的偏好值确定方法的程序指令,这些程序指令被处理器1031执行时能够用以实现本申请实施例提供的应用的偏好值确定方法的功能。此外,计算服务器103也可以配置数据库1034,例如可以用于计算得到的用户的偏好值等信息。
示例性的,用户通过终端设备101使用目标应用的过程中,应用服务器102可以收集该用户的使用数据,计算服务器103可以从应用服务器102获取使用数据,以通过本申请实施例提供的应用的偏好值确定方法,利用获取的使用数据计算该用户对目标应用的偏好值,并将计算的偏好值提供给应用服务器102,以便应用服务器102基于偏好值展开后续的运营活动,或者用于其他功能的实现,例如模型训练;或者根据用户特征为相似用户推荐应用等等。
在实际应用中,应用服务器102和计算服务器103可以为不同的服务器,图1具体以此示出,也可以为相同的服务器,即应用服务器102和计算服务器103所能实现的功能可以同一服务器来实现。
上述需要进行通信的各设备之间可以通过一个或者多个网络104进行通信连接,该网络104可以是有线网络,也可以是无线网络,例如无线网络可以是移动蜂窝网络,或者可以是无线保真(WIreless-Fidelity,WIFI)网络,当然还可以是其他可能的网络,本申请实施例对此不做限制。
当然,本申请实施例提供的方法并不限用于图1所示的应用场景中,还可以用于其他可能的应用场景,本申请实施例并不进行限制。对于图1所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述,在此先不过多赘述。
请参见图2所示,为本申请实施例提供的应用的偏好值确定方法的流程示意图,该方法可以通过图1所示的计算服务器来执行,该方法的流程介绍如下。需要声明的是,在实际应用中,各个用户的偏好值计算过程是类似的,因此在下面的介绍中,主要是以一个用户的偏好值计算过程为例进行介绍。
步骤201:获取目标应用中目标用户的使用数据,该使用数据包括至少一种类型的参数在N个周期内的数据。
本申请实施例中,一个周期包括的具体时长可以根据具体情况进行设置,例如可以根据使用数据所处于的总的时间段设定周期,例如使用数据为1年内或者2年内等较长期的使用数据时,则可以将周期的时长设置的较长,例如可以设置为一个月;或者,使用数据为半年内或者3个月内等较短期的使用数据时,则可以将周期的时长设置的较短,例如可以设置为一周。
在实际应用时,考虑到用户的行为是具有周期性的,一般来讲,实际数据表明工作日和双休日用户的行为有明显的区别,一个周期最少要包括工作日和双周,因此一个周期的最小时长可以为一周。周期的数量N越大时,则表明使用数据的数据量越大,那么计算得到的偏好值应是更准确的,此外,综合考虑新的应用的上线以及用户对于应用的使用生命周期的影响,因此N的取值可以设置的较大,例如N的取值可以大于或者等于8。
在用户使用应用的过程中,应用的后台服务器通常会记录并存储用户的使用数据,因此目标应用中目标用户的使用数据可以通过目标应用的后台服务器来获取。
在实际应用中,若是计算服务器与目标应用的后台服务器为不同的服务器,那么计算服务器可以向目标应用的后台服务器请求目标用户的使用数据,待目标应用的后台服务器响应后,则可以获取目标应用的后台服务器发送的使用数据;或者,若是计算服务器与目标应用的后台服务器为同一服务器,那么计算服务器则可以直接从存储使用数据的存储位置中获取目标用户的使用数据,或者从挂载的数据库中获取目标用户的使用数据。
本申请实施例中,目标应用的后台服务器可能在收集各个用户的使用数据时,对使用数据进行了一定的整理和统计,那么计算服务器获取到使用数据后,在额可以直接用于后续的偏好值的计算;或者,若是计算服务器获取到使用数据仅为目标应用的后台服务器收集的原始使用数据时,那么计算服务器可以对使用数据进行整理和统计之后,再用于后续的偏好值的计算。
具体的,目标应用的后台服务器或者计算服务器可以按照一个周期为单位对使用数据进行整理。
如图3所示,是目标应用为游戏应用时获取偏好值的计算示意图。其中,对于游戏应用而言,对于用户的偏好值影响较大的参数可以为用户的登录数据以及充值数据,一般而言,登录数据可以表明用户在游戏应用中的活跃程度,活跃程度越高,相应的表明用户对于游戏应用的偏好值应是越高的,而充值数据也能体现出用户对游戏应用的偏好值,一般而言,充值越多,也能够表明用户对于游戏应用的偏好值应是越高的。那么计算服务器则可以获取目标用户在游戏应用中的登录数据以及充值数据,将其作为使用数据进行后续偏好值的计算,当然使用数据也可以包括其他可能的类型的参数的数据,本申请实施例对此并不进行限制。在对登录数据和充值数据进行整理时,以周期为一周为例,那么可以统计目标用户在一周内的活跃天数、登录天数或者登录时长数等,以及统计目标用户在一周内的充值金额。
