CN111199454B - 实时用户转化评估方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种实时用户转化评估方法、装置、电子设备及计算机可读介质。该方法包括：获取用户的实时流量数据；根据所述实时流量数据中的用户基础数据确定离线特征数据；根据所述实时流量数据中的用户操作数据生成时间序列特征数据；以及将所述时间序列特征数据和所述离线特征数据输入实时转化评估模型，生成用户转化评估值。本公开涉及的实时用户转化评估方法、装置、电子设备及计算机可读介质，能够通过多维度数据生成用户的离线特征，并且将离线特征和用户的实时特征相结合，进而准确快速的对用户的转化评估情况进行评价。

Description

实时用户转化评估方法、装置及电子设备

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种实时用户转化评估方法、装置、电子设备及计算机可读介质。

背景技术

在搜索效果广告竞价系统中，媒体平台提供了出价参数设置这一工具，广告主可在媒体平台上面设定预期价格，预期用户等等，媒体平台预估用户是否符合广告主的预期，然后进行辅助出价。一旦媒体平台判定该用户为目标用户后，就用直接按照预期价格进行出价。这种考虑到广告主对不同的用户可能存在不同的出价价值，单单依靠媒体对用户进行筛选出价的方式，广告主方经常不能获得预期的广告效果。

这种方式没有考虑到广告主方面对用户的进一步的筛选能力，仅仅适用于没有用户判断能力的小广告主。比如对于提供金融服务的广告平台的广告主而言，这种类型的广告主本身就是具有大数据分析能力的，而且也积累了非常多的用户数据。对于同一个用户而言，在媒体平台的表现和其在金融平台的表现是没有必然的相关性的。所以，如果仅仅让媒体通过该用户在媒体平台的表现来为金融服务类平台推荐用户流量的话，得到的用户定位的偏差较大，这种情况下金融平台投放的广告效果也欠佳。

对于广告主而言，对流量用户进行出价的依据是该用户在该平台上的转化预估情况，但是由于在竞价广告中，广告的出价需要实时响应，利用现有的各种机器学习模型对用户进行转化预估都需要用较长的时间完成，如何解决这一问题，对于用户的转化情况进行实时评估并出价，是广告主急需解决的问题。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种实时用户转化评估方法、装置、电子设备及计算机可读介质，能够通过多维度数据生成用户的离线特征，并且将离线特征和用户的实时特征相结合，进而准确快速的对用户的转化评估情况进行评价。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种实时用户转化评估方法，该方法包括：获取用户的实时流量数据；根据所述实时流量数据中的用户基础数据确定离线特征数据；根据所述实时流量数据中的用户操作数据生成时间序列特征数据；以及将所述时间序列特征数据和所述离线特征数据输入实时转化评估模型，生成用户转化评估值。

可选地，还包括：根据所述用户转化评估值生成广告出价；以及基于所述广告出价进行广告竞价操作。

可选地，还包括：通过多个第三方数据源的用户数据生成用户初始数据；对所述用户初始数据进行数据清洗和特性处理生成所述全量用户数据；以及基于所述全量用户数据与离线转化评估模型生成所述离线特征数据集合，所述离线特性数据集合中包括全量用户数据及其对应的离线特征数据。

可选地，还包括：获取历史上已进行落地转化的第一用户的基础数据；获取历史上未进行落地转化的第二用户的基础数据；以及通过所述第一用户和所述第二用户的基础数据对第一机器学习模型进行训练，生成所述离线转化评估模型。

可选地，还包括：获取历史上已进行落地转化的第一用户的操作数据、离线特征数据；获取历史上未进行落地转化的第二用户的操作数据、离线特征数据；以及通过所述第一用户和所述第二用户的操作数据、离线特征数据对第二机器学习模型进行训练，生成所述实时转化评估模型。

可选地，通过所述第一用户和所述第二用户的操作数据、离线特征数据对第二机器学习模型进行训练，生成所述实时转化评估模型，包括：根据所述第一用户和所述第二用户的操作数据生成所述第一用户和所述第二用户的时间序列特征数据；根据所述离线特征数据集合获取所述第一用户和所述第二用户的所述离线特征数据；以及通过所述第一用户和所述第二用户的时间序列特征数据、离线特征数据对第二机器学习模型进行训练，生成所述实时转化评估模型。

