CN111028006A - 一种业务投放辅助方法、业务投放方法及相关装置 - Google Patents
一种业务投放辅助方法、业务投放方法及相关装置 Download PDFInfo
- Publication number
- CN111028006A CN111028006A CN201911216410.9A CN201911216410A CN111028006A CN 111028006 A CN111028006 A CN 111028006A CN 201911216410 A CN201911216410 A CN 201911216410A CN 111028006 A CN111028006 A CN 111028006A
- Authority
- CN
- China
- Prior art keywords
- user
- user portrait
- portrait feature
- service
- historical
- 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.)
- Granted
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Abstract
本说明书实施例提供一种业务投放辅助方法、业务投放方法及相关装置。业务投放辅助方法包括:基于业务决策相匹配的用户画像特征维度组合,对业务决策的历史投放用户进行用户画像特征提取,得到历史投放用户的用户画像特征组合。将历史投放用户的用户画像特征组合作为解释模型的输入,将历史投放用户对应业务决策的业务投放效果分类标签作为解释模型的输出,以对解释模型进行训练,得到针对历史投放用户的用户画像特征组合的解释数据。若解释数据满足预设要求,则将用户画像特征组合中的至少一个用户画像特征确定为业务决策的受众用户画像特征。
Description
技术领域
本文件涉及数据处理技术领域,尤其涉及一种业务投放辅助方法、业务投放方法及相关装置。
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,由于分析维度比较简单,往往是向用户投放相关联的热门产品。但是,在很多场景中,也会根据一些业务决策来开展业务投放,比如以开发新用户为目的开展业务投放,或者以保证投资回报率为指标,开展业务投放。在这些各式各样的业务决策下,业务运营人员仅依靠先验知识往往不能给出更深刻的解释。
有鉴于此,如何针对不同业务决策,智能化进行业务投放,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、业务投放方法及相关装置,能够针对不同的业务决策,智能化确定出有价值的受众用户画像特征,以用于业务投放。
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:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
第二方面,提供一种业务投放辅助装置,包括:
提取模块,基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
解释模块,将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
确定模块,若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
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:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
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:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
第五方面,一种业务投放方法,包括:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征;
在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放。
第六方面,一种业务投放装置,包括:
提取模块,基于多个用户画像特征维度,对所述业务决策的历史投放用户进行画像特征提取,得到所述历史投放用户的多个用户画像特征;
训练模块,基于所述历史投放用户针对所述业务决策的业务投放效果分类标签和所述多个用户画像特征,对解释模型进行训练,得到所述解释模型针对所述多个用户画像特征的解释数据;
确定模块,将解释数据满足预设解释要求的至少一个用户画像特征确定为所述业务决策的受众用户画像特征;
投放模块,在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放。
第七方面,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:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征;
在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放。
第八方面,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:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征;
在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放。
本说明书实施例的方案利用解释模型来解释业务决策的历史投放用户的用户画像对业务投放效果的影响,从而进一步找到对业务决策有价值的受众用户画像,以用于业务投放,可避免业务开展冷启动问题的发生。
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业务投放方法的流程示意图。
图6为本说明书实施例提供的业务投放装置的结构示意图。
图7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,现阶段的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,往往是向用户投放相关联的热门产品。但是,在很多场景中,也会根据一些业务决策来开展业务投放,比如以开发新用户为目的开展业务投放,或者以保证投资回报率为指标,开展业务投放。在这些各式各样的业务决策下,业务运营人员仅依靠先验知识往往不能给出更深刻的解释。