步骤202:根据各类型的参数数据以及各类型的参数数据在N个周期内的效用值,分别获得各类型的参数对应的综合指标值。
本申请实施例中,效用值可以用于表征不同周期内的数据对于偏好值的影响程度。具体的,各个周期的效用值可以根据经验或者实际情况赋予一定的值,或者,考虑到在实际应用中,距离当前时长越近的数据更能反映用户当前的偏好值,相反的,距离当前时长越久的数据对于反映用户当前的偏好值的作用就越小,即使用数据具有一定的时效性,且随着时间的增长,距离当前时长越久的数据的时效性越低,因此使用数据的时效性随着时间的增长是逐渐衰减的,因而本申请实施例中引入了衰减系数,那么各周期内的效用值可以根据衰减系数以及参数数据所在周期与当前周期之间的周期数来确定,如下公式所示:
Rn=γn-1
其中,Rn为N个周期中第n个周期的效用值,n的取值可以为1、2、3…N;γ为每个周期参数数据的衰减系数。基于上述公式可知,每迭代一个周期,参数数据的效用值就衰减γ倍。当然,本申请实施例并不限于通过上述公式来计算效用值的这一种方式,也可以通过其他方式进行计算。
具体的,衰减系数的取值可以根据目标应用的预测生命周期进行设置,即γ的取值取决于实际的应用,通常是根据应用的半衰期进行设置,具体而言是指预期在多少个周期后,当前参数数据的效用值会衰减成原来的一半。一般而言,对于一个应用,都会有一个预测生命周期,例如对于游戏应用而言,生命周期的体现是更为明显的,游戏应用在新上线时,由于宣传活动等因素,通常游戏应用在初期时用户数量会呈现一个峰值,随着用户对于游戏应用的使用,用户量通常逐渐流失,在一定周期之后,会进入半衰期,那么游戏应用的半衰期则可以参考游戏应用的生命半衰期。例如,预期的经过8个周期之后应用进入半衰期,那么γ的取值可以为0.917(0.917的8次方等于0.49998≈0.5)。
本申请实施例中,在确定各周期的参数数据的效用值之后,则可以根据各类型的参数数据以及各类型的参数数据在N个周期内的效用值,分别获得各类型的参数对应的综合指标值。这样,不仅考虑到了目标用户在目标应用中的多参数数据,还考虑到了各参数数据的时效性对于偏好值计算的影响,即参数数据的距离当前越久,其对于当前偏好值计算的影响应是越小的,从而提升后续计算得到的偏好值的准确性。
延续上述的游戏应用的例子,如图3所示,在获取目标用户在游戏应用中的使用数据之后,即登录数据和充值数据,且登录数据为目标用户在每个周期内的登录天数时,则可以分别计算登录数据对应的综合指标值以及充值数据对应的综合指标值。对于游戏应用而言,在计算充值数据对应的综合指标值时,不仅考虑到了目标用户的累积充值,还考虑到了各个周期充值数据的时效性,且在计算登录数据对应的综合指标值时,也同时考虑到了目标用户的综合行为,以及各个周期用户行为变化趋势,更能够提升计算得到的游戏应用的偏好值的准确性。
其中,登录数据对应的综合指标值可以通过如下公式进行计算:
其中,GMPlogin为登录数据对应的综合指标值,为第n个周期内的登录天数,上述公式即是通过各周期内的登录天数以及各周期对应的效用值的加权求和得到综合指标值,当然,在实际应用中,也可以通过其他可能的计算方式得到综合指标值,本申请实施例对此不做限制。
其中,充值数据对应的综合指标值可以通过如下公式进行计算:
其中,GMPdeposit为充值数据对应的综合指标值,为第n个周期内的充值金额,上述公式即是通过各周期内的充值金额以及各周期对应的效用值的加权求和得到综合指标值,当然,在实际应用中,也可以通过其他可能的计算方式得到综合指标值,本申请对此不做限制。
本申请实施例中,在获得各种类型的参数对应的综合指标值之后,则可以根据各类型的参数对应的综合指标值确定目标用户对于所述目标应用的偏好值。一般来讲,由于各类型的参数的量纲不同,且各类型的参数数据的数量级有可能差别较大,在后续计算时可能较大值可能会掩盖较小值的作用。因而一般在进行偏好值的计算之前,都会对综合指标值进行归一化处理,从而统一各类型的参数的量纲以及将各类型的参数对应的综合指标值归一化到一特定的数值范围内,例如[0,1]区间内。当然,在实际应用中,归一化处理是否需要进行可以视实际情况而定,对于各类型的参数对应的综合指标值之间的数值差距较小的情况也可以不进行归一化处理,本申请实施例对此不做限制。
下面以需要进行归一化处理为例对本申请实施例的方案进行介绍。
步骤203:分别对各类型的参数对应的综合指标值进行归一化处理。
本申请实施例中,对各类型的参数对应的综合指标值进行归一化处理是分别进行的,且对于任意一种类型的参数的归一化处理均是类似的,因此下面主要以其中一种类型的参数的归一化处理为例进行介绍。
具体的,归一化处理可以采用多种方式进行,具体采用何种方式,可以根据各参数数据特征或者应用的数据特征分布来进行。
