CN111475365A - 一种基于cookie的标签式AB测试方法及系统 - Google Patents
一种基于cookie的标签式AB测试方法及系统 Download PDFInfo
- Publication number
- CN111475365A CN111475365A CN201911260986.5A CN201911260986A CN111475365A CN 111475365 A CN111475365 A CN 111475365A CN 201911260986 A CN201911260986 A CN 201911260986A CN 111475365 A CN111475365 A CN 111475365A
- Authority
- CN
- China
- Prior art keywords
- user
- label
- cookie
- data
- request
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
-
- 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
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
Abstract
本发明公开了一种基于cookie的标签式AB测试方法,其特征在于,包括:步骤一,用户特征数据的采集;步骤二,标签参数策略的选择及配置;步骤三,获取用户特征标签写入cookie;步骤4,根据标签参数策略分流用户请求;步骤5,根据用户的分类结果,返回不同的请求响应。以达到基于标签式的用户特征转发更加具有目的性,网站能够决定哪部分用户优先体验新功能,并获得体验者相应的体验反馈的效果;本发明针对AB测试方法,进行了优化,通过灰度转发系统灵活配置标签参数策略来实现不同体验用户群体的切换。
Description
技术领域
本发明涉及计算机测试领域,特别是涉及一种基于cookie的标签式AB测试方法及系统。
背景技术
随着当前信息化社会不断发展与进步,越来越多的人们习惯于网络购物,对于卖家来说,用户体验永远是最重要的事情之一,为了不断提升用户的体验感和归属感,卖家需要不断的根据用户意见或者主观思考来修改软件功能,但随意改动已经完善的落地页是一件很冒险的事情。
在网站和移动产品设计和开发中、以及互联网产品运营中,网站设计者经常面临多个产品设计和运营方案的选择,比如某个背景图的选择,多大尺寸合适或者高度的选择。传统的解决方案通常是集体讨论表决,或者由某位专家或者领导等权威人物来拍板,实在决定不了时也有随机选择某一方案上线的。虽然传统的解决方案多数情况下也是有效的,但A/B测试是解决此类问题的一个更好方法。所谓A/B测试,简单来说,就是为同一个目标制定两个方案(比如两个页面),让一部分用户使用A方案,另一部分用户使用B方案,记录下用户的使用情况,看哪个方案更符合。传统的A/B测试一般是在服务端分流,即基于后端的A/B测试(Back-end AB test),当用户的请求到达服务器时,服务器根据分流规则,给不同的用户返回不同的版本;通常基于Cookie的分流规则多是选用Cookie ID最后1位作为划分用户的标准,比如说单数显示A版本,偶数显示B版本。这种充满随机性的分流难以明晰地确定目标人员所分配的具体版本,导致目标人群体验的功能或者产品与预期策略不匹配,进而严重影响测试效果。
发明内容
本发明所要解决的技术问题是克服现有技术的不足,克服传统的A/B测试在服务端分流,即基于后端的A/B测试(Back-end AB test)的不足;提供一种更完善的基于Cookie的AB 测试方法及系统。
为解决上述技术问题,本发明提供一种基于Cookie的标签式AB测试方法,其特征在于,具体步骤包括:
步骤1:用户特征数据的采集:收集应用(软件系统)存储的用户基础数据和业务功能页面的埋点数据构建标签数据,所述用户基础数据是指描述用户身份信息的数据;所述埋点数据是通过在功能页埋点获取的用户行为过程中产生的数据,所述用户行为包括点击行为、浏览行为、收藏行为、下单行为;提取应用(软件系统)用户数据库中的用户基础数据,按预设周期统计埋点数据形成周期行为数据,将用户基础数据和周期行为数据汇总为标签数据;按照预设标签归类所述标签数据,形成各标签对应的标签值;
以标签值作为用户特征值标示各用户;
步骤2:标签参数策略的选择及配置,具体流程包括:
步骤2-1:获取预期用户数:获取预设的使用软件系统新内容的用户条件,根据用户条件指定的标签值,筛选用户特征标签值符合用户条件的用户并统计为预期用户数;
步骤2-2:获取试用用户数:获取用户条件中标签值涵盖最多的标签作为试用标签,其他标签作为固定标签;在保证固定标签及对应标签值不变的情况下,遍历试用标签的每一个标签值,将试用标签的每一个标签值与所有固定标签对应的标签值归类为试用用户条件;获取每种试用用户条件,根据试用用户条件指定的标签值,筛选用户特征标签值符合试用用户条件的用户并统计人数为试用用户数;
步骤2-3:计算试用用户数与预期用户数的比值,根据比值确定分流策略;若比值超过预设值,选取比值超出预设值最多的试用用户条件作为最终的分流条件;若比值都没有超过预设值,按照比值排序,依次从排序最高的比值进行累加,直至累加值超过预设值,选取参与累加的比值所对应的试用用户条件作为最终的分流条件;
所述预设值用于限定试用用户在预期用户的中最低占比;只有超过此占比,不会影响最终的测试效果;
步骤2-4:基于最终的分流条件配置业务系统的请求反馈数据,形成标签参数策略;标签参数策略具体包括:将符合分流条件的用户请求标注为预期请求;将不符合标签值要求的用户请求标注为非预期请求;针对预期请求,服务器端返回软件系统新内容;针对非预期请求,服务器端返回软件系统旧内容;
步骤3:获取用户特征标签写入cookie:待应用(软件系统)接收到用户登录成功的消息后,基于用户唯一标识符请求获取用户特征值;待请求得到响应后,提取当前登录用户的所有用户特征值,经加密后写入用户cookie中;所述加密方式是对每一个特征值执行加密;
在所述请求获取用户特征值的同时需要获取客户端提交的Cookie,在所述请求响应的同时将经加密的标签值写入Cookie并返回客户端;
步骤4:根据标签参数策略分流用户请求;服务器端接收到用户访问业务系统的请求时获取Cookie,解密Cookie按标签参数策略中设置的标签提取用户特征标签值,并判断用户特征标签值与标签参数策略设定的标签值是否全部一致,
如若全部一致,符合设定要求,将该用户归属为业务系统的预期用户,预期用户的请求即为预期请求;如若部分一致,不符合设定要求,将该用户归属为业务系统的非预期用户,非预期用户的请求即为非预期请求;
步骤5:根据用户的分类结果,返回不同的请求响应:如若预期用户,返回给客户端的是业务系统的新内容;如若非预期用户,返回给客户端的是业务系统的旧内容。
在所述步骤1中,所述基础数据包括用户注册信息、用户问卷信息;所述用户问卷信息是用户反馈的关于应用(软件系统)使用效果的信息;所述埋点数据包括应用功能使用数据、页面浏览数据、收藏数据、订单数据、支付数据;
将步骤1所述的标签能按照人口属性、社会属性、行为属性、偏好属性归类;
将步骤1所述的标签还能归类为分类标签,即将标签值都一样的标签上位抽象为分类标签。
在所述步骤2-1的用户条件获取过程中,获取还包括文字获取和语音获取,所述语音获取转变为文字后,经分词处理后匹配标签获取文字中包含的标签值;
在所述步骤2-3中,预设值设置为0.7;
在所述步骤2-4中,将标签参数策略写入后台配置文件中,在用户请求软件系统时调取配置文件执行请求分流;当变更标签参数策略时,获取标签及标签值的改变值传入配置文件,替换配置文件中原标签内容。
在所述步骤3中,在所述请求获取用户特征值的同时需要获取客户端提交的Cookie,在所述请求响应的同时将经加密的标签值写入Cookie并返回客户端中,调用标签查询resquest 接口,request接口中也定义了一个getCookies()方法,它用于获取客户端提交的Cookie,这样就能标签参数加密串添加到用户cookie中,调用response接口,接口内定义了一个 addCookies()方法,它用于在其响应头中增加一个相应的Set-Cookie头字段; addCookies("key1":"value1","key2":"value2","key3":"value3"),其中 value1,value2,value3均是使用AES可逆化加密出来的字符串。
在所述步骤3和所述步骤4,所述Cookie加密方法和解密方法使用AES可逆化加密算法。
所述步骤5中的新内容和旧内容包括系统版本、业务功能模块和网页设计内容。
一种基于Cookie的标签式AB测试系统,其特征在于包括:用户系统、标签采集系统、灰度转发系统、业务系统;所述用户系统将用户信息数据提交至标签采集系统构建用户特征标签,待用户系统发出访问业务系统的请求时,从标签采集系统中获取用户特征标签写入 Cookie;所述灰度转发系统从标签采集系统处获取标签参数和参数值配置标签参数策略,当获取到含有用户特征标签的Cookie时,提取Cookie中用户特征标签值与标签参数策略中标签值匹配;业务系统根据标签值匹配结果向用户系统反馈不同的请求响应;
所述标签系统将获取的用户数据归总为标签数据,并以标签数据标注用户特征存入数据库中;所述用户系统用于将从标签系统中获取到的用户特征写入用户Cookie;所述灰度转发系统用于控制标签参数策略的生成、生效及终止,待标签参数策略生效时,所述灰度转发系统解析用户Cookie中获取标识用户特征的标签数据,按照标签参数策略中指定的标签数据,按照标签数据匹配和不匹配,分流用户系统发起的用户请求;所述业务系统包括新内容模块和旧内容模块,根据灰度转发系统的请求分流结果,将新内容和旧内容反馈至用户系统。
本发明的有益效果:(1)相比于简单粗暴的转发策略,基于标签式的用户特征转发更加具有目的性,网站能够决定哪部分用户优先体验新功能,并获得体验者相应的体验反馈。
(2)本发明针对AB测试方法,进行了优化,通过灰度转发系统灵活配置标签参数策略来实现不同体验用户群体的切换。
附图说明
图1为本发明实施例中一种基于Cookie的标签式AB测试方法的流程图;
图2为本发明实施例中的AB测试方法中标签参数策略生成流程图;
图3为本发明实施例中一种基于Cookie的标签式AB测试系统的结构示意图。
具体实施方式
下面结合附图和示例性实施例对本发明作进一步的说明:
Cookie是客户端技术,程序把每个用户的数据以Cookie的形式写给用户各自的浏览器。当用户使用浏览器再去访问服务器中的web资源时,就会带着各自的数据去。这样,web资源处理的就是用户各自的数据了。
为方便管理标签和定位标签,将形成的本发明实施例中的标签按照人口属性、社会属性、行为属性、偏好属性归类为人口统计、社会属性、使用行为、消费行为、偏好属性潜在需求;所述人口统计标识用户直接关联的个人属性,包含的标签有年龄、性别、出生日期、所在地、学历等;所述社会属性标识用户的社会关系,包含的标签有婚姻状况、家庭人数、孩子数量、职业、所属行业、家庭年收入、房车状况等;所述使用行为标识用户的软件使用情况,包含的标签有访问时段,访问频次,访问时长,访问设备,APP版本,微信绑定等;消费行为用于标识用户的消费意愿,包含的标签有累计消费,最近一次消费日期,年/月消费金额(待定),单笔最大消费,消费频次,消费品牌,消费产品(类别),消费时间段,评价均分等;偏好属性标识用户在行为偏好,包含的标签有兴趣偏好,浏览偏好,收藏偏好,互动偏好,品牌偏好,分享偏好等。
本发明实施例中的标签参数策略以配置文件存在后台;将配置文件写入Nginx后台的 tag.conf文件,tag.conf文件是存放在Nginx目录下conf.d文件下,通过nginx.conf中 include/etc/nginx/conf.d/*.conf进行关联加载;前端每一次对标签参数策略的修改,经过修改tag.conf文件、保存tag.conf文件、重启Nginx加载tag.conf文件,能使新的标签参数策略生效,并反馈前端成功;
待用户完成在软件应用的登录后,获取用户会员id组装获取用户特征标签值的请求,调用标签查询resquest接口,Request接口中定义getCookies()方法,用于获取当前登录用户的Cookie信息;待请求响应时调用Response接口,Response接口中定义addCookies()方法,用于在请求响应头中增加Set-Cookie头字段,将获取到的用户特征标签值写入Cookie中;
根据标签参数策略,将用户请求分流并转发;解析用户请求中的Cookie,获取Cookie 中的用户特征,并基于和tab.conf中配置的标签参数策略匹配进行判断,用户Cookie中携带的用户特征标签值的数目肯定是大于等于标签参数策略中指定的标签值的数目,仅需判断标签参数策略中的标签值和用户特征标签值是否一致,若全部一致,标准用户请求为系统预期用户请求;若其中任一结果不一致,标注请求为非系统预期的用户请求;针对系统预期用户请求,返回业务系统的新功能模块;针对非系统预期用户请求,返回业务系统的旧功能模块;
当网站上线新功能时,指定特定人群去体验新功能,以期许这部分特定人群的体验反馈。网站首先限定体验新功能的人群特征,然后将人群特征转化为标签需求,拆解为各个标签及标签值,将拆解获取的标签和标签值写入标签参数策略进行配置;
图1为本发明实施例中一种基于Cookie的标签式AB测试方法的流程图,具体步骤包括:
步骤S1:用户特征数据的采集:收集应用(软件系统)存储的用户基础数据和业务功能页面的埋点数据构建标签数据,所述用户基础数据是指描述用户身份信息的数据,包括用户注册信息、用户问卷信息;所述用户问卷信息是用户反馈的关于应用(软件系统)使用效果的信息;包括性别、年龄、学历、职业、居住地等,所述埋点数据是通过在功能页埋点获取的用户行为过程中产生的数据,包括点击行、浏览行为、收藏行为、下单行为等,所述埋点数据包括应用功能使用数据、页面浏览数据、收藏数据、订单数据、支付数据;
提取应用(软件系统)用户数据库中的用户基础数据,按预设周期统计埋点数据形成周期行为数据,将用户基础数据和周期行为数据汇总为标签数据;按照预设标签归类所述标签数据,形成各标签对应的标签值;以标签值作为用户特征标签值标示各用户,;
步骤S2:标签参数策略的选择及配置,参阅图2为本发明实施例中标签参数策略生成流程图,具体流程包括:
步骤S2-1:获取预期用户数:获取预设的使用软件系统新内容的用户条件,根据用户条件指定的标签值,筛选用户特征标签值符合用户条件的用户并统计为预期用户数;数据获取形式还包括文字获取和语音获取。所述语音获取转变为文字后,经分词处理后匹配标签获取文字中包含的标签值;
步骤S2-2:获取试用用户数:获取用户条件中标签值涵盖最多的标签作为试用标签,其他标签作为固定标签;在保证固定标签及对应标签值不变的情况下,遍历试用标签的每一个标签值,将试用标签的每一个标签值与所有固定标签对应的标签值归类为试用用户条件;获取每种试用用户条件,根据试用用户条件指定的标签值,筛选用户特征标签值符合试用用户条件的用户并统计人数为试用用户数;
步骤S2-3:计算试用用户数与预期用户数的比值,根据比值确定分流策略;若比值超过预设值,选取比值超出预设值最多的试用用户条件作为最终的分流条件;若比值都没有超过预设值,按照比值排序,依次从排序最高的比值进行累加,直至累加值超过预设值,选取参与累加的比值所对应的试用用户条件作为最终的分流条件;
所述预设值用于限定试用用户在预期用户的中最低占比,本发明实施例中设置为0.7,只有比值超过0.7,不会影响最终的测试效果;
步骤S2-4:基于最终的分流条件配置业务系统的请求反馈数据,形成标签参数策略;标签参数策略具体包括:将符合分流条件的用户请求标注为预期请求;将不符合标签值要求的用户请求标注为非预期请求;针对预期请求,服务器端返回软件系统新内容;针对非预期请求,服务器端返回软件系统旧内容;
将标签参数策略写入后台配置文件中,在用户请求软件系统时调取配置文件执行请求分流;当变更标签参数策略时,获取标签及标签值的改变值传入配置文件,替换配置文件中原标签内容;
步骤S3:获取用户特征标签写入cookie:待应用(软件系统)接收到用户登录成功的消息后,基于用户唯一标识符请求获取用户特征值;待请求得到响应后,提取当前登录用户的所有用户特征值,经加密后写入用户cookie中;所述加密方式是对每一个特征值执行AES可逆化加密;由于加密和解密在不同类型系统中进行,加密在客户端的用户系统完成,解密在后台系统完成,选择AES加密算法的安全性能最好。
在所述请求获取用户特征标签值的同时需要获取Cookie,在所述请求响应时将经加密的标签值写入Cookie的过程中,调用标签查询resquest接口,request接口中也定义了一个 getCookies()方法,它用于获取客户端提交的Cookie,将用户特征值经加密后添加到用户 cookie中;调用response接口,接口内定义了一个addCookies()方法,它用于在其响应头中增加一个相应的Set-Cookie头字段;addCookies("key1":"value1","key2": "value2","key3":"value3"),其中value1,value2,value3均是使用AES可逆化加密出来的字符串。
步骤S4:根据标签参数策略分流用户请求;服务器端接收到用户访问业务系统的请求时获取Cookie,解密Cookie按标签参数策略中设置的标签提取用户特征标签值,并判断用户特征标签值与标签参数策略设定的标签值是否全部一致,
如若全部一致,符合设定要求,将该用户归属为业务系统的预期用户,预期用户的请求即为预期请求;如若部分一致,不符合设定要求,将该用户归属为业务系统的非预期用户,非预期用户的请求即为非预期请求;
步骤S5:根据用户的分类结果,返回不同的请求响应:如若预期用户,返回给客户端的是业务系统的新内容;如若非预期用户,返回给客户端的是业务系统的旧内容;所述步骤5 中的内容包括系统版本、业务功能模块、网页设计内容;
图3为本发明实施例中一种基于用户Cookie的标签式AB测试系统的结构示意图,具体包括:用户系统、标签采集系统、灰度转发系统、业务系统;所述标签系统用于标签构建,具体包括用户信息采集模块、标签建模模块、用户标签存储模块,所述标签系统将用户信息采集模块获取的用户数据归总为标签数据,并以标签数据标注用户特征存入数据库中;所述用户系统用于将从标签系统中获取到的用户特征写入用户Cookie;所述灰度转发系统用于控制标签参数策略的生成、生效及终止,包括标签参数策略管理模块、Cookie解析模块、请求分流模块;待标签参数策略生效时,所述灰度转发系统解析用户Cookie中获取标识用户特征的标签数据,按照标签参数策略中指定的标签数据,按照标签数据匹配和不匹配,分流用户系统发起的用户请求;所述业务系统包括新内容模块和旧内容模块,根据灰度转发系统的请求分流结果,将新内容和旧内容反馈至用户系统;
所述用户系统获取用户id、提供用户信息数据、加密存储标签参数至用户cookie中。用户系统提供用户数据给标签采集系统,同时用户系统获取用户会员id后,告知标签采集系统以获取用户标签数据,最后用户系统携带含有特征标签的cookie的请求访问灰度转发系统。
所述标签采集系统执行用户数据的采集、用户标签建模、用户标签存储。标签采集系统获取用户系统的用户信息数据来给用户标签建模,完成后存储用户标签于数据库中;标签采集系统为灰度转发系统提供灰度标签参数和参数值用于标签参数策略配置。
所述灰度转发系统执行标签参数策略配置、cookie密码解析、转发接口请求的功能。灰度转发系统从标签采集系统处获取标签参数和参数值用于配置标签参数策略配置,灰度转发系统从用户系统获取包含用户标签请求的cookie,进行解密判断,最后依据标签参数策略配置文件转发至业务系统。
所述业务系统执行提供新、老功能模块的功能。当用户系统携带的请求信息,被灰度转发系统解密cookie数据后且命中标签参数策略配置,即转发业务系统请求至业务系统中的新内容模块,反之转发至业务系统中的老功能模块。
本发明所达到的有益效果:相比于简单粗暴的转发策略,基于标签式的用户特征转发更加具有目的性,网站能够决定哪部分用户优先体验新功能,并获得体验者相应的体验反馈;本发明针对AB测试方法,进行了优化,通过灰度转发系统灵活配置标签参数策略来实现不同体验用户群体的切换。
以上实施例不以任何方式限定本发明,凡是对以上实施例以等效变换方式做出的其它改进与应用,都属于本发明的保护范围。
Claims (7)
1.一种基于cookie的标签式AB测试方法,其特征在于,包括:
步骤1:用户特征数据的采集:收集应用(软件系统)存储的用户基础数据和业务功能页面的埋点数据构建标签数据,所述用户基础数据是指描述用户身份信息的数据;所述埋点数据是通过在功能页埋点获取的用户行为过程中产生的数据,所述用户行为包括点击行为、浏览行为、收藏行为、下单行为;提取应用(软件系统)用户数据库中的用户基础数据,按预设周期统计埋点数据形成周期行为数据,将用户基础数据和周期行为数据汇总为标签数据;按照预设标签归类所述标签数据,形成各标签对应的标签值;
以标签值作为用户特征值标示各用户;
步骤2:标签参数策略的选择及配置,具体流程包括:
步骤2-1:获取预期用户数:获取预设的使用软件系统新内容的用户条件,根据用户条件指定的标签值,筛选用户特征标签值符合用户条件的用户并统计为预期用户数;
步骤2-2:获取试用用户数:获取用户条件中标签值涵盖最多的标签作为试用标签,其他标签作为固定标签;在保证固定标签及对应标签值不变的情况下,遍历试用标签的每一个标签值,将试用标签的每一个标签值与所有固定标签对应的标签值归类为试用用户条件;获取每种试用用户条件,根据试用用户条件指定的标签值,筛选用户特征标签值符合试用用户条件的用户并统计人数为试用用户数;
步骤2-3:计算试用用户数与预期用户数的比值,根据比值确定分流策略;若比值超过预设值,选取比值超出预设值最多的试用用户条件作为最终的分流条件;若比值都没有超过预设值,按照比值排序,依次从排序最高的比值进行累加,直至累加值超过预设值,选取参与累加的比值所对应的试用用户条件作为最终的分流条件;
所述预设值用于限定试用用户在预期用户中的最低占比;步骤2-4:基于最终的分流条件配置业务系统的请求反馈数据,形成标签参数策略;标签参数策略具体包括:将符合分流条件的用户请求标注为预期请求;将不符合标签值要求的用户请求标注为非预期请求;针对预期请求,服务器端返回软件系统新内容;针对非预期请求,服务器端返回软件系统旧内容;
步骤3:获取用户特征标签写入cookie:待应用(软件系统)接收到用户登录成功的消息后,基于用户唯一标识符请求获取用户特征值;待请求得到响应后,提取当前登录用户的所有用户特征值,经加密后写入用户cookie中;所述加密方式是对每一个特征值执行加密;
在所述请求获取用户特征值的同时需要获取客户端提交的Cookie,在所述请求响应的同时将经加密的标签值写入Cookie并返回客户端;
步骤4:根据标签参数策略分流用户请求;服务器端接收到用户访问业务系统的请求时获取Cookie,解密Cookie按标签参数策略中设置的标签提取用户特征标签值,并判断用户特征标签值与标签参数策略设定的标签值是否全部一致,
如若全部一致,符合设定要求,将该用户归属为业务系统的预期用户,预期用户的请求即为预期请求;如若部分一致,不符合设定要求,将该用户归属为业务系统的非预期用户,非预期用户的请求即为非预期请求;
步骤5:根据用户的分类结果,返回不同的请求响应:如若预期用户,返回给客户端的是业务系统的第一内容;如若非预期用户,返回给客户端的是业务系统的第二内容。
2.如权利要求1所述的一种基于cookie的标签式AB测试方法,其特征在于:在所述步骤1中,所述基础数据包括用户注册信息、用户问卷信息;所述用户问卷信息是用户反馈的关于应用(软件系统)使用效果的信息;所述埋点数据包括应用功能使用数据、页面浏览数据、收藏数据、订单数据、支付数据;
将步骤1所述的标签按照人口属性、社会属性、行为属性、偏好属性归类;
将步骤1所述的标签归类为分类标签,即将标签值都一样的标签上位抽象为分类标签。
3.如权利要求2所述的一种基于cookie的标签式AB测试方法,其特征在于:在所述步骤2-1的用户条件获取过程中,还包括文字获取和语音获取,所述语音获取转变为文字后,经分词处理后匹配标签获取文字中包含的标签值;
在所述步骤2-3中,所述预设值设置为0.7;
在所述步骤2-4中,将标签参数策略写入后台配置文件中,在用户请求软件系统时调取配置文件执行请求分流;当变更标签参数策略时,获取标签及标签值的改变值传入配置文件,替换配置文件中原标签内容。
4.如权利要求3所述的一种基于cookie的标签式AB测试方法,其特征在于:在所述步骤3中,在所述请求获取用户特征值的同时需要获取客户端提交的Cookie,在所述请求响应的同时将经加密的标签值写入Cookie并返回客户端中,调用标签查询resquest接口,request接口中也定义了一个getCookies()方法,用于获取客户端提交的Cookie,这样就能将标签参数加密串添加到用户cookie中,调用response接口,所述response接口内定义了一个addCookies()方法,用于在其响应头中增加一个相应的Set-Cookie头字段;addCookies("key1":"value1","key2":"value2","key3":"value3"),其中value1,value2,value3均是使用AES可逆化加密出来的字符串。
5.如权利要求4所述的一种基于cookie的标签式AB测试方法,其特征在于:所述步骤3和所述步骤4中,所述Cookie的加密方法和解密方法均使用AES可逆化加密算法。
6.如权利要求5所述的一种基于cookie的标签式AB测试方法,其特征在于:所述步骤5中的第一内容和第二内容均包括系统版本、业务功能模块和网页设计内容。
7.一种根据权利要求1-6之一所述方法运行的基于Cookie的标签式AB测试系统,其特征在于包括:用户系统、标签采集系统、灰度转发系统、业务系统;所述用户系统将用户信息数据提交至标签采集系统构建用户特征标签,待用户系统发出访问业务系统的请求时,从标签采集系统中获取用户特征标签写入Cookie;所述灰度转发系统从标签采集系统处获取标签参数和参数值配置标签参数策略,当获取到含有用户特征标签的Cookie时,提取Cookie中用户特征标签值与标签参数策略中标签值匹配;业务系统根据标签值匹配结果向用户系统反馈不同的请求响应;
所述标签系统将获取的用户数据归总为标签数据,并以标签数据标注用户特征存入数据库中;所述用户系统用于将从标签系统中获取到的用户特征写入用户Cookie;所述灰度转发系统用于控制标签参数策略的生成、生效及终止,待标签参数策略生效时,所述灰度转发系统解析用户Cookie中获取标识用户特征的标签数据,按照标签参数策略中指定的标签数据,按照标签数据匹配和不匹配,分流用户系统发起的用户请求;所述业务系统包括新内容模块和旧内容模块,根据灰度转发系统的请求分流结果,将新内容和旧内容反馈至用户系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911260986.5A CN111475365A (zh) | 2019-12-10 | 2019-12-10 | 一种基于cookie的标签式AB测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911260986.5A CN111475365A (zh) | 2019-12-10 | 2019-12-10 | 一种基于cookie的标签式AB测试方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111475365A true CN111475365A (zh) | 2020-07-31 |
Family
ID=71746154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911260986.5A Pending CN111475365A (zh) | 2019-12-10 | 2019-12-10 | 一种基于cookie的标签式AB测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111475365A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199296A (zh) * | 2020-10-29 | 2021-01-08 | 腾讯科技(深圳)有限公司 | 页面测试方法、装置、计算机设备和存储介质 |
CN113254063A (zh) * | 2021-06-30 | 2021-08-13 | 四川新网银行股份有限公司 | 一种灰度验证过滤器及过滤方法 |
CN114614997A (zh) * | 2020-11-23 | 2022-06-10 | 中国移动通信集团江西有限公司 | 一种身份识别方法、装置、计算机设备和存储介质 |
-
2019
- 2019-12-10 CN CN201911260986.5A patent/CN111475365A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199296A (zh) * | 2020-10-29 | 2021-01-08 | 腾讯科技(深圳)有限公司 | 页面测试方法、装置、计算机设备和存储介质 |
CN112199296B (zh) * | 2020-10-29 | 2022-09-23 | 腾讯科技(深圳)有限公司 | 页面测试方法、装置、计算机设备和存储介质 |
CN114614997A (zh) * | 2020-11-23 | 2022-06-10 | 中国移动通信集团江西有限公司 | 一种身份识别方法、装置、计算机设备和存储介质 |
CN114614997B (zh) * | 2020-11-23 | 2023-07-07 | 中国移动通信集团江西有限公司 | 一种身份识别方法、装置、计算机设备和存储介质 |
CN113254063A (zh) * | 2021-06-30 | 2021-08-13 | 四川新网银行股份有限公司 | 一种灰度验证过滤器及过滤方法 |
CN113254063B (zh) * | 2021-06-30 | 2021-09-21 | 四川新网银行股份有限公司 | 一种灰度验证过滤器及过滤方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241427B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN106446228B (zh) | 一种web页面数据的采集分析方法及装置 | |
US6839680B1 (en) | Internet profiling | |
CN111475365A (zh) | 一种基于cookie的标签式AB测试方法及系统 | |
CN112561565A (zh) | 一种基于行为日志的用户需求识别方法 | |
EP3844645A1 (en) | System and method for providing customer specified webpage configuration | |
CN105389714B (zh) | 一种从行为数据识别用户特性的方法 | |
An et al. | Discover Customers’ Gender From Online Shopping Behavior | |
US20170004402A1 (en) | Predictive recommendation engine | |
CN111447575A (zh) | 短信息推送方法、装置、设备及存储介质 | |
Bhujbal et al. | News aggregation using web scraping news portals | |
CN112085566B (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
US10311484B2 (en) | Data processing device and data processing method | |
TWI680666B (zh) | 網路使用者身份辨識方法與系統 | |
WO2018002664A1 (en) | Data aggregation and performance assessment | |
CN113420018A (zh) | 用户行为数据分析方法、装置、设备及存储介质 | |
Panniello et al. | Using context for online customer re-identification | |
US20150248491A1 (en) | Data processing device and data processing method | |
US20140143019A1 (en) | Managing modeled audience extension information | |
Zhu | Research on multi‐source mobile commerce service recommendation model of data fusion based on tree network | |
CN111400567A (zh) | 一种基于ai的用户数据的处理方法、装置及系统 | |
Zhao et al. | Personalized Dynamic Counter Ad-Blocking Using Deep Learning | |
Sathiyamoorthi | Data mining and data warehousing: introduction to data mining and data warehousing | |
Zhang | Research of personalization services in e-commerce site based on web data mining | |
Sreedhar | A Framework to Improve Performance of E-Commerce Websites |
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 |