可选地，根据所述实时流量数据中的用户基础数据确定离线特征数据，包括：根据所述实时流量数据中的用户基础数据和所述离线特征数据集合确定离线特征数据。

可选地，根据所述实时流量数据中的用户操作数据生成时间序列特征数据，包括：提取实时流量数据中的用户操作内容及其对应的操作时间；将所述用户操作内容进行特征处理生成特征数据；以及将所述特征数据按照所述操作时间进行排列，生成所述时间序列特征数据。

可选地，根据所述用户转化评估值生成广告出价，包括：将所述用户转化评估值与阈值期间进行比对以生成广告实时出价。

可选地，基于所述广告出价进行广告竞价操作，包括：将所述广告出价发送至媒体方；以及媒体方根据所述广告出价进行竞价操作以进行广告推送。

根据本公开的一方面，提出一种实时用户转化评估装置，该装置包括：实时流量模块，用于获取用户的实时流量数据；离线特征模块，用于根据所述实时流量数据中的用户基础数据确定离线特征数据；时间序列模块，用于根据所述实时流量数据中的用户操作数据生成时间序列特征数据；以及转化评估模块，用于将所述时间序列特征数据和所述离线特征数据输入实时转化评估模型，生成用户转化评估值。

可选地，还包括：广告出价模块，用于根据所述用户转化评估值生成广告出价；以及广告竞价模块，用于基于所述广告出价进行广告竞价操作。

可选地，还包括：离线数据模块，用于通过多个第三方数据源的用户数据生成用户初始数据； 对所述用户初始数据进行数据清洗和特性处理生成所述全量用户数据；以及基于所述全量用户数据与离线转化评估模型生成所述离线特征数据集合，所述离线特性数据集合中包括全量用户数据及其对应的离线特征数据。

可选地，还包括：离线模型模块，用于获取历史上已进行落地转化的第一用户的基础数据；获取历史上未进行落地转化的第二用户的基础数据；以及通过所述第一用户和所述第二用户的基础数据对第一机器学习模型进行训练，生成所述离线转化评估模型。

可选地，还包括：实时模型模块，用于获取历史上已进行落地转化的第一用户的操作数据、离线特征数据；获取历史上未进行落地转化的第二用户的操作数据、离线特征数据；以及通过所述第一用户和所述第二用户的操作数据、离线特征数据对第二机器学习模型进行训练，生成所述实时转化评估模型。

可选地，所述实时模型模块，包括：序列单元，用于根据所述第一用户和所述第二用户的操作数据生成所述第一用户和所述第二用户的时间序列特征数据；特征单元，用于根据所述离线特征数据集合获取所述第一用户和所述第二用户的所述离线特征数据；以及训练单元，用于通过所述第一用户和所述第二用户的时间序列特征数据、离线特征数据对第二机器学习模型进行训练，生成所述实时转化评估模型。

可选地，所述离线特征模块，还用于根据所述实时流量数据中的用户基础数据和所述离线特征数据集合确定离线特征数据。

可选地，所述时间序列模块，包括：时间单元，用于提取实时流量数据中的用户操作内容及其对应的操作时间；特征单元，用于将所述用户操作内容进行特征处理生成特征数据；以及排列单元，用于将所述特征数据按照所述操作时间进行排列，生成所述时间序列特征数据。

可选地，所述广告出价模块，还用于将所述用户转化评估值与阈值期间进行比对以生成广告实时出价。

可选地，所述广告竞价模块，还用于将所述广告出价发送至媒体方；以及媒体方根据所述广告出价进行竞价操作以进行广告推送。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的实时用户转化评估方法、装置、电子设备及计算机可读介质，根据用户的实时流量数据中的用户基础数据确定离线特征数据；根据所述实时流量数据中的用户操作数据生成时间序列特征数据；以及将所述时间序列特征数据和所述离线特征数据输入实时转化评估模型，生成用户转化评估值的方式，能够通过多维度数据生成用户的离线特征，并且将离线特征和用户的实时特征相结合，进而准确快速的对用户的转化评估情况进行评价。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据一示例性实施例示出的一种实时用户转化评估方法及装置的系统框图。

图2是根据一示例性实施例示出的一种实时用户转化评估方法的流程图。

图3是根据另一示例性实施例示出的一种实时用户转化评估方法的流程图。

图4是根据另一示例性实施例示出的一种实时用户转化评估方法的流程图。

图5是根据一示例性实施例示出的一种实时用户转化评估装置的框图。

图6是根据一示例性实施例示出的一种电子设备的框图。

图7是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

图1是根据一示例性实施例示出的一种实时用户转化评估方法及装置的系统框图。

如图1所示，系统架构10可以包括用户终端101、102、103，网络104、媒体服务器105、广告主服务器106。网络104用以在用户终端101、102、103和媒体服务器105之间提供通信链路的介质；网络104还用以在媒体服务器105和广告主服务器106之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用用户终端101、102、103通过网络104与媒体服务器105交互，以接收或发送消息等。用户终端101、102、103上可以安装有各种通讯客户端应用，例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。

用户终端101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

媒体服务器105可以是提供各种服务的服务器，例如对用户利用用户终端101、102、103所浏览的新闻浏览类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将广告推送给用户。

广告主服务器106可以是提供各种金融类服务的服务器，在用户利用用户终端101、102、103浏览的新闻网站时，广告主服务器106可向目标用户提供本网站的广告信息。

广告主服务器106可例如基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合；广告主服务器106可例如将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值；广告主服务器106可例如基于所述用户评估值和阈值将所述其他用户结合划分为第二用户集合、第三用户集合；广告主服务器106可例如基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估；广告主服务器106可例如基于所述价值评估结果生成广告实时出价。

广告主服务器106还可例如基于历史用户的基础数据对机器学习模型进行训练生成所述用户评估模型。

媒体服务器105可例如基于所述广告实时出价进行广告竞价操作；以及在广告竞价成功时，为所述实时用户推送预设广告。

媒体服务器105和广告主服务器106可以分别是一个实体的服务器，还可例如为多个服务器组成。需要说明的是，本公开实施例所提供的广告实时出价可以由广告主服务器106执行，相应地，广告实时出价装置可以设置于广告主服务器106中。而提供给用户进行新闻平台浏览的网页端一般位于用户终端101、102、103中。

图2是根据一示例性实施例示出的一种实时用户转化评估方法的流程图。实时用户转化评估方法20至少包括步骤S202至S208。

如图2所示，在S202中，获取用户的实时流量数据。

可例如：基于用户在媒体平台的数据判断所述用户是否满足所述媒体规则；在所述用户满足所述媒体规则时，基于用户在广告主平台的数据判断所述用户是否满足所述广告主规则；以及在所述用户满足所述广告主规则时，将所述用户确定为目标用户，获取目标用户的实时流量数据。

在一个实施例中，媒体平台方将用户流量数据推送至广告主平台之前，可例如，媒体平台获取预设参数；媒体平台获取实时流量数据；以及媒体平台通过所述预设参数生成媒体规则以对所述实时流量数据进行筛选，生成所述用户的实时流量数据。

其中，媒体平台获取预设参数，包括：所述媒体平台获取由广告主平台设置的所述预设参数。广告主预设的参数可为目标用户的年龄、职业、用户画像关键词等等，在广告主有多个袋投放的广告时，可为每个广告分别设置参数。以使得用不同广告适应不同人群。

在S204中，根据所述实时流量数据中的用户基础数据确定离线特征数据。包括：根据所述实时流量数据中的用户基础数据和所述离线特征数据集合确定离线特征数据。

其中，用户流量数据可包括用户的注册名称、用户画像的关键词、用户地址、用户手机号码等等媒体平台能够获得到的用户的相关信息。在本公开的实施例中，用户识别码可为用户的手机号码，还可为用户其他设备的硬件编码。由于大部分情况下，用户可移动设备是绑定的关系，所以通过用户的手机号码或者硬件地址编码可以唯一的确定出用户的身份。

可例如根据用户实时流量数据中的用户的识别码，确定其对应的离线特征数据。其中，离线特征数据集合可基于所述全量用户数据与离线转化评估模型生成。

在S206中，根据所述实时流量数据中的用户操作数据生成时间序列特征数据。包括：提取实时流量数据中的用户操作内容及其对应的操作时间；将所述用户操作内容进行特征处理生成特征数据；以及将所述特征数据按照所述操作时间进行排列，生成所述时间序列特征数据。

其中，用户操作数据可为用户在媒体平台的网页上浏览的时间，用户点击操作、用户驻留时间等等。

在S208中，将所述时间序列特征数据和所述离线特征数据输入实时转化评估模型，生成用户转化评估值。

在一个实施例中，还可包括：将所述用户转化评估值与阈值期间进行比对以生成广告实时出价。可例如，在用户评分大于0.7时，基于所述用户转化评分生成所述目标用户的广告出价，在用户评分小于等于0.7时，广告主可不进行出价，放弃本次竞价程序。

在一个实施例中，还包括：根据所述用户转化评估值生成广告出价；以及基于所述广告出价进行广告竞价操作。可例如，广告主的广告预算为100万，需要在1万个用户进行落地转化。那么平均每个落地用户的价值为100块钱。基于平均用户价值，可依据历史经验将价值限值定位平均价值的2,3倍，可例如用户价值限值为200元。可例如，用户价值限值为200元，用户的价值评分为0.9分，即为极容易进行落地转化的目标用户。则该用户流量的出价可为180元。当然，还可以有其他的出价规律，本公开不以此为限。

其中，基于所述广告出价进行广告竞价操作，包括：将所述广告出价发送至媒体方；以及媒体方根据所述广告出价进行竞价操作以进行广告推送。

竞价是一种拍卖形式。拍卖的历史悠久，有公开增价拍卖、公开减价拍卖、价格密封拍卖等。衍变到互联网广告竞价则出现了GFP（Generalized First Price，广义第一高阶）、GSP（Generalized Second Price，广义第二高阶）和VCG（Vickrey-Clarke-Groves，多位置最优策略）这三种竞价方式。不管用哪种方式进行竞价，广告主的出价是一个数字，表示广告主认为目标受众中某用户的优化事件价值。媒体平台会根据广告主所选择的竞价策略参与竞价。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种实时用户转化评估方法的流程图。图3所示的流程是“生成离线特征数据集合”的详细描述。

如图3所示，在S302中，获取历史上已进行落地转化的第一用户的基础数据。第一用户的基础数据可包括用户基本数据、用户转化时间、用户借贷数据、用户状态数据等等。

在S304中，获取历史上未进行落地转化的第二用户的基础数据。第二用户的基础数据可包括用户基本数据、用户浏览时间、用户承接平台等等。

在S306中，通过所述第一用户和所述第二用户的基础数据对第一机器学习模型进行训练，生成所述离线转化评估模型。其中，机器学习模型可为梯度提升决策树模型（Gradient Boosting Decision Tree，GBDT），GBDT是一种迭代的决策树算法，由多棵决策树组成，所有树的结论累加起来做最终答案。GBDT是一个应用很广泛的算法，可以用于分类，回归和特征选择。

在S308中，通过多个第三方数据源的用户数据生成用户初始数据。

在一个实施例中，可通过多个第三方数据源的用户数据生成用户初始数据；以及对所述用户初始数据进行数据清洗和特性处理生成所述全量用户数据。全量用户数据可为能够获取到的全部用户数据，更进一步的，可为全国用户的数据。

在S310中，对所述用户初始数据进行数据清洗和特性处理生成所述全量用户数据。

在S312中，基于所述全量用户数据与离线转化评估模型生成所述离线特征数据集合。所述离线特性数据集合中包括全量用户数据及其对应的离线特征数据。

在离线特征数据集合中保存了所有的用户的离线特征数据，这些离线特殊数据可为参数形式，还可为估值形式的数据，本公开不一次为限。在后续的用户转化评估中，可直接将离线特征参数调出使用，不用再次进行计算，这种建立全量用户离线特征数据集合的方式，能够大大节约模型计算时间。

图4是根据另一示例性实施例示出的一种实时用户转化评估方法的流程图。图4所示的流程是对“生成实时转化评估模型”的详细描述。

如图4所示，在S402中，获取历史上已进行落地转化的第一用户的操作数据、离线特征数据。

在S404中，获取历史上未进行落地转化的第二用户的操作数据、离线特征数据。

在S406中，根据所述第一用户和所述第二用户的操作数据生成所述第一用户和所述第二用户的时间序列特征数据。

在S408中，根据所述离线特征数据集合获取所述第一用户和所述第二用户的所述离线特征数据。

在S410中，通过所述第一用户和所述第二用户的时间序列特征数据、离线特征数据对第二机器学习模型进行训练，生成所述实时转化评估模型。

在具体的实时应用场景中，可将离线特性数据理解为用户的基础数据，而将用户实时的操作数据产生的时间序列特征数据作为用户的在线数据，可通过离线数据和在线数据同时对用户的实时心理状态进行分析，以确定用户进行转化评估的概率，以及是否会通过点击广告而进行落地转化。

根据本公开的实时用户转化评估方法，根据用户的实时流量数据中的用户基础数据确定离线特征数据；根据所述实时流量数据中的用户操作数据生成时间序列特征数据；以及将所述时间序列特征数据和所述离线特征数据输入实时转化评估模型，生成用户转化评估值的方式，能够通过多维度数据生成用户的离线特征，并且将离线特征和用户的实时特征相结合，进而准确快速的对用户的转化评估情况进行评价。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU 执行的计算机程序。在该计算机程序被CPU 执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图5是根据一示例性实施例示出的一种实时用户转化评估装置的框图。如图5所示，实时用户转化评估装置50包括：实时流量模块502，离线特征模块504，时间序列模块506，转化评估模块508。

实时流量模块502用于获取用户的实时流量数据；

离线特征模块504用于根据所述实时流量数据中的用户基础数据确定离线特征数据；所述离线特征模块504还用于根据所述实时流量数据中的用户基础数据和所述离线特征数据集合确定离线特征数据。

时间序列模块506用于根据所述实时流量数据中的用户操作数据生成时间序列特征数据；所述时间序列模块506包括：时间单元，用于提取实时流量数据中的用户操作内容及其对应的操作时间；特征单元，用于将所述用户操作内容进行特征处理生成特征数据；以及排列单元，用于将所述特征数据按照所述操作时间进行排列，生成所述时间序列特征数据。

转化评估模块508用于将所述时间序列特征数据和所述离线特征数据输入实时转化评估模型，生成用户转化评估值。

实时用户转化评估装置50还可包括：

广告出价模块，用于根据所述用户转化评估值生成广告出价；所述广告出价模块，还用于将所述用户转化评估值与阈值期间进行比对以生成广告实时出价。

广告竞价模块，用于基于所述广告出价进行广告竞价操作。所述广告竞价模块，还用于将所述广告出价发送至媒体方；以及媒体方根据所述广告出价进行竞价操作以进行广告推送。

离线数据模块，用于通过多个第三方数据源的用户数据生成用户初始数据； 对所述用户初始数据进行数据清洗和特性处理生成所述全量用户数据；以及基于所述全量用户数据与离线转化评估模型生成所述离线特征数据集合，所述离线特性数据集合中包括全量用户数据及其对应的离线特征数据。

离线模型模块，用于获取历史上已进行落地转化的第一用户的基础数据；获取历史上未进行落地转化的第二用户的基础数据；以及通过所述第一用户和所述第二用户的基础数据对第一机器学习模型进行训练，生成所述离线转化评估模型。

实时模型模块，用于获取历史上已进行落地转化的第一用户的操作数据、离线特征数据；获取历史上未进行落地转化的第二用户的操作数据、离线特征数据；以及通过所述第一用户和所述第二用户的操作数据、离线特征数据对第二机器学习模型进行训练，生成所述实时转化评估模型。

根据本公开的实时用户转化评估装置，根据用户的实时流量数据中的用户基础数据确定离线特征数据；根据所述实时流量数据中的用户操作数据生成时间序列特征数据；以及将所述时间序列特征数据和所述离线特征数据输入实时转化评估模型，生成用户转化评估值的方式，能够通过多维度数据生成用户的离线特征，并且将离线特征和用户的实时特征相结合，进而准确快速的对用户的转化评估情况进行评价。

图6是根据一示例性实施例示出的一种电子设备的框图。

下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件（包括存储单元620和处理单元610）的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图2，图3，图4中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元（ROM）6203。

所述存储单元620还可以包括具有一组（至少一个）程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备600’（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图7所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本公开实施方式的上述方法。

所述软件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为但不限于电、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。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取用户的实时流量数据；根据所述实时流量数据中的用户基础数据确定离线特征数据；根据所述实时流量数据中的用户操作数据生成时间序列特征数据；以及将所述时间序列特征数据和所述离线特征数据输入实时转化评估模型，生成用户转化评估值。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、移动终端、或者网络设备等）执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (12)

1.一种实时用户转化评估方法，其特征在于，包括：

获取历史上在媒体平台上已进行落地转化的第一用户的基础数据；获取历史上在媒体平台上未进行落地转化的第二用户的基础数据；通过所述第一用户和所述第二用户的基础数据对第一机器学习模型进行训练，生成离线转化评估模型；

通过多个第三方数据源的用户数据生成用户初始数据，对用户初始数据进行数据清洗和特性处理生成全量用户数据，基于全量用户数据与离线转化评估模型生成离线特征数据集合，离线特征数据集合中包括全量用户数据及其对应的离线特征数据；

获取所述第一用户的操作数据、离线特征数据；

获取所述第二用户的操作数据、离线特征数据；其中，通过所述离线转化评估模型生成所述第一用户和所述第二用户的离线特征数据；

通过所述第一用户和所述第二用户的操作数据、离线特征数据对第二机器学习模型进行训练，生成实时转化评估模型；

获取用户在媒体平台上的实时流量数据；

根据所述实时流量数据中的用户基础数据和离线特征数据集合确定离线特征数据；

提取实时流量数据中的用户操作内容及其对应的操作时间，用户操作内容包括：用户在媒体平台的网页上浏览的时间，用户点击操作操作的时间和/或用户驻留的时间；

将所述用户操作内容进行特征处理生成特征数据，并将所述特征数据按照所述操作时间进行排列而生成时间序列特征数据；

将所述时间序列特征数据和所述离线特征数据输入实时转化评估模型，生成用户转化评估值并根据用户转化评估值生成广告出价。

2.如权利要求1所述的方法，其特征在于，还包括：

基于所述广告出价进行广告竞价操作。

3.如权利要求1所述的方法，其特征在于，通过所述第一用户和所述第二用户的操作数据、离线特征数据对第二机器学习模型进行训练，生成所述实时转化评估模型，包括：

根据所述第一用户和所述第二用户的操作数据生成所述第一用户和所述第二用户的时间序列特征数据；

根据所述离线特征数据集合获取所述第一用户和所述第二用户的离线特征数据；以及

通过所述第一用户和所述第二用户的时间序列特征数据、离线特征数据对第二机器学习模型进行训练，生成所述实时转化评估模型。

4.如权利要求2所述的方法，其特征在于，根据所述用户转化评估值生成广告出价，包括：

将所述用户转化评估值与阈值期间进行比对以生成广告实时出价。

5.如权利要求2所述的方法，其特征在于，基于所述广告出价进行广告竞价操作，包括：

将所述广告出价发送至媒体方；以及

媒体方根据所述广告出价进行竞价操作以进行广告推送。

6.一种实时用户转化评估装置，其特征在于，包括：

离线模型模块，用于获取历史上在媒体平台上已进行落地转化的第一用户的基础数据；获取历史上在媒体平台上未进行落地转化的第二用户的基础数据；以及通过所述第一用户和所述第二用户的基础数据对第一机器学习模型进行训练，生成离线转化评估模型；

离线数据模块，用于通过多个第三方数据源的用户数据生成用户初始数据，对用户初始数据进行数据清洗和特性处理生成全量用户数据，基于全量用户数据与离线转化评估模型生成离线特征数据集合，离线特征数据集合中包括全量用户数据及其对应的离线特征数据；

实时模型模块，用于获取历史上已进行落地转化的第一用户的操作数据、离线特征数据；获取历史上未进行落地转化的第二用户的操作数据、离线特征数据；其中，通过所述离线转化评估模型生成所述第一用户和所述第二用户的离线特征数据；以及，通过所述第一用户和所述第二用户的操作数据、离线特征数据对第二机器学习模型进行训练，生成实时转化评估模型；

实时流量模块，用于获取用户在媒体平台上的实时流量数据；

离线特征模块，用于根据所述实时流量数据中的用户基础数据和离线特征数据集合确定离线特征数据；

时间序列模块，用于提取实时流量数据中的用户操作内容及其对应的操作时间，用户操作内容包括：用户在媒体平台的网页上浏览的时间，用户点击操作操作的时间和/或用户驻留的时间；将所述用户操作内容进行特征处理生成特征数据，将所述特征数据按照所述操作时间进行排列以生成时间序列特征数据；

转化评估模块，用于将所述时间序列特征数据和所述离线特征数据输入实时转化评估模型，生成用户转化评估值；

广告出价模块，用于根据用户转化评估值生成广告出价。

7.如权利要求6所述的装置，其特征在于，还包括：

广告竞价模块，用于基于所述广告出价进行广告竞价操作。

8.如权利要求6所述的装置，其特征在于，所述实时模型模块，还包括：

序列单元，用于根据所述第一用户和所述第二用户的操作数据生成所述第一用户和所述第二用户的时间序列特征数据；

特征单元，用于根据所述离线特征数据集合获取所述第一用户和所述第二用户的离线特征数据；以及

训练单元，用于通过所述第一用户和所述第二用户的时间序列特征数据、离线特征数据对第二机器学习模型进行训练，生成所述实时转化评估模型。

9.如权利要求7所述的装置，其特征在于，所述广告出价模块，还用于将所述用户转化评估值与阈值期间进行比对以生成广告实时出价。

10.如权利要求7所述的装置，其特征在于，所述广告竞价模块，还用于将所述广告出价发送至媒体方，以及，媒体方根据所述广告出价进行竞价操作以进行广告推送。

11.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，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执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。