CN110941447A - 应用程序的定向发布方法、装置、介质及电子设备 - Google Patents
应用程序的定向发布方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN110941447A CN110941447A CN201911189404.9A CN201911189404A CN110941447A CN 110941447 A CN110941447 A CN 110941447A CN 201911189404 A CN201911189404 A CN 201911189404A CN 110941447 A CN110941447 A CN 110941447A
- Authority
- CN
- China
- Prior art keywords
- user
- application program
- data
- target user
- machine learning
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Stored Programmes (AREA)
Abstract
本申请实施例公开了一种应用程序的定向发布方法、装置、介质及电子设备。该方法包括：响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户；向目标用户推送预上线版本的应用程序；若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布。通过运行本申请所提供的技术方案，通过机器学习的方式确定定向发布的目标用户，可以达到快速并全面的对预上线的应用程序进行信息反馈的目的。
Description
技术领域
本申请实施例涉及计算机技术领域，尤其涉及一种应用程序的定向发布方法、装置、介质及电子设备。
背景技术
随着科技的迅速发展，各种功能的应用程序恰好能够满足用户不同的使用需求，因此各种应用程序正在快速发展。
然而，由于应用程序在线上运行过程中，会存在需要更新的内容，因此需要进行对应用程序进行定向发布，即为只将具有升级功能的应用程序发布到一部分用户当中进行使用。在定向的目标用户使用过程中，可以辅助确定更新的内容是否存在问题，以及是否能够符合用户的功能需求。然而，现有的对目标用户的确定方式是通过在所有用户ID中进行随机抽取的。因此，虽然目标用户存在了随机性，但是却不能够保证用户的对应用程序的更新内容的使用频次，因此现有的定向发布方式往往问题反馈的时间较长，而且不够全面。
发明内容
本申请实施例提供一种应用程序的定向发布方法、装置、介质及电子设备，可以通过机器学习的方式确定定向发布的目标用户，可以达到快速并全面的对预上线的应用程序进行信息反馈的目的。
第一方面，本申请实施例提供了一种应用程序的定向发布方法，该方法包括：
响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户；
向目标用户推送预上线版本的应用程序；
若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布。
第二方面，本申请实施例提供了一种应用程序的定向发布装置，该装置包括：
目标用户确定模块，用于响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户；
应用程序推送模块，用于向目标用户推送预上线版本的应用程序；
应用程序发布模块，用于若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器运行时实现如本申请实施例所述的应用程序的定向发布方法。
第四方面，本申请实施例提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器运行所述计算机程序时实现如本申请实施例所述的应用程序的定向发布方法。
本申请实施例所提供的技术方案，响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户；向目标用户推送预上线版本的应用程序；若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布。通过采用本申请所提供的技术方案，通过机器学习的方式确定定向发布的目标用户，可以达到快速并全面的对预上线的应用程序进行信息反馈的目的。
附图说明
图1是本申请实施例一提供的应用程序的定向发布方法的流程图；
图2是本申请实施例二提供的机器学习模型的构建流程图；
图3为本发明实施例三提供的应用程序的定向发布方法的详细流程图；
图4是本申请实施例四提供的应用程序的定向发布装置的结构示意图；
图5是本申请实施例六提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本申请实施例一提供的应用程序的定向发布方法的流程图，本实施例可适于模型训练等情况，该方法可以由本申请实施例所提供的应用程序的定向发布装置运行，该装置可以由软件和/或硬件的方式来实现，并可集成于用于智能终端、服务器等具有模型训练的计算功能的电子设备中。
如图1所示，所述应用程序的定向发布方法包括：
S110、响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户。