其中,对于数据分布较为均匀的参数数据或者应用,可以采用单一的归一化处理方法来进行归一化处理,例如可以采用离差(Min-max)标准化(normalization)、标准差(Z-Score)标准化或者Sigmoid函数标准化(或称逻辑回归(logistic)函数标准化)等方法。
其中,对于数据分布具有非一般分布特征的参数数据或者应用,例如对于游戏应用的充值数据而言,在游戏应用中为充值或者充值较少的用户数量占多数,因而充值数据的大部分数据分布在零值的附近,对于这种非一般分布特征的参数数据或者应用,若是采用单一的归一化方法进行处理后,数据分布依然存在很大的陡峰,数据依然分布异常,因此单一的归一化方法不再适用。本申请实施例中,考虑到这种情况,设计了一套新的归一化方法,即T-norm归一化方法,该方法思想在于将数据进行分段处理,根据各数据段的特征采用相应的归一化处理方法,例如,在数据量大,数值变化相对小的数据段,可以采用较为简洁的归一化处理方法;而在数据量相对比较小,数据的数值变化更大的数据段,可以采用更为细致的归一化处理方法,这样,可以将数据集中分布的陡峰磨平,解决数据分布集中的问题。
当采用T-norm归一化方法对参数对应的综合指标值进行归一化处理时,若是综合指标值小于预设指标阈值,则可以调用第一方法对综合指标值进行归一化处理。
具体的,第一方法例如可以为Min-max标准化方法。具体而言,可以获取所有用户的综合指标值的均值以及所有用户中综合指标值的最小值,进而根据目标用户的综合指标值、均值以及最小值,通过线性归一化处理方法,如Min-max标准化方法,得到归一化后的综合指标值;或者,还可以获取所有用户中综合指标值的最小值以及最大值,进而根据目标用户的综合指标值、最小值以及最大值,通过线性归一化处理方法,得到归一化后的综合指标值。
若是综合指标值大于或者等于预设指标阈值,则可以调用不同于第一方法的第二方法对综合指标值进行归一化处理。
具体的,第二方法例如可以结合Z-Score标准化和Sigmoid函数标准化两种方法进行归一化处理,例如可以对数据先Z-Score计算后,再作为Sigmoid函数的输入,输出的映射结果值,则为归一化处理结果。具体在实施时,可以计算获得所有用户的综合指标值的均值以及标准差,进而根据均值、标准差以及目标用户的综合指标值,获得目标用户的综合指标值对应的标准分数值,即Z-分数,在通过逻辑回归函数归一化处理方法,根据标准分数值,得到归一化后的综合指标值。
本申请实施例中,预设指标阈值例如可以为参数对应的所有用户的综合指标值的均值;当然,也可以为其他可能的值,本申请实施例对此不做限制。
延续上述目标应用为游戏应用的例子,如图3所示,在获取游戏应用中登录数据的综合指标值和充值数据的综合指标值之后,则可以分别对登录数据的综合指标值和充值数据的综合指标值进行归一化处理。
其中,对登录数据的综合指标值进行归一化处理可以通过如下公式进行:
其中,为第i个用户的登录数据对应的归一化后的综合指标值,即本申请实施例中目标用户的登录数据对应的归一化后的综合指标值;为第i个用户的登录数据的综合指标值;Min(GMPlogin)为所有用户的登录数据的综合指标值中的最小值;Avg(GMPlogin)为所有用户的登录数据的综合指标值的均值;Std(GMPlogin)为所有用户的登录数据的综合指标值的标准差。
其中,对充值数据的综合指标值进行归一化处理可以通过如下公式进行:
其中,为第i个用户的充值数据对应的归一化后的综合指标值,即本申请实施例中目标用户的充值数据对应的归一化后的综合指标值;为第i个用户的充值数据的综合指标值;Min(GMPdeposit)为所有用户的充值数据的综合指标值中的最小值;Avg(GMPdeposit)为所有用户的充值数据的综合指标值的均值;Std(GMPdeposit)为所有用户的充值数据的综合指标值的标准差。
可以看到,综合指标值位于均值以下时,可以将归一化结果的取值限于[0,0.5)区间内,而综合指标值等于或者大于均值时,由于自然数e指数部分的值恒大于等于零,则可以将归一化结果的取值限于[0.5,1)区间内,综合两部分整体的结果数据取值范围为[0,1)。可见,在均值以上,数据量相对比较小,数据的数值变化更大的数据段,通过上述公式进行归一化处理,不仅可以拥有归一化处理的效果,还可以很好的和小于均值的数据映射相互呼应,从而形成一套完整的归一化方法。
步骤204:根据各类型的参数的权重以及归一化后的各类型的参数对应的综合指标值,获得偏好值。
本申请实施例中,在获取归一化后的各类型的参数对应的综合指标值后,则可以根据各类型的参数的权重以及归一化后的各类型的参数对应的综合指标值,来获得目标用户对目标应用的偏好值。具体的,可以采用加权求和的方式来计算目标用户对目标应用的偏好值。
延续上述目标应用为游戏应用的例子,如图3所示,在获取归一化后的登录数据的综合指标值和归一化后的充值数据的综合指标值之后,目标用户对目标应用的偏好值可以通过如下公式进行计算:
