CN110874612A - 时段预测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种时段预测方法、装置、计算机设备和存储介质。涉及互联网技术领域。该方法包括：首先获取目标商家的发文特征数据，该发文特征数据用于指示该目标商家历史上在互联网中发布信息的特征；然后将该发文特征数据输入至时段预测模型中，得到该时段预测模型输出的概率信息，该概率信息用于指示发文时间段集合中各发文时间段为信息前置时间段的概率，该目标商家在该信息前置时间段发布的信息前置的时长大于预设时长阈值；最后根据该概率信息从该发文时间段集合中确定目标发文时间段，并指示该目标商家在该目标发文时间段内进行发布信息。采用本方法能够为用户预测目标发文时间段。

Description

时段预测方法、装置、计算机设备和存储介质

技术领域

本申请涉及互联网技术领域，特别是涉及一种时段预测方法、装置、设备及存储介质。

背景技术

随着互联网技术的发展，人们可以方便地在互联网上发布信息。一般情况下，互联网上的信息会频繁更新，所以人们在互联网上发布的信息经常会被新的信息覆盖掉。通常情况下，人们不希望自己在互联网上发布的信息短时间内就被新的信息覆盖掉，所以人们有得知最佳发布信息时段(以下称为目标发文时间段)的需求。因此为用户预测目标发文时间段成为了一个亟待解决的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够为用户预测目标发文时间段的时段预测方法、装置、计算机设备和存储介质。

第一方面，本申请提供一种发文时段预测方法，该方法包括：

获取目标商家的发文特征数据，该发文特征数据用于指示该目标商家历史上在互联网中发布信息的特征；

将该发文特征数据输入至时段预测模型中，得到该时段预测模型输出的概率信息，该概率信息用于指示发文时间段集合中各发文时间段为信息前置时间段的概率，该目标商家在该信息前置时间段发布的信息前置的时长大于预设时长阈值；

根据该概率信息从该发文时间段集合中确定目标发文时间段，并指示该目标商家在该目标发文时间段内进行发布信息。

在其中一个实施例中，该发文特征数据包括信息发布特征、发文时间段排名特征、商家数量特征以及时间属性特征；该信息发布特征用于表征该目标商家发布信息的数量；该发文时间段排名特征用于表征各个发文时间段在历史上的多个时间周期中发布的信息前置的时长的排名情况；该商家数量特征用于表征一个地理区域内包含的商家的数量；该时间属性特征用于表征各个发文时间段在历史上的多个时间周期中所属的时间性质。

在其中一个实施例中，该信息发布特征用于表征在历史上的多个时间周期中，该目标商家对于同一发文时间段在每个时间周期内发布信息的数量、该目标商家在每个时间周期内发布信息的数量、该目标商家发布信息的总数和该目标商家发布信息的数量均值等；

该发文时间段排名特征用于表征在历史上的多个时间周期中对于同一发文时间段，在每个时间周期中发布信息的前置的时长是否排名前三、发布信息的前置的时长排名前三的次数、发布信息的前置的时长的均值和发布信息的前置时长的方差；

该商家数量特征用于表征，一个地理区域内与该目标商家的品牌相同的商家数量、一个地理区域内商家的数量和与该目标商家品牌相同的商家数量；

该时间属性特征用于表征各个发文时间段在历史上的多个时间周期中，所属的日期为周几，所属的日期是否是工作日和是否为预设时间段。

在其中一个实施例中，该将该发文特征数据输入至时段预测模型中之前，该方法还包括：

利用轻量级梯度提升算法以及训练样本集训练原始时段预测模型，得到训练后时段预测模型；

利用测试样本集对该训练后时段预测模型进行测试，得到该训练后时段预测模型的性能数据，该训练样本集与该测试样本集之间无重复样本；

根据该训练后时段预测模型的性能数据，调整该训练后时段预测模型的参数，得到该时段预测模型。

在其中一个实施例中，该得到该时段预测模型之后，该方法还包括：

利用该时段预测模型筛选出满足第一预设条件的第一目标商家；

将该第一目标商家的验证样本集代入该时段预测模型，得到该时段预测模型对该第一目标商家的预测结果；

将该验证样本集分成多个时间窗，对于每个时间窗，将该预测结果满足第二预设条件的时间窗包含的商家作为第二目标商家；

将该第二目标商家中在该多个时间窗内满足该第二预设条件的时间窗的数量达到预设数量阈值的商家作为该目标商家。

在其中一个实施例中，该方法还包括：

对该发文特征数据、该训练样本集、该测试样本集和该验证样本集中的类别型特征数据进行独热编码处理；

对该发文特征数据、该训练样本集、该测试样本集和该验证样本集中的连续值型特征数据进行标准化处理。

在其中一个实施例中，该方法还包括：

对该训练样本集、该测试样本集和该验证样本集中的每条样本数据进行样本标注；

当该样本数据满足预设标准时，将该样本数据标注为正样本；

当该样本数据不满足预设标准时，将该样本数据标注为负样本。

第二方面，本申请提供一种时段预测装置，该装置包括：

获取模块，用于获取目标商家的发文特征数据，该发文特征数据用于指示该目标商家历史上在互联网中发布信息的特征；

处理模块，用于将该发文特征数据输入至时段预测模型中，得到该时段预测模型输出的概率信息，该概率信息用于指示发文时间段集合中各发文时间段为信息前置时间段的概率，该目标商家在该信息前置时间段发布的信息前置的时长大于预设时长阈值；