其中，定向发布请求用于将应用程序发布至满足要求的目标用户；用户集合可以是所有或者部分使用该应用程序的用户构成的集合，例如应用程序A的用户集合为所有使用应用程序A的用户构成的集合；机器学习模型可以为线性回归、卷积神经网络等模型，本实施例对此并不进行任何限制。预先构建的机器学习模型根据具体的定向发布请求，在用户集合中确定满足要求的目标用户。具体的确定方式，可以是通过应用程序采集用户的一些行为特征和画像特征，并将每个用户的特征输入至模型，根据模型输出的标签分类结果来确定。
S120、向目标用户推送预上线版本的应用程序。
其中，预上线版本的应用程序为在应用程序正式上线前的版本，一般用于测试该版本是否符合正式上线要求。预上线版本的应用程序可以是对之前版本的应用程序的修复，也可以是在之前版本的应用程序的基础上增添新的功能，本实施例对此不作限制。
S130、若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布。
其中，使用数据为目标用户在使用预上线版本的应用程序时产生的数据，例如闪退率、应用程序运行时的内存消耗、电量消耗、保活时间等等，本实施例对此不作限制。全量发布为对所有用户进行发布，即当使用数据符合预设标准时，预上线版本的应用程序则作为正式版本，面向所有用户发布。
本申请实施例所提供的技术方案，响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户并分组；向分组目标用户推送预上线版本的应用程序；若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布。通过采用本申请所提供的技术方案，通过机器学习的方式确定定向发布的目标用户，可以达到快速并全面的对预上线的应用程序进行信息反馈的目的。
在上述实施例的基础上，可选的，在用户集合中利用预先构建的机器学习模型确定目标用户，包括：
获取用户集合中的待选用户的特征数据；其中，所述待选用户的特征数据包括：待选用户行为数据、待选用户画像数据以及自定义特征数据中的至少一种；
将所述待选用户且非模型训练用户的特征数据输入至预先构建的机器学习模型，输出二份值，确定目标用户。输出待选用户是否为我们期望的目标用户。
其中，待选用户可以为所有与应用程序有关联的用户，例如注册过的用户、正在使用应用程序的用户、与注册用户有关联的未曾注册过的用户等等，本实施例对此不作限制。其中，待选用户行为数据为待选用户自身的操作行为，例如点击特定商品；待选用户画像数据为待选用户提供给应用程序的信息，例如联系方式等；自定义特征数据为待选用户与应用程序产生关联的数据，例如使用应用程序的时间等，可以对其进行自定义设置，以获得想要的待选用户的特征数据。
匹配度为待选用户的特征数据预先构建的机器学习模型训练得到的特征数据的匹配度；匹配度若高于预设匹配度阈值，则待选用户确定为目标用户，向目标用户推送预上线版本的应用程序。
本技术方案在上述实施例的基础上，利用预先构建的机器学习模型判断待选用户的匹配度，确定目标用户，提高机器学习模型确定定向发布的目标用户的针对性和准确性。
实施例二
图2是本申请实施例二提供的机器学习模型的构建流程图。本技术方案是针对预先构建的机器学习模型的构建过程进行补充说明的。与上述方案相比，本方案具体优化为，机器学习模型的构建步骤包括：
确定训练集用户和测试集用户，并获取训练集用户的特征数据；
通过预设机器学习算法对所述训练集用户的特征数据进行训练，得到机器学习模型；
利用测试集用户的特征数据对机器学习模型进行评估，若不符合评估标准，则对机器学习模型继续进行迭代训练，直至符合评估标准，得到经过迭代训练的机器学习模型。
具体的，机器学习模型的构建流程图如图2所示：
S210、确定训练集用户和测试集用户，并获取训练集用户的特征数据。
其中，训练集用户和测试集用户的确定，可以由人工指定筛选条件，将满足筛选条件的用户，分为训练集用户和测试集用户，例如筛选条件可以为是否收藏过指定商品，若收藏过则满足条件，本实施例对此不作限制。训练集用户用于对模型进行训练，测试集用户用于对训练得到的模型进行测试。特征数据为与应用程序相关的，并且不同用户可能存在差异性的数据。
S220、通过预设机器学习算法对所述训练集用户的特征数据进行训练，得到机器学习模型。
将训练集用户的特征数据通过预设机器学习算法进行训练后，获得初步的机器学习模型。其中，机器学习算法可以为线性回归算法、KMEANS、KNN等，本实施例对此不作限制。
S230、利用测试集用户的特征数据对机器学习模型进行评估，若不符合评估标准，则对机器学习模型继续进行迭代训练，直至符合评估标准，得到经过迭代训练的机器学习模型。
根据测试集用户的特征数据对初步的机器学习模型进行评估，判断是否达到评估标准，若符合则作为正式的机器学习模型，若不符合则继续进行迭代训练，直至满足评估标准为止。其中，评估标准可以为是否达到规定准确率、精确率、召回率或者F1 score、AUC等等，本实施例对此不作限制。
本实施例在上述实施例的基础上，确定训练集用户和测试集用户以及相关的特征数据，通过对特征数据的训练和对机器学习模型的评估，构建机器学习模型，提高机器学习模型确定定向发布的目标用户的针对性和准确性。
在上述各实施例的基础上，可选的，训练集用户的特征数据和测试集用户的特征数据包括用户行为数据、用户画像数据以及自定义特征数据中的至少一种。
其中，用户行为数据为用户自身的操作行为，例如在购物类应用程序中，用户对商品的点击查看、收藏、通话咨询以及下单等行为。用户画像数据为用户提供给应用程序的信息，例如用户地址、年龄以及姓名等等。自定义特征数据为用户与应用程序产生关联的数据，可以进行自定义设置，例如用户对应用程序的使用时长等等。通过其进行自定义设置，以获得想要的用户的特征数据。本实施例在上述实施例的基础上，对训练集用户的特征数据和测试集用户的特征数据进一步概括，提高机器学习模型确定定向发布的目标用户的针对性和准确性。
在上述各实施例的基础上，可选的，在获取训练集用户的特征数据之后，所述方法还包括：
对训练集用户的特征数据进行预处理；
将预处理后的特征数据采用特征工程算法进行特征离散和异常特征值的剔除处理，得到待训练的特征数据。
其中，预处理为将训练集用户的特征数据进行进一步处理，未处理前的特征有可能有出现一些问题，例如：特征的规格不一样，不能够放在一起比较、输入的格式不对、存在缺失值等等，经过预处理解决以上问题。
特征工程算法用于将预处理后的特征进行进一步筛选，将其中的异常值剔除，保留可供训练的特征数据。可以采用对各个特征进行评分，再根据设定的评分阈值选择合适特征等、本实施例对此不作限制。
本实施例在上述实施例的基础上，对训练集用户的特征数据进一步处理，提高机器学习模型训练的准确性，从而提高确定定向发布的目标用户的准确性。
实施例三
图3为本发明实施例三提供的应用程序的定向发布方法的详细流程图。本技术方案是针对向目标用户推送预上线版本的应用程序的过程进行补充说明的。与上述方案相比，本方案具体优化为，向目标用户推送预上线版本的应用程序，包括：
根据目标用户的数量与预设定向发布数量，将所述目标用户划分为至少两个目标用户分组；
向当前目标用户分组推送预上线版本的应用程序；
相应的，若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布，包括：
获取当前目标用户分组对预上线版本的应用程序的指标数据，所述指标数据包括预上线版本的应用程序的闪退率、运行内存消耗、运行电量消耗以及运行时长中的至少一种；
若所述当前目标用户分组的指标数据符合预设全量标准，则将预上线版本的应用程序进行全量发布。
具体的，应用程序的定向发布方法的流程图如图3所示：
S310、响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户。
S320、根据目标用户的数量与预设定向发布数量，将所述目标用户划分为至少两个目标用户分组。
例如目标用户的数量为1500人，预设定向发布数量为500人，则将目标用户划分为三个目标用户分组，划分方式可以为随机划分，本实施例对此不作限制，每个目标用户分组只会被定向发布一次。
S330、获取当前目标用户分组对预上线版本的应用程序的指标数据，所述指标数据包括预上线版本的应用程序的闪退率、运行内存消耗、运行电量消耗以及运行时长中的至少一种。
在目标用户分组中选择至少一个分组作为当前分组，获取当前分组在使用预上线版本的应用程序时的指标数据。
S340、若所述当前目标用户分组的指标数据符合预设全量标准，则将预上线版本的应用程序进行全量发布。
若指标数据符合预设全量标准，则将预上线版本的应用程序作为正式上线的版本进行全量发布，否则则进行预上线版本应用程序进行bug修复，修复完毕后重新选择一个目标用户组进行推送新的预上线版本应用程序。
本实施例在上述实施例的基础上，对目标用户进行分组，防止同一目标用户被反复推送测试版本，从而全面的对预上线的应用程序进行信息反馈。
在本实施例中，可选的，在获取当前目标用户分组对预上线版本的应用程序的指标数据之后，所述方法还包括：
若所述当前目标用户分组的指标数据不符合预设全量标准，则返回修正信息，选择当前目标用户分组的下一目标用户分组作为定向用户分组。
其中，修正信息为目标用户分组在使用预上线版本的应用程序产生问题时，针对产生的问题的修正的信息。例如，修改预上线版本应用程序，包含功能修改，bug修复等；预上线应用修复完毕后选择当前目标用户分组的下一目标用户分组作为定向用户分组。例如当前目标用户分组分为1、2、3三组，当目标用户组1的指标数据不符合预设全量标准时，返回修正信息，再将当前目标用户分组的下一目标用户分组，即目标用户组2，作为定向用户分组，用于再次检测预上线版本的应用程序或者检测修改后的预上线版本的应用程序。
本实施例在上述实施例的基础上，对目标用户进行分组，防止同一目标用户被反复推送预上线测试版本，从而全面的对预上线的应用程序进行信息反馈。
实施例四
图4是本申请实施例四提供的应用程序的定向发布装置的结构示意图。如图4所示，所述应用程序的定向发布装置，包括：
目标用户确定模块410，用于响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户。
应用程序推送模块420，用于向目标用户推送预上线版本的应用程序。
应用程序发布模块430，用于根据目标用户对预上线版本的应用程序的使用数据是否符合预设标准，如果数据符合预设标准则将预上线版本的应用程序进行全量发布。
本申请实施例所提供的技术方案，响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户；向目标用户推送预上线版本的应用程序；若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布。通过采用本申请所提供的技术方案，通过机器学习的方式确定定向发布的目标用户，可以达到快速并全面的对预上线的应用程序进行信息反馈的目的。
在上述各技术方案的基础上，可选的，所述机器学习模型的构建步骤包括：
特征数据获取模块，用于确定训练集用户和测试集用户，并获取训练集用户的特征数据。
模型训练模块，用于通过预设机器学习算法对所述训练集用户的特征数据进行训练，得到机器学习模型。
模型获取模块，用于利用测试集用户的特征数据对机器学习模型进行评估，若不符合评估标准，则对机器学习模型继续进行迭代训练，直至符合评估标准，得到经过迭代训练的机器学习模型。
在上述各技术方案的基础上，可选的，所述装置还包括：