其中,Scorei为第i个用户的偏好值,即本申请实施例中目标用户的偏好值;α为登录数据的权重,其中,α的取值主要取决于在游戏应用中用户的登录数据和充值数据的占比。例如,考量指标可以包括登录用户数、充值用户数、登录用户的人均登录天数以及充值用户的人均充值金额,活跃用户数越大,人均活跃天数越大,登录数据的权重就越高,即α的值就越大,反之α的值越小,例如登录数据和充值数据的权重比例可以为8:2,也就是α为0.8。
本申请实施例中,通过上述的过程,可以计算得到目标应用中任一用户的偏好值,获得的偏好值可以帮助应用的运营商对应用进行改善,或者用于其他场景中。
具体的,应用的运营商可以根据目标用户的偏好值,向目标用户推荐目标应用中与偏好值对应的道具。例如,当目标应用为游戏应用时,在游戏中有运营活动时,游戏运营商可以根据游戏偏好值的不同指定相对个性化的运营策略。例如,在运营活动中,对于偏好值较大的用户,即该用户为重度用户,那么为了维持用户对于游戏应用的喜爱程度,可以向该类型的用户赠送高价值的道具,如人物外观或者皮肤等等,而对于偏好值较小的用户,即该用户为轻度用户,对于该游戏应用的黏性并不大,那么可以向该类型的用户赠送更具有游戏吸引力的道具,例如可以赠送价值较高的人物角色,以吸引用户继续使用该游戏应用。
具体的,还可以将目标用户的偏好值作为模型训练特征参数,对构建的模型进行训练。例如在训练对用户进行应用推荐的模型时,则可以将用户对于各应用的偏好值作为一个强关联特征进行模型训练,当然,也可以用于可以任何可以用到偏好值的模型的模型训练中,本申请实施例对此不做限制。如图4所示,为使用不同特征参数和采用不同训练方法训练模型的AUC(Area Under Curve)对比情况,AUC值为受试者工作特征(receiveroperating characteristic curve,ROC)曲线下的面积,可以用于衡量一个模型的性能好坏,AUC值越高,模型性能更优。如图4所示,为一训练得到的特定模型的AUC对比情况,可以看到,当“无偏好特征”,即不加入偏好值作为训练特征时,AUC值为0.63;当“仅包含偏好特征”,即仅将偏好值作为训练特征时,AUC值为0.68;当使用“偏好特征+其他特征”作为训练特征时,AUC值为0.71;当使用“偏好特征+其他特征”作为训练特征时,且采用正样本无标签学习(positive unlabeled learning,PU learning)方法时,AUC值为0.78,可见,加入偏好值作为训练特征时,模型性能相应得以提升。
综上所述,本申请实施例提供的应用的偏好值确定方法,使用了考虑了衰减因素的多种参数的综合指标值,即充分考虑了用户的长期行为,并处理了不同时间的数据效用问题,此外,本申请实施例中在进行归一化处理时,使用了T-norm的归一化方法,将数据映射到一个合理的分布,最后加权求和归一化后的各类型参数数据,更准确的计算得到了用户的偏好值。
请参见图5,基于同一发明构思,本申请实施例还提供了一种应用的偏好值确定装置50,该装置包括:
数据获取单元501,用于获取目标应用中目标用户的使用数据,使用数据包括至少一种类型的参数在N个周期内的数据,其中,N为正整数;
综合指标获取单元502,用于根据各类型的参数数据以及各类型的参数数据在N个周期内的效用值,分别获得各类型的参数对应的综合指标值;其中,效用值用于表征不同周期内的数据对于偏好值的影响程度;
确定单元503,用于根据各类型的参数对应的综合指标值确定目标用户对于目标应用的偏好值。
可选的,效用值是根据参数数据所在周期与当前周期之间的周期数以及参数数据的衰减系数确定的,其中,衰减系数根据目标应用的预测生命周期进行设置。
可选的,确定单元503,具体用于:
分别对各类型的参数对应的综合指标值进行归一化处理;
根据各类型的参数的权重以及归一化后的各类型的参数对应的综合指标值,获得偏好值。
可选的,确定单元503,具体用于:
针对任一类型的参数,若该参数对应的综合指标值小于预设指标阈值,则调用第一方法对综合指标值进行归一化处理;或者,
若综合指标值大于或者等于预设指标阈值,则调用不同于第一方法的第二方法对综合指标值进行归一化处理。
可选的,确定单元503,具体用于:
获得所有用户的综合指标值的均值以及所有用户中综合指标值的最小值;
根据目标用户的综合指标值、均值以及最小值,通过线性归一化处理方法,得到归一化后的综合指标值。
可选的,确定单元503,具体用于:
获得所有用户的综合指标值的均值以及标准差;
根据目标用户的综合指标值、均值以及标准差,获得目标用户的综合指标值对应的标准分数值;
通过逻辑回归函数归一化处理方法,根据标准分数值,得到归一化后的综合指标值。
可选的,目标应用为游戏应用,则使用数据包括目标用户在N个周期内的登录数据和充值数据。
可选的,该装置还包括推荐单元504或者模型训练单元505;