确定模块，用于根据该概率信息从该发文时间段集合中确定目标发文时间段，并指示该目标商家在该目标发文时间段内进行发布信息。

在其中一个实施例中，该发文特征数据包括信息发布特征、发文时间段排名特征、商家数量特征以及时间属性特征；该信息发布特征用于表征该目标商家发布信息的数量；该发文时间段排名特征用于表征各个发文时间段在历史上的多个时间周期中发布的信息前置的时长的排名情况；该商家数量特征用于表征一个地理区域内包含的商家的数量；该时间属性特征用于表征各个发文时间段在历史上的多个时间周期中所属的时间性质。

在其中一个实施例中，该信息发布特征用于表征在历史上的多个时间周期中，该目标商家对于同一发文时间段在每个时间周期内发布信息的数量、该目标商家在每个时间周期内发布信息的数量、该目标商家发布信息的总数和该目标商家发布信息的数量均值等；

该发文时段排名特征用于表征在历史上的多个时间周期中对于同一发文时间段，在每个时间周期中发布信息的前置的时长是否排名前三、发布信息的前置的时长排名前三的次数、发布信息的前置的时长的均值和发布信息的前置时长的方差；

该商家数量特征用于表征，一个地理区域内与该目标商家的品牌相同的商家数量、一个地理区域内商家的数量和与该目标商家品牌相同的商家数量；

该时间属性特征用于表征各个发文时间段在历史上的多个时间周期中，所属的日期为周几，所属的日期是否是工作日和是否为预设时间段。

在其中一个实施例中，该装置还包括训练模块，该训练模块用于，利用轻量级梯度提升算法以及训练样本集训练原始时段预测模型，得到训练后时段预测模型；

利用测试样本集对该训练后时段预测模型进行测试，得到该训练后时段预测模型的性能数据，该训练样本集与该测试样本集之间无重复样本；

根据该训练后时段预测模型的性能数据，调整该训练后时段预测模型的参数，得到该时段预测模型。

在其中一个实施例中，该装置还包括筛选模块，该筛选模块用于，利用该时段预测模型筛选出满足第一预设条件的第一目标商家；

将该第一目标商家的验证样本集代入该时段预测模型，得到该时段预测模型对该第一目标商家的预测结果；

将该验证样本集分成多个时间窗，对于每个时间窗，将该预测结果满足第二预设条件的时间窗包含的商家作为第二目标商家；

将该第二目标商家中在该多个时间窗内满足该第二预设条件的时间窗的数量达到预设数量阈值的商家作为该目标商家。

在其中一个实施例中，该装置还包括数据处理模块，该数据处理模块用于，对该发文特征数据、该训练样本集、该测试样本集和该验证样本集中的类别型特征数据进行独热编码处理；

对该发文特征数据、该训练样本集、该测试样本集和该验证样本集中的连续值型特征数据进行标准化处理。

在其中一个实施例中，该装置还包括样本标注模块，该样本标注模块用于，对该训练样本集、该测试样本集和该验证样本集中的每条样本数据进行样本标注；

当该样本数据满足预设标准时，将该样本数据标注为正样本；

当该样本数据不满足预设标准时，将该样本数据标注为负样本。

第三方面，本申请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，该处理器执行该计算机程序时实现上述第一方面任一所述的步骤。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面任一所述的步骤。

上述时段预测方法、装置、计算机设备和存储介质，通过首先获取目标商家的发文特征数据，该发文特征数据用于指示该目标商家历史上在互联网中发布信息的特征；然后将该发文特征数据输入至时段预测模型中，得到该时段预测模型输出的概率信息，该概率信息用于指示发文时间段集合中各发文时间段为信息前置时间段的概率，该目标商家在该信息前置时间段发布的信息前置的时长大于预设时长阈值；最后根据该概率信息从该发文时间段集合中确定目标发文时间段，并指示该目标商家在该目标发文时间段内进行发布信息。本申请提供的时段预测方法，因为其合理利用商家历史发文特征数据，并结合机器学习模型，所以能够为用户较为准确地预测出至少一个目标发文时间段以供用户选择。

