CN110909040B - 一种业务投放辅助方法、装置及电子设备 - Google Patents
一种业务投放辅助方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110909040B CN110909040B CN201911090180.6A CN201911090180A CN110909040B CN 110909040 B CN110909040 B CN 110909040B CN 201911090180 A CN201911090180 A CN 201911090180A CN 110909040 B CN110909040 B CN 110909040B
- Authority
- CN
- China
- Prior art keywords
- user
- user portrait
- target
- service
- portrait feature
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Abstract
本说明书实施例提供一种业务投放辅助方法、装置及电子设备。其中,方法包括:基于目标业务所匹配的用户画像特征维度组合,对所述目标业务的样本用户进行用户画像特征提取,获得所述样本用户在多个时间节点的用户画像特征组合,其中,所述样本用户对应目标用户画像特征维度的用户画像特征用于表征所述样本用户在所述目标用户画像特征维度下的分类值。基于样本用户在各时间节点的用户画像特征组合和所述样本用户在各时间节点针对所述目标业务的业务投放效果分类标签,对所述解释模型进行训练,得到所述解释模型针对用户画像特征组合随时间演变所对业务投放效果产生影响的解释数据。
Description
技术领域
本文件涉及深度学习技术领域,尤其涉及一种业务投放辅助方法、装置及电子设备。
背景技术
现阶段,业务投放主要依赖于业务运营人员的先验知识开展。这种方式下,由于人力所限,业务运营人员一般仅仅是挖掘出一些比较浅显的对业务有价值的用户画像特征。但是,对于一些更深层次信息,比如用户画像特征随时间发生变化后所对业务投放效果营销所产生的影响,都无法给出准确的理解,限制了业务投放决策。
有鉴于此,如何智能化分析出用户画像特征随时间演变所对业务投放效果造成的影响,以为业务投放提供决策支持,是当前亟需解决的技术问题。
发明内容
本说明书实施例目的是提供一种业务投放辅助方法、装置及电子设备,能够智能化分析出用户画像特征随时间演变所对业务投放效果造成的影响,以为业务投放提供决策支持。
为了实现上述目的,本说明书实施例是这样实现的:
第一方面,提供一种业务投放辅助方法,包括:
基于目标业务所匹配的用户画像特征维度,对所述目标业务的样本用户进行用户画像特征提取,获得所述样本用户在多个时间节点的用户画像特征,其中,用户画像特征用于表征所述历史投放用户在所述用户画像特征维度下的分类值;
基于样本用户在各时间节点的用户画像特征和所述样本用户在各时间节点针对所述目标业务的业务投放效果分类标签,对所述解释模型进行训练,得到所述解释模型针对用户画像特征随时间演变所对业务投放效果产生影响的解释数据。
第二方面,提供一种业务投放辅助装置,包括:
特征提取模块,基于目标业务所匹配的用户画像特征维度,对所述目标业务的样本用户进行用户画像特征提取,获得所述样本用户在多个时间节点的用户画像特征,其中,用户画像特征用于表征所述历史投放用户在所述用户画像特征维度下的分类值;
特征变化解释模块,基于样本用户在各时间节点的用户画像特征和所述样本用户在各时间节点针对所述目标业务的业务投放效果分类标签,对所述解释模型进行训练,得到所述解释模型针对用户画像特征随时间演变所对业务投放效果产生影响的解释数据。
第三方面,提供一种电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行:
基于目标业务所匹配的用户画像特征维度,对所述目标业务的样本用户进行用户画像特征提取,获得所述样本用户在多个时间节点的用户画像特征,其中,用户画像特征用于表征所述历史投放用户在所述用户画像特征维度下的分类值;
基于样本用户在各时间节点的用户画像特征和所述样本用户在各时间节点针对所述目标业务的业务投放效果分类标签,对所述解释模型进行训练,得到所述解释模型针对用户画像特征随时间演变所对业务投放效果产生影响的解释数据。
第四方面,提供一种算机可读存储介质,所述计算机可读存储介质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如下步骤:
基于目标业务所匹配的用户画像特征维度,对所述目标业务的样本用户进行用户画像特征提取,获得所述样本用户在多个时间节点的用户画像特征,其中,用户画像特征用于表征所述历史投放用户在所述用户画像特征维度下的分类值;
基于样本用户在各时间节点的用户画像特征和所述样本用户在各时间节点针对所述目标业务的业务投放效果分类标签,对所述解释模型进行训练,得到所述解释模型针对用户画像特征随时间演变所对业务投放效果产生影响的解释数据。