推荐单元504,用于根据目标用户的偏好值,向目标用户推荐目标应用中与偏好值对应的道具;或者,
模型训练单元505,用于将目标用户的偏好值作为模型训练特征参数,对构建的模型进行训练。
该装置可以用于执行图2~图4所示的实施例中涉及的方法步骤,因此,对于该装置的各功能模块所能够实现的功能等可参考图2~图4所示的实施例的描述,不多赘述。其中,推荐单元504和模型训练单元505并非必选的功能单元,因此在图5中以虚线示出。
请参见图6,基于同一技术构思,本申请实施例还提供了一种计算机设备60,可以包括存储器601和处理器602。
所述存储器601,用于存储处理器602执行的计算机程序。存储器601可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据计算机设备的使用所创建的数据等。处理器602,可以是一个中央处理单元(central processing unit,CPU),或者为数字处理单元等等。本申请实施例中不限定上述存储器601和处理器602之间的具体连接介质。本申请实施例在图6中以存储器601和处理器602之间通过总线603连接,总线603在图6中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。所述总线603可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器601可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器601也可以是非易失性存储器(non-volatilememory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)、或者存储器601是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器601可以是上述存储器的组合。
处理器602,用于调用所述存储器601中存储的计算机程序时执行如图2~图4中所示的实施例涉及的方法。
在一些可能的实施方式中,本申请提供的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算机设备上运行时,所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的方法中的步骤,例如,所述计算机设备可以执行如图2~图4中所示的实施例涉及的方法。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (14)
1.一种应用的偏好值确定方法,其特征在于,所述方法包括:
获取目标应用中目标用户的使用数据,所述使用数据包括至少一种类型的参数在N个周期内的数据,其中,N为正整数;
根据各类型的参数数据以及各类型的参数数据在N个周期内的效用值,分别获得各类型的参数对应的综合指标值;其中,所述效用值用于表征不同周期内的数据对于偏好值的影响程度;
根据各类型的参数对应的所述综合指标值确定所述目标用户对于所述目标应用的偏好值。
2.如权利要求1所述的方法,其特征在于,所述效用值是根据参数数据所在周期与当前周期之间的周期数以及参数数据的衰减系数确定的,其中,所述所述衰减系数根据所述目标应用的预测生命周期进行设置。
3.如权利要求1所述的方法,其特征在于,所述根据各类型的参数对应的所述综合指标值确定所述目标用户对于所述目标应用的偏好值,包括:
分别对各类型的参数对应的所述综合指标值进行归一化处理;
根据各类型的参数的权重以及归一化后的各类型的参数对应的所述综合指标值,获得所述偏好值。
4.如权利要求3所述的方法,其特征在于,针对任一类型的参数,对该参数对应的所述综合指标值进行归一化处理,包括:
若所述综合指标值小于预设指标阈值,则调用第一方法对所述综合指标值进行归一化处理;或者,
若所述综合指标值大于或者等于所述预设指标阈值,则调用不同于所述第一方法的第二方法对所述综合指标值进行归一化处理。
5.如权利要求4所述的方法,其特征在于,所述预设指标阈值为参数对应的所有用户的所述综合指标值的均值。
6.如权利要求4所述的方法,其特征在于,所述调用第一方法对所述综合指标值进行归一化处理,包括:
获得所有用户的所述综合指标值的均值以及所有用户中所述综合指标值的最小值;
根据所述目标用户的所述综合指标值、所述均值以及所述最小值,通过线性归一化处理方法,得到归一化后的所述综合指标值。
7.如权利要求4所述的方法,其特征在于,所述调用第二方法对所述综合指标值进行归一化处理,包括:
获得所有用户的所述综合指标值的均值以及标准差;
根据所述目标用户的所述综合指标值、所述均值以及所述标准差,获得所述目标用户的所述综合指标值对应的标准分数值;