附图说明

图1为一个实施例中时段预测方法的应用场景图；

图2为一个实施例中时段预测方法的流程示意图；

图3为一个实施例中训练时段预测模型的方法的流程示意图；

图4为一个实施例中筛选目标商家的流程示意图；

图5为一个实施例中标注样本的流程示意图；

图6为一个实施例中时段预测装置的结构框图；

图7为一个实施例中另一种时段预测装置的结构框图；

图8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。

随着互联网技术的发展，人们可以方便的在互联网上发布信息。但是由于互联网上的信息有更新机制。也就是说，人们在互联网上发布的信息并不会一直处于容易被其他用户看到的状态，而是存在被新的信息覆盖掉的风险。例如，存在这样一种情况，用户在汽车网站上搜索车型时，汽车网站会给用户推荐相应的商家，在推荐列表中位于前三的店铺被用户选择的几率会大大增加。同时，商家可以在汽车网站上发布自己店铺的信息，受汽车网站的规则约束，商家每次发布信息都可以使自己的店铺在推荐列表中位于第一，但商家发布信息的次数有限制，并且汽车网站每隔固定时长会更新一次推荐列表中的信息。通常情况下，商家希望自己发布信息后，不会短时间内就被其他商家发布的信息覆盖掉，所以商家需要得知在哪个时间段发布信息可以使得自己的店铺能够在推荐列表中位于前三的时长最长，即，商家有得知最佳发布信息时间段(以下称为目标发文时间段)的需求。目前还没有合适的方法可以为用户预测目标发文时间段，因此，为用户预测目标发文时间段成为了一个亟待解决的问题。

本申请提供的时段预测方法，可以应用于如图1所示的应用环境中。其中，终端101通过网络与服务器102通过网络进行通信。其中，终端101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102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，提供了一种时段预测方法，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：

步骤201，服务器获取目标商家的发文特征数据。

该发文特征数据用于指示该目标商家历史上在互联网中发布信息的特征。

本步骤中，在为目标商家预测目标发文时间段之前需要进行采集数据的操作，服务器在获取到终端发送的目标商家在历史上的各个时间段发布信息的特征数据之后，才可以针对采集到的发布信息的特征数据做进一步的处理。

步骤202，服务器将该发文特征数据输入至时段预测模型中，得到该时段预测模型输出的概率信息。

本申请中，该时段预测模型用于为用户预测出目标发文时间段。具体的，该时段预测模型可以对用户的发文特征数据做相应的处理，以此预测出用户在各个时间段发布信息后排名状况的概率信息。然后用户可以参考该概率信息选择合适的时间段发布信息，以此实现发布信息后排名状况达到理想状态的目的。

该概率信息用于指示发文时间段集合中各发文时间段为信息前置时间段的概率，该目标商家在该信息前置时间段发布的信息前置的时长大于预设时长阈值。

例如，将一天中从上午9点到下午6点，每半个小时作为一个发文时间段，那么一天当中就有18个发文时间段，将该18个发文时间段作为发文时间段集合。时段预测模型会预测出目标商家在每个发文时间段发布信息后，目标商家的店铺在推荐列表中排名前三的概率信息，并按照预测出的各发文时间段的排名前三的概率信息形成一个排名列表。

步骤203，服务器根据该概率信息从该发文时间段集合中确定目标发文时间段，并指示该目标商家在该目标发文时间段内进行发布信息。

本步骤中，可以通过步骤202得到的排名列表，确定目标发文时间段。该目标发文时间段的数量可以根据需要调整，例如目标商家需要在某一天发布两次信息，那么可以将排名列表中，排名前二的两个发文时间段都作为目标发文时间段。

上述时段预测方法中，通过首先获取目标商家的发文特征数据，该发文特征数据用于指示该目标商家历史上在互联网中发布信息的特征；然后将该发文特征数据输入至时段预测模型中，得到该时段预测模型输出的概率信息，该概率信息用于指示发文时间段集合中各发文时间段为信息前置时间段的概率，该目标商家在该信息前置时间段发布的信息前置的时长大于预设时长阈值；最后根据该概率信息从该发文时间段集合中确定目标发文时间段，并指示该目标商家在该目标发文时间段内进行发布信息。本申请提供的时段预测方法，因为其合理利用商家历史发文特征数据，并结合机器学习模型，所以能够为用户较为准确地预测出至少一个目标发文时间段以供用户选择。

可选的，上述发文特征数据可以包括信息发布特征、发文时间段排名特征、商家数量特征以及时间属性特征。

其中，该信息发布特征用于表征该目标商家发布信息的数量，该发文时间段排名特征用于表征各个发文时间段在历史上的多个时间周期中发布的信息前置的时长的排名情况，该商家数量特征用于表征一个地理区域内包含的商家的数量，该时间属性特征用于表征各个发文时间段在历史上的多个时间周期中所属的时间性质。

本申请实施例中，考虑到影响发文时间段在排名列表中的排名的因素多种多样，可选的，抽取了四类影响力较大的特征数据作为发文特征数据。例如发布信息的数量、各发文时间段的历史排名、商家数量和发文时间段的时间属性等主要影响因素。各个特征数据还可以进一步的细化。

