CN111260416A - 用于确定对象的关联用户的方法及装置 - Google Patents
用于确定对象的关联用户的方法及装置 Download PDFInfo
- Publication number
- CN111260416A CN111260416A CN202010090799.3A CN202010090799A CN111260416A CN 111260416 A CN111260416 A CN 111260416A CN 202010090799 A CN202010090799 A CN 202010090799A CN 111260416 A CN111260416 A CN 111260416A
- Authority
- CN
- China
- Prior art keywords
- user
- user behavior
- determining
- behavior
- 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
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0245—Surveys
-
- 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
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0254—Targeted advertisements based on statistics
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供了一种用于确定对象的关联用户的方法及装置,所述方法包括:获取目标用户人群中的各个用户的用户特征数据;将各个用户的至少部分用户特征数据分别提供给至少两个用户行为预测模型来预测各个用户针对所述对象的至少两个用户行为预测值;基于各个用户针对所述对象的所述至少两个用户行为预测值,确定各个用户与所述对象之间的关联度;以及基于所述各个用户与所述对象之间的关联度,从所述目标用户人群中确定所述对象的关联用户。
Description
技术领域
本说明书实施例涉及计算机技术领域,具体地,涉及用于确定对象的关联用户的方法及装置。
背景技术
在实践中,存在需要确定与对象具有关联的关联用户的应用需求。例如当需要向目标用户群体推荐某一对象时,为了提高推荐效率,可以从目标用户群体中确定出该对象的关联用户,然后将对象推荐给所确定出的关联用户。通过互联网渠道向用户投放广告是这种应用场景之一。互联网渠道资源有限,将不同的广告分别推送给对该广告感兴趣的关联用户,能够利用有限的互联网渠道资源来满足不同广告主的需求。因而,现有技术亟需能够准确地确定出对象的关联用户的技术。
发明内容
鉴于上述,本说明书实施例提供了一种用于确定对象的关联用户的方法及装置。
根据本说明书实施例的一个方面,提供了一种用于确定对象的关联用户的方法,包括:获取目标用户人群中的各个用户的用户特征数据;将各个用户的至少部分用户特征数据分别提供给至少两个用户行为预测模型来预测各个用户针对所述对象的至少两个用户行为预测值;基于各个用户针对所述对象的所述至少两个用户行为预测值,确定各个用户与所述对象之间的关联度;以及基于所述各个用户与所述对象之间的关联度,从所述目标用户人群中确定所述对象的关联用户。
可选的,在一个示例中,所述用户特征数据可以包括用户画像数据和/或用户行为数据,以及提供给所述至少两个用户处理行为预测模型的各个用户的用户特征数据是相同或不同的用户特征数据。
可选的,在一个示例中,所述至少两个用户行为预测模型所对应的至少两个用户行为之间可以具有递进关系,基于各个用户针对所述对象的所述至少两个用户行为预测值,确定各个用户与所述对象之间的关联度可以包括:将各个用户针对所述对象的所述至少两个用户行为预测值相乘,以作为各个用户与所述对象之间的关联度。
可选的,在一个示例中,基于各个用户针对所述对象的所述至少两个行为预测值,确定各个用户与所述对象之间的关联度可以包括:基于各个用户针对所述对象的所述至少两个用户行为预测值,使用关联度确定模型来确定各个用户与所述对象之间的关联度,其中,所述关联度确定模型是使用用户的用户行为数据与用户行为期望客观值训练出的。
可选的,在一个示例中,所述关联度确定模型可以具有分别针对所述至少两个用户行为中的各个用户行为的关联度影响因子,以及各个用户行为的关联度影响因子可以是通过使用尝试法来基于用户的用户行为数据与用户行为期望客观值训练出的。
可选的,在一个示例中,所述尝试法可以包括在执行至少两次如下过程,以确定出至少两组待选关联度影响因子之后,从所述至少两组待选关联度影响因子中确定出所述关联度影响因子:针对各个历史用户,基于当前确定出的待选关联度影响因子和该历史用户的各个用户行为预测值,确定该历史用户与所述对象的关联度;基于所述各个历史用户与所述对象的关联度,确定关联历史用户集合;基于对应于至少一个用户行为各个关联历史用户的用户行为预测值,确定对应用户行为的第一用户行为代表预测值;基于所确定出的第一用户行为代表预测值和对应的用户行为映射函数,确定所述第一用户行为代表预测值所对应的用户行为映射客观值,所述用户行为映射函数指示用户行为预测值和用户行为客观值的映射关系;以及基于所确定出的用户行为映射客观值和对应用户行为期望客观值,调整所述待选关联度影响因子,以确定出调整后的待选关联度影响因子。
可选的,在一个示例中,对应于各个用户行为的用户行为映射函数可以是在对各个历史用户进行聚类以得到各个历史用户聚类并确定出各个历史用户聚类的第二用户行为预测值代表值和用户行为代表客观值之后,基于各个历史用户聚类的用户行为预测值代表值和用户行为代表客观值拟合出的。
可选的,在一个示例中,所述对象可以包括广告,以及所述至少两个用户行为预测模型可以包括广告曝光率预测模型、广告点击率预测模型和广告转化率预测模型。
根据本说明书实施例的另一方面,还提供一种用于确定目标对象的关联用户的装置,包括:用户特征数据获取单元,获取目标用户人群中的各个用户的用户特征数据;用户行为预测值确定单元,将各个用户的至少部分用户特征数据分别提供给至少两个用户行为预测模型,以预测各个用户针对所述对象的至少两个用户行为预测值;关联度确定单元,基于各个用户针对所述对象的所述至少两个用户行为预测值,确定各个用户与所述对象之间的关联度;以及关联用户确定单元,基于所述各个用户与所述对象之间的关联度,从所述目标用户人群中确定所述对象的关联用户。
可选的,在一个示例中,所述至少两个用户行为预测模型所对应的至少两个用户行为之间可以具有递进关系,所述关联用户确定单元可以将各个用户针对所述对象的所述至少两个用户行为预测值相乘,以作为各个用户与所述对象之间的关联度。
可选的,在一个示例中,所述关联用户确定单元可以基于各个用户针对所述对象的所述至少两个用户行为预测值,使用关联度确定模型来确定各个用户与所述对象之间的关联度,其中,所述关联度确定模型是使用用户的用户行为数据与用户行为期望客观值训练出的。
可选的,在一个示例中,所述关联度确定模型可以具有分别针对所述至少两个用户行为中的各个用户行为的关联度影响因子,以及各个用户行为的关联度影响因子可以是通过使用尝试法来基于用户的用户行为数据与用户行为期望客观值训练出的。
可选的,在一个示例中,所述装置还可以包括关联度影响因子确定单元,所述关联度影响因子确定单元可以包括:待选关联度影响因子确定模块,执行至少两次如下过程,以确定出至少两组待选关联度影响因子:针对各个历史用户,基于当前确定出的待选关联度影响因子和该历史用户的各个用户行为预测值,确定该历史用户与所述对象的关联度;基于所述各个历史用户与所述对象的关联度,确定关联历史用户集合;基于对应于至少一个用户行为各个关联历史用户的用户行为预测值,确定对应用户行为的第一用户行为代表预测值;基于所确定出的第一用户行为代表预测值和对应的用户行为映射函数,确定所述第一用户行为代表预测值所对应的用户行为映射客观值,所述用户行为映射函数指示用户行为预测值和用户行为客观值的映射关系;以及基于所确定出的用户行为映射客观值和对应用户行为期望客观值,调整所述待选关联度影响因子,以确定出调整后的待选关联度影响因子,以及关联度影响因子确定模块,从所述至少两组待选关联度影响因子中确定出所述关联度影响因子。
根据本说明书实施例的另一方面,还提供一种计算设备,包括:至少一个处理器;以及存储器,所述存储器存储指令,当所述指令被所述至少一个处理器执行时,使得所述至少一个处理器执行如上所述的方法。
根据本说明书实施例的另一方面,还提供一种非暂时性机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如上所述的方法。
利用本说明书实施例的方法和装置,通过预测出用户针对对象的至少两个用户行为的用户行为预测值,并在利用该至少两个用户行为预测值确定出用户与对象的关联度之后,基于各个用户与对象的关联度从目标用户人群中确定出该对象的关联用户,能够利用多个用户行为维度来确定对象的关联用户,从而能够提高所确定出的关联用户的准确性。
附图说明
通过参照下面的附图,可以实现对于本说明书实施例内容的本质和优点的进一步理解。在附图中,类似组件或特征可以具有相同的附图标记。附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本说明书实施例的实施例,但并不构成对本说明书实施例的实施例的限制。在附图中:
图1是根据本说明书的一个实施例的用于确定对象的关联用户的方法的流程图;
图2是根据本说明书的一个实施例的用于确定对象的关联用户的方法中的利用尝试法确定关联度影响因子的一个示例的流程图;
图3是用于确定用户行为的用户行为映射函数的一个示例的流程图;
图4是根据本说明书的一个实施例的用于确定对象的关联用户的装置的结构框图;
图5是根据本说明书的一个实施例的用于确定对象的关联用户的装置中的关联度影响因子确定单元的一个示例的结构框图;以及
图6是根据本说明书的一个实施例的用于实现用于确定对象的关联用户的方法的计算设备的结构框图。
具体实施方式
以下将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本说明书实施例内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的,术语“包括”及其变型表示开放的术语,含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。下面可以包括其他的定义,无论是明确的还是隐含的。除非上下文中明确地指明,否则一个术语的定义在整个说明书中是一致的。
现在结合附图来描述本说明书实施例的用于确定对象的关联用户的方法及装置。
图1是根据本说明书的一个实施例的用于确定对象的关联用户的方法的流程图。
如图1所示,在块120,获取目标用户人群中的各个用户的用户特征数据。用户特征数据可以包括用户行为数据,例如用户的点击行为、网页浏览行为、网站登陆行为、购买行为、评论行为等数据。用户特征数据还可以包括用户画像数据,例如用户的年龄、性别、喜好、所在地理区域等。
在获取到用户行为特征数据之后,在块140,将各个用户的至少部分用户特征数据分别提供给至少两个用户行为预测模型来预测各个用户针对对象的至少两个用户行为预测值。用户行为预测模型可以是由历史用户的用户特征数据所生成的训练样本训练得到的,训练样本可以具有标记。用户行为预测值可以表示用户将会实施针对对象的相应行为的可能性。
作为示例,对象可以是广告,用户针对对象的用户行为可以包括曝光行为、点击行为和转化行为。曝光行为是指广告触达用户,例如,当广告被投放在某个网站上时,用户浏览或登陆该网站时能够看到该广告,此时广告触达用户,即用户针对广告实施了曝光行为。点击行为是指在广告触达用户之后,用户对该广告进行了点击,例如当广告为商品广告时,用户点击该广告进入商品详情页面即实施了点击行为。转化行为是指用户在该广告的引导下实施了广告主期望的行为,例如,当广告为商品广告时,如果用户在广告的引导下购买了该商品即转化行为,再例如,当广告为某个应用程序的广告时,用户在广告的引导下将该应用程序下载安装到用户终端设备上即转化行为。
相应地,各个用户行为预测模型各以包括广告曝光率预测模型、广告点击率预测模型和广告转化率预测模型。用于训练广告曝光率预测模型的训练样本可以具有曝光标记,从而使广告曝光率预测模型能够预测广告被曝光给用户的可能性。用于训练广告点击率预测模型的训练样本可以具有点击标记,从而使广告曝光率预测模型能够预测用户点击广告的可能性。用于训练广告转化率预测模型的训练样本可以具有转化标记,从而使广告转化率预测模型能够预测用户实施广告主所期望的转化行为的可能性。
在一个示例中,用于各个用户行为预测模型的用户特征数据可以是相同的,即针对各个用户,可以将该用户的相同用户特征数据提供给各个用户行为预测模型以得到各个用户行为预测值。在另一示例中,用于各个用户行为预测模型的用户特征数据可以是不同的,即针对各个用户,在预测该用户的各个用户行为预测值时,可以从用户特征数据中选取不同的用户行为特征来生成针对各个用户行为预测模型的预测样本。例如,可以采用特征筛选的方法来确定针对各个用户行为预测模型的特征维度,进而基于所确定的特征维度来选取各个用户的相应用户行为特征来生成针对中个用户行为预测模型的预测样本。
在得到至少两个用户行为预测值之后,在块160,基于各个用户针对对象的至少两个用户行为预测值,确定各个用户与对象之间的关联度。在一个示例中,用户针对对象的至少两个行为可以具有递进关系,即某一行为是在实施了前一行为的基础上才有可能实施的。例如,以广告为例,用户针对对象实施了曝光行为之后,才有可能实施点击行为,在实施点击行为之后才有可能实转化行为。在该示例中,可以将各个用户针对对象的至少两个用户行为预测值相乘,以作为各个用户与所述对象之间的关联度。由此,更能反映出各个用户行为之间的递进关系。被相乘的各项用户行为预测值可以分别具有关联度影响因子,以调整各个用户行为预测值对所确定的关联度的影响程度。
在确定各个用户与对象之间的关联度之后,在块180,基于各个用户与对象之间的关联度,从目标用户人群中确定对象的关联用户。在一个示例中,可以对各个用户与对象之间的关联度进行排序,然后选取前预定数量的用户作为该对象的关联用户。例如,如果广告主希望将广告投放给两千名用户,可以从排序结果中选取前两千名用户作为投放目标。将广告投放给用户的方式例如可以是将广告推送到用户终端设备上的应用程序页面上。在另一示例中,还可以设定预定关联度阈值,并将关联度高于该预定关联度阈值的用户确定为对象的关联用户。
通过上述实施例,基于用户针对对象的各个用户行为来从目标用户人群中确定出对象的关联用户,在确定关联用户时能够全面地考虑各个用户行为对关联度的影响,从而能提高所确定出的关联用户的精准度。
用户与对象之间的关联度还可以采用其它方法确定。在另一示例中,可以使用历史用户的用户特征数据与用户行为期望客观值训练出关联度确定模型。然后,可以基于各个用户针对对象的至少两个用户行为预测值,使用关联度确定模型来确定各个用户与对象之间的关联度。关联度确定模型可以具有分别针对至少两个用户行为中的各个用户行为的关联度影响因子。该示例中的关联度确定模型例如可以用如下数学式来表示:
R=LA*MB*NC
在上式中,R表示关联度,L、M和N分别代表各个用户行为预测值,A、B和C分别是各个用户行为预测值的关联度影响因子。当对象是广告时,L、M和N可以分别表示曝光率预测值、点击率预测值和转化率预测值。
各个关联度影响因子可以利用尝试法来确定。作为示例,可以在执行如图2所示的过程来确定出多组待选关联度影响因子之后,从所确定出的多组待选关联度影响因子中确定出一组待选关联度影响因子来作为适用于关联度确定模型的关联度影响因子。图2是根据本说明书的一个实施例的用于确定对象的关联用户的方法中的利用尝试法确定关联度影响因子的一个示例的流程图。
如图2所示,在块202,针对各个历史用户,基于当前确定出的待选关联度影响因子和该历史用户的各个用户行为预测值,确定该历史用户与对象的关联度。可以随机确定一组待选关联度影响因子以作为第一组待选关联度影响因子,并利用该随机确定的一组待选关联度影响因子来确定各个历史用户与对象的关联度。各个历史用户针对对象的用户行为预测值可以基于该历史用户在过去预定时间段内的用户特征数据,利用对应的用户行为预测模型来预测得到。
在确定各个历史用户与对象之间的关联度之后,在块204,基于各个历史用户与对象的关联度,确定关联历史用户集合。例如,可以对各个历史用户与对象之间的关联度进行排序,并选取前预定数量的历史用户作为关联历史用户。还可以设定预定关联度阈值,将高于预定关联度阈值的历史用户作为历史关联用户。
然后,在块206,基于对应于至少一个用户行为各个关联历史用户的用户行为预测值,确定对应用户行为的第一用户行为代表预测值。对应用户行为的第一用户行为代表预测值例如可以是各个历史用户的历史行为预测值的平均值、中位数等。以广告场景为例,可以确定出关联历史用户集合中的各个关联历史用户的曝光率预测值、点击率预测值、转化率预测值的平均值或中位数以作为相应用户行为的第一用户行为代表预测值。
在确定出相应用户行为的第一用户行为代表预测值之后,在块208,基于所确定出的第一用户行为代表预测值和对应的用户行为映射函数,确定该第一用户行为代表预测值对应的用户行为映射客观值,用户行为映射函数指示用户行为预测值和用户行为客观值的映射关系。
各个用户行为所对应的用户行为映射函数可以利用该用户行为的用户行为预测值和用户行为客观值拟合得出。可以针对各个历史用户,利用各个用户行为预测模型预测出该历史用户的各个用户行为预测值,并基于该历史用户的用户行为数据确定出用户行为客观值。然后,利用各个历史用户的用户行为预测值和用户行为客观值拟合出对应于各个用户行为的用户行为映射函数。
用户行为客观值是利用用户行为数据确定出的客观历史数据。对于广告场景,可以基于历史用户的历史行为数据确定出该用户在预定时间段内针对广告的曝光率客观值、点击率客观值和转化率客观值。例如,曝光率客观值可以是广告触达历史用户的次数与预定小时数或预定天数的比值,点击率客观值可以是历史用户点击广告的次数与广告触达历史用户的次数的比值,转化率客观值可以是用户产生转化行为的次数与点击次数的比值。对于诸如广告的曝光行为、点击行为和转化行为的存在递进关系的用户行为,如果前一行为的客观值为0,则在后行为的客观值也为0。此外,还可以进一步基于所确定出的曝光率客观值、点击率客观值、转化率客观值转定出曝光次数、点击次数、转化次数。
在得到用户行为映射函数之后,可以利用相应用户行为映射函数和利用当前所确定的待选关联度影响因子所确定出的关联历史用户的第一用户行为代表预测值,确定该第一用户行为代表预测值所对应的用户行为映射客观值。此时,所确定的用户行为映射客观值并非真实的客观值,而是一个由用户行为代表预测值映射的客观值,用于验证当前确定的待选关联度影响因子在确定关联用户时的准确度。
在确定出对应的用户行为客观值之后,在块210,基于所确定出的用户行为映射客观值和对应用户行为期望客观值,调整待选关联度影响因子,以确定出调整后的待选关联度影响因子。以广告场景为例,用户行为期望客观值可以是转化率期望客观值、点击率期望客观值和曝光率客观值中的一种或多种,可以根据广告主的要求来确定。例如,可以确定转化率期望客观值为5%(点击该广告的人群中有5%的人进行了转化行为),点击率期望客观值为70%(广告触达的人群中有70%的人点击该广告)。可以比较在块208中所确定的转化率客观值和点击率客观值与相应的期望值。
如果所确定出的客观值低于期望值,则说明当前使用的待选关联度影响因子不能达到期望效果,此时可以调整其中一者而保者其它关联度影响因子不变(例如,调整A而保持B和C不变),以确定出新的一组待选关联度影响因子,并利用新的一种关联度影响因子重新执行图2所示的尝试过程。如果调整后的关联度影响因子的效果与调整前相比变得更差,则可以向相反方向调整(例如,上一次增加了A,则本次降低A)被调整的一项并继续该尝试过程,如果调整后的关联度影响因子的效果与调整前相比效果变得更好,则可以向相同方向继续调整(例如,上一次增加了A,则本次调整时再次增加A)被调整的一项继续该尝试过程,直到只调整该项关联度影响因子的情况下找到最佳值。然后可以按照上述过程更换被调整的关联度影响因子(例如,因定A和C,调整B)之后继续尝试,在确定出多组待选关联度确定因子之后,可以选择效果最佳的一组作为最终确定的关联度影响因子(例如,映射出的客观值最接近期望客观值)。作为示例,在实践中,可以选取到当日为止预定天数的用户作为历史用户,并利用这些历史用户来通过尝试法确定出关联度影响因子,然后将所确定的关联度影响因子用于确定次日的广告投入人群。
通过该实施例,能够根据历史用户来确定出最佳的关联度影响因子,从而提高对关联度的确定准确度,以精确定确定出对象的关联用户。
图3是用于确定用户行为的用户行为映射函数的一个示例的流程图。
如图3所示,在块302,对各个历史用户进行聚类以得到各个历史用户聚类。在一个示例中,可以基于历史用户的用户行为预测值或用户行为客观值对历史用户进行聚类。可以将用户行为预测值或用户行为客观值近似(差值的绝对值不超过预定值)的历史用户作为一个历史用户聚类。在另一示例中,还可以采用聚类算法基于历史用户的用户特征数据对各个历史用户进行聚类。
在确定各个历史用户聚类之后,在块304,确定出各个历史用户聚类的第二用户行为预测值代表值和用户行为客观值代表值。例如,可以针对各个历史用户聚类,将该历史用户聚类中的各个历史用户的用户行为预测值的平均值或中位数作为第二用户行为代表预测值,将该历史用户聚类中的各个历史用户的用户行为客观值的平均值或中位数作为用户行为代表客观值。
然后,在块306,基于各个历史用户聚类的第二用户行为预测值代表值和用户行为客观值代表值拟合出对应于各个用户行为的用户行为映射函数。在拟合用户行为映射函数时,可以采用任意方法进行拟合,例如可以采用线性拟合或多项式拟合等拟合方法。
通过该实施例,能够避免用户行为预测值或用户行为客观值的个别离散值影响所拟合出的用户行为映射函数的准确性。
图4是根据本说明书的一个实施例的用于确定对象的关联用户的装置的结构框图。如图4所示,关联用户确定装置400包括用户特征数据获取单元410、用户行为预测值确定单元420、关联度确定单元430、关联用户确定单元440和关联度影响因子确定单元450。
用户特征数据获取单元410获取目标用户人群中的各个用户的用户特征数据。用户行为预测值确定单元420将各个用户的至少部分用户特征数据分别提供给至少两个用户行为预测模型,以预测各个用户针对对象的至少两个用户行为预测值。在一个示例中,至少两个用户行为预测模型所对应的至少两个用户行为之间可以具有递进关系,关联用户确定单元420可以将各个用户针对所述对象的所述至少两个用户行为预测值相乘,以作为各个用户与对象之间的关联度。
在另一示例中,关联用户确定单元420可以基于各个用户针对对象的至少两个用户行为预测值,使用关联度确定模型来确定各个用户与对象之间的关联度。其中,关联度确定模型是使用历史用户的用户行为数据与历史关联度训练出的。
在得到用户行为预测值之后,关联度确定单元430基于各个用户针对对象的至少两个用户行为预测值,确定各个用户与对象之间的关联度。然后,关联用户确定单元440基于各个用户与对象之间的关联度,从目标用户人群中确定对象的关联用户。
在一个示例中,关联度确定模型可以具有分别针对至少两个用户行为中的各个用户行为的关联度影响因子,关联度影响因子确定单元450可以通过使用尝试法来基于用户的用户行为数据与用户行为期望客观值训练出各个用户行为的关联度影响因子。
图5是图4所示的关联用户确定装置中的关联度影响因子确定单元的一个示例的结构框图。如图5所示,关联度影响因子确定单元450包括待选关联度影响因子确定模块451和关联度影响因子确定模块452。
待选关联度影响因子确定模块451执行至少两次参照图2所说明的尝试过程,以确定出至少两组待选关联度影响因子。然后,关联度影响因子确定模块452从所确定的至少两组待选关联度影响因子中确定出关联度影响因子。
需要说明的是,图4中示出的各个单元并不都是必要组成元素,在另一示例中可以不包括关联度影响因子确定单元。
以上参照图1到图5,对根据本说明书实施例的用于确定目标对象的关联用户的方法及装置的实施例进行了描述。在以上对方法实施例的描述中所提及的细节,同样适用于本说明书实施例的装置的实施例。
本说明书实施例的用于确定目标对象的关联用户的装置可以采用硬件实现,也可以采用软件或者硬件和软件的组合来实现。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见。
本说明书实施例的用于确定目标对象的关联用户的装置可以采用硬件实现,也可以采用软件或者硬件和软件的组合来实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在设备的处理器将存储器中对应的计算机程序指令读取到内存中运行形成的。在本说明书实施例中,用于确定目标对象的关联用户的装置例如可以利用计算设备实现。
图6是根据本说明书实施例一个实施例的用于确定目标对象的关联用户的方法的计算设备600的结构框图。如图6所示,计算设备600包括处理器610、存储器620、内存630、通信接口640和内部总线650,并且处理器610、存储器(例如,非易失性存储器)620、内存630、通信接口640经由总线650连接在一起。根据一个实施例,计算设备600可以包括至少一个处理器610,该至少一个处理器610执行在计算机可读存储介质(即,存储器620)中存储或编码的至少一个计算机可读指令(即,上述以软件形式实现的元素)。
在一个实施例中,在存储器620中存储计算机可执行指令,其当执行时使得至少一个处理器610:获取目标用户人群中的各个用户的用户特征数据;将各个用户的至少部分用户特征数据分别提供给至少两个用户行为预测模型来预测各个用户针对对象的至少两个用户行为预测值;基于各个用户针对对象的至少两个用户行为预测值,确定各个用户与对象之间的关联度;以及基于各个用户与对象之间的关联度,从目标用户人群中确定对象的关联用户。
应该理解,在存储器620中存储的计算机可执行指令当执行时使得至少一个处理器610进行本说明书实施例的各个实施例中以上结合图1-5描述的各种操作和功能。
根据一个实施例,提供了一种例如非暂时性机器可读介质的程序产品。非暂时性机器可读介质可以具有指令(即,上述以软件形式实现的元素),该指令当被机器执行时,使得机器执行本说明书实施例的各个实施例中以上结合图1-5描述的各种操作和功能。
具体地,可以提供配有可读存储介质的系统或者装置,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下,从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上或云上下载程序代码。
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。
上述各流程和各系统结构图中不是所有的步骤和单元都是必须的,可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的,可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构,也可以是逻辑结构,即,有些单元可能由同一物理实体实现,或者,有些单元可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
以上结合附图详细描述了本说明书实施例的实施例的可选实施方式,但是,本说明书实施例的实施例并不限于上述实施方式中的具体细节,在本说明书实施例的实施例的技术构思范围内,可以对本说明书实施例的实施例的技术方案进行多种简单变型,这些简单变型均属于本说明书实施例的实施例的保护范围。
本说明书实施例内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本说明书实施例内容。对于本领域普通技术人员来说,对本说明书实施例内容进行的各种修改是显而易见的,并且,也可以在不脱离本说明书实施例内容的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。因此,本说明书实施例内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (15)
1.一种用于确定对象的关联用户的方法,包括:
获取目标用户人群中的各个用户的用户特征数据;
将各个用户的至少部分用户特征数据分别提供给至少两个用户行为预测模型来预测各个用户针对所述对象的至少两个用户行为预测值;
基于各个用户针对所述对象的所述至少两个用户行为预测值,确定各个用户与所述对象之间的关联度;以及
基于所述各个用户与所述对象之间的关联度,从所述目标用户人群中确定所述对象的关联用户。
2.如权利要求1所述的方法,其中,所述用户特征数据包括用户画像数据和/或用户行为数据,以及提供给所述至少两个用户处理行为预测模型的各个用户的用户特征数据是相同或不同的用户特征数据。
3.如权利要求1或2所述的方法,其中,所述至少两个用户行为预测模型所对应的至少两个用户行为之间具有递进关系,基于各个用户针对所述对象的所述至少两个用户行为预测值,确定各个用户与所述对象之间的关联度包括:
将各个用户针对所述对象的所述至少两个用户行为预测值相乘,以作为各个用户与所述对象之间的关联度。
4.如权利要求1或2所述的方法,其中,基于各个用户针对所述对象的所述至少两个行为预测值,确定各个用户与所述对象之间的关联度包括:
基于各个用户针对所述对象的所述至少两个用户行为预测值,使用关联度确定模型来确定各个用户与所述对象之间的关联度,
其中,所述关联度确定模型是使用历史用户的用户特征数据与用户行为期望客观值训练出的。
5.如权利要求4所述的方法,其中,所述关联度确定模型具有分别针对所述至少两个用户行为中的各个用户行为的关联度影响因子,以及各个用户行为的关联度影响因子是通过使用尝试法来基于历史用户的用户行为数据与用户行为期望客观值训练出的。
6.如权利要求5所述的方法,其中,所述尝试法包括在执行至少两次如下过程,以确定出至少两组待选关联度影响因子之后,从所述至少两组待选关联度影响因子中确定出所述关联度影响因子:
针对各个历史用户,基于当前确定出的待选关联度影响因子和该历史用户的各个用户行为预测值,确定该历史用户与所述对象的关联度;
基于所述各个历史用户与所述对象的关联度,确定关联历史用户集合;
基于对应于至少一个用户行为各个关联历史用户的用户行为预测值,确定对应用户行为的第一用户行为代表预测值;
基于所确定出的第一用户行为代表预测值和对应的用户行为映射函数,确定所述第一用户行为代表预测值所对应的用户行为映射客观值,所述用户行为映射函数指示用户行为预测值和用户行为客观值的映射关系;以及
基于所确定出的用户行为映射客观值和对应的用户行为期望客观值,调整所述待选关联度影响因子,以确定出调整后的待选关联度影响因子。
7.如权利要求6所述的方法,其中,对应于各个用户行为的用户行为映射函数是在对各个历史用户进行聚类以得到各个历史用户聚类并确定出各个历史用户聚类的第二用户行为预测值代表值和用户行为代表客观值之后,基于各个历史用户聚类的用户行为预测值代表值和用户行为代表客观值拟合出的。
8.如权利要求1所述的方法,其中,所述对象包括广告,以及所述至少两个用户行为预测模型包括广告曝光率预测模型、广告点击率预测模型和广告转化率预测模型。
9.一种用于确定目标对象的关联用户的装置,包括:
用户特征数据获取单元,获取目标用户人群中的各个用户的用户特征数据;
用户行为预测值确定单元,将各个用户的至少部分用户特征数据分别提供给至少两个用户行为预测模型,以预测各个用户针对所述对象的至少两个用户行为预测值;
关联度确定单元,基于各个用户针对所述对象的所述至少两个用户行为预测值,确定各个用户与所述对象之间的关联度;以及
关联用户确定单元,基于所述各个用户与所述对象之间的关联度,从所述目标用户人群中确定所述对象的关联用户。
10.如权利要求9所述的装置,其中,所述至少两个用户行为预测模型所对应的至少两个用户行为之间具有递进关系,所述关联用户确定单元将各个用户针对所述对象的所述至少两个用户行为预测值相乘,以作为各个用户与所述对象之间的关联度。
11.如权利要求9或10所述的装置,其中,所述关联用户确定单元基于各个用户针对所述对象的所述至少两个用户行为预测值,使用关联度确定模型来确定各个用户与所述对象之间的关联度,
其中,所述关联度确定模型是使用用户的用户行为数据与用户行为期望客观值训练出的。
12.如权利要求11所述的装置,其中,所述关联度确定模型具有分别针对所述至少两个用户行为中的各个用户行为的关联度影响因子,以及各个用户行为的关联度影响因子是通过使用尝试法来基于用户的用户行为数据与用户行为期望客观值训练出的。
13.如权利要求12所述的装置,还包括关联度影响因子确定单元,所述关联度影响因子确定单元包括:
待选关联度影响因子确定模块,执行至少两次如下过程,以确定出至少两组待选关联度影响因子:
针对各个历史用户,基于当前确定出的待选关联度影响因子和该历史用户的各个用户行为预测值,确定该历史用户与所述对象的关联度;
基于所述各个历史用户与所述对象的关联度,确定关联历史用户集合;
基于对应于至少一个用户行为各个关联历史用户的用户行为预测值,确定对应用户行为的第一用户行为代表预测值;
基于所确定出的第一用户行为代表预测值和对应的用户行为映射函数,确定所述第一用户行为代表预测值所对应的用户行为映射客观值,所述用户行为映射函数指示用户行为预测值和用户行为客观值的映射关系;以及
基于所确定出的用户行为映射客观值和对应的用户行为期望客观值,调整所述待选关联度影响因子,以确定出调整后的待选关联度影响因子,以及
关联度影响因子确定模块,从所述至少两组待选关联度影响因子中确定出所述关联度影响因子。
14.一种计算设备,包括:
至少一个处理器;以及
存储器,所述存储器存储指令,当所述指令被所述至少一个处理器执行时,使得所述至少一个处理器执行如权利要求1到8中任一所述的方法。
15.一种机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如权利要求1到8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090799.3A CN111260416B (zh) | 2020-02-13 | 2020-02-13 | 用于确定对象的关联用户的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090799.3A CN111260416B (zh) | 2020-02-13 | 2020-02-13 | 用于确定对象的关联用户的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111260416A true CN111260416A (zh) | 2020-06-09 |
CN111260416B CN111260416B (zh) | 2022-11-08 |
Family
ID=70954446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010090799.3A Active CN111260416B (zh) | 2020-02-13 | 2020-02-13 | 用于确定对象的关联用户的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260416B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836874A (zh) * | 2021-02-02 | 2021-05-25 | 北京嘀嘀无限科技发展有限公司 | 行为预测方法、装置、电子设备、存储介质和程序产品 |
CN113010780A (zh) * | 2021-03-11 | 2021-06-22 | 北京三快在线科技有限公司 | 一种模型训练以及点击率预估方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130030907A1 (en) * | 2011-07-28 | 2013-01-31 | Cbs Interactive, Inc. | Clustering offers for click-rate optimization |
US20130325603A1 (en) * | 2012-06-01 | 2013-12-05 | Google Inc. | Providing online content |
CN106504011A (zh) * | 2015-09-06 | 2017-03-15 | 阿里巴巴集团控股有限公司 | 一种业务对象的展示方法和装置 |
CN107016569A (zh) * | 2017-03-21 | 2017-08-04 | 聚好看科技股份有限公司 | 一种网络产品的目标用户账号获取方法及装置 |
CN107077690A (zh) * | 2014-09-01 | 2017-08-18 | 真实眼私人有限公司 | 定向基于Web的广告的方法 |
CN107463701A (zh) * | 2017-08-15 | 2017-12-12 | 北京百度网讯科技有限公司 | 基于人工智能推送信息流的方法和装置 |
CN108009926A (zh) * | 2017-12-07 | 2018-05-08 | 上海点融信息科技有限责任公司 | 用于用户分类的方法、信息处理装置及可读存储介质 |
US9996851B1 (en) * | 2014-02-03 | 2018-06-12 | Google Llc | Performance based content item ranking |
CN109087162A (zh) * | 2018-07-05 | 2018-12-25 | 杭州朗和科技有限公司 | 数据处理方法、系统、介质和计算设备 |
CN109460513A (zh) * | 2018-10-31 | 2019-03-12 | 北京字节跳动网络技术有限公司 | 用于生成点击率预测模型的方法和装置 |
CN109886729A (zh) * | 2019-01-10 | 2019-06-14 | 北京三快在线科技有限公司 | 预测点击概率的方法、装置、电子设备及可读存储介质 |
CN110348947A (zh) * | 2019-06-13 | 2019-10-18 | 阿里巴巴集团控股有限公司 | 对象推荐方法及装置 |
CN110414547A (zh) * | 2019-05-07 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 一种行为检测方法、装置、计算机设备和存储介质 |
CN110458220A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 人群定向方法、装置、服务器及存储介质 |
-
2020
- 2020-02-13 CN CN202010090799.3A patent/CN111260416B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130030907A1 (en) * | 2011-07-28 | 2013-01-31 | Cbs Interactive, Inc. | Clustering offers for click-rate optimization |
US20130325603A1 (en) * | 2012-06-01 | 2013-12-05 | Google Inc. | Providing online content |
US9996851B1 (en) * | 2014-02-03 | 2018-06-12 | Google Llc | Performance based content item ranking |
CN107077690A (zh) * | 2014-09-01 | 2017-08-18 | 真实眼私人有限公司 | 定向基于Web的广告的方法 |
CN106504011A (zh) * | 2015-09-06 | 2017-03-15 | 阿里巴巴集团控股有限公司 | 一种业务对象的展示方法和装置 |
CN107016569A (zh) * | 2017-03-21 | 2017-08-04 | 聚好看科技股份有限公司 | 一种网络产品的目标用户账号获取方法及装置 |
CN107463701A (zh) * | 2017-08-15 | 2017-12-12 | 北京百度网讯科技有限公司 | 基于人工智能推送信息流的方法和装置 |
CN108009926A (zh) * | 2017-12-07 | 2018-05-08 | 上海点融信息科技有限责任公司 | 用于用户分类的方法、信息处理装置及可读存储介质 |
CN109087162A (zh) * | 2018-07-05 | 2018-12-25 | 杭州朗和科技有限公司 | 数据处理方法、系统、介质和计算设备 |
CN109460513A (zh) * | 2018-10-31 | 2019-03-12 | 北京字节跳动网络技术有限公司 | 用于生成点击率预测模型的方法和装置 |
CN109886729A (zh) * | 2019-01-10 | 2019-06-14 | 北京三快在线科技有限公司 | 预测点击概率的方法、装置、电子设备及可读存储介质 |
CN110414547A (zh) * | 2019-05-07 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 一种行为检测方法、装置、计算机设备和存储介质 |
CN110348947A (zh) * | 2019-06-13 | 2019-10-18 | 阿里巴巴集团控股有限公司 | 对象推荐方法及装置 |
CN110458220A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 人群定向方法、装置、服务器及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836874A (zh) * | 2021-02-02 | 2021-05-25 | 北京嘀嘀无限科技发展有限公司 | 行为预测方法、装置、电子设备、存储介质和程序产品 |
CN113010780A (zh) * | 2021-03-11 | 2021-06-22 | 北京三快在线科技有限公司 | 一种模型训练以及点击率预估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111260416B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10860858B2 (en) | Utilizing a trained multi-modal combination model for content and text-based evaluation and distribution of digital video content to client devices | |
US11880414B2 (en) | Generating structured classification data of a website | |
US20210056458A1 (en) | Predicting a persona class based on overlap-agnostic machine learning models for distributing persona-based digital content | |
US11593860B2 (en) | Method, medium, and system for utilizing item-level importance sampling models for digital content selection policies | |
JP5526159B2 (ja) | ユーザプロファイルの生成 | |
JP5974186B2 (ja) | トラフィックソースのための広告の選択 | |
US8572011B1 (en) | Outcome estimation models trained using regression and ranking techniques | |
US11288709B2 (en) | Training and utilizing multi-phase learning models to provide digital content to client devices in a real-time digital bidding environment | |
US20160132935A1 (en) | Systems, methods, and apparatus for flexible extension of an audience segment | |
KR102191486B1 (ko) | 자동 광고 대행 서버, 자동으로 광고 매체를 위한 캠페인 정보를 생성하여 광고의 집행을 대행하는 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램 | |
US9256692B2 (en) | Clickstreams and website classification | |
US20160189201A1 (en) | Enhanced targeted advertising system | |
US20130263181A1 (en) | Systems and methods for defining video advertising channels | |
JP2016517094A (ja) | オーディエンスターゲティングのためのシステムおよび方法 | |
US11188952B2 (en) | System for page type based advertisement matching for sponsored product listings on e-commerce websites and method of using same | |
US20120173338A1 (en) | Method and apparatus for data traffic analysis and clustering | |
WO2016174678A1 (en) | Auto-expanding campaign optimization | |
CN110753920A (zh) | 用于优化和模拟网页排序和流量的系统和方法 | |
US10783550B2 (en) | System for optimizing sponsored product listings for seller performance in an e-commerce marketplace and method of using same | |
CN111095330A (zh) | 用于预测在线用户交互的机器学习方法和系统 | |
JP6576067B2 (ja) | 情報処理装置、情報処理プログラムおよび情報処理方法 | |
CN111260416B (zh) | 用于确定对象的关联用户的方法及装置 | |
CN111798280A (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
US20130091009A1 (en) | Identifying users likely to perform for a specific advertiser's campaign goals | |
US10565613B2 (en) | Simulating advertising campaigns |
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 |