数据预处理模块，用于所述特征数据获取模块之后，对训练集用户的特征数据进行预处理。
待训练数据获取模块，用于将预处理后的特征数据采用特征工程算法进行特征离散和异常特征值的剔除处理，得到待训练的特征数据。
在上述各技术方案的基础上，可选的，训练集用户的特征数据和测试集用户的特征数据包括用户行为数据、用户画像数据以及自定义特征数据中的至少一种。
在上述各技术方案的基础上，可选的，所述目标用户确定模块410包括：
特征数据获取单元，用于获取用户集合中的待选用户的特征数据；其中，所述待选用户的特征数据包括：待选用户行为数据、待选用户画像数据以及自定义特征数据中的至少一种。
匹配度输出单元，用于将所述待选用户的特征数据输入至预先构建的机器学习模型，输出待选用户的特征数据的匹配度。
目标用户确定单元，用于将所述匹配度高于预设匹配度阈值的待选用户确定为目标用户。
在上述各技术方案的基础上，可选的，所述应用程序推送模块420包括：
用户分组划分单元，用于根据目标用户的数量与预设定向发布数量，将所述目标用户划分为至少两个目标用户分组。
应用程序推送模块，用于向当前目标用户分组推送预上线版本的应用程序。
相应的，应用程序发布模块430，包括：
指标数据获取单元，用于获取当前目标用户分组对预上线版本的应用程序的指标数据，所述指标数据包括预上线版本的应用程序的闪退率、运行内存消耗、运行电量消耗以及运行时长中的至少一种；
应用程序发布单元，用于若所述当前目标用户分组的指标数据符合预设全量标准，则将预上线版本的应用程序进行全量发布。
在上述各技术方案的基础上，可选的，所述装置还包括：
用户分组选择单元，用于所述指标数据获取单元之后，若所述当前目标用户分组的指标数据不符合预设全量标准，则返回修改预上线版本应用，已经修复的预上线版本应用选择当前目标用户分组的下一目标用户分组作为定向用户分组。
上述产品可运行本申请任意实施例所提供的方法，具备运行方法相应的功能模块和有益效果。
实施例五
本申请实施例还提供一种包含计算机可运行指令的存储介质，所述计算机可运行指令在由计算机处理器运行时用于运行一种应用程序的定向发布方法，该方法包括：
响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户；
向目标用户推送预上线版本的应用程序；
若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被运行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于运行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器运行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可运行指令的存储介质，其计算机可运行指令不限于如上所述的应用程序的定向发布操作，还可以运行本申请任意实施例所提供的应用程序的定向发布方法中的相关操作。
实施例六
本申请实施例提供了一种电子设备，该电子设备中可集成本申请实施例提供的应用程序的定向发布装置。图5是本申请实施例六提供的一种电子设备的结构示意图。如图5所示，本实施例提供了一种电子设备500，其包括：一个或多个处理器520；存储装置510，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520运行，使得所述一个或多个处理器520实现本申请实施例所提供的应用程序的定向发布方法，该方法包括：
响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户；
向目标用户推送预上线版本的应用程序；
若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布。
当然，本领域技术人员可以理解，处理器520还可以实现本申请任意实施例所提供的应用程序的定向发布方法的技术方案。
图5显示的电子设备500仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，该电子设备500包括处理器520、存储装置510、输入装置530和输出装置540；电子设备中处理器520的数量可以是一个或多个，图5中以一个处理器520为例；电子设备中的处理器520、存储装置510、输入装置530和输出装置540可以通过总线或其他方式连接，图5中以通过总线550连接为例。
存储装置510作为一种计算机可读存储介质，可用于存储软件程序、计算机可运行程序以及模块单元，如本申请实施例中的应用程序的定向发布方法对应的程序指令。
存储装置510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；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置510可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置510可进一步包括相对于处理器520远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏、扬声器等设备。
本申请实施例提供的电子设备，可以实现在测试过程中，可以实现在有标签的训练样本资源有限的情况下，能够保证高质量的模型训练效果，无需消耗大量的人力资源对较多数据进行标注标签的目的。
上述实施例中提供的应用程序的定向发布装置、介质及电子设备可运行本申请任意实施例所提供的应用程序的定向发布方法，具备运行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的应用程序的定向发布方法。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种应用程序的定向发布方法，其特征在于，包括：
响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户；
向目标用户推送预上线版本的应用程序；
若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布。
2.根据权利要求1所述的方法，其特征在于，所述机器学习模型的构建步骤包括：
确定训练集用户和测试集用户，并获取训练集用户的特征数据；
通过预设机器学习算法对所述训练集用户的特征数据进行训练，得到机器学习模型；
利用测试集用户的特征数据对机器学习模型进行评估，若不符合评估标准，则对机器学习模型继续进行迭代训练，直至符合评估标准，得到经过迭代训练的机器学习模型。
3.根据权利要求2所述的方法，其特征在于，在获取训练集用户的特征数据之后，所述方法还包括：
对训练集用户的特征数据进行预处理；
将预处理后的特征数据采用特征工程算法进行特征离散和异常特征值的剔除处理，得到待训练的特征数据。
4.根据权利要求2所述的方法，其特征在于，训练集用户的特征数据和测试集用户的特征数据包括用户行为数据、用户画像数据以及自定义特征数据中的至少一种。
5.根据权利要求1所述的方法，其特征在于，在用户集合中利用预先构建的机器学习模型确定目标用户，包括：
获取用户集合中的待选用户的特征数据；其中，所述待选用户的特征数据包括：待选用户行为数据、待选用户画像数据以及自定义特征数据中的至少一种；
将所述待选用户的特征数据输入至预先构建的机器学习模型，输出二份值，确定目标用户。
6.根据权利要求1所述的方法，其特征在于，向目标用户推送预上线版本的应用程序，包括：
根据目标用户的数量与预设定向发布数量，将所述目标用户划分为至少两个目标用户分组；
向当前目标用户分组推送预上线版本的应用程序；
相应的，若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布，包括：
获取当前目标用户分组对预上线版本的应用程序的指标数据，所述指标数据包括预上线版本的应用程序的闪退率、运行内存消耗、运行电量消耗以及运行时长中的至少一种；
若所述当前目标用户分组的指标数据符合预设全量标准，则将预上线版本的应用程序进行全量发布。
7.根据权利要求6所述的方法，其特征在于，在获取当前目标用户分组对预上线版本的应用程序的指标数据之后，所述方法还包括：
若所述当前目标用户分组的指标数据不符合预设全量标准，则返回修正信息，选择当前目标用户分组的下一目标用户分组作为定向用户分组。
8.一种应用程序的定向发布装置，其特征在于，包括：
目标用户确定模块，用于响应于定向发布请求，在用户集合中利用预先构建的机器学习模型确定目标用户；
应用程序推送模块，用于向目标用户推送预上线版本的应用程序；
应用程序发布模块，用于若目标用户对预上线版本的应用程序的使用数据符合预设标准，则将预上线版本的应用程序进行全量发布。
9.一种计算机可读存储介质，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1-7中任一项所述的应用程序的定向发布方法。
10.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的应用程序的定向发布方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911189404.9A CN110941447A (zh) | 2019-11-28 | 2019-11-28 | 应用程序的定向发布方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911189404.9A CN110941447A (zh) | 2019-11-28 | 2019-11-28 | 应用程序的定向发布方法、装置、介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110941447A true CN110941447A (zh) | 2020-03-31 |
Family
ID=69908482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911189404.9A Withdrawn CN110941447A (zh) | 2019-11-28 | 2019-11-28 | 应用程序的定向发布方法、装置、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110941447A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112306836A (zh) * | 2020-11-09 | 2021-02-02 | 百度在线网络技术（北京）有限公司 | 采样对象确定方法、装置、电子设备和计算机可读存储介质 |
| CN112989213A (zh) * | 2021-05-19 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、系统、电子设备及存储介质 |
| CN113704666A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术（深圳）有限公司 | 基于应用程序的上下线方法、装置、设备及存储介质 |
| US11934292B2 (en) | 2020-11-09 | 2024-03-19 | Baidu Online Network Technology (Beijing) Co., Ltd. | Sampling object determination method, electronic device, and computer-readable storage medium |
-
2019
- 2019-11-28 CN CN201911189404.9A patent/CN110941447A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112306836A (zh) * | 2020-11-09 | 2021-02-02 | 百度在线网络技术（北京）有限公司 | 采样对象确定方法、装置、电子设备和计算机可读存储介质 |
| US11934292B2 (en) | 2020-11-09 | 2024-03-19 | Baidu Online Network Technology (Beijing) Co., Ltd. | Sampling object determination method, electronic device, and computer-readable storage medium |
| CN112989213A (zh) * | 2021-05-19 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、系统、电子设备及存储介质 |
| CN113704666A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术（深圳）有限公司 | 基于应用程序的上下线方法、装置、设备及存储介质 |
| CN113704666B (zh) * | 2021-08-30 | 2023-10-17 | 康键信息技术（深圳）有限公司 | 基于应用程序的上下线方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110941447A (zh) | 应用程序的定向发布方法、装置、介质及电子设备 | |
| CN108153670B (zh) | 一种接口测试方法、装置及电子设备 | |
| US10984319B2 (en) | Neural architecture search | |
| CN109167816B (zh) | 信息推送方法、装置、设备和存储介质 | |
| CN109885452B (zh) | 性能监控方法、装置及终端设备 | |
| CN109634837B (zh) | 自动化测试方法、装置、设备及存储介质 | |
| CN109582903B (zh) | 一种信息展示的方法、装置、设备和存储介质 | |
| US11544502B2 (en) | Management of indexed data to improve content retrieval processing | |
| CN110515631B (zh) | 应用安装数据包的生成方法、服务器及计算机存储介质 | |
| CN110147327B (zh) | 一种基于多粒度的web自动化测试管理方法 | |
| CN112162966A (zh) | 分布式存储系统参数调节方法、装置及电子设备和介质 | |
| CN112860736A (zh) | 大数据查询优化方法、设备及可读存储介质 | |
| CN113378067B (zh) | 基于用户挖掘的消息推荐方法、设备、介质 | |
| CN111008873A (zh) | 一种用户确定方法、装置、电子设备及存储介质 | |
| CN111949530A (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
| CN108494589B (zh) | 一种分布式Nginx服务器的管理方法和系统 | |
| CN115378747A (zh) | 恶意数据检测方法、终端设备以及存储介质 | |
| CN112052152A (zh) | 一种模拟测试的方法和装置 | |
| CN114547116A (zh) | 一种数据推送方法、装置、设备和介质 | |
| EP4359932A1 (en) | In-app failure intelligent data collection and analysis | |
| CN114331167A (zh) | 一种冠军挑战者策略的管理方法、系统、介质和设备 | |
| CN108848183B (zh) | 模拟用户的登录方法及装置 | |
| CN113628077A (zh) | 生成不重复考题的方法、终端及可读存储介质 | |
| CN113434432A (zh) | 一种推荐平台的性能测试方法、装置、设备、及介质 | |
| Zhang et al. | A heuristic approach to break cycles for the class integration test order generation |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200331 |
|
| WW01 | Invention patent application withdrawn after publication |