针对上述问题,本文件旨在提供一种能够针对不同的业务决策,智能化确定出有价值的受众用户画像特征,以用于业务投放的技术方案。
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,基于业务决策相匹配的用户画像特征维度组合,对业务决策的历史投放用户进行用户画像特征提取,得到历史投放用户的用户画像特征组合。
其中,这里所述的业务决策可以是业务投放的计划,比如开发新用户为计划开展业务投放,或者业务决策也可以是业务投放的指标,比如以保证投资回报率为指标开展业务投放。
本说明书实施例中,业务决策相匹配的用户画像特征维度组合,是根据业务决策的具体业务需求所确定得到的。比如,某业务决策是开发贷款业务的新用户。一般情况下,人的职业、收入和消费水平都会反映是否存在贷款需求,因此“职业+收入+消费”即为该业务决策的用户画像特征维度组合。
应理解,历史投放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历史投放用户在目标用户画像特征维度下的分类值。比如,年龄作为用户画像特征维度,则历史投放用户对应的用户画像特征即为历史投放用户的年龄值。
步骤S104,将历史投放用户的用户画像特征组合作为解释模型的输入,将历史投放用户对应业务决策的业务投放效果分类标签作为解释模型的输出,对解释模型进行训练,得到解释模型针对历史投放用户的用户画像特征组合的解释数据。
其中,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,可以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。也就是说,解释模型针对历史投放用户的用户画像特征组合的解释数据可以包括:历史投放用户的用户画像特征组合在解释模型中的权重值。
具体地,本步骤可以根据业务决策相匹配的用户画像特征维度组合构建解释模型。之后,基于历史投放用户的用户画像特征组合和对应所述业务决策的业务投放效果分类标签对解释模型进行训练。解释模型在训练过程中会输出训练结果,这个训练结果也就是解释模型对历史投放用户的业务投放效果的分类。比如,将历时投放用户归类为业务投放效果不佳的用户,或者,将历史投放用户归类为业务投放效果较佳的用户。这个训练结果与真值的业务投放效果分类标签可能存在误差。训练是指通过最大似然估计推导得到损失函数,计算出训练结果与业务投放效果分类标签之间的误差值,并以降低误差值为目的,调整解释模型中的用户画像特征组合的权重值。
应理解,解释模型在训练完毕后,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业务决策的价值。
步骤S106,若解释数据满足预设解释要求,则将历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为业务决策的受众用户画像特征。
如前所述,用户画像特征组合的解释数据可以是指用户画像特征组合在解释模型中的权重值。当权重值达到预定水准后,即可表示这个用户画像特征组合是用户画像特征组合中的用户画像是业务决策的受众用户画像特征。
应理解,受众用户画像特征可以作为业务决策的业务投放推荐。
本说明书实施例的业务投放辅助方法利用解释模型来解释业务决策的历史投放用户的用户画像对业务投放效果的影响,从而进一步找到对业务决策有价值的受众用户画像,以用于业务投放,可避免业务开展冷启动问题的发生。
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旨在业务决策制定好后,通过解释模型,来对业务决策的历史投放用户的用户画像特征进行筛选,确定对业务决策有价值的受众用户画像特征,并将受众用户画像特征存储至数据库中,以在需要按照业务决策进行业务投放时,从数据库中选取出至少一个与业务决策对应的受众用户画像以进行业务投放。
其中,方法对应的流程包括:
步骤一,制定本次业务投放的业务决策,并刻画出业务决策匹配的用户画像特征维度组合。
步骤二,基于业务决策相匹配的用户画像特征维度组合,对业务决策的多个历史投放用户进行用户画像特征提取,得到各历史投放用户的用户画像特征组合。
具体地,本步骤可以调取以往基于该业务决策进行业务投放的历史数据,并从历史数据中,挑选出多个历史投放用户。在这些历史投放用户中,有一部分历史投放用户的业务投放效果反馈不佳,对应的用户画像特征可能对业务决策不具有价值,另一部分历史投放用户的业务投放效果反馈较好,对应的用户画像特征可能对业务决策具有价值。因此,后续要通过解释模型来对这些历史投放用户的不同用户画像特征对业务投放效果的影响进行解释。
步骤三,基于业务决策匹配的用户画像特征维度组合构建解释模型,并基于各历史投放用户的用户画像特征组合和业务投放效果分类标签,对解释模型训练,得到不同历史投放用户的用户画像特征组合在得解释模型针对中的权重值。
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,则可以针对不同的历史投放用户,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,某个业务投放效果不佳的历史投放用户的用户画像特征组合为“40岁+无业+男性”,则可以利用这个历史投放用户来对解释模型进行反例训练。某个业务投放效果较佳的历史投放用户的用户画像特征组合为“30岁+白领+女性”,则可以利用这个历史投放用户来对解释模型进行正例训练。
通过收集到的海量的历史投放用户对解释模型进行训练,可以使得解释模型确定各种“年龄值+职业值+性别值”的权重值。
步骤四,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业务决策的受众用户画像特征。
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”作为业务决策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”作为用户画像业务决策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,在需要按照业务决策进行业务投放时,在数据库中选取至少一个与业务决策对应的受众用户画像以进行业务投放。