本说明书实施例的方案利用样本用户在不同时间节点的用户画像特征和业务投放效果分类标签来对解释模型进行训练,使得解释模型解释用户画像特征随时间演变所对业务投放效果带来的影响,从而更深度地理解用户需求,以为业务投放提供决策支持。
附图说明
为了更清楚地说明本说明书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说明书实施例中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的业务投放辅助方法的第一种流程示意图。
图2为本说明书实施例提供的业务投放辅助方法中的数据库的拓扑示意图。
图3为本说明书实施例提供的业务投放辅助方法的第二种流程示意图。
图4为本说明书实施例提供的业务投放辅助装置的结构示意图。
图5为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
如前所述,现阶段,业务投放主要依赖于业务运营人员的先验知识开展。这种方式下,由于分析维度比较简单,业务运营人员一般仅仅是挖掘出一些比较浅显的对业务有价值的用户画像特征。但是,随着时间的演变,户的画像特征也会发生变化,这些变化也对于业务投放效果营销带来影响,是具有高价值的参考数据。显然,仅依靠先验知识往往不能给出这种变化更深刻的解释。
针对上述问题,本文件提供一种解决方案,能够智能化分析出用户画像特征随时间演变所对业务投放效果造成的影响,以为业务投放提供决策支持。
图1是本说明书实施例业务投放辅助方法的流程图。图1所示的方法可以由下文相对应的装置执行,包括:
步骤S102,基于目标业务所匹配的用户画像特征维度组合,对目标业务的样本用户进行用户画像特征提取,获得样本用户在多个时间节点的用户画像特征组合,样本用户对应目标用户画像特征维度的用户画像特征用于表征样本用户在目标用户画像特征维度下的分类值。
其中,户画像特征维度组合包含有至少一个用户画像特征维度。目标业务所匹配的用户画像特征维度可以根据目标业务的具体业务需求所确定得到的。比如,针对借贷业务,人的收入会反映是否存在贷款需求,因此“收入”即为借贷业务的用户画像特征维度。
此外,这里所述的用户画像特征维度的分类值应随时间推移发生变化。比如,年龄作为用户画像特征维度,则时间推移年龄会逐渐增长。
步骤S104,基于样本用户在各时间节点的用户画像特征组合和样本用户在各时间节点针对目标业务的业务投放效果分类标签,对解释模型进行训练,得到解释模型针对用户画像特征组合随时间演变所对业务投放效果产生影响的解释数据。
应理解,这里所述的样本用户并不限于是一个,每个样本用户在目标业务中都会标注有业务投放效果分类标签。业务投放效果分类标签用于表征样本用户针对目标业务的反馈效果,这个反馈效果也可以视为业务投放效果。作为示例性介绍,本说明书实施例可以将业务投放效果划分为“业务投放效果较佳”和“业务投放效果不佳”两种类别、针对目标业务反馈效果较好的样本用户对应有“业务投放效果较佳”的业务投放效果分类标签;同理,针对目标业务反馈效果较差的样本用户,则其对应“业务投放效果不佳”的业务投放效果分类标签。
此外,这里所述的解析模型是指模型中的模型参数、初始条件和其他输入信息以及模拟时间和结果之间的一切关系均以公式表示。在这个公式中,至少一部分因子具有权重值,解析模型在训练过程中,可对权重值进行优化调整。在本说明书实施例中,利用公式中的权重值的大小,来解释因子对结果的影响程度。
具体地,本说明书实施例的方法可根据结合目标业务的业务特点,刻画至少一个用户画像特征维度,并基于至少一个用户画像特征维度构建解析模型,也就是构建解析模型的公式。之后,按照解析模型的用户画像特征特征维度对样本用户在目标业务中的数据进行用户画像特征特征提取,得到样本用户针对应各用户画像特征维度的分类值,这个分类值即用户画像特征。之后,将样本用户的用户画像特征代入至解释模型的公式中,得到解释模型输出的训练结果。这个训练结果也就是解释模型对样本用户进行分类的结果,与实际的业务投放效果分类标签可能存在误差。本步骤可以基于最大似然估计推导得到解释模型的损失函数,并基于损失函数计算出训练结果与业务投放效果分类标签的误差值,并以降低误差值为目的,对在解释模型公式中的用户画像特征的权重值进行调整。
显然,通过对解释模型进行训练,最终获得的解释数据包括样本用户的各时间节点的用户画像特征组合在所述解释模型中的权重值。应理解,用户画像特征组合的权重值越大则说明该用户画像特征组合像越有可能是导致较佳业务投放效果的因子。因此,训练完毕的解析模型可以通过这个权重值的大小来解释用户画像特征组合对目标业务的影响程度。
显然,随着时间的推移,样本用户对应的用户画像特征组合中的用户画像特征会发生变化,并导致用户画像特征组合对应的权重值也随之发生,通过对比即可找到用户画像特征变化对目标业务产生了什么样的影响。