通过逻辑回归函数归一化处理方法,根据所述标准分数值,得到归一化后的所述综合指标值。
8.如权利要求1~7任一所述的方法,其特征在于,所述目标应用为游戏应用,则所述使用数据包括所述目标用户在所述N个周期内的登录数据和充值数据。
9.如权利要求1~7任一所述的方法,其特征在于,在所述根据各类型的参数对应的所述综合指标值确定所述目标用户对于所述目标应用的偏好值之后,所述方法还包括:
根据所述目标用户的偏好值,向所述目标用户推荐所述目标应用中与所述偏好值对应的道具;或者,
将所述目标用户的偏好值作为模型训练特征参数,对构建的模型进行训练。
10.一种应用的偏好值确定装置,其特征在于,所述装置包括:
数据获取单元,用于获取目标应用中目标用户的使用数据,所述使用数据包括至少一种类型的参数在N个周期内的数据,其中,N为正整数;
综合指标获取单元,用于根据各类型的参数数据以及各类型的参数数据在N个周期内的效用值,分别获得各类型的参数对应的综合指标值;其中,所述效用值用于表征不同周期内的数据对于偏好值的影响程度;
确定单元,用于根据各类型的参数对应的所述综合指标值确定所述目标用户对于所述目标应用的偏好值。
11.如权利要求10所述的装置,其特征在于,所述确定单元,具体用于:
分别对各类型的参数对应的所述综合指标值进行归一化处理;
根据各类型的参数的权重以及归一化后的各类型的参数对应的所述综合指标值,获得所述偏好值。
12.如权利要求11所述的装置,其特征在于,所述确定单元,具体用于:
针对任一类型的参数,若该参数对应的所述综合指标值小于预设指标阈值,则调用第一方法对所述综合指标值进行归一化处理;或者,
若所述综合指标值大于或者等于所述预设指标阈值,则调用不同于所述第一方法的第二方法对所述综合指标值进行归一化处理。
13.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,
所述处理器执行所述程序时实现如权利要求1~9任一所述的方法。
14.一种计算机可读存储介质,其特征在于,存储有处理器可执行指令,
所述处理器可执行指令被处理器执行时用于实现如权利要求1~9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782842.XA CN110599240A (zh) | 2019-08-23 | 2019-08-23 | 应用的偏好值确定方法、装置和设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782842.XA CN110599240A (zh) | 2019-08-23 | 2019-08-23 | 应用的偏好值确定方法、装置和设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110599240A true CN110599240A (zh) | 2019-12-20 |
Family
ID=68855477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910782842.XA Pending CN110599240A (zh) | 2019-08-23 | 2019-08-23 | 应用的偏好值确定方法、装置和设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599240A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581499A (zh) * | 2020-04-21 | 2020-08-25 | 北京龙云科技有限公司 | 一种数据归一化方法、装置、设备及可读存储介质 |
CN112183885A (zh) * | 2020-10-21 | 2021-01-05 | 中国银联股份有限公司 | 一种位置确定方法及装置 |
CN113159201A (zh) * | 2021-04-28 | 2021-07-23 | 上海德衡数据科技有限公司 | 基于云边缘计算智能融合信息的方法、装置及云端服务器 |
CN114896491A (zh) * | 2022-04-18 | 2022-08-12 | 上海二三四五网络科技有限公司 | 基于聚类的用户个性化热门计算方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885784A (zh) * | 2017-10-17 | 2018-04-06 | 北京京东尚科信息技术有限公司 | 提取用户特征数据的方法和装置 |
CN108537567A (zh) * | 2018-03-06 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种目标用户群体的确定方法和装置 |
-
2019
- 2019-08-23 CN CN201910782842.XA patent/CN110599240A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885784A (zh) * | 2017-10-17 | 2018-04-06 | 北京京东尚科信息技术有限公司 | 提取用户特征数据的方法和装置 |
CN108537567A (zh) * | 2018-03-06 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种目标用户群体的确定方法和装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581499A (zh) * | 2020-04-21 | 2020-08-25 | 北京龙云科技有限公司 | 一种数据归一化方法、装置、设备及可读存储介质 |
CN112183885A (zh) * | 2020-10-21 | 2021-01-05 | 中国银联股份有限公司 | 一种位置确定方法及装置 |
CN113159201A (zh) * | 2021-04-28 | 2021-07-23 | 上海德衡数据科技有限公司 | 基于云边缘计算智能融合信息的方法、装置及云端服务器 |
CN114896491A (zh) * | 2022-04-18 | 2022-08-12 | 上海二三四五网络科技有限公司 | 基于聚类的用户个性化热门计算方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818344B (zh) | 用户行为进行分类和预测的方法和系统 | |
CN110599240A (zh) | 应用的偏好值确定方法、装置和设备及存储介质 | |
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
CN112633573B (zh) | 活跃状态的预测方法以及活跃度阈值的确定方法 | |
US11151418B2 (en) | Interactive modeling application adapted for execution via distributed computer-based systems | |
WO2018157808A1 (zh) | 互联网征信评估方法和系统 | |
CN111143697B (zh) | 一种内容推荐的方法以及相关装置 | |
CN109543940B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN110866767A (zh) | 电信用户满意度的预测方法、装置、设备及介质 | |
CN108923996A (zh) | 一种容量分析方法及装置 | |
CN113076416A (zh) | 信息热度评估方法、装置和电子设备 | |
CN114782123A (zh) | 一种信用评估方法及系统 | |
CN113034171B (zh) | 一种业务数据处理方法、装置、计算机及可读存储介质 | |
CN112287208B (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN113778979A (zh) | 一种直播点击率的确定方法和装置 | |
CN113837467B (zh) | 点对点能源项目评估方法、装置、计算机设备和存储介质 | |
CN110826823A (zh) | 定价策略的评价方法和系统 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN112669091A (zh) | 数据处理方法、装置及存储介质 | |
CN114240599A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
CN115495570A (zh) | 应用程序用户分类方法和评估方法、装置及设备 | |
CN113850416A (zh) | 广告推广合作对象确定方法和装置 | |
CN113592263A (zh) | 基于动态资源归还增比的资源归还增量预测方法和装置 | |
CN109472454B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN113806682A (zh) | 信息处理方法、装置、电子设备及存储介质 |
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 |