具体地,本步骤在需要按照业务决策进行业务投放时,可以在数据库中选取至少一个与所述业务决策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,本步骤在需要按照业务决策对指定用户画像进行业务投放时,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业务决策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,可以基于业务决策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,作为执行主体的业务决策系统将不同业务决策的历史投放用户的画像特征和历史投放用户针对不同业务决策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业务决策所对应的受众用户画像特征,并将各业务决策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,不同业务决策可以对应有不同的拓扑。或者,这些业务决策共用一个拓扑,并在拓扑的受众用户画像特征中标注对应的业务决策。运营人员,在指定出业务决策后,可以将业务决策输入至数据库中,由数据库推荐与业务决策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,业务决策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。
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,基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放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,将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
确定模块430,若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
本说明书实施例的业务投放辅助装置利用解释模型来解释业务决策的历史投放用户的用户画像对业务投放效果的影响,从而找到对业务决策有价值的受众用户画像以作为推荐,可避免业务投放冷启动问题。
可选地,本说明书实施例的装置还可以包括:
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,在需要按照所述业务决策进行业务投放时,推荐所述数据库中的至少一个与所述业务决策对应的受众用户画像。
具体地,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。存储模块在执行时,先基于上述拓扑分级规则,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。之后,再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,所述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,所述树型结构的拓扑具有多个用户画像特征维度的分支。
可选地,投放模块在具体执行时,可以在需要按照所述业务决策对指定用户画像进行业务投放时,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中的拓扑的目标位置。之后,推荐所述数据库的拓扑中相邻所述目标位置的至少一个与所述业务决策对应的受众用户画像,使得业务运营人员从推荐的受众用户画像中,选取需要补充的目标受众用户画像。
可选地,投放模块在具体执行时,基于所述业务决策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。如果匹配查询结果满足预设查询结果要求,则再向所述目标用户进行业务投放。
可选地,所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据包括:所述历史投放用户的用户画像特征组合在所述解释模型中的权重值。
可选地,本说明实施例的业务投放辅助装置还包括:
去冗余模块,基于语义分析算法,对所述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。
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是本说明书实施例方法业务投放方法的流程图。图5所示的方法可以由下文相对应的装置执行,包括:
步骤S502,基于业务决策相匹配的用户画像特征维度组合,对业务决策的历史投放用户进行用户画像特征提取,得到历史投放用户的用户画像特征组合。
步骤S504,将历史投放用户的用户画像特征组合作为解释模型的输入,将历史投放用户对应业务决策的业务投放效果分类标签作为解释模型的输出,对解释模型进行训练,得到解释模型针对历史投放用户的用户画像特征组合的解释数据。
步骤S506,若解释数据满足预设解释要求,则将历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为业务决策的受众用户画像特征。
步骤S508,在需要按照业务决策进行业务投放时,在数据库中选取至少一个与业务决策对应的受众用户画像以进行业务投放。
本说明实施例的业务投放方法利用解释模型来解释业务决策的历史投放用户的用户画像对业务投放效果的影响,从而进一步找到对业务决策有价值的受众用户画像,以用于业务投放,可避免业务开展冷启动问题的发生。
图6是本说明书实施例提供一种的业务投放装置600,包括:
提取模块610,基于多个用户画像特征维度,对所述业务决策的历史投放用户进行画像特征提取,得到所述历史投放用户的多个用户画像特征;
训练模块620,基于所述历史投放用户针对所述业务决策的业务投放效果分类标签和所述多个用户画像特征,对解释模型进行训练,得到所述解释模型针对所述多个用户画像特征的解释数据;
确定模块630,将解释数据满足预设解释要求的至少一个用户画像特征确定为所述业务决策的受众用户画像特征;
投放模块640,在需要按照业务决策进行业务投放时,在数据库中选取至少一个与业务决策对应的受众用户画像以进行业务投放。
本说明书实施例的业务投放装置利用解释模型来解释业务决策的历史投放用户的用户画像对业务投放效果的影响,从而进一步找到对业务决策有价值的受众用户画像,以用于业务投放,可避免业务开展冷启动问题的发生。
显然,本说明书实施例的业务投放装置可以作为上述图5所示的业务投放方法的执行主体,因此能够实现该业务投放方法在图5所实现的功能。由于原理相同,本文不再赘述。