作为示例性介绍,用户画像特征组合由“27岁+男性+学生”变化为“27岁+男性+办公室职员”,如果权重值也随之增大,则说明这个目标业务适合对有工作收入的人群进行推广。
基于图1所示的业务投放辅助方法可以知道,本说明书实施例的方案利用样本用户在不同时间节点的用户画像特征和业务投放效果分类标签来对解释模型进行训练,使得解释模型解释用户画像特征随时间演变所对业务投放效果带来的影响,从而更深度地理解用户需求,以为业务投放提供决策支持。
此外,用户画像特征组合在解释模型中的权重值达到预定水准后,即可表示这个用户画像特征组合中的用户画像是目标用户的受众用户画像特征。本说明书实施例的方法还可以将受众用户画像特征存储至数据库中,以在需要按照目标业务进行业务投放时,从数据库中选取出至少一个与目标业务对应的受众用户画像以进行业务投放。
下面对本说明书实施例的方法进行详细介绍。
本说明书实施例的业务投放辅助方法具体包括以下步骤:
步骤一,刻画出目标业务匹配的用户画像特征维度组合。
步骤二,基于目标业务相匹配的用户画像特征维度组合,对目标业务的样本用户进行用户画像特征提取,得到样本用户在各时间节点的用户画像特征组合和业务投放效果分类标签。
步骤三,基于目标业务匹配的用户画像特征维度组合构建解释模型,并通过样本用户在各时间节点的用户画像特征组合和样本用户在各时间节点针对目标业务的业务投放效果分类标签,对解释模型训练。
作为本步骤的示例性介绍:
假设按照“年龄+职业+性别”的用户画像特征维度组合构建解释模型,则可以针对样本用户,利用用户画像特征组合“年龄值+职业值+性别值”和业务投放效果分类标签对解释模型进行训练。
比如,样本用户的用户画像特征组合为“40岁+无业+男性”,如果针对目标业务的业务投放效果不佳,则可以利用“业务投放效果不佳”的标签和“用户画像特征组合“40岁+无业+男性”,对解释模型进行反例训练。
通过模型训练,可以使解释模型确定出各个时间节点的用户画像特征组合的权重值。
步骤四,将解释模型中的各时间节点的用户画像特征组合的权重值作为解释数据。
这里需要说明的是,本说明书实施例对解释数据的应用和后续处理方法并作具体限定,因此不再举例赘述。
步骤五,从解释模型中筛选出权重值满足预设权重值要求的用户画像特征组合中的用户画像特征确定为目标业务的受众用户画像特征。
应理解,在实际应用中,目标业务的样本用户并不限于一个,本说明书实施例的方法可以获得不同取值的用户画像特征维度组合。还是以“年龄+职业+性别”的用户画像特征维度组合为例,假设“16岁+医疗行业+女性”和“24岁+IT行业+女性”的权重值满足预设权重值要求,则可以将“26岁”、“医疗行业”、“IT行业”和“女性”作为目标业务的受众用户画像特征。
步骤五,将受众用户画像特征存储至数据库。
应理解,在很多情况下,会确定到数量较多的受众用户画像特征,这些受众用户画像之间也存在一定的联系,可能暗存一些可以解释业务投放效果的信息,比如,上述步骤四示例的确定“24岁”和“26岁”作为用户画像目标业务的受众用户画像特征,可以反映24岁至26岁这一附近区间的女性用户具有良好的业务投放效果。
显然,如果将确定到的受众用户画像特征毫无整理的存储到数据库中,则很难让业务运营人员找到受众用户画像特征之间联系。
为此作为优选方案,本说明书实施例中,数据库中的已有受众用户画像应按照预设的拓扑分级规则所确定的拓扑进行存储的。
作为示例性介绍,如图2所示,假设本实施例的方法的应用于借贷业务领域,数据库中的已有受众用户画像是按照树型结构的拓扑进行存储。其中,树型结构的拓扑具有多个用户画像特征维度的分支。比如,第一层是按照资金风险的画像特征维度所确定“资金高风险”和“资金低风险”的用户画像特征。第二层在“资金低风险”的基础上按照转支用难易度的画像特征维度所分类的用户画像特征:“高转支用”和“低转支用”。第三层是在“高转支用”基础上进一步按照消费能力的画像特征维度所分类的用户画像特征:“高消费”、“中消费”和“高消费”。
可以看出,基于拓扑的方式将受众用户画像特征保存在数据库中,可以使业务人员能够更直观、更清晰确定出各受众用户画像特征之间的逻辑关系,从而找到一些暗含的影响业务投放效果的信息。
对应地,通过解释模型筛新确定出的受众用户画像特征也需要按照拓扑分级规则,存储至数据库的拓扑中。即,本步骤可以先基于数据库的拓扑分级规则,确定新得到的受众用户画像在数据库中的拓扑的插入位置。之后,将新得到的受众用户画按照对应的插入位置,存储至数据库的拓扑中。
应理解,图2所示的树型拓扑结构仅用于示例性介绍,并不限制文件的保护范围。
步骤六,在需要按照目标业务进行业务投放时,在数据库中选取至少一个与目标业务对应的受众用户画像以进行业务投放。
具体地,本步骤在需要按照目标业务进行业务投放时,可以在数据库中选取至少一个与所述目标业务对应的受众用户画像,并将选取到的受众用户画像按照对应的拓扑结构进行呈现,由运营人员从中挑选待出目标受众用户画像,以进行业务投放。
或者,本步骤在需要对指定用户画像投放目标业务时,基于拓扑分级规则,确定指定用户画像在数据库中的拓扑的目标位置,之后推荐数据库的拓扑中相邻目标位置的至少一个与目标业务对应的受众用户画像,由运营人员从中选取需要补充的目标受众用户画像以进行业务投放。
再或者,本步骤在不确定对目标用户是否进行业务投放时,可以基于目标业务相匹配的用户画像特征维度组成中的各户画像特征维度,对目标用户进行特征提取,得到目标用户的至少一个用户画像特征。之后,基于目标用户的至少一个用户画像特征对数据库中的受众用户画像特征进行匹配查询。若匹配查询结果满足预设查询结果要求(比如目标用户的至少一个用户画像特征属于受众用户画像特征),则向目标用户进行业务投放。
图3是本说明书实施例的业务投放辅助方法的工作示意图。其中,作为执行主体的目标业务系统将不同目标业务的历史投放用户的画像特征和历史投放用户针对不同目标业务的业务投放效果分类标签输入至解释模型进行训练,使解释模型确定不同目标业务所对应的受众用户画像特征,并将各目标业务所对应受众用户画像特征存储数据库的拓扑中。
在这个数据库中,不同目标业务可以对应有不同的拓扑。或者,这些目标业务共用一个拓扑,并在拓扑的受众用户画像特征中标注对应的目标业务。运营人员,在指定出目标业务后,可以将目标业务输入至数据库中,由数据库推荐与目标业务相关联的受众用户画像特征,业务人员可以向符合数据库推荐的受众用户画像特征的用户进行业务投放。
同时,目标业务系统也可以收集实际的业务投放效果,并根据实际的业务投放效果来对解释模型的参数进行优化调整。比如,调整解释模型中的用户画像特征所对应的权重值。
此外,业务运营人员还可以对数据库中的受众用户化画像特征进行调整。比如,基于语义分析算法,对数据库中语义相似度达到预设相似度要求的至少两个受众画像进行去冗余。或者,业务运营人员还可将一些人工确定的受众用户画像特征添加至数据库的拓扑中。
以上是对本说明书实施例的方法的介绍。应理解,在不脱离本文上述原理基础之上,还可以进行适当的变化,这些变化也应视为本说明书实施例的保护范围。
以上是对本说明书实施例的方法的介绍。应理解,在不脱离本文上述原理基础之上,还可以进行适当的变化,这些变化也应视为本说明书实施例的保护范围。
与上述方法相对应地,如图4所示,本说明书实施例还提供一种业务投放辅助装置400,包括:
提取模块410,基于目标业务所匹配的用户画像特征维度组合,对所述目标业务的样本用户进行用户画像特征提取,获得所述样本用户在多个时间节点的用户画像特征组合,其中,所述样本用户对应目标用户画像特征维度的用户画像特征用于表征所述样本用户在所述目标用户画像特征维度下的分类值;
解释模块420,基于样本用户在各时间节点的用户画像特征组合和所述样本用户在各时间节点针对所述目标业务的业务投放效果分类标签,对所述解释模型进行训练,得到所述解释模型针对用户画像特征组合随时间演变所对业务投放效果产生影响的解释数据。
基于图4所示的业务投放辅助装置可以知道:本说明书实施例的方案利用样本用户在不同时间节点的用户画像特征和业务投放效果分类标签来对解释模型进行训练,使得解释模型解释用户画像特征随时间演变所对业务投放效果带来的影响,从而更深度地理解用户需求,以为业务投放提供决策支持。
可选地,所述解释数据包括:各时间节点的用户画像特征组合在所述解释模型中的权重值。
可选地,本说明书实施例的装置还包括:
选取模块,从训练完毕的所述解释模型中,选取权重值满足预设权重值要求的用户画像特征组合的用户画像特征作为所述目标业务的受众用户画像特征。
可选地,本说明书实施例的装置还包括:
存储模块,将确定得到的至少一个受众用户画像特征存储至数据库。
投放模块,在需要按照所述目标业务进行业务投放时,在所述数据库中选取至少一个所述目标任务的受众用户画像以进行业务投放。
可选地,上述数据库中的已有受众用户画像是按照预设的拓扑分级规则所确定的拓扑进行存储。存储模块在执行时,具体基于所述拓扑分级规则,确定至少一个受众用户画像在所述数据库中的拓扑的插入位置,并将所述至少一个受众用户画按照所述插入位置,存储至所述数据库的拓扑中。
可选地,投放模块在在需要对指定用户画像投放目标业务时,基于所述拓扑分级规则,确定所述指定用户画像在所述数据库的拓扑中的目标位置。之后,选取所述数据库的拓扑中与所述目标位置相邻的至少一个与所述目标业务对应的受众用户画像以进行业务投放。
可选地,投放模块在需要按照所述目标业务进行业务投放时,还可以基于所述目标业务相匹配的用户画像特征维度组成中的各户画像特征维度,对目标用户进行特征提取,得到所述目标用户的至少一个用户画像特征。之后,基于所述目标用户的至少一个用户画像特征对所述数据库中的受众用户画像特征进行匹配查询。若匹配查询结果满足预设查询结果要求,则向所述目标用户进行业务投放。
显然,本说明书实施例的业务投放辅助装置可以作为上述图1所示的业务投放辅助方法的执行主体,因此能够实现该业务投放辅助方法在图1至图3所实现的功能。由于原理相同,本文不再赘述。
图5是本说明书的一个实施例电子设备的结构示意图。请参考图5,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成上述业务投放辅助装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
基于目标业务所匹配的用户画像特征维度组合,对所述目标业务的样本用户进行用户画像特征提取,获得所述样本用户在多个时间节点的用户画像特征组合,其中,所述样本用户对应目标用户画像特征维度的用户画像特征用于表征所述样本用户在所述目标用户画像特征维度下的分类值;
基于样本用户在各时间节点的用户画像特征组合和所述样本用户在各时间节点针对所述目标业务的业务投放效果分类标签,对所述解释模型进行训练,得到所述解释模型针对用户画像特征组合随时间演变所对业务投放效果产生影响的解释数据。
基于图5所示的电子设备可以知道:本说明书实施例的方案利用样本用户在不同时间节点的用户画像特征和业务投放效果分类标签来对解释模型进行训练,使得解释模型解释用户画像特征随时间演变所对业务投放效果带来的影响,从而更深度地理解用户需求,以为业务投放提供决策支持。
上述如本说明书图1所示实施例揭示的业务投放辅助方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
应理解,本说明书实施例的电子设备可以实现上述目标业务系统在图1所示的实施例的功能,本文不再赘述。
当然,除了软件实现方式之外,本说明书的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
此外,本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下方法:
基于目标业务所匹配的用户画像特征维度组合,对所述目标业务的样本用户进行用户画像特征提取,获得所述样本用户在多个时间节点的用户画像特征组合,其中,所述样本用户对应目标用户画像特征维度的用户画像特征用于表征所述样本用户在所述目标用户画像特征维度下的分类值;
基于样本用户在各时间节点的用户画像特征组合和所述样本用户在各时间节点针对所述目标业务的业务投放效果分类标签,对所述解释模型进行训练,得到所述解释模型针对用户画像特征组合随时间演变所对业务投放效果产生影响的解释数据。
应理解,上述指令当被包括多个应用程序的便携式电子设备执行时,能够使上文所述的目标业务系统实现图1所示实施例的功能,本文不再赘述。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。此外,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
Claims (10)
1.一种业务投放辅助方法,包括:
基于目标业务所匹配的用户画像特征维度组合,对所述目标业务的样本用户进行用户画像特征提取,获得所述样本用户在多个时间节点的用户画像特征组合,其中,所述样本用户对应目标用户画像特征维度的用户画像特征用于表征所述样本用户在所述目标用户画像特征维度下的分类值;
基于样本用户在各时间节点的用户画像特征组合和所述样本用户在各时间节点针对所述目标业务的业务投放效果分类标签,对解释模型进行训练,得到所述解释模型针对用户画像特征组合随时间演变所对业务投放效果产生影响的解释数据。
2.根据权利要求1所述的方法,
所述解释数据包括:各时间节点的用户画像特征组合在所述解释模型中的权重值。
3.根据权利要求2所述的方法,还包括:
从训练完毕的所述解释模型中,选取权重值满足预设权重值要求的用户画像特征组合的用户画像特征作为所述目标业务的受众用户画像特征。
4.根据权利要求3所述的方法,还包括:
将确定得到的至少一个受众用户画像特征存储至数据库;
在需要按照所述目标业务进行业务投放时,在所述数据库中选取至少一个所述目标任务的受众用户画像以进行业务投放。
5.根据权利要求4所述的方法,还包括:
所述数据库中的已有受众用户画像是按照预设的拓扑分级规则所确定的拓扑进行存储的;
将确定得到的至少一个受众用户画像特征存储至数据库,包括:
基于所述拓扑分级规则,确定至少一个受众用户画像在所述数据库中的拓扑的插入位置;
将所述至少一个受众用户画按照所述插入位置,存储至所述数据库的拓扑中。
6.根据权利要求5所述的方法,
在需要按照所述目标业务进行业务投放时,在所述数据库中选取至少一个所述目标任务的受众用户画像以进行业务投放,包括:
在需要对指定用户画像投放目标业务时,基于所述拓扑分级规则,确定所述指定用户画像在所述数据库的拓扑中的目标位置;
选取所述数据库的拓扑中与所述目标位置相邻的至少一个与所述目标业务对应的受众用户画像以进行业务投放。
7.根据权利要求5所述的方法,
在需要按照所述目标业务进行业务投放时,在所述数据库中选取至少一个所述目标任务的受众用户画像以进行业务投放,包括:
在需要按照所述目标业务进行业务投放时,基于所述目标业务相匹配的用户画像特征维度组成中的各户画像特征维度,对目标用户进行特征提取,得到所述目标用户的至少一个用户画像特征;
基于所述目标用户的至少一个用户画像特征对所述数据库中的受众用户画像特征进行匹配查询;
若匹配查询结果满足预设查询结果要求,则向所述目标用户进行业务投放。
8.一种业务投放辅助装置,包括:
提取模块,基于目标业务所匹配的用户画像特征维度组合,对所述目标业务的样本用户进行用户画像特征提取,获得所述样本用户在多个时间节点的用户画像特征组合,其中,所述样本用户对应目标用户画像特征维度的用户画像特征用于表征所述样本用户在所述目标用户画像特征维度下的分类值;
解释模块,基于样本用户在各时间节点的用户画像特征组合和所述样本用户在各时间节点针对所述目标业务的业务投放效果分类标签,对解释模型进行训练,得到所述解释模型针对用户画像特征组合随时间演变所对业务投放效果产生影响的解释数据。
9.一种电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行:
基于目标业务所匹配的用户画像特征维度组合,对所述目标业务的样本用户进行用户画像特征提取,获得所述样本用户在多个时间节点的用户画像特征组合,其中,所述样本用户对应目标用户画像特征维度的用户画像特征用于表征所述样本用户在所述目标用户画像特征维度下的分类值;
基于样本用户在各时间节点的用户画像特征组合和所述样本用户在各时间节点针对所述目标业务的业务投放效果分类标签,对解释模型进行训练,得到所述解释模型针对用户画像特征组合随时间演变所对业务投放效果产生影响的解释数据。
10.一种计算机可读存储介质,所述计算机可读存储介质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如下步骤:
基于目标业务所匹配的用户画像特征维度组合,对所述目标业务的样本用户进行用户画像特征提取,获得所述样本用户在多个时间节点的用户画像特征组合,其中,所述样本用户对应目标用户画像特征维度的用户画像特征用于表征所述样本用户在所述目标用户画像特征维度下的分类值;
基于样本用户在各时间节点的用户画像特征组合和所述样本用户在各时间节点针对所述目标业务的业务投放效果分类标签,对解释模型进行训练,得到所述解释模型针对用户画像特征组合随时间演变所对业务投放效果产生影响的解释数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911090180.6A CN110909040B (zh) | 2019-11-08 | 2019-11-08 | 一种业务投放辅助方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911090180.6A CN110909040B (zh) | 2019-11-08 | 2019-11-08 | 一种业务投放辅助方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909040A CN110909040A (zh) | 2020-03-24 |
CN110909040B true CN110909040B (zh) | 2022-03-04 |
Family
ID=69817271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911090180.6A Active CN110909040B (zh) | 2019-11-08 | 2019-11-08 | 一种业务投放辅助方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909040B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400764B (zh) * | 2020-03-25 | 2021-05-07 | 支付宝(杭州)信息技术有限公司 | 个人信息保护的风控模型训练方法、风险识别方法及硬件 |
CN111861701A (zh) * | 2020-07-09 | 2020-10-30 | 深圳市富之富信息技术有限公司 | 风控模型优化方法、装置、计算机设备及存储介质 |
CN112910953B (zh) * | 2021-01-14 | 2023-02-17 | 中国工商银行股份有限公司 | 业务数据的推送方法、装置和服务器 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013074488A (ja) * | 2011-09-28 | 2013-04-22 | Nippon Telegr & Teleph Corp <Ntt> | 映像コンテンツ推薦装置、映像コンテンツ推薦方法、および映像コンテンツ推薦用プログラム |
CN106408184A (zh) * | 2016-09-12 | 2017-02-15 | 中山大学 | 一种基于多源异构数据的用户信用评估模型 |
CN106663224A (zh) * | 2014-06-30 | 2017-05-10 | 亚马逊科技公司 | 用于机器学习模型评估的交互式界面 |
CN107527128A (zh) * | 2016-06-21 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 一种确定资源参数的方法和设备 |
CN107808333A (zh) * | 2016-09-08 | 2018-03-16 | 阿里巴巴集团控股有限公司 | 一种商品投放决策系统、方法及装置 |
CN109598542A (zh) * | 2018-11-20 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 一种营销权益的投放方法、装置及电子设备 |
CN109684470A (zh) * | 2019-01-09 | 2019-04-26 | 中国科学技术大学 | 法律信息推荐方法及装置、存储介质及电子设备 |
CN109886299A (zh) * | 2019-01-16 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种用户画像方法、装置、可读存储介质及终端设备 |
CN110162698A (zh) * | 2019-04-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种用户画像数据处理方法、装置及存储介质 |
CN110310148A (zh) * | 2019-06-05 | 2019-10-08 | 上海易点时空网络有限公司 | 基于大数据和机器学习的广告精准投放方法 |
CN110378726A (zh) * | 2019-07-02 | 2019-10-25 | 阿里巴巴集团控股有限公司 | 一种目标用户的推荐方法、系统以及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPP009697A0 (en) * | 1997-10-29 | 1997-11-20 | Canon Information Systems Research Australia Pty Ltd | Image interpretation method and apparatas |
US10565528B2 (en) * | 2018-02-09 | 2020-02-18 | Sas Institute Inc. | Analytic system for feature engineering improvement to machine learning models |
-
2019
- 2019-11-08 CN CN201911090180.6A patent/CN110909040B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013074488A (ja) * | 2011-09-28 | 2013-04-22 | Nippon Telegr & Teleph Corp <Ntt> | 映像コンテンツ推薦装置、映像コンテンツ推薦方法、および映像コンテンツ推薦用プログラム |
CN106663224A (zh) * | 2014-06-30 | 2017-05-10 | 亚马逊科技公司 | 用于机器学习模型评估的交互式界面 |
CN106663037A (zh) * | 2014-06-30 | 2017-05-10 | 亚马逊科技公司 | 特征处理权衡管理 |
CN107527128A (zh) * | 2016-06-21 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 一种确定资源参数的方法和设备 |
CN107808333A (zh) * | 2016-09-08 | 2018-03-16 | 阿里巴巴集团控股有限公司 | 一种商品投放决策系统、方法及装置 |
CN106408184A (zh) * | 2016-09-12 | 2017-02-15 | 中山大学 | 一种基于多源异构数据的用户信用评估模型 |
CN109598542A (zh) * | 2018-11-20 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 一种营销权益的投放方法、装置及电子设备 |
CN109684470A (zh) * | 2019-01-09 | 2019-04-26 | 中国科学技术大学 | 法律信息推荐方法及装置、存储介质及电子设备 |
CN109886299A (zh) * | 2019-01-16 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种用户画像方法、装置、可读存储介质及终端设备 |
CN110162698A (zh) * | 2019-04-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种用户画像数据处理方法、装置及存储介质 |
CN110310148A (zh) * | 2019-06-05 | 2019-10-08 | 上海易点时空网络有限公司 | 基于大数据和机器学习的广告精准投放方法 |
CN110378726A (zh) * | 2019-07-02 | 2019-10-25 | 阿里巴巴集团控股有限公司 | 一种目标用户的推荐方法、系统以及电子设备 |
Non-Patent Citations (4)
Title |
---|
A User Profile Modeling Method Based on Word2Vec;Jianqiao Hu等;《2017 IEEE International Conference on Software Quality, Reliability and Security Companion (QRS-C)》;20170818;第410-414页 * |
NAIS: Neural Attentive Item Similarity Model for Recommendation;Xiangnan He等;《 IEEE Transactions on Knowledge and Data Engineering》;20180430;第30卷(第12期);第2354-2366页 * |
基于特征组合的展示广告点击率预估模型研究;马雅从;《中国优秀硕士学位论文全文数据库信息科技辑》;20190115(第1期);第I140-618页 * |
时间敏感的转化率预测和归因分析;纪文迪;《中国博士学位论文全文数据库经济与管理科学辑》;20170915(第9期);第J157-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110909040A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073568B (zh) | 关键词提取方法和装置 | |
CN110909040B (zh) | 一种业务投放辅助方法、装置及电子设备 | |
CN106547744B (zh) | 一种图像检索方法及系统 | |
CN111028006B (zh) | 一种业务投放辅助方法、业务投放方法及相关装置 | |
AU2014344497A1 (en) | Image object category recognition method and device | |
CN110020022B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN110110049A (zh) | 服务咨询方法、装置、系统、服务机器人及存储介质 | |
CN113407677B (zh) | 评估咨询对话质量的方法、装置、设备和存储介质 | |
CN112560993A (zh) | 数据筛选方法、装置、电子设备及存储介质 | |
CN115098556A (zh) | 用户需求匹配方法、装置、电子设备及存储介质 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN114462582A (zh) | 基于卷积神经网络模型的数据处理方法及装置、设备 | |
CN111027316A (zh) | 文本处理方法、装置、电子设备及计算机可读存储介质 | |
CN112364185A (zh) | 多媒体资源的特征确定方法、装置、电子设备和存储介质 | |
CN110413757B (zh) | 一种词语释义确定方法、装置及系统 | |
CN111191065A (zh) | 一种同源图像确定方法及装置 | |
CN110705889A (zh) | 一种企业筛选方法、装置、设备及存储介质 | |
CN114330720A (zh) | 用于云计算的知识图谱构建方法、设备及存储介质 | |
CN109885504B (zh) | 推荐系统的测试方法、装置、介质及电子设备 | |
CN111428767A (zh) | 数据处理方法及装置、处理器、电子设备及存储介质 | |
CN111694962A (zh) | 数据处理方法和装置 | |
CN115062783B (zh) | 实体对齐方法及相关装置、电子设备、存储介质 | |
CN113096799B (zh) | 质控方法和装置 | |
US20230289531A1 (en) | Deep Learning Systems and Methods to Disambiguate False Positives in Natural Language Processing Analytics | |
CN109033142B (zh) | 一种数据处理方法、装置及服务器 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |