CN112015978B - 一种定制信息发送方法、装置和电子设备 - Google Patents

一种定制信息发送方法、装置和电子设备 Download PDF

Info

Publication number
CN112015978B
CN112015978B CN202010721032.6A CN202010721032A CN112015978B CN 112015978 B CN112015978 B CN 112015978B CN 202010721032 A CN202010721032 A CN 202010721032A CN 112015978 B CN112015978 B CN 112015978B
Authority
CN
China
Prior art keywords
user
rate
score
document
document element
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.)
Active
Application number
CN202010721032.6A
Other languages
English (en)
Other versions
CN112015978A (zh
Inventor
郑盛麟
刘禹彤
张嘉伟
班华斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Qiyue Information Technology Co Ltd
Original Assignee
Shanghai Qiyue Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Qiyue Information Technology Co Ltd filed Critical Shanghai Qiyue Information Technology Co Ltd
Priority to CN202010721032.6A priority Critical patent/CN112015978B/zh
Publication of CN112015978A publication Critical patent/CN112015978A/zh
Application granted granted Critical
Publication of CN112015978B publication Critical patent/CN112015978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提供了一种用于金融资源分配的定制信息发送方法、装置和电子设备，该方法包括：构建第一机器学习模型，并使用训练数据训练该模型，训练数据包括历史用户的用户特征数据和用户评估值；使用第一机器学习模型，计算目标用户的用户评估值的预测值；根据用户评估值的预测值确定定制信息发送频次策略；构建第二机器学习模型，并使用训练数据训练该模型；将目标用户的用户特征数据、各文案元素输入到第二机器学习模型，输出目标用户对于各文案元素的预测的效果评分；根据效果评分确定文案策略；根据定制信息发送频次策略和文案策略向目标用户发送定制信息。本发明能够向各类用户更精准地发送对应的定制数据，保证了触达营销效果最大化。

Description

一种定制信息发送方法、装置和电子设备
技术领域
本发明涉及通信领域，特别地涉及一种用于金融资源分配的定制信息发送方法、装置和电子设备。
背景技术
随着移动通信的蓬勃发展，电信运营商能拥有处理和存储的电信数据越来越多，很多公司和企业为了高效的发现目标用户，开始通过和电信运营商合作获取他们的电信数据进行分析和处理，得出结果后反馈给合作商家进行精准营销。
现有技术中，很多电信企业利用数据挖掘在客户细分有广泛的应用，并且一些电信企业对客户细分及客户营销方面非常重视，同时依据客户细分产生的结果做出正确的决策。例如某电信企业基于数据挖掘手段在客户流失方面有广泛的应用，并且对其进行预测。例如，有些企业主要利用数据挖掘技术对客户进行细分，采用客户的性别和年龄等基本特征来。再例如，还有一些企业主要通过分析不同客户的业务贡献来对客户进行细分，针对不同客户群制定差异化的营销方案。
虽然目前大数据在精准营销方面已经有了一些应用，但是针对电信大数据的精准营销方式还是偏少，主要原因是电信运营商为了保护用户隐私，不会随便公开用户的电信数据。但是，在营销方面仍存在如下问题：1)营销效率低下，在各大运营商以对内业务为主的时期，短信精准营销的产品大多是语音、通话、流量产品，依照业务经验设计营销客户群提取口径，但是无法满足同一时期内大量多品类产品的营销需求。2)营销效果难以保证，随着营销产品的日益多样化，业务专家的业务知识储备几乎不可能得到同步的扩展，单一依赖营销人员设计营销口径的办法无法满足高质量的客群获取，受限于业务主观认知水平，无法做到个性化的精准营销。
因此，有必要提供一种更精准的定制信息发送方法。
发明内容
为了解决上述问题，本发明提供了一种用于金融资源分配的定制信息发送方法，所述定制信息发送方法包括：构建第一机器学习模型，并使用训练数据训练所述第一机器学习模型，所述训练数据包括历史用户的用户特征数据和历史用户的用户评估值，该用户评估值用于描述用户对于金融资源的需求度和/或对于定制信息的接受程度；使用目标用户的用户行为信息数据输入所述第一机器学习模型，计算所述目标用户的用户评估值的预测值；根据所述用户评估值的预测值确定定制信息发送频次策略；构建第二机器学习模型，并使用训练数据训练所述第二机器学习模型，所述训练数据包括历史用户的用户特征数据、对历史用户的历史触达文案元素、历史用户对各文案元素的效果评分；将目标用户的用户特征数据、各文案元素输入到所述第二机器学习模型，输出目标用户对于各文案元素的预测的效果评分；根据所述效果评分确定文案策略；根据所述定制信息发送频次策略和所述文案策略向所述目标用户发送定制信息。
优选地，所述用户特征数据包括注册时长、登录频次、登录次数、金融产品属性信息数据、金融产品定价、地址位置信息数据、设备属性信息数据中的一个或其组合。
优选地，所述根据所述用户评估值的预测值确定定制信息发送频次策略包括：根据预定条件规则确定相应的定制信息发送频次策略，所述条件规则包括如下条件中至少两个条件：注册时长是否大于、小于特定设置值或是否在特定设置范围内；用户的用户评估值是否大于、小于设定阈值或是否在设定阈值范围内。
优选地，所述用户评估值包括金融资源请求意愿分、信息偏好分、用户价值分中的至少一个或其组合。
优选地，所述定制信息发送频次策略包括用户特征信息、与该用户特征信息对应的推送时间、推送频次和对推送方式。
优选地，所述根据所述效果评分和预定元素匹配规则确定文案策略，该预定元素匹配规则包括：当文案元素的所述效果评分满足预定数值范围，则将该文案元素作为匹配元素，否则将该文案元素不作为匹配元素。
优选地，所述各文案元素的效果评分包括文案元素的登录率评分、促完件率评分、促动支评分和退订率评分中的一个或其组合。
优选地，所述预定元素匹配规则包括：当满足文案元素的登录率大于或等于设定登录率、促完件率大于或等于设定完件率、促动支率大于或等于设定动支率、以及退订率小于等于设定退订率中的至少一个或其组合，则将该文案元素作为匹配元素。
此外，本发明还提供了一种用于金融资源分配的定制信息发送装置，所述定制信息发送装置包括：第一构建模块，其用于构建第一机器学习模型，并使用训练数据训练所述第一机器学习模型，所述训练数据包括历史用户的用户特征数据和历史用户的用户评估值，该用户评估值用于描述用户对于金融资源的需求度和/或对于定制信息的接受程度；第一计算模块，其用于使用目标用户的用户行为信息数据输入所述第一机器学习模型，计算所述目标用户的用户评估值的预测值；第一确定模块，其根据所述用户评估值的预测值确定定制信息发送频次策略；第二构建模块，其用于构建第二机器学习模型，并使用训练数据训练所述第二机器学习模型，所述训练数据包括历史用户的用户特征数据、对历史用户的历史触达文案元素、历史用户对各文案元素的效果评分；第二计算模块，其用于将目标用户的用户特征数据、各文案元素输入到所述第二机器学习模型，输出目标用户对于各文案元素的预测的效果评分；第二确定模块，其根据所述效果评分确定文案策略；发送模块，其根据所述定制信息发送频次策略和所述文案策略向所述目标用户发送定制信息。
优选地，所述用户特征数据包括注册时长、登录频次、登录次数、金融产品属性信息数据、金融产品定价、地址位置信息数据、设备属性信息数据中的一个或其组合。
优选地，所述装置还包括设置模块，所述设置模块用于预先设置条件规则，根据预定条件规则确定相应的定制信息发送频次策略，所述条件规则包括如下条件中至少两个条件：注册时长是否大于、小于特定设置值或是否在特定设置范围内；用户的用户评估值是否大于、小于设定阈值或是否在设定阈值范围内。
优选地，所述用户评估值包括金融资源请求意愿分、信息偏好分、用户价值分中的至少一个或其组合。
优选地，所述定制信息发送频次策略包括用户特征信息、与该用户特征信息对应的推送时间、推送频次和对推送方式。
优选地，所述根据所述效果评分和预定元素匹配规则确定文案策略，该预定元素匹配规则包括：当文案元素的所述效果评分满足预定数值范围，则将该文案元素作为匹配元素，否则将该文案元素不作为匹配元素。
优选地，所述各文案元素的效果评分包括文案元素的登录率评分、促完件率评分、促动支评分和退订率评分中的一个或其组合。
优选地，所述预定元素匹配规则包括：当满足文案元素的登录率大于或等于设定登录率、促完件率大于或等于设定完件率、促动支率大于或等于设定动支率、以及退订率小于等于设定退订率中的至少一个或其组合，则将该文案元素作为匹配元素。
此外，本发明还提供了一种电子设备，其中，该电子设备包括：处理器；以及存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行本发明所述的定制信息发送方法。
此外，本发明还提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现本发明所述的定制信息发送方法。
有益效果
与现有技术相比，本发明的定制信息发送方法对用户特征数据进行数据分析，计算用户评估值，并对文案元素使用算法化策略规则，将数据挖掘算法与策略规则相结合，确定使用户完件效果最大化的的文案元素组合(确定文案策略)，再将综合分析确定的定制信息发送给目标用户，由此，能够向各类用户更精准地发送对应的定制数据，能够保证触达营销效果最大化，能够有效控制投诉率，还能够降低营销成本。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明的用于金融资源分配的定制信息发送方法的一示例的流程图。
图2是本发明的定制信息发送方法的应用场景的一示例的示意性图。
图3是本发明的用于金融资源分配的定制信息发送方法的另一示例的流程图。
图4是本发明的定制信息发送方法的应用场景的另一示例的示意性图。
图5是本发明的定制信息发送装置的一示例的结构框图。
图6是本发明的定制信息发送装置的另一示例的结构框图。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。
图8是根据本发明的计算机可读介质的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明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元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
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。
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。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“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。
鉴于上述问题，本发明提供了一种用于金融资源分配的定制信息发送方法，通过构建两个机器学习模型计算用户评估值和文案元素的效果评分，将数据挖掘算法与策略规则相结合，再将综合分析确定的定制信息发送给目标用户，以实现向各类用户更精准地发送对应的定制数据，保证触达营销效果最大化，并有效控制投诉率和营销成本。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
实施例1
下面，将参照图1至图4描述本发明的用于金融资源分配的定制信息发送方法的实施例。
图1为本发明的用于金融资源分配的定制信息发送方法的一示例的流程图。如图1所示，一种定制信息发送方法，该方法包括如下步骤。
步骤S101，构建第一机器学习模型，并使用训练数据训练所述第一机器学习模型，所述训练数据包括历史用户的用户特征数据和历史用户的用户评估值，该用户评估值用于描述用户对于金融资源的需求度和/或对于定制信息的接受程度。
步骤S102，使用目标用户的用户行为信息数据输入所述第一机器学习模型，计算所述目标用户的用户评估值的预测值。
步骤S103，根据所述用户评估值的预测值确定定制信息发送频次策略。
步骤S104，构建第二机器学习模型，并使用训练数据训练所述第二机器学习模型，所述训练数据包括历史用户的用户特征数据、对历史用户的历史触达文案元素、历史用户对各文案元素的效果评分。
步骤S105，将目标用户的用户特征数据、各文案元素输入到所述第二机器学习模型，输出目标用户对于各文案元素的预测的效果评分。
步骤S106，根据所述效果评分确定文案策略。
步骤S107，根据所述定制信息发送频次策略和所述文案策略向所述目标用户发送定制信息。
图2是本发明的定制信息发送方法的应用场景的一示例的示意性图。
如图2所示，本发明对用户特征数据进行数据分析，计算用户评估值，对文案元素使用算法化策略规则，并将数据挖掘算法与策略规则相结合，再将综合分析确定的定制信息发送给目标用户。以下将通过具体示例说明本发明方法的具体过程。
在本示例中，本发明的定制信息发送方法应用于金融资源分配，针对不同用户，发送不同的用于营销的定制信息。具体地，金融资源包括与金融产品相关的电子优惠券等。例如金融产品为借贷类产品。再例如金融资源为优惠券，更具体地，优惠券类型包括打折类型、现金类型、免息类型和还款类型等等。
首先，在步骤S101中，构建第一机器学习模型，并使用训练数据训练所述第一机器学习模型，所述训练数据包括历史用户的用户特征数据和历史用户的用户评估值，该用户评估值用于描述用户对于金融资源的需求度和/或对于定制信息的接受程度。
具体地，对于第一机器学习模型的创建，可使用CART算法或XGB算法创建模型树(Model Tree)等。例如使用XGB算法创建模型树(Model Tree)。
需要说明的是，上述仅用于说明，不能理解成对本发明的限制。在其他示例中，还可以使用其他算法，或者可以混合使用两种以上的算法等。
进一步地，使用历史用户的用户特征数据和用户评估值训练第一机器学习模型，其中，历史用户的用户特征数据作为输入层的特征(X)，历史用户的用户评估值作为输出层的特征(Y)。
在本示例中，用户特征数据包括用户属性信息数据和用户行为信息数据。具体地，用户特征数据包括注册时长、登录频次、登录次数、金融产品属性信息数据、金融产品定价、地址位置信息数据、设备属性信息数据中的一个或其组合，其中，用户行为信息数据包括注册时长、登录频次、登录次数、登录时间等。
进一步地，用户评估值包括金融资源请求意愿分、信息偏好分、用户价值分中的至少一个或其组合。
在本示例中，所述定制信息是指用于向不同用户发送的与借贷类产品相对应的信息数据，通过电话或者短信等方式发送与营销活动相关的信息数据，例如该信息数据为营销活动文案信息。
需要说明的是，上述仅作为优选的示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S102中，使用目标用户的用户行为信息数据输入所述第一机器学习模型，计算所述目标用户的用户评估值的预测值。
在本示例中，获取用户的用户特征数据，筛选目标用户，并从该目标用户的用户特征数据中提取用户行为信息数据，并使用该用户行为信息数据输入第一机器学习模型作为输入特征，输入第一机器学习模型，以计算目标用户的用户评估值的预测值。
接下来，在步骤S103中，根据所述用户评估值的预测值确定定制信息发送频次策略。具体地，根据预定条件规则确定相应的定制信息发送频次策略。
在另一示例中，还包括预先设置条件规则的步骤S301。
如图3所示，在步骤S301中，预先设置条件规则，并将不同条件规则与各定制信息发送频次策略形成对应关系。
具体地，该条件规则包括如下条件中至少两个条件：注册时长是否大于、小于特定设置值或是否在特定设置范围内；用户的用户评估值是否大于、小于设定阈值或是否在设定阈值范围内。
例如，条件规则1：注册时长＞180天、金融资源请求意愿分＞50分且信息偏好分＞65分。例如，条件规则2：90天＜注册时长＜180天、金融资源请求意愿分＞60分且信息偏好分＞70分。再例如，条件规则3：注册时长＜90天、金融资源请求意愿分＞50分且信息偏好分＞65分。具体参见图4。
进一步地，所述定制信息发送频次策略包括用户特征信息、与该用户特征信息对应的推送时间、推送频次和对推送方式。
例如，根据所计算的用户评估值的预测值，判断是否满足预定条件规则，在满足条件规则1的情况下，定制信息发送频次策略包括用户1、金融产品1、推送时间8:00至10:00、间隔30天推送等。例如，在满足条件规则2的情况下，定制信息发送频次策略包括用户2、金融产品1、推送时间15:00至16:00、间隔10天推送等。再例如，在满足条件规则3的情况下，定制信息发送频次策略包括用户3、金融产品1、推送时间18:00至20:00、间隔7天推送等。
在其他示例中，还可以构建输入用户行为信息数据且直接输出定制信息发送频次策略的机器学习模型。
需要说明的是，步骤S102中用户行为信息数据、用户评估值与步骤S101中的用户行为信息数据、用户评估值所表示的具体意义相同，因此，省略了对其的描述。对于条件规则和定制信息发送频次策略，上述仅为优选的实施例，不能理解成对本发明的限制。
接下来，在步骤S104中，构建第二机器学习模型，并使用训练数据训练所述第二机器学习模型，所述训练数据包括历史用户的用户特征数据、对历史用户的历史触达文案元素、历史用户对各文案元素的效果评分。
在本示例中，设有文案元素池，该文案元素池包括历史触达文案元素。优选地，根据一套内置算法拆解出各文案元素历史回滚触达效果评分(登录促动效果、完件促动效果、动支促动效果、退订投诉率)。
进一步地，使用历史用户的用户特征数据、对历史用户的历史触达文案元素和历史用户对各文案元素的效果评分训练第一机器学习模型，其中，历史用户的用户特征数据、对历史用户的历史触达文案元素作为输入层的特征(X)，历史用户对各文案元素的效果评分作为输出层的特征(Y)。
在本示例中，历史用户对各文案元素的效果评分包括文案元素的登录率评分、促完件率评分、促动支评分和退订率评分中的一个或其组合。
下面将具体说明历史用户对各文案元素的效果评分的计算过程。
具体地，对于文案元素的登录率评分，在本示例中，以文案元素的综合登录率表示文案元素的登录率评分，该综合登录率通过当日完件率、时间衰减系数、当日推送量级占比、登录率波动系数等参数进行计算，具体参见如下表达式(1)。
Figure BDA0002600012140000101
其中，flogin为文案元素的登录率评分；α为时间衰减函数，α＝N0e-γt，其中，N0为初始值；γ为登录率波动系数，
Figure BDA0002600012140000102
Figure BDA0002600012140000103
Nt，xi，login为t日，i文案触达后当日登录人次；Nt，sendsus为t日短信推送成功量级；Ct，xi为i文案，t日推送成功量级；n为自定义时间跨度。
进一步地，对于文案元素的促完件率评分，在本示例中，以文案元素的综合完件率表示文案元素的促完件率评分，该综合完件率通过当日完件率、时间衰减系数、当日推送量级占比、完件率波动系数等参数进行计算，具体参见如下表达式(2)。
Figure BDA0002600012140000104
其中，fsubmit为文案元素的促完件率评分；α为时间衰减函数α＝N0e-γt，N0为初始值；γ为完件率波动系数，
Figure BDA0002600012140000105
Nt，xi，submit为t日，i文案触达后当日完件人次；Nt，sendsus为t日短信推送成功量级；Ct，xi为i文案，t日推送成功量级；n为自定义时间跨度。
进一步地，对于文案元素的退订率评分，在本示例中，以文案元素的综合退订率表示文案元素的退订率评分，该综合退订率通过对上行短信文案文本分析，并使用当日退订率、时间衰减系数、当日推送量级占比、退订率波动系数等参数进行计算，具体参见如下表达式(3)。
Figure BDA0002600012140000111
其中，ftd为文案元素的退订率评分；α为时间衰减函数，α＝N0e-γt，N0为初始值；γ为退订率波动系数，
Figure BDA0002600012140000112
Nt，xi，td为t日，i文案触达后当日退订/投诉人次；Nt，sendsus为t日短信推送成功量级；Ct，xi为i文案，t日推送成功量级；n为自定义时间跨度。
需要说明的是，步骤S104中历史用户的用户特征数据与步骤S101中的用户特征数据所表示的具体含义相同，因此省略了对其的描述。
接下来，在步骤S105中，将目标用户的用户特征数据、各文案元素输入到所述第二机器学习模型，输出目标用户对于各文案元素的预测的效果评分。
在本示例中，获取目标用户的用户特征数据，并提取用户行为信息数据。例如，使用用户行为信息数据和多个文案元素组合输入第二机器学习模型作为输入特征，输入第二机器学习模型，以输出目标用户对于各文案元素的预测的效果评分。
需要说明的是，对于各文案元素的效果评分的预测值，步骤步骤S105中的计算方法与步骤S104中的计算方法相同，因此，省略了对其的描述。
接下来，在步骤S106中，根据所述效果评分确定文案策略。
在本示例中，当文案元素的所述效果评分满足预定数值范围，则将该文案元素作为匹配元素，否则将该文案元素不作为匹配元素。
优选地，还包括预先设定元素匹配规则。具体地，元素匹配规则包括登录率评分规则、促完件率评分规则和退订率评分规则中的一个或其组合。
例如，元素匹配规则1：文案元素登录率＞2％，文案元素促完件率＞0.5％，文案元素退订率＜0.5％。
具体地，将所计算的效果评分与元素匹配规则1进行比对。当满足文案元素的登录率大于或等于设定登录率、促完件率大于或等于设定完件率、促动支率大于或等于设定动支率、以及退订率小于等于设定退订率中的至少一个或其组合，则将该文案元素作为匹配元素。
例如，在满足该元素匹配规则1的情况下，表示与现有的文案组合模版的匹配率＞90％，则输出“与该文案组合模版编号”，即输出与所述效果评分相对应的文案元素组合。具体参见图4。
在不满足该元素匹配规则1的情况下，表示与现有的文案组合模版的匹配率＜90％，则输出“无匹配”。
需要说明的是，在本示例中，设定退订率或投诉率低于0.5％，但是不限于此，业务人员可以根据实际业务情况选择不同的营销元素组合。
上述通过对文案元素使用算法化策略规则(即上述计算和匹配过程)，确定使用户完件效果最大化的的文案元素组合，即确定文案策略，由此，能够保证触达营销效果最大化，能够有效控制投诉率，还能够降低营销成本。
接下来，在步骤S107中，根据所述定制信息发送频次策略和所述文案策略向所述目标用户发送定制信息。
在本示例中，根据步骤S103所确定的定制信息发送频次策略和步骤S106所确定的文案策略，确定与不同目标用户行对应的定制信息，并发送所述定制信息。
具体地，定制信息例如为与借贷类金融产品相对应的信息数据，针对各类用户发送，例如通过电话或者短信等方式，发送相应信息数据。因此，能够向各类用户更精准地发送对应的定制数据，降低了营销成本。
需要说明的是，上述仅为优选的示例，不能理解成对本发明的限制。在其他示例中，步骤还可以拆分成两个或三个步骤，还可以对步骤的顺序进行调整。
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计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
与现有技术相比，本发明的定制信息发送方法对用户特征数据进行数据分析，计算用户评估值，并对文案元素使用算法化策略规则，将数据挖掘算法与策略规则相结合，确定使用户完件效果最大化的的文案元素组合(确定文案策略)，再将综合分析确定的定制信息发送给目标用户，由此，能够向各类用户更精准地发送对应的定制数据，能够保证触达营销效果最大化，能够有效控制投诉率，还能够降低营销成本。
实施例2
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
参照图5和图6，本发明还提供了一种用于金融资源分配的定制信息发送装置500，所述定制信息发送装置500包括：第一构建模块501，其用于构建第一机器学习模型，并使用训练数据训练所述第一机器学习模型，所述训练数据包括历史用户的用户特征数据和历史用户的用户评估值，该用户评估值用于描述用户对于金融资源的需求度和/或对于定制信息的接受程度；第一计算模块502，其用于使用目标用户的用户行为信息数据输入所述第一机器学习模型，计算所述目标用户的用户评估值的预测值；第一确定模块503，其根据所述用户评估值的预测值确定定制信息发送频次策略；第二构建模块504，其用于构建第二机器学习模型，并使用训练数据训练所述第二机器学习模型，所述训练数据包括历史用户的用户特征数据、对历史用户的历史触达文案元素、历史用户对各文案元素的效果评分；第二计算模块505，其用于将目标用户的用户特征数据、各文案元素输入到所述第二机器学习模型，输出目标用户对于各文案元素的预测的效果评分；第二确定模块506，其根据所述效果评分确定文案策略；发送模块507，其根据所述定制信息发送频次策略和所述文案策略向所述目标用户发送定制信息。
优选地，所述用户特征数据包括注册时长、登录频次、登录次数、金融产品属性信息数据、金融产品定价、地址位置信息数据、设备属性信息数据中的一个或其组合。
如图6所示，所述装置500还包括设置模块601，所述设置模块601用于预先设置条件规则，根据预定条件规则确定相应的定制信息发送频次策略，所述条件规则包括如下条件中至少两个条件：注册时长是否大于、小于特定设置值或是否在特定设置范围内；用户的用户评估值是否大于、小于设定阈值或是否在设定阈值范围内。
优选地，所述用户评估值包括金融资源请求意愿分、信息偏好分、用户价值分中的至少一个或其组合。
优选地，所述定制信息发送频次策略包括用户特征信息、与该用户特征信息对应的推送时间、推送频次和对推送方式。
优选地，所述根据所述效果评分和预定元素匹配规则确定文案策略，该预定元素匹配规则包括：当文案元素的所述效果评分满足预定数值范围，则将该文案元素作为匹配元素，否则将该文案元素不作为匹配元素。
优选地，所述各文案元素的效果评分包括文案元素的登录率评分、促完件率评分、促动支评分和退订率评分中的一个或其组合。
优选地，所述预定元素匹配规则包括：当满足文案元素的登录率大于或等于设定登录率、促完件率大于或等于设定完件率、促动支率大于或等于设定动支率、以及退订率小于等于设定退订率中的至少一个或其组合，则将该文案元素作为匹配元素。
需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述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。
与现有技术相比，本发明的定制信息发送装置特别适用于实施例1的方法，该装置对能够向各类用户更精准地发送对应的定制数据，能够保证触达营销效果最大化，能够有效控制投诉率，还能够降低营销成本。
实施例3
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的电子设备200。图7显示的电子设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240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210执行，使得所述处理单元210执行本说明书上述电子设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1所示的步骤。
所述存储单元220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)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205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230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200也可以与一个或多个外部设备300(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200交互的设备通信，和/或与使得该电子设备200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250进行。并且，电子设备200还可以通过网络适配器260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260可以通过总线230与电子设备200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200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，本发明描述的示例性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，根据本发明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计算机可读的存储介质(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)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。
如图8所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机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发明操作的程序代码，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)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (18)

1.一种用于金融资源分配的定制信息发送方法，其特征在于，所述定制信息发送方法包括：
构建第一机器学习模型，并使用训练数据训练所述第一机器学习模型，所述训练数据包括历史用户的用户特征数据和历史用户的用户评估值，该用户评估值用于描述用户对于金融资源的需求度和/或对于定制信息的接受程度；
使用目标用户的用户行为信息数据输入所述第一机器学习模型，计算所述目标用户的用户评估值的预测值；
根据所述用户评估值的预测值确定定制信息发送频次策略；
构建第二机器学习模型，并使用训练数据训练所述第二机器学习模型，所述训练数据包括历史用户的用户特征数据、对历史用户的历史触达文案元素、历史用户对各文案元素的效果评分，所述历史用户对各文案元素的效果评分包括文案元素的登录率评分、促完件率评分、促动支评分和退订率评分中的一个或其组合，其中，
所述文案元素的登录率评分flogin，
Figure FDA0004051201470000011
其中，α为时间衰减函数，α＝N0e-γt，N0为初始值；γ为登录率波动系数，/>
Figure FDA0004051201470000012
Nt,xi,login为t日，i文案触达后当日登录人次；Nt,sendsus为t日短信推送成功量级；Ct,xi为i文案，t日推送成功量级；n为自定义时间跨度；
所述文案元素的促完件率评分fsubmit，
Figure FDA0004051201470000021
α为时间衰减函数α＝N0e-γt，N0为初始值；γ为完件率波动系数，/>
Figure FDA0004051201470000022
Nt,xi,submit为t日，i文案触达后当日完件人次；Nt,sendsus为t日短信推送成功量级；Ct,xi为i文案，t日推送成功量级；n为自定义时间跨度
所述文案元素的退订率评分ftd，
Figure FDA0004051201470000023
α为时间衰减函数，α＝N0e-γt，N0为初始值；γ为退订率波动系数，/>
Figure FDA0004051201470000024
Nt,xi,td为t日，i文案触达后当日退订/投诉人次；Nt,sendsus为t日短信推送成功量级；Ct,xi为i文案，t日推送成功量级；n为自定义时间跨度；将目标用户的用户特征数据、各文案元素输入到所述第二机器学习模型，输出目标用户对于各文案元素的预测的效果评分；
根据所述效果评分确定文案策略；
根据所述定制信息发送频次策略和所述文案策略向所述目标用户发送定制信息。
2.根据权利要求1所述的用于金融资源分配的定制信息发送方法，其特征在于，
所述用户特征数据包括注册时长、登录频次、登录次数、金融产品属性信息数据、金融产品定价、地址位置信息数据、设备属性信息数据中的一个或其组合。
3.根据权利要求2所述的用于金融资源分配的定制信息发送方法，其特征在于，
所述根据所述用户评估值的预测值确定定制信息发送频次策略包括：
根据预定条件规则确定相应的定制信息发送频次策略，所述条件规则包括如下条件中至少两个条件：
注册时长是否大于、小于特定设置值或是否在特定设置范围内；
用户的用户评估值是否大于、小于设定阈值或是否在设定阈值范围内。
4.根据权利要求1至3中任一项所述的用于金融资源分配的定制信息发送方法，其特征在于，所述用户评估值包括金融资源请求意愿分、信息偏好分、用户价值分中的至少一个或其组合。
5.根据权利要求1至3中任一项所述的用于金融资源分配的定制信息发送方法，其特征在于，所述定制信息发送频次策略包括用户特征信息、与该用户特征信息对应的推送时间、推送频次和对推送方式。
6.根据权利要求1所述的用于金融资源分配的定制信息发送方法，其特征在于，所述根据所述效果评分和预定元素匹配规则确定文案策略，该预定元素匹配规则包括：当文案元素的所述效果评分满足预定数值范围，则将该文案元素作为匹配元素，否则将该文案元素不作为匹配元素。
7.根据权利要求6所述的用于金融资源分配的定制信息发送方法，其特征在于，
所述各文案元素的效果评分包括文案元素的登录率评分、促完件率评分、促动支评分和退订率评分中的一个或其组合。
8.根据权利要求7所述的用于金融资源分配的定制信息发送方法，其特征在于，
所述预定元素匹配规则包括：当满足文案元素的登录率大于或等于设定登录率、促完件率大于或等于设定完件率、促动支率大于或等于设定动支率、以及退订率小于等于设定退订率中的至少一个或其组合，则将该文案元素作为匹配元素。
9.一种用于金融资源分配的定制信息发送装置，其特征在于，所述定制信息发送装置包括：
第一构建模块，其用于构建第一机器学习模型，并使用训练数据训练所述第一机器学习模型，所述训练数据包括历史用户的用户特征数据和历史用户的用户评估值，该用户评估值用于描述用户对于金融资源的需求度和/或对于定制信息的接受程度；
第一计算模块，其用于使用目标用户的用户行为信息数据输入所述第一机器学习模型，计算所述目标用户的用户评估值的预测值；
第一确定模块，其根据所述用户评估值的预测值确定定制信息发送频次策略；
第二构建模块，其用于构建第二机器学习模型，并使用训练数据训练所述第二机器学习模型，所述训练数据包括历史用户的用户特征数据、对历史用户的历史触达文案元素、历史用户对各文案元素的效果评分，所述历史用户对各文案元素的效果评分包括文案元素的登录率评分、促完件率评分、促动支评分和退订率评分中的一个或其组合，其中，
所述文案元素的登录率评分flogin，
Figure FDA0004051201470000051
其中，α为时间衰减函数，α＝N0e-γt，N0为初始值；γ为登录率波动系数，/>
Figure FDA0004051201470000052
Nt,xi,login为t日，i文案触达后当日登录人次；Nt,sendsus为t日短信推送成功量级；Ct,xi为i文案，t日推送成功量级；n为自定义时间跨度；
所述文案元素的促完件率评分fsubmit，
Figure FDA0004051201470000053
α为时间衰减函数α＝N0e-γt，N0为初始值；γ为完件率波动系数，/>
Figure FDA0004051201470000054
Nt,xi,submit为t日，i文案触达后当日完件人次；Nt,sendsus为t日短信推送成功量级；Ct,xi为i文案，t日推送成功量级；n为自定义时间跨度
所述文案元素的退订率评分ftd，
Figure FDA0004051201470000055
α为时间衰减函数，α＝N0e-γt，N0为初始值；γ为退订率波动系数，/>
Figure FDA0004051201470000056
Nt,xi,td为t日，i文案触达后当日退订/投诉人次；Nt,sendsus为t日短信推送成功量级；Ct,xi为i文案，t日推送成功量级；n为自定义时间跨度；
第二计算模块，其用于将目标用户的用户特征数据、各文案元素输入到所述第二机器学习模型，输出目标用户对于各文案元素的预测的效果评分；
第二确定模块，其根据所述效果评分确定文案策略；
发送模块，其根据所述定制信息发送频次策略和所述文案策略向所述目标用户发送定制信息。
10.根据权利要求9所述的定制信息发送装置，其特征在于，
所述用户特征数据包括注册时长、登录频次、登录次数、金融产品属性信息数据、金融产品定价、地址位置信息数据、设备属性信息数据中的一个或其组合。
11.根据权利要求10所述的定制信息发送装置，其特征在于，所述装置还包括设置模块，所述设置模块用于预先设置条件规则，
根据预定条件规则确定相应的定制信息发送频次策略，所述条件规则包括如下条件中至少两个条件：
注册时长是否大于、小于特定设置值或是否在特定设置范围内；
用户的用户评估值是否大于、小于设定阈值或是否在设定阈值范围内。
12.根据权利要求9至11中任一项所述的定制信息发送装置，其特征在于，所述用户评估值包括金融资源请求意愿分、信息偏好分、用户价值分中的至少一个或其组合。
13.根据权利要求9至11中任一项所述的定制信息发送装置，其特征在于，所述定制信息发送频次策略包括用户特征信息、与该用户特征信息对应的推送时间、推送频次和对推送方式。
14.根据权利要求9所述的定制信息发送装置，其特征在于，所述根据所述效果评分和预定元素匹配规则确定文案策略，该预定元素匹配规则包括：当文案元素的所述效果评分满足预定数值范围，则将该文案元素作为匹配元素，否则将该文案元素不作为匹配元素。
15.根据权利要求14所述的定制信息发送装置，其特征在于，
所述各文案元素的效果评分包括文案元素的登录率评分、促完件率评分、促动支评分和退订率评分中的一个或其组合。
16.根据权利要求15所述的定制信息发送装置，其特征在于，
所述预定元素匹配规则包括：当满足文案元素的登录率大于或等于设定登录率、促完件率大于或等于设定完件率、促动支率大于或等于设定动支率、以及退订率小于等于设定退订率中的至少一个或其组合，则将该文案元素作为匹配元素。
17.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-8中任一项所述的定制信息发送方法。
18.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-8中任一项所述的定制信息发送方法。
CN202010721032.6A 2020-07-24 2020-07-24 一种定制信息发送方法、装置和电子设备 Active CN112015978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010721032.6A CN112015978B (zh) 2020-07-24 2020-07-24 一种定制信息发送方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010721032.6A CN112015978B (zh) 2020-07-24 2020-07-24 一种定制信息发送方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112015978A CN112015978A (zh) 2020-12-01
CN112015978B true CN112015978B (zh) 2023-06-23

Family

ID=73498910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010721032.6A Active CN112015978B (zh) 2020-07-24 2020-07-24 一种定制信息发送方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112015978B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297480B (zh) * 2021-04-29 2023-03-14 上海淇玥信息技术有限公司 一种定制化信息发送方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019191817A1 (en) * 2018-04-05 2019-10-10 NodApp Pty Ltd A system and method for generating documents
CN110728541A (zh) * 2019-10-11 2020-01-24 广州市丰申网络科技有限公司 信息流媒体广告创意推荐方法及装置
CN111178954A (zh) * 2019-12-20 2020-05-19 北京淇瑀信息科技有限公司 一种广告投放方法、系统和电子设备
CN111199418A (zh) * 2019-12-16 2020-05-26 北京淇瑀信息科技有限公司 基于图数据和反向传播算法的数据传播方法、装置和电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014122661A1 (en) * 2013-02-05 2014-08-14 Yassin Said Method for customizing and presentation of data units according to user's field of interest and detailed depth
CN108711107A (zh) * 2018-05-25 2018-10-26 上海钱智金融信息服务有限公司 智能融资服务推荐方法及其系统
CN109167816B (zh) * 2018-08-03 2021-11-16 广州虎牙信息科技有限公司 信息推送方法、装置、设备和存储介质
US20200175415A1 (en) * 2018-11-29 2020-06-04 Didi Research America, Llc System and method for customizing information feed
CN110795621A (zh) * 2019-09-26 2020-02-14 北京你财富计算机科技有限公司 一种金融产品推荐信息展示方法、装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019191817A1 (en) * 2018-04-05 2019-10-10 NodApp Pty Ltd A system and method for generating documents
CN110728541A (zh) * 2019-10-11 2020-01-24 广州市丰申网络科技有限公司 信息流媒体广告创意推荐方法及装置
CN111199418A (zh) * 2019-12-16 2020-05-26 北京淇瑀信息科技有限公司 基于图数据和反向传播算法的数据传播方法、装置和电子设备
CN111178954A (zh) * 2019-12-20 2020-05-19 北京淇瑀信息科技有限公司 一种广告投放方法、系统和电子设备

Also Published As

Publication number Publication date
CN112015978A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
US20190208060A1 (en) Customer journey management
CN113545026B (zh) 用于漏洞评估和补救措施识别的系统和方法
US10657544B2 (en) Targeted E-commerce business strategies based on affiliation networks derived from predictive cognitive traits
JP7455252B2 (ja) セグメンテーション・アズ・ア・サービスのための方法及びシステム
CN111552880A (zh) 基于知识图谱的数据处理方法、装置、介质及电子设备
CN112015977A (zh) 一种定制信息推送方法、装置和电子设备
US20200412682A1 (en) Feedback enabled network curation of relevant content thread
CN111199418A (zh) 基于图数据和反向传播算法的数据传播方法、装置和电子设备
CN112819528A (zh) 人群包的上线方法、装置及电子设备
CN111210255A (zh) 广告推送方法、装置及电子设备
CN111382359A (zh) 基于强化学习的服务策略推荐方法、装置、电子设备
KR101931624B1 (ko) 패션 분야의 트렌드 분석방법 및 이를 포함하는 저장매체
CN112015978B (zh) 一种定制信息发送方法、装置和电子设备
CN111179030A (zh) 广告出价方法、装置及电子设备
CN111199454B (zh) 实时用户转化评估方法、装置及电子设备
CN112488865A (zh) 基于金融时间节点的金融风险预测方法、装置和电子设备
CN109829744A (zh) 基于自然语言处理的咨询方法、装置、电子设备及介质
CN106815765A (zh) 一种资产分配方法和设备
CN110796543A (zh) 基于关系网络的定制信息获取方法、装置及电子设备
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN108768742A (zh) 网络构建方法及装置、电子设备、存储介质
CN111178943B (zh) 广告实时出价方法、装置及电子设备
CN111507471B (zh) 一种模型训练方法、装置、设备及存储介质
CN112950003A (zh) 用户资源配额调整方法、装置及电子设备
CN113902543A (zh) 资源配额调整方法、装置及电子设备

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