图7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7,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7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:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值。
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据。
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
或者,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:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值。
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据。
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放。
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,以及,图5所示实施例揭示的业务投放方法可以应用于处理器中,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 Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated 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业务投放辅助装置在图1至图3所示的实施例的功能,或者,实现上述业务投放装置在图5所示的实施例的功能。由于原理相同,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。
其中,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所示实施例的业务投放辅助方法,并具体用于执行以下方法:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值。
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据。
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
或者,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5所示实施例的业务投放方法,并具体用于执行以下方法:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值。
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据。
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放。
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,能够使上文所述的业务投放辅助装置实现图1至图3所示实施例的功能,或者,能够使上文所述的业务投放装置实现图5所示实施例的功能。由于原理相同,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 (15)
1.一种业务投放辅助方法,包括:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
2.根据权利要求1所述的方法,
在将所述历史投放用户的用户画像特征组合中的用户画像特征作为所述业务决策的受众用户画像特征后,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;
在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放。
3.根据权利要求2所述的方法,
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。
4.根据权利要求3所述的方法,
在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放,包括:
在需要按照所述业务决策对指定用户画像进行业务投放时,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业务决策对应的受众用户画像以进行业务投放。
5.根据权利要求1-4中任一项所述的方法,
在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放,包括:
在需要按照所述业务决策进行业务投放时,基于所述业务决策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。
6.根据权利要求3所述的方法,
所述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,所述树型结构的拓扑具有多个用户画像特征维度的分支。
7.根据权利要求1-4中任一项所述的方法,
所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据包括:所述历史投放用户的用户画像特征组合在所述解释模型中的权重值。
8.根据权利要求2-4中任一项所述的方法,还包括:
基于语义分析算法,对所述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。
9.一种业务投放辅助装置,包括:
提取模块,基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
解释模块,将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
确定模块,若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
10.一种电子设备包括: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:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