在上述实施例的基础上，进一步的，该信息发布特征用于表征在历史上的多个时间周期中，该目标商家对于同一发文时间段在每个时间周期内发布信息的数量、该目标商家在每个时间周期内发布信息的数量、该目标商家发布信息的总数和该目标商家发布信息的数量均值等；

该发文时间段排名特征用于表征在历史上的多个时间周期中对于同一发文时间段，在每个时间周期中发布信息的前置的时长是否排名前三、发布信息的前置的时长排名前三的次数、发布信息的前置的时长的均值和发布信息的前置时长的方差；

该商家数量特征用于表征，一个地理区域内与该目标商家的品牌相同的商家数量、一个地理区域内商家的数量和与该目标商家品牌相同的商家数量；

该时间属性特征用于表征各个发文时间段在历史上的多个时间周期中，所属的日期为周几，所属的日期是否是工作日和是否为预设时间段。

本申请实施例中，针对上述四个方面的特征数据做了进一步的细化。为了便于理解，假设将过去1到7天，作为该历史上的多个时间周期，将上海的某丰田4s店做为目标商家，针对上午九点到上午九点半这一发文时间段，对上述各个特征数据进行举例说明。

那么，对应的，该信息发布特征包括：过去1到7天，上海某丰田4s店每天在上午九点到上午九点半这个时间段发布信息的数量、上海某丰田4s店每天发布信息的总数量、上海某丰田4s店发布信息的总数量和上海某丰田4s店发布信息的数量的均值等。

该发文时间段排名特征包括：过去1到7天对于上午九点到上午九点半这一发文时间段，上海某丰田4s店发布信息后在推荐列表中排前三的时长是否在当天排前三、上海某丰田4s店发布信息后7天中在推荐列表中排前三的总次数、上海某丰田4s店发布信息后在推荐列表中排前三的时长在7天中的均值和方差等。

该商家数量特征包括：上海所有丰田4s店的数量、上海所有4s店的数量和全国所有丰田4s店的数量。

该时间属性特征包括：过去1到7天，上午九点到上午九点半这一时间段所属的日期是周几、所属的日期是否是工作日和是否为预设时间段。

本申请实施例中，通过合理选取特征数据，再进一步细化特征数据，使得选取到的特征数据充分体现了影响各发文时间段在推荐列表中排名的因素，可以使预测结果更加准确。

在本申请实施例中，请参考图3，提供了一种训练时段预测模型的方法，该方法包括：

步骤301，服务器利用轻量级梯度提升算法以及训练样本集训练原始时段预测模型，得到训练后时段预测模型。

本步骤中，可选的，设置轻量级梯度提升算法的参数时，迭代类型boosting_type＝'gbdt'，叶子结点数量num_leaves＝40，最大树深度max_depth＝10,学习速率learning_rate＝0.001，样本是否不均衡is_unbalance＝True，重采样的间隔bagging_freq＝1，每次迭代数据采样比例bagging_fraction＝0.8，每棵树的特征子集比例feature_fraction＝0.8，迭代次数n_estimators＝6000。

可选的，将过去40天到过去90天的特征数据作为训练样本集，该测试样本集包含的数据类型与上述发文特征数据包含的数据类型相同。

步骤302，服务器利用测试样本集对该训练后时段预测模型进行测试，得到该训练后时段预测模型的性能数据。

训练样本集与该测试样本集之间无重复样本。

可选的，将过去20天到过去40天的特征数据作为测试样本集，该测试样本集包含的数据类型与上述发文特征数据包含的数据类型相同。

该性能数据用于表征该训练后时段预测模型的性能，例如该性能数据可以包含接收者操作特征曲线下面积(英文：AUC)和准确率。其中AUC表示曲线下与坐标轴围成的面积,其值在0.5到1之间，用来评估模型的性能。较大的AUC的值代表了较好的模型性能，也就是说，AUC的值越大，代表模型预测出的结果可信度越高。其中准确率的值是将模型预测的结果与实际结果对比得到的。

步骤303，服务器根据该训练后时段预测模型的性能数据，调整该训练后时段预测模型的参数，得到该时段预测模型。

本步骤中，假设预先设定模型AUC的值要要大于0.6，准确率要大于百分之八十。如果测试出训练后时段预测模型的AUC的值小于0.6，或准确率小于百分之八十，则可以对上述模型参数进行调整，直到性能数据满足条件。

本申请实施例中，通过合理分配训练样本集与测试样本集，然后进行调整参数，使得得到的时段预测模型具有较高的准确率。

在本申请实施例中，请参考图4，提供了一种筛选目标商家的方法，该方法包括：

步骤401，服务器利用该时段预测模型筛选出满足第一预设条件的第一目标商家。

本步骤中，假设第一预设条件为：某发文时间段被时段预测模型预测为排名第一或排名第二，实际排名前五，预测准确率大于百分之八十。将满足第一预设条件的发文时间段对应的商家作为第一目标商家。

步骤402，服务器将该第一目标商家的验证样本集代入该时段预测模型，得到该时段预测模型对该第一目标商家的预测结果。

可选的，将过去1到20天的特征数据作为验证样本集，该验证样本集包含的数据类型与上述发文特征数据包含的数据类型相同。

本步骤中，将第一目标商家的验证样本集代入时段预测模型，得到的预测结果用于进一步的筛选目标商家。

步骤403，服务器将该验证样本集分成多个时间窗，对于每个时间窗，将该预测结果满足第二预设条件的时间窗包含的商家作为第二目标商家。

本步骤中，可选的，将10天作为一个窗口，对于20天的验证样本集，从第一天开始，每次将十天的窗口往后滑动一天，这样可以将20天的验证样本集划分成11个时间窗，本申请实施例中，我们只选取前10个时间窗用于下一步的筛选。

假设第二预设条件为，对于10个时间窗中的每个时间窗，若某个发文时间段在某个10天的时间窗内至少有8天被预测为排名第一或排名第二，实际排名前五。则该发文时间段对应的时间窗满足第二预设条件。将该满足第二预设条件的时间窗对应的商家作为第二目标商家。

步骤404，服务器将该第二目标商家中在该多个时间窗内满足该第二预设条件的时间窗的数量达到预设数量阈值的商家作为该目标商家。

本申请实施例中，可选的，对于10个时间窗里至少8个时间窗满足上述第二预设条件的第二目标商家作为该目标商家。

本申请实施例中，通过时间窗稳定性筛选，确定目标商家，使得该时段预测模型对于目标商家给出的预测结果具有良好的稳定性。

在本申请实施例中，提供了一种处理数据的方法，该方法包括：对该发文特征数据、该训练样本集、该测试样本集和该验证样本集中的类别型特征数据进行独热编码处理。

对该发文特征数据、该训练样本集、该测试样本集和该验证样本集中的连续值型特征数据进行标准化处理。

本申请实施例中，上述发文特征数据、训练样本集、测试样本集和验证样本集中带有是否字眼的特征数据可以被称为类别型特征数据。独热编码可以将类别变量转换为机器学习算法易于利用的数据形式。例如，独热编码可以对上述的某一时段所属的日期是否是工作日这一特征数据进行编码，如果是工作日，则编码为1，如果不是工作日，则编码为0。这样，本申请中用到的所有类别型特征都可以用1或者0这样的形式来表示，可以被时段预测模型利用。上述发文特征数据、训练样本集、测试样本集和验证样本集中除了类别型特征数据以外，其余的都是连续值型特征，本申请实施例中，对于连续值型特征采用标准化处理，具体的，可以采用先减去均值再除以标准差的方法实现，标准化处理的目的为了加快时段预测模型的收敛速度。

在本申请实施例中，请参考图5，提供了一种标注样本的方法，该方法包括：

步骤501，服务器获取该训练样本集、该测试样本集和该验证样本集中的每条样本数据。

本步骤中，每个发文时间段作为一条样本数据，在利用所有的样本数据之前都需要对样本数据进行样本标注的工作。

步骤502，服务器判断该样本数据是否满足预设标准。

本步骤中，可选的，预设标准为：对于某个发文时间段，该发文时间段位于推荐列表中前三的时长在当天所有发文时间段中排前三。

步骤503，当该样本数据满足预设标准时，服务器将该样本数据标注为正样本。当该样本数据不满足预设标准时，服务器将该样本数据标注为负样本。

本步骤中，正样本可以用1来标注，负样本可以用0来标注。

本申请实施例中，通过设置正负样本，使得时段预测模型针对不同样本区别学习，学习结果更加准确。

应该理解的是，虽然图2至图5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至图5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，请参考图6，提供了一种时段预测装置600，包括：获取模块601、处理模块602和确定模块603，其中：

获取模块601，用于获取目标商家的发文特征数据，该发文特征数据用于指示该目标商家历史上在互联网中发布信息的特征；

处理模块602，用于将该发文特征数据输入至时段预测模型中，得到该时段预测模型输出的概率信息，该概率信息用于指示发文时间段集合中各发文时间段为信息前置时间段的概率，该目标商家在该信息前置时间段发布的信息前置的时长大于预设时长阈值；

确定模块603，用于根据该概率信息从该发文时间段集合中确定目标发文时间段，并指示该目标商家在该目标发文时间段内进行发布信息。

在本申请实施例中，该发文特征数据包括信息发布特征、发文时间段排名特征、商家数量特征以及时间属性特征；该信息发布特征用于表征该目标商家发布信息的数量；该发文时间段排名特征用于表征各个发文时间段在历史上的多个时间周期中发布的信息前置的时长的排名情况；该商家数量特征用于表征一个地理区域内包含的商家的数量；该时间属性特征用于表征各个发文时间段在历史上的多个时间周期中所属的时间性质。

在本申请实施例中，该信息发布特征用于表征在历史上的多个时间周期中，该目标商家对于同一发文时间段在每个时间周期内发布信息的数量、该目标商家在每个时间周期内发布信息的数量、该目标商家发布信息的总数和该目标商家发布信息的数量均值等；

该发文时段排名特征用于表征在历史上的多个时间周期中对于同一发文时间段，在每个时间周期中发布信息的前置的时长是否排名前三、发布信息的前置的时长排名前三的次数、发布信息的前置的时长的均值和发布信息的前置时长的方差；

该商家数量特征用于表征，一个地理区域内与该目标商家的品牌相同的商家数量、一个地理区域内商家的数量和与该目标商家品牌相同的商家数量；

该时间属性特征用于表征各个发文时间段在历史上的多个时间周期中，所属的日期为周几，所属的日期是否是工作日和是否为预设时间段。

在本申请实施例中，请参考图7，提供了另一种时段预测装置700。该时段预测装置700除了包括该时段预测装置600包含的各模块外，可选的，该时段预测装置700还包括训练模块604、筛选模块605、数据处理模块606和样本标注模块607。

在本申请实施例中，该训练模块604用于，利用轻量级梯度提升算法以及训练样本集训练原始时段预测模型，得到训练后时段预测模型；

利用测试样本集对该训练后时段预测模型进行测试，得到该训练后时段预测模型的性能数据，该训练样本集与该测试样本集之间无重复样本；

根据该训练后时段预测模型的性能数据，调整该训练后时段预测模型的参数，得到该时段预测模型。

在本申请实施例中，该筛选模块605用于，利用该时段预测模型筛选出满足第一预设条件的第一目标商家；

将该第一目标商家的验证样本集代入该时段预测模型，得到该时段预测模型对该第一目标商家的预测结果；

将该验证样本集分成多个时间窗，对于每个时间窗，将该预测结果满足第二预设条件的时间窗包含的商家作为第二目标商家；

将该第二目标商家中在该多个时间窗内满足该第二预设条件的时间窗的数量达到预设数量阈值的商家作为该目标商家。

在本申请实施例中，该数据处理模块606用于，对该发文特征数据、该训练样本集、该测试样本集和该验证样本集中的类别型特征数据进行独热编码处理。

对该发文特征数据、该训练样本集、该测试样本集和该验证样本集中的连续值型特征数据进行标准化处理。

在本申请实施例中，该样本标注模块607用于，对该训练样本集、该测试样本集和该验证样本集中的每条样本数据进行样本标注；

当该样本数据满足预设标准时，将该样本数据标注为正样本；

当该样本数据不满足预设标准时，将该样本数据标注为负样本。

关于时段预测装置的具体限定可以参见上文中对于时段预测方法的限定，在此不再赘述。上述时段预测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8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时段预测数据。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时段预测方法。

本领域技术人员可以理解，图8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、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，处理器执行计算机程序时实现以下步骤：

获取目标商家的发文特征数据，该发文特征数据用于指示该目标商家历史上在互联网中发布信息的特征；

将该发文特征数据输入至时段预测模型中，得到该时段预测模型输出的概率信息，该概率信息用于指示发文时间段集合中各发文时间段为信息前置时间段的概率，该目标商家在该信息前置时间段发布的信息前置的时长大于预设时长阈值；

根据该概率信息从该发文时间段集合中确定目标发文时间段，并指示该目标商家在该目标发文时间段内进行发布信息。

在本申请实施例中，该发文特征数据包括信息发布特征、发文时间段排名特征、商家数量特征以及时间属性特征；该信息发布特征用于表征该目标商家发布信息的数量；该发文时间段排名特征用于表征各个发文时间段在历史上的多个时间周期中发布的信息前置的时长的排名情况；该商家数量特征用于表征一个地理区域内包含的商家的数量；该时间属性特征用于表征各个发文时间段在历史上的多个时间周期中所属的时间性质。

在本申请实施例中，该信息发布特征用于表征在历史上的多个时间周期中，该目标商家对于同一发文时间段在每个时间周期内发布信息的数量、该目标商家在每个时间周期内发布信息的数量、该目标商家发布信息的总数和该目标商家发布信息的数量均值等；

该发文时间段排名特征用于表征在历史上的多个时间周期中对于同一发文时间段，在每个时间周期中发布信息的前置的时长是否排名前三、发布信息的前置的时长排名前三的次数、发布信息的前置的时长的均值和发布信息的前置时长的方差；

该商家数量特征用于表征，一个地理区域内与该目标商家的品牌相同的商家数量、一个地理区域内商家的数量和与该目标商家品牌相同的商家数量；

该时间属性特征用于表征各个发文时间段在历史上的多个时间周期中，所属的日期为周几，所属的日期是否是工作日和是否为预设时间段。

在本申请实施例中，处理器执行计算机程序时还实现以下步骤：

利用轻量级梯度提升算法以及训练样本集训练原始时段预测模型，得到训练后时段预测模型；

利用测试样本集对该训练后时段预测模型进行测试，得到该训练后时段预测模型的性能数据，该训练样本集与该测试样本集之间无重复样本；

根据该训练后时段预测模型的性能数据，调整该训练后时段预测模型的参数，得到该时段预测模型。

在本申请实施例中，处理器执行计算机程序时还实现以下步骤：

利用该时段预测模型筛选出满足第一预设条件的第一目标商家；

将该第一目标商家的验证样本集代入该时段预测模型，得到该时段预测模型对该第一目标商家的预测结果；

将该验证样本集分成多个时间窗，对于每个时间窗，将该预测结果满足第二预设条件的时间窗包含的商家作为第二目标商家；

将该第二目标商家中在该多个时间窗内满足该第二预设条件的时间窗的数量达到预设数量阈值的商家作为该目标商家。

在本申请实施例中，处理器执行计算机程序时还实现以下步骤：

对该发文特征数据、该训练样本集、该测试样本集和该验证样本集中的类别型特征数据进行独热编码处理。

对该发文特征数据、该训练样本集、该测试样本集和该验证样本集中的连续值型特征数据进行标准化处理。

在本申请实施例中，处理器执行计算机程序时还实现以下步骤：

对该训练样本集、该测试样本集和该验证样本集中的每条样本数据进行样本标注；

当该样本数据满足预设标准时，将该样本数据标注为正样本；

当该样本数据不满足预设标准时，将该样本数据标注为负样本。

在本申请实施例中，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以下步骤：

获取目标商家的发文特征数据，该发文特征数据用于指示该目标商家历史上在互联网中发布信息的特征；

将该发文特征数据输入至时段预测模型中，得到该时段预测模型输出的概率信息，该概率信息用于指示发文时间段集合中各发文时间段为信息前置时间段的概率，该目标商家在该信息前置时间段发布的信息前置的时长大于预设时长阈值；

根据该概率信息从该发文时间段集合中确定目标发文时间段，并指示该目标商家在该目标发文时间段内进行发布信息。

在本申请实施例中，该发文特征数据包括信息发布特征、发文时间段排名特征、商家数量特征以及时间属性特征；该信息发布特征用于表征该目标商家发布信息的数量；该发文时间段排名特征用于表征各个发文时间段在历史上的多个时间周期中发布的信息前置的时长的排名情况；该商家数量特征用于表征一个地理区域内包含的商家的数量；该时间属性特征用于表征各个发文时间段在历史上的多个时间周期中所属的时间性质。

在本申请实施例中，该信息发布特征用于表征在历史上的多个时间周期中，该目标商家对于同一发文时间段在每个时间周期内发布信息的数量、该目标商家在每个时间周期内发布信息的数量、该目标商家发布信息的总数和该目标商家发布信息的数量均值等；

该发文时间段排名特征用于表征在历史上的多个时间周期中对于同一发文时间段，在每个时间周期中发布信息的前置的时长是否排名前三、发布信息的前置的时长排名前三的次数、发布信息的前置的时长的均值和发布信息的前置时长的方差；

该商家数量特征用于表征，一个地理区域内与该目标商家的品牌相同的商家数量、一个地理区域内商家的数量和与该目标商家品牌相同的商家数量；

该时间属性特征用于表征各个发文时间段在历史上的多个时间周期中，所属的日期为周几，所属的日期是否是工作日和是否为预设时间段。本申请实施例中，计算机程序被处理器执行时还实现以下步骤：

利用轻量级梯度提升算法以及训练样本集训练原始时段预测模型，得到训练后时段预测模型；

利用测试样本集对该训练后时段预测模型进行测试，得到该训练后时段预测模型的性能数据，该训练样本集与该测试样本集之间无重复样本；

根据该训练后时段预测模型的性能数据，调整该训练后时段预测模型的参数，得到该时段预测模型。

本申请实施例中，计算机程序被处理器执行时还实现以下步骤：

利用该时段预测模型筛选出满足第一预设条件的第一目标商家；

将该第一目标商家的验证样本集代入该时段预测模型，得到该时段预测模型对该第一目标商家的预测结果；

将该验证样本集分成多个时间窗，对于每个时间窗，将该预测结果满足第二预设条件的时间窗包含的商家作为第二目标商家；

将该第二目标商家中在该多个时间窗内满足该第二预设条件的时间窗的数量达到预设数量阈值的商家作为该目标商家。

本申请实施例中，计算机程序被处理器执行时还实现以下步骤：

对该发文特征数据、该训练样本集、该测试样本集和该验证样本集中的类别型特征数据进行独热编码处理。

对该发文特征数据、该训练样本集、该测试样本集和该验证样本集中的连续值型特征数据进行标准化处理。

本申请实施例中，计算机程序被处理器执行时还实现以下步骤：

对该训练样本集、该测试样本集和该验证样本集中的每条样本数据进行样本标注；

当该样本数据满足预设标准时，将该样本数据标注为正样本；

当该样本数据不满足预设标准时，将该样本数据标注为负样本。

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，所述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)

1.一种时段预测方法，其特征在于，所述方法包括：

获取目标商家的发文特征数据，所述发文特征数据用于指示所述目标商家历史上在互联网中发布信息的特征；

将所述发文特征数据输入至时段预测模型中，得到所述时段预测模型输出的概率信息，所述概率信息用于指示发文时间段集合中各发文时间段为信息前置时间段的概率，所述目标商家在所述信息前置时间段发布的信息前置的时长大于预设时长阈值；

根据所述概率信息从所述发文时间段集合中确定目标发文时间段，并指示所述目标商家在所述目标发文时间段内进行发布信息。

2.根据权利要求1所述的方法，其特征在于，所述发文特征数据包括信息发布特征、发文时间段排名特征、商家数量特征以及时间属性特征；

所述信息发布特征用于表征所述目标商家发布信息的数量；

所述发文时间段排名特征用于表征各个发文时间段在历史上的多个时间周期中发布的信息前置的时长的排名情况；

所述商家数量特征用于表征一个地理区域内包含的商家的数量；

所述时间属性特征用于表征各个发文时间段在历史上的多个时间周期中所属的时间性质。

3.根据权利要求2所述的方法，其特征在于，所述信息发布特征用于表征在历史上的多个时间周期中，所述目标商家对于同一发文时间段在每个时间周期内发布信息的数量、所述目标商家在每个时间周期内发布信息的数量、所述目标商家发布信息的总数和所述目标商家发布信息的数量均值等；

所述发文时间段排名特征用于表征在历史上的多个时间周期中对于同一发文时间段，在每个时间周期中发布信息的前置的时长是否排名前三、发布信息的前置的时长排名前三的次数、发布信息的前置的时长的均值和发布信息的前置时长的方差；

所述商家数量特征用于表征，一个地理区域内与所述目标商家的品牌相同的商家数量、一个地理区域内商家的数量和与所述目标商家品牌相同的商家数量；

所述时间属性特征用于表征各个发文时间段在历史上的多个时间周期中，所属的日期为周几，所属的日期是否是工作日和是否为预设时间段。

4.根据权利1所述的方法，其特征在于，所述将所述发文特征数据输入至时段预测模型中之前，所述方法还包括：

利用轻量级梯度提升算法以及训练样本集训练原始时段预测模型，得到训练后时段预测模型；

利用测试样本集对所述训练后时段预测模型进行测试，得到所述训练后时段预测模型的性能数据，所述训练样本集与所述测试样本集之间无重复样本；

根据所述训练后时段预测模型的性能数据，调整所述训练后时段预测模型的参数，得到所述时段预测模型。

5.根据权利要求4所述的方法，其特征在于，所述得到所述时段预测模型之后，所述方法还包括：

利用所述时段预测模型筛选出满足第一预设条件的第一目标商家；

将所述第一目标商家的验证样本集代入所述时段预测模型，得到所述时段预测模型对所述第一目标商家的预测结果；

将所述验证样本集分成多个时间窗，对于每个时间窗，将所述预测结果满足第二预设条件的时间窗包含的商家作为第二目标商家；

将所述第二目标商家中在所述多个时间窗内满足所述第二预设条件的时间窗的数量达到预设数量阈值的商家作为所述目标商家。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

对所述发文特征数据、所述训练样本集、所述测试样本集和所述验证样本集中的类别型特征数据进行独热编码处理；

对所述发文特征数据、所述训练样本集、所述测试样本集和所述验证样本集中的连续值型特征数据进行标准化处理。

7.根据权利要求5所述的方法，其特征在于，所述方法还包括：

对所述训练样本集、所述测试样本集和所述验证样本集中的每条样本数据进行样本标注；

当所述样本数据满足预设标准时，将所述样本数据标注为正样本；

当所述样本数据不满足预设标准时，将所述样本数据标注为负样本。

8.一种时段预测装置，其特征在于，所述装置包括：

获取模块，用于获取目标商家的发文特征数据，所述发文特征数据用于指示所述目标商家历史上在互联网中发布信息的特征；

处理模块，用于将所述发文特征数据输入至时段预测模型中，得到所述时段预测模型输出的概率信息，所述概率信息用于指示发文时间段集合中各发文时间段为信息前置时间段的概率，所述目标商家在所述信息前置时间段发布的信息前置的时长大于预设时长阈值；

确定模块，用于根据所述概率信息从所述发文时间段集合中确定目标发文时间段，并指示所述目标商家在所述目标发文时间段内进行发布信息。

9.一种计算机设备，其特征在于，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，所述计算机程序被所述处理器执行时实现如权利要求1至7任一所述的时段预测方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7任一所述的时段预测方法。

Images