11.一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:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征。
12.一种业务投放方法,包括:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征;
在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放。
13.一种业务投放装置,包括:
提取模块,基于多个用户画像特征维度,对所述业务决策的历史投放用户进行画像特征提取,得到所述历史投放用户的多个用户画像特征;
训练模块,基于所述历史投放用户针对所述业务决策的业务投放效果分类标签和所述多个用户画像特征,对解释模型进行训练,得到所述解释模型针对所述多个用户画像特征的解释数据;
确定模块,将解释数据满足预设解释要求的至少一个用户画像特征确定为所述业务决策的受众用户画像特征;
投放模块,在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放。
14.一种电子设备包括: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:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征;
在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放。
15.一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:
基于业务决策相匹配的用户画像特征维度组合,对所述业务决策的历史投放用户进行用户画像特征提取,得到所述历史投放用户的用户画像特征组合,其中,所述历史投放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历史投放用户在所述目标用户画像特征维度下的分类值;
将所述历史投放用户的用户画像特征组合作为解释模型的输入,将所述历史投放用户对应所述业务决策的业务投放效果分类标签作为所述解释模型的输出,对所述解释模型进行训练,得到所述解释模型针对所述历史投放用户的用户画像特征组合的解释数据;
若所述解释数据满足预设解释要求,则将所述历史投放用户的用户画像特征组合中的至少一个用户画像特征确定为所述业务决策的受众用户画像特征;
在需要按照所述业务决策进行业务投放时,在所述数据库中选取至少一个与所述业务决策对应的受众用户画像以进行业务投放。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911216410.9A CN111028006B (zh) | 2019-12-02 | 2019-12-02 | 一种业务投放辅助方法、业务投放方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911216410.9A CN111028006B (zh) | 2019-12-02 | 2019-12-02 | 一种业务投放辅助方法、业务投放方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111028006A true CN111028006A (zh) | 2020-04-17 |
CN111028006B CN111028006B (zh) | 2023-07-14 |
Family
ID=70207777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911216410.9A Active CN111028006B (zh) | 2019-12-02 | 2019-12-02 | 一种业务投放辅助方法、业务投放方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028006B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116028A (zh) * | 2020-09-29 | 2020-12-22 | 联想(北京)有限公司 | 模型决策解释实现方法、装置及计算机设备 |
CN112422696A (zh) * | 2020-12-09 | 2021-02-26 | 上海益世界信息技术集团有限公司 | 一种内容资源推送的确定方法和相关装置 |
CN112907347A (zh) * | 2020-12-02 | 2021-06-04 | 浙江惠瀜网络科技有限公司 | 汽车分期贷款客户画像数据管理系统及基于该系统的数据处理方法 |
CN114564522A (zh) * | 2022-03-08 | 2022-05-31 | 哈尔滨腾达网络科技发展有限公司 | 基于区块链和大数据挖掘的智能推送处理方法及系统 |
CN115222461A (zh) * | 2022-09-19 | 2022-10-21 | 杭州数立信息技术有限公司 | 一种智能营销精准推荐方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005513584A (ja) * | 2001-04-16 | 2005-05-12 | ビーイーエイ システムズ, インコーポレイテッド | ウェブに基づいたマーケテイングとキャンペーン管理システム及びその方法 |
WO2014043699A1 (en) * | 2012-09-17 | 2014-03-20 | New York University | System and method for estimating audience interest |
CN106886918A (zh) * | 2017-02-06 | 2017-06-23 | 中国联合网络通信集团有限公司 | 一种目标用户的确定方法、装置及系统 |
CN108269128A (zh) * | 2018-01-22 | 2018-07-10 | 北京小米移动软件有限公司 | 广告的投放方法、装置、设备及存储介质 |
CN109285034A (zh) * | 2018-09-19 | 2019-01-29 | 阿里巴巴集团控股有限公司 | 一种向人群投放业务的方法和装置 |
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 |
CN110458600A (zh) * | 2019-07-08 | 2019-11-15 | 平安科技(深圳)有限公司 | 画像模型训练方法、装置、计算机设备及存储介质 |
-
2019
- 2019-12-02 CN CN201911216410.9A patent/CN111028006B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005513584A (ja) * | 2001-04-16 | 2005-05-12 | ビーイーエイ システムズ, インコーポレイテッド | ウェブに基づいたマーケテイングとキャンペーン管理システム及びその方法 |
WO2014043699A1 (en) * | 2012-09-17 | 2014-03-20 | New York University | System and method for estimating audience interest |
CN106886918A (zh) * | 2017-02-06 | 2017-06-23 | 中国联合网络通信集团有限公司 | 一种目标用户的确定方法、装置及系统 |
CN108269128A (zh) * | 2018-01-22 | 2018-07-10 | 北京小米移动软件有限公司 | 广告的投放方法、装置、设备及存储介质 |
CN109285034A (zh) * | 2018-09-19 | 2019-01-29 | 阿里巴巴集团控股有限公司 | 一种向人群投放业务的方法和装置 |
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 |
CN110458600A (zh) * | 2019-07-08 | 2019-11-15 | 平安科技(深圳)有限公司 | 画像模型训练方法、装置、计算机设备及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116028A (zh) * | 2020-09-29 | 2020-12-22 | 联想(北京)有限公司 | 模型决策解释实现方法、装置及计算机设备 |
CN112116028B (zh) * | 2020-09-29 | 2024-04-26 | 联想(北京)有限公司 | 模型决策解释实现方法、装置及计算机设备 |
CN112907347A (zh) * | 2020-12-02 | 2021-06-04 | 浙江惠瀜网络科技有限公司 | 汽车分期贷款客户画像数据管理系统及基于该系统的数据处理方法 |
CN112907347B (zh) * | 2020-12-02 | 2023-07-04 | 浙江惠瀜网络科技有限公司 | 汽车分期贷款客户画像数据管理系统及基于该系统的数据处理方法 |
CN112422696A (zh) * | 2020-12-09 | 2021-02-26 | 上海益世界信息技术集团有限公司 | 一种内容资源推送的确定方法和相关装置 |
CN114564522A (zh) * | 2022-03-08 | 2022-05-31 | 哈尔滨腾达网络科技发展有限公司 | 基于区块链和大数据挖掘的智能推送处理方法及系统 |
CN114564522B (zh) * | 2022-03-08 | 2022-11-15 | 山邮数字科技(山东)有限公司 | 基于区块链和大数据挖掘的智能推送处理方法及系统 |
CN115222461A (zh) * | 2022-09-19 | 2022-10-21 | 杭州数立信息技术有限公司 | 一种智能营销精准推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111028006B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028006A (zh) | 一种业务投放辅助方法、业务投放方法及相关装置 | |
CN109241415B (zh) | 项目推荐方法、装置、计算机设备及存储介质 | |
CN109189991B (zh) | 重复视频识别方法、装置、终端及计算机可读存储介质 | |
CN109118336B (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN106547744B (zh) | 一种图像检索方法及系统 | |
CN106649612B (zh) | 一种自动问答模板匹配的方法及装置 | |
CN109583746B (zh) | 设置流程的路由规则的方法及装置、可读存储介质 | |
CN110909040B (zh) | 一种业务投放辅助方法、装置及电子设备 | |
CN108256044B (zh) | 直播间推荐方法、装置及电子设备 | |
CN109599187A (zh) | 一种在线问诊的分诊方法、服务器、终端、设备及介质 | |
CN109284369B (zh) | 证券新闻资讯重要性的判定方法、系统、装置及介质 | |
CN110110049A (zh) | 服务咨询方法、装置、系统、服务机器人及存储介质 | |
CN111931055B (zh) | 对象推荐方法、对象推荐装置和电子设备 | |
CN113407677B (zh) | 评估咨询对话质量的方法、装置、设备和存储介质 | |
WO2018227908A1 (zh) | 广告投放关键词推荐方法及装置、广告投放方法及装置 | |
CN111047092A (zh) | 纠纷案件胜率预测方法、装置、计算机设备及存储介质 | |
CN113032524A (zh) | 商标侵权识别方法、终端设备及存储介质 | |
CN111191065A (zh) | 一种同源图像确定方法及装置 | |
CN110515929A (zh) | 书籍展示方法、计算设备及存储介质 | |
CN114462582A (zh) | 基于卷积神经网络模型的数据处理方法及装置、设备 | |
CN109885504B (zh) | 推荐系统的测试方法、装置、介质及电子设备 | |
CN113221762A (zh) | 代价平衡决策方法、保险理赔决策方法、装置和设备 | |
CN113971241A (zh) | 一种图书馆寻书方法及智能寻书机器人 | |
Singh et al. | Ensemble network for ranking images based on visual appeal | |
CN115062783B (zh) | 实体对齐方法及相关装置、电子设备、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |