CN112070545B - 用于优化信息触达的方法、装置、介质和电子设备 - Google Patents
用于优化信息触达的方法、装置、介质和电子设备 Download PDFInfo
- Publication number
- CN112070545B CN112070545B CN202010946126.3A CN202010946126A CN112070545B CN 112070545 B CN112070545 B CN 112070545B CN 202010946126 A CN202010946126 A CN 202010946126A CN 112070545 B CN112070545 B CN 112070545B
- Authority
- CN
- China
- Prior art keywords
- user
- touch
- reach
- processed
- prediction model
- 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
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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- 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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
Abstract
公开了一种用于优化信息触达的方法、装置、介质以及电子设备。其中的方法包括:获取待处理用户的历史行为特征;将待处理用户的历史行为特征和多个触达方式分别进行组合,针对每一种组合分别进行触达结果预测,获得预测出的多个触达结果;其中,所述触达方式包括多个触达元素,所述多个触达方式中的任意两个触达方式所包含的多个触达元素中的至少一触达元素的取值不同;根据所述多个触达结果,确定所述待处理用户的触达方式;根据所述待处理用户的触达方式,对所述待处理用户进行信息触达处理。本公开提供的技术方案有利于优化信息触达,从而有利于提升系统中的日活用户数量以及用户活跃度,并有利于降低用户的流失率,进而有利于提高系统的价值。
Description
技术领域
本公开涉及计算机技术,尤其是涉及一种用于优化信息触达的方法、用于优化信息触达的装置、存储介质以及电子设备。
背景技术
信息触达可以包括向用户推送信息以及主动联系用户等。信息触达的目的通常包括:提升系统中的DAU(Daily Active User,日活跃用户)数量以及用户活跃度,并降低用户的流失率。
如何优化信息触达,以获得较好的信息触达结果,是一个值得关注的技术问题。
发明内容
为了解决上述技术问题,提出了本公开。本公开的实施例提供了一种用于优化信息触达的方法、用于优化信息触达的装置、存储介质以及电子设备。
根据本公开实施例的一个方面,提供了一种用于优化信息触达的方法,包括:获取待处理用户的历史行为特征;将所述待处理用户的历史行为特征和多个触达方式分别进行组合,针对每一种组合分别进行触达结果预测,获得预测出的多个触达结果;其中,所述触达方式包括多个触达元素,所述多个触达方式中的任意两个触达方式所包含的多个触达元素中的至少一触达元素的取值不同;根据所述预测出的多个触达结果,确定所述待处理用户的触达方式;根据所述待处理用户的触达方式,对所述待处理用户进行信息触达处理。
在本公开一实施方式中,所述获取待处理用户的历史行为特征,包括:获取待处理用户在多个预定时间范围内分别执行多个类型的行为的行为量;其中,所述多个类型的行为的行为量形成所述历史行为特征。
在本公开又一实施方式中,所述获取待处理用户的历史行为特征,包括:根据预定用户画像对系统中的用户进行用户圈选,获得至少一个需要进行信息触达的用户群;其中,所述用户群中的用户被作为待处理用户;针对所述用户群中的任一用户,获取该用户的历史行为特征。
在本公开再一实施方式中,所述对所述待处理用户的历史行为特征和多个触达方式的组合,分别进行触达结果预测,获得预测出的多个触达结果,包括:根据所述待处理用户所属的用户群的类型,确定所述待处理用户对应的触达结果预测模型;针对所述多个触达方式中的任一触达方式,至少将所述待处理用户的历史行为特征和该触达方式作为输入,提供给所述触达结果预测模型;经由所述触达结果预测模型对所述输入进行触达结果预测处理;根据所述触达结果预测模型的输出,获得所述待处理用户在该触达方式下的触达结果。
在本公开再一实施方式中,所述至少将所述待处理用户的历史行为特征和该触达方式作为输入,提供给所述触达结果预测模型,包括:将触达方式基础信息、所述待处理用户的历史行为特征以及该触达方式作为输入,提供给所述触达结果预测模型;其中,所述触达方式基础信息包括:多个触达元素的多个取值以及由多个触达元素的多个取值形成的多个触达方式。
在本公开再一实施方式中,所述触达结果预测模型的训练过程包括:至少将第一训练集合中的多个第一训练样本分别作为输入,提供给待训练触达结果预测模型;经由所述待训练触达结果预测模型对输入的各第一训练样本,分别进行沉默预测处理;根据所述待训练触达结果预测模型的输出,获得预测出的所述输入的各第一训练样本各自对应的第一沉默率;根据所述各第一训练样本的沉默标注信息以及所述各第一训练样本的第一沉默率,调整所述待训练触达结果预测模型的模型参数;其中,所述第一训练集合中的多个第一训练样本各自对应的用户属于同一类型的用户群,所述第一训练样本对应的用户为存在历史信息触达处理的用户,且所述第一训练样本的沉默标注信息是根据第一训练样本所对应的用户在第一预定时间点之后的第一预定时间范围内,是否存在历史行为设置的。
在本公开再一实施方式中,所述根据所述多个触达结果,确定所述待处理用户的触达方式,包括:获取所述待处理用户在不进行信息触达处理情况下的第二沉默率;根据所述第二沉默率确定所述多个触达结果中使所述第二沉默率降幅最大的触达结果,获得所述待处理用户的触达方式。
在本公开再一实施方式中,所述获取所述待处理用户在不进行信息触达处理情况下的第二沉默率,包括:根据所述待处理用户所属的用户群的类型,确定所述待处理用户对应的沉默预测模型;将所述待处理用户的历史行为特征作为输入,提供给所述沉默预测模型;经由所述沉默预测模型对所述输入进行沉默率预测处理;根据所述沉默预测模型的输出,获得所述待处理用户在不进行信息触达处理情况下,在第二预定时间点之后的第二预定时间范围内的第二沉默率。
在本公开再一实施方式中,所述沉默预测模型的训练过程包括:将第二训练集合中的多个第二训练样本分别作为输入,提供给待训练沉默预测模型;经由所述待训练沉默预测模型对输入的各第二训练样本,分别进行沉默预测处理;根据所述待训练沉默预测模型的输出,获得预测出的所述输入的各第二训练样本各自对应的第三沉默率;根据所述各第二训练样本的沉默标注信息以及所述各第二训练样本的第三沉默率,调整所述待训练沉默预测模型的模型参数;其中,所述第二训练集合中的所有第二训练样本各自对应的用户属于同一类型的用户群,所述第二训练样本的沉默标注信息是根据第二训练样本所对应的用户在第三预定时间点之后的第三预定时间范围内,是否存在历史行为设置的。
根据本公开实施例的另一个方面,提供了一种用于优化信息触达的装置,该装置包括:获取行为特征模块,用于获取待处理用户的历史行为特征;触达结果预测模块,用于将所述待处理用户的历史行为特征和多个触达方式分别进行组合,针对每一种组合分别进行触达结果预测,获得预测出的多个触达结果;其中所述触达方式包括多个触达元素,所述多个触达方式中的任意两个触达方式所包含的多个触达元素中的至少一触达元素的取值不同;确定触达方式模块,用于根据所述预测出的多个触达结果,确定所述待处理用户的触达方式;触达处理模块,用于根据所述待处理用户的触达方式,对所述待处理用户进行信息触达处理。
在本公开一实施方式中,所述获取行为特征模块进一步用于:获取待处理用户在多个预定时间范围内分别执行多个类型的行为的行为量;其中,所述多个类型的行为的行为量形成所述历史行为特征。
在本公开又一实施方式中,所述获取行为特征模块包括:第一子模块,用于根据预定用户画像对系统中的用户进行用户圈选,获得至少一个需要进行信息触达的用户群;其中,所述用户群中的用户被作为待处理用户;第二子模块,用于针对所述用户群中的任一用户,获取该用户的历史行为特征。
在本公开再一实施方式中,所述触达结果预测模块,包括:第三子模块,用于根据所述待处理用户所属的用户群的类型,确定所述待处理用户对应的触达结果预测模型;第四子模块,用于针对所述多个触达方式中的任一触达方式,至少将所述待处理用户的历史行为特征和该触达方式作为输入,提供给所述触达结果预测模型,经由所述触达结果预测模型对所述输入进行触达结果预测处理,并根据所述触达结果预测模型的输出,获得所述待处理用户在该触达方式下的触达结果。
在本公开再一实施方式中,所述第四子模块进一步用于:将触达方式基础信息、所述待处理用户的历史行为特征以及该触达方式作为输入,提供给所述触达结果预测模型;其中,所述触达方式基础信息包括:多个触达元素的多个取值以及由所述多个触达元素的多个取值形成的多个触达方式。
在本公开再一实施方式中,所述装置还包括:第一训练模块,用于:至少将第一训练集合中的多个第一训练样本分别作为输入,提供给待训练触达结果预测模型;经由所述待训练触达结果预测模型对输入的各第一训练样本,分别进行沉默预测处理;根据所述待训练触达结果预测模型的输出,获得预测出的所述输入的各第一训练样本各自对应的第一沉默率;根据所述各第一训练样本的沉默标注信息以及所述各第一训练样本的第一沉默率,调整所述待训练触达结果预测模型的模型参数;其中,所述第一训练集合中的多个第一训练样本各自对应的用户属于同一类型的用户群,所述第一训练样本对应的用户为存在历史信息触达处理的用户,且所述第一训练样本的沉默标注信息是根据第一训练样本所对应的用户在第一预定时间点之后的第一预定时间范围内,是否存在历史行为设置的。
在本公开再一实施方式中,所述确定触达方式模块包括:第五子模块,用于获取所述待处理用户在不进行信息触达处理情况下的第二沉默率;第六子模块,用于根据所述第二沉默率确定所述多个触达结果中使所述第二沉默率降幅最大的触达结果,获得所述待处理用户的触达方式。
在本公开再一实施方式中,所述第五子模块进一步用于:根据所述待处理用户所属的用户群的类型,确定所述待处理用户对应的沉默预测模型;将所述待处理用户的历史行为特征作为输入,提供给所述沉默预测模型;经由所述沉默预测模型对所述输入进行沉默率预测处理;根据所述沉默预测模型的输出,获得所述待处理用户在不进行信息触达处理情况下,在第二预定时间点之后的第二预定时间范围内的第二沉默率。
在本公开再一实施方式中,所述装置还包括:第二训练模块,用于:将第二训练集合中的多个第二训练样本分别作为输入,提供给待训练沉默预测模型;经由所述待训练沉默预测模型对输入的各第二训练样本,分别进行沉默预测处理;根据所述待训练沉默预测模型的输出,获得预测出的所述输入的各第二训练样本各自对应的第三沉默率;根据所述各第二训练样本的沉默标注信息以及所述各第二训练样本的第三沉默率,调整所述待训练沉默预测模型的模型参数;其中,所述第二训练集合中的所有第二训练样本各自对应的用户属于同一类型的用户群,所述第二训练样本的沉默标注信息是根据第二训练样本所对应的用户在第三预定时间点之后的第三预定时间范围内,是否存在历史行为设置的。
根据本公开实施例的再一方面,提供一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述用于优化信息触达的方法。
根据本公开实施例的又一方面,提供一种电子设备,该电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述用于优化信息触达的方法。
基于本公开上述实施例提供的一种用于优化信息触达的方法和装置,通过将待处理用户的历史行为特征与多个触达方式分别进行组合,形成了多种组合,通过对每一种组合分别进行触达结果的预测,可以获得采用每一种触达方式分别对待处理用户进行信息触达处理,产生的可预期的触达结果;通过利用预测获得的多个可预期的触达结果,可以较为客观的选取出一种触达方式,作为待处理用户的触达方式,且本公开选取出的触达方式有利于使对待处理用户的信息触达处理,产生较好的触达效果。例如,对于低活跃度用户而言,有利于促使用户执行点击系统推送的信息等操作,从而使用户摆脱低活跃度状态;再例如,对于沉默用户而言,有利于促使用户通过点击系统推送的信息等操作,从而使用户不再沉默。由此可知,本公开提供的技术方案有利于优化信息触达,从而有利于提升系统中的DAU数量以及系统中的用户活跃度,并有利于降低用户的流失率,进而有利于提高系统的价值。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同描述一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1为本公开的用于优化信息触达的方法一个实施例的流程图;
图2为本公开的实现触达结果预测的一实施例的流程图;
图3为本公开的触达结果预测模型一实施例的示意图;
图4为本公开的触达结果预测模型训练过程一实施例的流程图;
图5为本公开的获取待处理用户在不进行信息触达处理情况下的第二沉默率一实施例的流程图;
图6为本公开的沉默预测模型训练过程一实施例的流程图;
图7为本公开的用于优化信息触达的装置一个实施例的结构示意图;
图8为本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面将参考附图详细地描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或者两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅是一种描述关联对象的关联关系,表示可以存在三种关系,如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本公开的实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或者专用计算系统环境或配置一起操作。适于与终端设备、计算机系统或者服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施。在分布式云计算环境中,任务可以是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
本公开概述
在实现本公开的过程中,发明人发现,由于信息触达有利于提升系统中的DAU数量以及用户活跃度,并有利于降低用户的流失率,而被广泛应用在商品销售、房租租售以及门户网站等多个领域中。
目前,信息触达的实现过程,多依赖于业务人员的业务经验。例如,对于一用户而言,相关人员会根据其业务经验为该用户确定一种触达方式,并利用该触达方式对该用户进行信息触达处理。
然而,不同业务人员的业务经验往往不相同,且用户的情况通常是多种多样的,这使得信息触达的触达效果存在较强的不确定性,从而会对信息触达的目的产生不利影响。
示例性概述
本公开提供的用于优化信息触达技术的应用场景的一个例子如下:
假设系统中存在n个用户,即用户1、用户2、……以及用户n。这n个用户均属于活跃度较低的用户。假设当前存在m种触达方式,即触达方式1、触达方式2、……以及触达方式m。
在上述假设情况下,本公开提供的技术方案可以获得:
对用户1采用触达方式1进行信息触达的触达结果;
对用户1采用触达方式2进行信息触达的触达结果;
……
对用户1采用触达方式m进行信息触达的触达结果;
对用户2采用触达方式1进行信息触达的触达结果;
对用户2采用触达方式2进行信息触达的触达结果;
……
对用户2采用触达方式m进行信息触达的触达结果;
……
对用户n采用触达方式1进行信息触达的触达结果;
对用户n采用触达方式2进行信息触达的触达结果;
……
对用户n采用触达方式m进行信息触达的触达结果。
本公开可以基于上述获得的各触达结果,确定出:
用户1的最优触达方式(如触达方式m等);
用户2的最优触达方式(如触达方式1等);
……
用户n的最优触达方式(如触达方式2等)。
由此可知,本公开可以利用用户1的最优触达方式对用户1进行信息触达处理,利用用户2的最优触达方式对用户2进行信息触达处理,……,并利用用户n的最优触达方式对用户n进行信息触达处理,从而有利于尽可能的提高用户1的活跃度、用户2的活跃度、……以及用户n的活跃度。
另外,在上述n个用户均属于当前圈选出的沉默用户的情况下,采用上述技术方案,有利于尽可能的避免用户1的流失、用户2的流失、……以及用户n的流失。
示例性方法
图1为本公开的用于优化信息触达的方法一个实施例的流程图。图1所示的实施例的方法包括步骤:S100、S101、S102以及S103。下面对各步骤分别进行说明。
S100、获取待处理用户的历史行为特征。
本公开中的待处理用户可以是指需要进行信息触达的用户。本公开中的待处理用户的历史行为特征可以是指用于描述待处理用户在一历史时间范围内所执行的至少一类行为的特点的信息。本公开可以通过对业务数据中的相关信息进行统计,获得待处理用户的历史行为特征。
S101、将待处理用户的历史行为特征和多个触达方式分别进行组合,针对每一种组合分别进行触达结果预测,获得预测出的多个触达结果。
本公开中的触达方式包括多个触达元素,且每一个触达元素通常具有多个取值。多个触达元素在取不同值时,可以形成多个触达方式。
一个例子,假设触达方式包括3个触达元素,分别为第一触达元素、第二触达元素以及第三触达元素,其中的第一触达元素的取值有两个,即a1和a2,其中的第二触达元素的取值有三个,即b1、b2和b3,其中的第三触达元素的取值有两个,即c1和c2。在上述假设的情况下,共有12种触达方式,第一种触达方式中的第一触达元素的取值为a1,第二触达元素的取值为b1,第三触达元素的取值为c1;第二种触达方式中的第一触达元素的取值为a1,第二触达元素的取值为b2,第三触达元素的取值为c1;……,以此类推,第十二种触达方式中的第一触达元素的取值为a2,第二触达元素的取值为b3,第三触达元素的取值为c2。
本公开将待处理用户的历史行为特征和多个触达方式分别进行组合,获得的结果可以是指待处理用户的历史行为特征分别与每一种触达方式相结合,而形成的多种组合。本公开中的组合的数量通常由触达方式的数量决定。例如,续前例,在触达方式一共有十二种的情况下,待处理用户的历史行为特征分别与每一种触达方式相结合,从而形成十二种组合。
本公开中的触达结果可以是指在利用一种触达方式对待处理用户进行信息触达处理时,所产生的触达效果。触达结果也可以称为触达作用等。触达结果可以采用用户在一段时间范围内处于沉默状态的概率或者用户在一段时间范围内处于非沉默状态的概率等指标来表示。
本公开可以利用预先训练好的模型对每一种组合分别进行触达结果预测,从而获得多个触达结果,例如,续前例,本公开可以预测获得十二个触达结果。
S102、根据上述预测出的多个触达结果,确定待处理用户的触达方式。
本公开可以从多个触达结果中选取出触达效果最佳的触达结果,并将触达效果最佳的触达结果所对应的触达方式作为待处理用户的触达方式。也就是说,本公开确定出的待处理用户的触达方式通常为最有利于提高待处理用户对系统的粘性的触达方式。
S103、根据待处理用户的触达方式,对待处理用户进行信息触达处理。
本公开可以根据待处理用户的触达方式所包含的触达元素的实际取值,确定出对待处理用户进行信息触达处理时所采用的各项参数。例如,在触达方式包括触达途径、触达时间以及触达内容,这三个触达元素的情况下,本公开可以根据待处理用户的触达方式中的这三个触达元素的具体取值,确定出在何时,采用何种触达途径,向待处理用户推送何种形式的触达内容。
本公开通过将待处理用户的历史行为特征与多个触达方式分别进行组合,形成了多种组合,通过对每一种组合分别进行触达结果的预测,可以获得采用每一种触达方式分别对待处理用户进行信息触达处理,产生的可预期的触达结果;通过利用预测获得的多个可预期的触达结果,可以较为客观的选取出一种触达方式,作为待处理用户的触达方式,且本公开选取出的触达方式有利于使对待处理用户的信息触达处理,产生较好的触达效果。例如,对于低活跃度用户而言,有利于促使用户执行点击系统推送的信息等操作,而使用户摆脱低活跃度状态;再例如,对于沉默用户而言,有利于促使用户通过点击系统推送的信息等操作,而使用户不再沉默。由此可知,本公开提供的技术方案有利于优化信息触达,从而有利于提升系统中的DAU数量以及系统中的用户活跃度,并有利于降低用户的流失率,进而有利于提高系统的价值。另外,本公开可以在实际的信息触达处理之前,对本次信息触达处理的触达结果有一个较为客观的预期,从而有利于后续工作的合理安排,例如,可以提前预估为用户提供服务的业务人员(如房产经纪人等)的数量等。
在一个可选示例中,本公开中的历史行为特征可以包括:基于多个时间范围的多个类型的行为的行为量。其中的多个时间范围可以为具有相同结束时间且具有不同起始时间的多个时间范围。例如,多个时间范围可以包括:T日的最近N1日、T日的最近N2日、T日的最近N3日、……、T日的最近Nn-1日以及T日最近的Nn日等,其中的N1、N2、N3、……、Nn-1以及Nn均为正整数,且N1小于N2,N2小于N3,……,以此类推,Nn-1小于Nn。另外,多个时间范围还可以包括T日。在一个具体的例子中,多个时间范围可以包括:T日、T日的最近1日、T日的最近3日、T日的最近7日、T日的最近14日、T日的最近30日、T日的最近90日以及T日的最近180日等。本公开对多个时间范围的具体内容不作限定。
可选的,本公开中的多个类型的行为可以根据本公开的实际应用领域的实际需求来设置。例如,在房产领域中,多个类型的行为可以包括:PV(Page View,页面浏览行为)、核心页面访问行为、产生商机行为、委托行为以及实地带看房源行为等。其中的核心页面可以是指系统中的重要页面(如房源卡片的详情页面)等。本公开对行为的具体类型不作限定。
可选的,本公开可以利用业务数据,获取待处理用户在多个预定时间范围内分别执行多种类型的行为的行为量。一个例子,本公开可以利用hive(一种基于Hadoop的数据仓库工具),对数据仓库中的业务数据进行信息搜索以及统计处理等操作,从而获得待处理用户在多个预定时间范围内分别执行多个类型的行为的行为量。
在第一个具体例子中,本公开获得的待处理用户在多个预定时间范围内分别执行多个类型的行为的行为量可以包括:待处理用户在T日的最近N1日的PV量、……、待处理用户在T日的最近Nn日的PV量、待处理用户在T日的最近N1日的核心页面访问行为量、……、待处理用户在T日的最近Nn日的核心页面访问行为量、待处理用户在T日的最近N1日的产生商机行为量、……、待处理用户在T日的最近Nn日的产生商机行为量、待处理用户在T日的最近N1日的委托行为量、……、待处理用户在T日的最近Nn日的委托行为量、待处理用户在T日的最近N1日的实地带看房源行为量、……、以及待处理用户在T日的最近Nn日的实地带看房源行为量。
在第二个具体例子中,本公开获得的待处理用户在多个预定时间范围内分别执行多个类型的行为的行为量除了包括上述第一个具体例子中的多个行为量之外,还可以包括:待处理用户在T日的PV量、待处理用户在T日的核心页面访问行为量、待处理用户在T日的产生商机行为量、待处理用户在T日的委托行为量、以及待处理用户在T日的实地带看房源行为量等。
本公开通过利用待处理用户在多个预定时间范围内分别执行多个类型的行为的行为量,形成待处理用户的历史行为特征,可以从时间维度以及类型维度分别描述待处理用户的历史行为,从而有利于使待处理用户的历史行为特征所具有的特点更鲜明,进而有利于提高触达结果的预测准确性。
在一个可选示例中,本公开中的待处理用户可以为具有相同用户画像的用户群中的用户。也就是说,本公开可以根据至少一个用户画像对系统中的多个用户(如系统中的所有月活用户)进行圈选,从而获得至少一个用户群。本公开可以将圈选获得的用户群中的所有用户分别作为待处理用户。即本公开在形成用户群后,可以获取用户群中的每一个用户的历史行为特征。
可选的,本公开中的用户画像可以根据实际业务需求进行设置。在一个例子中,本公开的用户画像可以为近30日产生过商机行为,且近3日没有线上行为和线下行为。该用户画像可以认为是低活跃度用户画像。也就是说,系统中的在近30日产生过商机行为,且近3日没有线上行为和线下行为的所有用户,形成一个具有低活跃度用户画像的用户群,该用户群中的每一个用户均可以被作为待处理用户。在另一个例子中,本公开中的用户画像可以为近30日有网络访问行为,然而,近7日没有线上行为和线下行为。该用户画像可以认为是沉默用户画像。也就是说,系统中的在近30日有网络访问行为,且近7日没有线上行为和线下行为的所有用户,形成一个具有沉默用户画像的用户群,该用户群中的每一个用户均可以被作为待处理用户。本公开中的用户群所对应的用户画像可以认为是用户群的类型。
本公开通过利用用户画像对系统中的用户进行圈选,可以有针对性的对一类用户进行信息触达处理,例如,可以有针对性的对系统中的所有低活跃度用户进行信息触达处理,以尽可能的提升系统中的所有低活跃度用户的活跃度,从而有利于避免系统中的低活跃度用户转化为沉默用户的现象;再例如,可以有针对性的对系统中的所有沉默用户分别进行信息触达处理,以促使系统中的所有沉默用户不再继续处于沉默状态,从而有利于避免系统的沉默用户的流失现象。
在一个可选示例中,本公开可以利用预先成功训练的触达结果预测模型,实现触达结果预测。本公开利用预测模型实现触达结果预测的一个例子如图2所示。
图2中,S200、根据待处理用户所属的用户群的类型,确定待处理用户对应的触达结果预测模型。
可选的,本公开中的用户群的类型可以是指用户群所对应的用户画像。在一个例子中,用户群的类型可以为低活跃度类型或者沉默类型等。本公开中的一种类型的用户群对应一个触达结果预测模型。例如,第一触达结果预测模型对应低活跃度类型的用户群,而第二触达结果预测模型对应沉默类型的用户群等。也可以认为,本公开中的触达结果预测模型具有类型,不同的触达结果预测模型具有不同的类型。
可选的,本公开中的不同触达结果预测模型的模型结构可以相同,但是,不同触达结果预测模型的训练过程中所使用的训练样本对应的用户所属的用户群的类型不同。也就是说,本公开应使用不同类型的用户群中的用户对应的训练样本,对不同的触达结果预测模型分别进行训练,从而可以获得多个触达结果预测模型,且一个触达结果预测模型对应一种类型的用户群。
另外,本公开也不排除不同触达结果预测模型的模型结构不相同的情况。本公开中的触达结果预测模型可以为神经网络的形式,例如,wide&deep神经网络等。本公开不限制触达结果预测模型的具体结构。
可选的,本公开也可以不对用户群的类型进行区分,即不同类型的用户群可以对应同一个触达结果预测模型。例如,具有低活跃度类型的用户群和具有沉默类型的用户群对应同一个触达结果预测模型。
S201、针对多个触达方式中的任一触达方式,至少将待处理用户的历史行为特征和该触达方式作为输入,提供给上述确定出的触达结果预测模型。
可选的,本公开可以在将待处理用户的历史行为特征和该触达方式作为输入的基础上,将触达方式基础信息也作为输入,提供给触达结果预测模型。其中的触达方式基础信息可以包括:多个触达元素的多个取值以及由该多个触达元素的多个取值形成的多个触达方式。例如,触达方式基础信息可以包括:所有触达元素的所有取值以及由该所有触达元素的所有取值形成的所有触达方式,即触达方式基础信息可以是指由触达方式中的各触达元素的所有取值以及所有触达方式,所形成的特征。本公开通过将触达方式基础信息也作为触达结果预测模型的输入,有利于使触达结果预测模型对触达方式的所有触达元素的所有取值以及所有触达方式产生记忆,从而有利于提高触达结果预测模型的预测准确性。
在一个例子中,假设触达方式一共包括3个触达元素,即第一触达元素、第二触达元素以及第三触达元素。其中的第一触达元素的取值共有两个,即a1和a2;其中的第二触达元素的取值共有三个,即b1、b2和b3,其中的第三触达元素的取值共有两个,即c1和c2。在上述假设的情况下,触达方式基础信息可以包括:a1的标识、a2的标识、b1的标识、b2的标识、b3的标识、c1的标识、c2的标识、以及12种触达方式的标识。上述标识可以采用向量的形式表示。
在一个更具体的例子中,假设触达方式包括:触达途径、触达时间以及触达内容,这三个触达元素;其中的触达途径包括:广告、站内弹窗以及短信;触达时间包括:上午9点、上午10点、上午11点、中午12点、下午2点、下午4点以及下午5点;触达内容包括:内容预案模板1、内容预案模板2以及内容预案模板3。在上述假设情况下,本公开的触达方式基础信息可以包括:广告的标识、站内弹窗的标识、短信的标识、上午9点的标识、上午10点的标识、上午11点的标识、中午12点的标识、下午2点的标识、下午4点的标识、下午5点的标识、内容预案模板1的标识、内容预案模板2的标识、内容预案模板3的标识以及63种触达方式的标识。上述所有标识均可以采用向量的形式表示。
可选的,在触达结果预测模型为wide&deep神经网络时,触达结果预测模型的一个例子如图3所示。
图3中,输入300为本公开中的触达方式基础信息。输入301为本公开中的触达方式基础信息中的所有触达元素的所有取值。输入302为本公开中的触达方式基础信息中的由所有触达元素的所有取值形成的所有触达方式,即所有交叉特征。输入303为待处理用户的历史行为特征以及多个触达方式中的一触达方式(即当前需要进行预测的触达方式,即所有交叉特征中的其中一种交叉特征)。本公开中的待处理用户的历史行为特征也可以采用向量的形式表示。
S202、经由上述触达结果预测模型对输入进行触达结果预测处理。
可选的,触达结果预测模型所执行的触达结果预测处理可以认为是:用于预测待处理用户在一触达方式的作用下,在预定时间点(即为待处理用户进行信息触达处理的时间点,如T日)之后的一时间范围(如T日到T+7日)内保持沉默的概率的处理过程。触达结果预测模型所执行的预测处理的具体过程在此不再详细说明。
S203、根据触达结果预测模型的输出,获得待处理用户在该触达方式下的触达结果。
可选的,本公开中的触达结果预测模型的输出可以为取值范围在[0,1]之间的一个数值。该数值可以称为沉默率。本公开也可以将1与该数值的差值作为活跃度。例如,待处理用户在一触达方式的作用下,在预定时间点(如T日)之后的一时间范围(如T日到T+7日)内的活跃度。
本公开通过为不同类型的用户群设置不同的触达结果预测模型,由于不同的触达结果预测模型在训练过程中所采用的训练样本所对应的用户所属的用户群不同,因此,有利于使成功训练的各触达结果预测模型分别与相应的用户群相关联,从而有利于提高各触达结果预测模型的预测准确性。
在一个可选示例中,本公开对触达结果预测模型进行训练的一个例子,如图4所示。
图4中,S400、至少将第一训练集合中的多个第一训练样本分别作为输入,提供给待训练触达结果预测模型。
可选的,本公开的第一训练集合中的多个第一训练样本(如所有第一训练样本)各自对应的用户属于同一类型的用户群,也就是说,第一训练集合对应一个用户群的类型。
可选的,本公开的第一训练集合中的多个第一训练样本(如所有第一训练样本)各自对应的用户均为存在历史信息触达处理的用户,例如,第一训练集合中的所有第一训练样本各自对应的用户均为在一预定时间点之前的一时间范围内,被执行过历史信息触达处理的用户。
可选的,本公开中的第一训练样本的沉默标注信息是根据第一训练样本所对应的用户在第一预定时间点(如历史信息触达处理的时间或者日期)之后的第一预定时间范围(如7日)内,是否存在历史行为而设置的。例如,如果第一训练样本所对应的用户在第一预定时间点之后的第一预定时间范围内,存在历史行为(如浏览网页行为或者产生商机行为等),则可以将该第一训练样本的沉默标注信息设置为第一值(如0);而如果第一训练样本所对应的用户在第一预定时间点之后的第一预定时间范围内,不存在任何历史行为或者不存在某些历史行为,则可以将该第一训练样本的沉默标注信息设置为第二值(如1)。
可选的,第一训练集合包括正样本和负样本。例如,沉默标注信息为0的第一训练样本可以称为正样本,而沉默标注信息为1的第一训练样本可以称为负样本。在对待训练触达结果预测模型进行训练的过程中,每次从第一训练集合中取出的所有第一训练样本中的正样本数量和负样本数量通常基本相同。
可选的,本公开中的第一训练样本可以包括:用户的历史触达方式以及用户的历史行为特征。其中的历史触达方式可以是指在一历史时间对用户进行信息触达处理时,所采用的触达方式。本公开的历史触达方式可以采用向量的形式表示。
可选的,在待训练触达结果预测模型为wide&deep神经网络时,本公开可以将触达方式基础信息与每一个第一训练样本一起,作为输入,提供给待训练触达结果预测模型。另外,本公开在从第一训练集合中选取第一训练样本时,可以根据预设批处理数量从第一训练集合中随机选取同样数量的正样本和负样本。
S401、经由待训练触达结果预测模型对输入的各第一训练样本,分别进行沉默预测处理。
S402、根据待训练触达结果预测模型的输出,获得预测出的输入的各第一训练样本各自对应的沉默率(即第一沉默率)。
S403、根据输入的各第一训练样本的沉默标注信息以及输入的各第一训练样本的沉默率(即第一沉默率),调整待训练触达结果预测模型的模型参数。
可选的,本公开可以根据预先设置的损失函数对待训练触达结果预测模型输出的各概率值和相应的第一训练样本的沉默标注信息进行损失计算,并将损失计算的结果在该待训练触达结果预测模型中进行传播(如反向传播),以调整该待训练触达结果预测模型的模型参数。待训练触达结果预测模型的模型参数可以包括:神经网络的权值矩阵等。
可选的,在针对该待训练触达结果预测模型的训练达到预定迭代条件时,本次针对该待训练触达结果预测模型的训练过程结束,否则,重复上述图4所示的流程。
可选的,本公开中的预定迭代条件可以包括:根据待训练触达结果预测模型针对第一测试集合中的第一测试样本的输出获得的预测结果的准确性达到预定要求。在待训练触达结果预测模型针对第一测试集合中的第一测试样本的输出获得的预测结果的准确性达到预定要求的情况下,本次对该待训练触达结果预测模型成功训练完成。
可选的,本公开中的预定迭代条件还可以包括:对待训练触达结果预测模型进行训练,所使用的第一训练集合中的第一训练样本的数量已经达到预定数量要求等。在使用的第一训练样本的数量达到预定数量要求,然而,该待训练触达结果预测模型针对第一测试集合中的第一测试样本的输出,而获得的预测结果的准确性,并未达到预定要求的情况下,本次对待训练触达结果预测模型并未训练成功。成功训练完成的触达结果预测模型可以用于预测上述实施例中的待处理用户在一触达方式下的触达结果。
本公开通过利用对应不同类型的用户群的第一训练集合对不同的待训练触达结果预测模型进行训练,使成功训练的各触达结果预测模型分别与相应类型的用户群相关联,从而有利于提高各触达结果预测模型的预测准确性。另外,本公开通过利用用户在第一预定时间点之后的第一预定时间范围内,是否存在历史行为,来为第一训练样设置沉默标注信息,有利于在不需要人工标注的情况下,快速且便捷的获得大量的第一训练样本,形成第一训练集合,从而有利于提高触达结果预测模型的训练效率,并有利于降低触达结果预测模型的训练成本。
在一个可选示例中,本公开可以通过对触达结果预测模型输出的触达结果进行比较,确定待处理用户的触达方式。具体的,在比较触达结果的过程中,本公开可以参考待处理用户在不进行信息触达处理情况下的沉默率(即第二沉默率)。其中的待处理用户在不进行信息触达处理情况下的沉默率可以是指:待处理用户在预定时间点(如T日,T日可以为一历史日)之后的一时间范围(如T日到T+7日)内保持沉默的概率。
在一个例子中,本公开可以先获取待处理用户在不进行信息触达处理情况下的沉默率(即第二沉默率),然后,根据该沉默率确定多个触达结果中使该沉默率降幅最大的触达结果,并将该使沉默率降幅最大的触达结果所对应的触达方式作为待处理用户的触达方式。例如,本公开可以计算待处理用户在不进行信息触达处理情况下的沉默率与每一个触达结果的差值,并将差值最大的触达结果对应的触达方式作为待处理用户的触达方式。
本公开通过在确定待处理用户的触达方式的过程中,参考待处理用户在不进行信息触达处理情况下的沉默率,有利于尽可能的降低待处理用户的沉默率,从而有利于为待处理用户选取出最有效的触达方式。
在一个可选示例中,本公开可以利用沉默预测模型,获取待处理用户在不进行信息触达处理情况下的沉默率。一个例子如图5所示。
图5中,S500、根据待处理用户所属的用户群的类型,确定待处理用户对应的沉默预测模型。
可选的,本公开中的用户群的类型可以是指用户群所对应的用户画像。在一个例子中,用户群的类型可以为低活跃度类型或者沉默类型等。本公开中的一个用户群对应一个沉默预测模型。例如,第一沉默预测模型对应低活跃度类型的用户群,第二沉默预测模型对应沉默类型的用户群等。也可以认为,本公开中的沉默预测模型具有类型,不同的沉默预测模型具有不同的类型。
可选的,本公开中的不同沉默预测模型的模型结构可以相同,但是,不同沉默预测模型的训练过程中所使用的训练样本对应的用户所属的用户群的类型不同。也就是说,本公开可以使用不同类型的用户群中的用户对应的训练样本,对不同类型的沉默预测模型分别进行训练,从而可以获得多个沉默预测模型,且一个沉默预测模型对应一种类型的用户群。另外,本公开也不排除不同沉默预测模型的模型结构不相同的情况。本公开中的沉默预测模型可以为决策树,例如,沉默预测模型可以为XGBoost以及GBDT(Gradient BoostDecision Tree,梯度提升树)等形式的决策树。本公开不限制沉默预测模型的具体表现形式。
可选的,本公开也可以不对用户群的类型进行区分,即不同类型的用户群可以对应同一个沉默预测模型。例如,低活跃度类型的用户群和沉默类型的用户群等对应同一个沉默预测模型。
S501、将待处理用户的历史行为特征作为输入,提供给沉默预测模型。
在一个例子中,提供给沉默预测模型的输入可以包括:待处理用户在T日的PV量、待处理用户在T日的最近N1日的PV量、……、待处理用户在T日的最近Nn日的PV量、待处理用户在T日的核心页面访问行为量、待处理用户在T日的最近N1日的核心页面访问行为量、……、待处理用户在T日的最近Nn日的核心页面访问行为量、待处理用户在T日的产生商机行为量、待处理用户在T日的最近N1日的产生商机行为量、……、待处理用户在T日的最近Nn日的产生商机行为量、待处理用户在T日的委托行为量、待处理用户在T日的最近N1日的委托行为量、……、待处理用户在T日的最近Nn日的委托行为量、待处理用户在T日的实地带看房源行为量、待处理用户在T日的最近N1日的实地带看房源行为量、……、以及待处理用户在T日的最近Nn日的实地带看房源行为量。
S502、经由沉默预测模型对输入进行沉默率预测处理。
可选的,本公开中的沉默率(如第二沉默率)可以是指待处理用户在一时间点(如T日)之后的一时间范围内,不执行任何操作或者不执行预定操作的概率。
S503、根据沉默预测模型的输出,获得待处理用户在不进行信息触达处理情况下,在第二预定时间点之后的第二预定时间范围内的沉默率(即第二沉默率)。
可选的,本公开中的第二预定时间点可以为计划对待处理用户进行信息触达的时间点(如T日,如当前天等)。本公开中的第二预定时间点之后的第二预定时间范围可以为T日至T+7日等。在一个例子中,如果计算在T日对待处理用户进行信息触达处理,那么第二预定时间点可以为T日,本公开可以预测出:如果在T日不对待处理用户进行信息触达处理,则该待处理用户在T日至T+7日(如未来7天内),不执行任何操作(如线上操作和线下操作等),而保持沉默的概率。
本公开通过为不同类型的用户群设置不同的触达结果预测模型,由于不同的触达结果预测模型在训练过程中,所采用的训练样本所对应的用户所属的用户群的类型不同,因此,有利于使成功训练后的各沉默预测模型分别与相应的用户群相关联,从而有利于提高各沉默预测模型的预测准确性。
在一个可选示例中,本公开对沉默预测模型进行训练的一个例子,如图6所示。
图6中,S600、将第二训练集合中的多个第二训练样本分别作为输入,提供给待训练沉默预测模型。
可选的,本公开的第二训练集合中的所有第二训练样本各自对应的用户属于同一类型的用户群,也就是说,第二训练集合对应一个用户群的类型。
可选的,本公开的第二训练集合中的所有第二训练样本各自对应的用户均为在一历史时间范围内未进行过历史信息触达处理的用户,例如,第二训练集合中的所有第二训练样本各自对应的用户均为在最近37天内,未被执行过历史信息触达处理的用户。
可选的,本公开中的第二训练样本的沉默标注信息是根据第二训练样本所对应的用户在第三预定时间点(如T-7日,其中的T可以为当前天)之后的第三预定时间范围(如7日)内,是否存在历史行为而设置的。例如,如果第二训练样本所对应的用户在第三预定时间点之后的第三预定时间范围内,存在历史行为(如浏览网页行为或者产生商机行为等),则可以将该第二训练样本的沉默标注信息设置为第一值(如0);而如果第二训练样本所对应的用户在第三预定时间点之后的第三预定时间范围内,不存在任何历史行为或者不存在某些历史行为,则可以将该第二训练样本的沉默标注信息设置为第二值(如1)。
可选的,第二训练集合包括正样本和负样本。例如,沉默标注信息为0的第二训练样本可以称为正样本,而沉默标注信息为1的第二训练样本可以称为负样本。在对待训练沉默预测模型进行训练的过程中,每次从第二训练集合中取出的所有第二训练样本中的正样本数量和负样本数量通常基本相同。
可选的,本公开中的第二训练样本可以包括:用户的历史行为特征。本公开的历史触达方式可以采用向量的形式表示。另外,本公开在从第二训练集合中选取第二训练样本时,可以根据预设批处理数量从第二训练集合中随机选取同样数量的正样本和负样本。
S601、经由待训练沉默预测模型对输入的各第二训练样本,分别进行沉默预测处理。
S602、根据待训练沉默预测模型的输出,获得预测出的输入的各第二训练样本各自对应的沉默率(即第三沉默率)。
S603、根据各第二训练样本的沉默标注信息以及各第二训练样本的沉默率(即第三沉默率),调整待训练沉默预测模型的模型参数。
可选的,本公开可以根据预先设置的损失函数对待训练沉默预测模型输出的各概率值和相应的第二训练样本的沉默标注信息进行损失计算,并将损失计算的结果在该待训练沉默预测模型中进行传播(如反向传播),以调整该待训练沉默预测模型的模型参数。待训练沉默预测模型的模型参数可以包括:树的结构等。
可选的,在针对该待训练沉默预测模型的训练达到预定迭代条件时,本次针对该待训练沉默预测模型的训练过程结束,否则,重复上述图6所示的流程。
可选的,本公开的预定迭代条件可以包括:根据待训练沉默预测模型针对第二测试集合中的第二测试样本的输出获得的预测结果的准确性达到预定要求。在待训练沉默预测模型针对第二测试集合中的第二测试样本的输出获得的预测结果的准确性达到预定要求时,本次对该待训练沉默预测模型成功训练完成。
可选的,本公开中的预定迭代条件还可以包括:对待训练沉默预测模型进行训练,所使用的第二训练集合中的第二训练样本的数量已经达到预定数量要求等。在使用的第二训练样本的数量达到预定数量要求,然而,该待训练沉默预测模型针对第二测试集合中的第二测试样本的输出,获得的预测结果的准确性,并未达到预定要求的情况下,本次对待训练沉默预测模型并未训练成功。成功训练完成的沉默预测模型可以用于预测上述实施例中的待处理用户在不执行信息触达处理的情况下的沉默率。
本公开通过利用对应不同类型的用户群的第二训练集合对不同的待训练沉默预测模型进行训练,使成功训练的各沉默预测模型分别与相应类型的用户群相关联,从而有利于提高各沉默预测模型的预测准确性。另外,本公开通过利用用户在第三预定时间点之后的第三预定时间范围内,是否存在历史行为,来为第二训练样设置沉默标注信息,有利于在不需要人工标注的情况下,快速且便捷的获得大量的第二训练样本,形成第二训练集合,从而有利于提高沉默预测模型的训练效率,并有利于降低沉默预测模型的训练成本。
示例性装置
图7为本公开的用于优化信息触达的装置一个实施例的结构示意图。该实施例的装置可用于优化本公开上述各方法实施例。
如图7所示,本实施例的装置可以包括:获取行为特征模块700、触达结果预测模块701、确定触达方式模块702以及触达处理模块703。可选的,该实施例的装置还可以包括:第一训练模块704和第二训练模块705。
获取行为特征模块700用于获取待处理用户的历史行为特征。例如,获取行为特征模块700可以进一步用于获取待处理用户在多个预定时间范围内分别执行多个类型的行为的行为量。其中的多个类型的行为的行为量形成历史行为特征。
可选的,获取行为特征模块700可以包括:第一子模块7001和第二子模块7002。其中的第一子模块7001用于根据预定用户画像对系统中的用户进行用户圈选,获得至少一个需要进行信息触达的用户群;其中的用户群中的用户被作为待处理用户。其中的第二子模块7002用于针对用户群中的任一用户,获取该用户的历史行为特征。
触达结果预测模块701用于将待处理用户的历史行为特征和多个触达方式分别进行组合,针对每一种组合分别进行触达结果预测,获得预测出的多个触达结果。
可选的,本公开中的触达方式包括多个触达元素,多个触达方式中的任意两个触达方式所包含的多个触达元素中的至少一触达元素的取值不同。
可选的,触达结果预测模块701可以包括:第三子模块7011和第四子模块7012。其中的第三子模块7011用于根据待处理用户所属的用户群的类型,确定待处理用户对应的触达结果预测模型。其中的第四子模块7012用于针对多个触达方式中的任一触达方式,至少将待处理用户的历史行为特征和该触达方式作为输入,提供给触达结果预测模型,经由触达结果预测模型对所述输入进行触达结果预测处理,并根据触达结果预测模型的输出,获得待处理用户在该触达方式下的触达结果。在一个例子中,第四子模块7012可以进一步用于将触达方式基础信息、待处理用户的历史行为特征以及该触达方式作为输入,提供给触达结果预测模型。其中的触达方式基础信息包括:多个触达元素的所有取值以及由多个触达元素的多个取值形成的多个触达方式。例如,触达方式基础信息包括:所有触达元素的所有取值以及由所有触达元素的所有取值形成的所有触达方式。
确定触达方式模块702用于根据预测出的多个触达结果,确定待处理用户的触达方式。
可选的,确定触达方式模块702可以包括:第五子模块7021和第六子模块7022。其中的第五子模块7021用于获取待处理用户在不进行信息触达处理情况下的第二沉默率。例如,第五子模块7021可以进一步用于:根据待处理用户所属的用户群的类型,确定待处理用户对应的沉默预测模型,将待处理用户的历史行为特征作为输入,提供给沉默预测模型,经由沉默预测模型对输入进行沉默率预测处理,第五子模块7021根据沉默预测模型的输出,获得待处理用户在不进行信息触达处理情况下,在第二预定时间点之后的第二预定时间范围内的第二沉默率。其中的第六子模块7022用于根据第二沉默率确定多个触达结果中使第二沉默率降幅最大的触达结果,获得待处理用户的触达方式。
触达处理模块703用于根据待处理用户的触达方式,对待处理用户进行信息触达处理。
第一训练模块704用于至少将第一训练集合中的多个第一训练样本分别作为输入,提供给待训练触达结果预测模型,经由待训练触达结果预测模型对输入的各第一训练样本,分别进行沉默预测处理,第一训练模块704根据待训练触达结果预测模型的输出,获得预测出的所述输入的各第一训练样本各自对应的第一沉默率,第一训练模块704根据各第一训练样本的沉默标注信息以及各第一训练样本的第一沉默率,调整待训练触达结果预测模型的模型参数。其中的第一训练集合中的多个第一训练样本(如所有第一训练样本)各自对应的用户属于同一类型的用户群,第一训练样本对应的用户为存在历史信息触达处理的用户,且第一训练样本的沉默标注信息是根据第一训练样本所对应的用户在第一预定时间点之后的第一预定时间范围内,是否存在历史行为设置的。
第二训练模块705可以用于:将第二训练集合中的多个第二训练样本分别作为输入,提供给待训练沉默预测模型,经由待训练沉默预测模型对输入的各第二训练样本,分别进行沉默预测处理,第二训练模块705根据待训练沉默预测模型的输出,获得预测出的所述输入的各第二训练样本各自对应的第三沉默率,第二训练模块705根据各第二训练样本的沉默标注信息以及各第二训练样本的第三沉默率,调整待训练沉默预测模型的模型参数。其中的第二训练集合中的所有第二训练样本各自对应的用户属于同一类型的用户群,第二训练样本的沉默标注信息是根据第二训练样本所对应的用户在第三预定时间点之后的第三预定时间范围内,是否存在历史行为设置的。
上述各模块及其包括的子模块和单元具体执行的操作可以参见上述方法实施例中针对图1-图6的描述,在此不再详细说明。
示例性电子设备
下面参考图8来描述根据本公开实施例的电子设备。图8示出了根据本公开实施例的电子设备的框图。如图8所示,电子设备81包括一个或多个处理器811和存储器812。
处理器811可以是中央处理单元(CPU)或者具有用于优化信息触达的能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备81中的其他组件以执行期望的功能。
存储器812可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器,例如,可以包括:随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器,例如,可以包括:只读存储器(ROM)、硬盘以及闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器811可以运行所述程序指令,以实现上文所述的本公开的各个实施例的用于优化信息触达的方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备81还可以包括:输入装置813以及输出装置814等,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。此外,该输入设备813还可以包括例如键盘、鼠标等等。该输出装置814可以向外部输出各种信息。该输出设备814可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图8中仅示出了该电子设备81中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备81还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的用于优化信息触达的方法中的步骤。
所述计算机程序产品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实施例操作的程序代码,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。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的用于优化信息触达的方法中的步骤。
所述计算机可读存储介质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包括但不限于电、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(非穷举的列举)可以包括:具有一个或者多个导线的电连接、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。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势以及效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备以及系统。诸如“包括”、“包含、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于优化根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是,在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述,以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改等对于本领域技术人员而言,是非常显而易见的,并且在此定义的一般原理可以应用于其他方面,而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式中。尽管以上已经讨论了多个示例方面以及实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (18)
1.一种用于优化信息触达的方法,包括:
获取待处理用户的历史行为特征;
将所述待处理用户的历史行为特征和多个触达方式分别进行组合,针对每一种组合分别进行触达结果预测,获得预测出的多个触达结果;其中,所述触达方式包括多个触达元素,所述多个触达方式中的任意两个触达方式所包含的多个触达元素中的至少一触达元素的取值不同;
根据所述预测出的多个触达结果,确定所述待处理用户的触达方式;
根据所述待处理用户的触达方式,对所述待处理用户进行信息触达处理;
其中,所述根据所述多个触达结果,确定所述待处理用户的触达方式,包括:
获取所述待处理用户在不进行信息触达处理情况下的第二沉默率;
根据所述第二沉默率确定所述多个触达结果中使所述第二沉默率降幅最大的触达结果,获得所述待处理用户的触达方式。
2.根据权利要求1所述的方法,其中,所述获取待处理用户的历史行为特征,包括:
获取待处理用户在多个预定时间范围内分别执行多个类型的行为的行为量;
其中,所述多个类型的行为的行为量形成所述历史行为特征。
3.根据权利要求1所述的方法,其中,所述获取待处理用户的历史行为特征,包括:
根据预定用户画像对系统中的用户进行用户圈选,获得至少一个需要进行信息触达的用户群;其中,所述用户群中的用户被作为待处理用户;
针对所述用户群中的任一用户,获取该用户的历史行为特征。
4.根据权利要求3所述的方法,其中,所述针对每一种组合,分别进行触达结果预测,获得预测出的多个触达结果,包括:
根据所述待处理用户所属的用户群的类型,确定所述待处理用户对应的触达结果预测模型;
针对所述多个触达方式中的任一触达方式,至少将所述待处理用户的历史行为特征和该触达方式作为输入,提供给所述触达结果预测模型;
经由所述触达结果预测模型对所述输入进行触达结果预测处理;
根据所述触达结果预测模型的输出,获得所述待处理用户在该触达方式下的触达结果。
5.根据权利要求4所述的方法,其中,所述至少将所述待处理用户的历史行为特征和该触达方式作为输入,提供给所述触达结果预测模型,包括:
将触达方式基础信息、所述待处理用户的历史行为特征以及该触达方式作为输入,提供给所述触达结果预测模型;
其中,所述触达方式基础信息包括:多个触达元素的多个取值以及由所述多个触达元素的多个取值形成的多个触达方式。
6.根据权利要求4或5所述的方法,其中,所述触达结果预测模型的训练过程包括:
至少将第一训练集合中的多个第一训练样本分别作为输入,提供给待训练触达结果预测模型;
经由所述待训练触达结果预测模型对输入的各第一训练样本,分别进行沉默预测处理;
根据所述待训练触达结果预测模型的输出,获得预测出的所述输入的各第一训练样本各自对应的第一沉默率;
根据所述各第一训练样本的沉默标注信息以及所述各第一训练样本的第一沉默率,调整所述待训练触达结果预测模型的模型参数;
其中,所述第一训练集合中的多个第一训练样本各自对应的用户属于同一类型的用户群,所述第一训练样本对应的用户为存在历史信息触达处理的用户,且所述第一训练样本的沉默标注信息是根据第一训练样本所对应的用户在第一预定时间点之后的第一预定时间范围内,是否存在历史行为设置的。
7.根据权利要求1至5中任一项所述的方法,其中,所述获取所述待处理用户在不进行信息触达处理情况下的第二沉默率,包括:
根据所述待处理用户所属的用户群的类型,确定所述待处理用户对应的沉默预测模型;
将所述待处理用户的历史行为特征作为输入,提供给所述沉默预测模型;
经由所述沉默预测模型对所述输入进行沉默率预测处理;
根据所述沉默预测模型的输出,获得所述待处理用户在不进行信息触达处理情况下,在第二预定时间点之后的第二预定时间范围内的第二沉默率。
8.根据权利要求7所述的方法,其中,所述沉默预测模型的训练过程包括:
将第二训练集合中的多个第二训练样本分别作为输入,提供给待训练沉默预测模型;
经由所述待训练沉默预测模型对输入的各第二训练样本,分别进行沉默预测处理;
根据所述待训练沉默预测模型的输出,获得预测出的所述输入的各第二训练样本各自对应的第三沉默率;
根据所述各第二训练样本的沉默标注信息以及所述各第二训练样本的第三沉默率,调整所述待训练沉默预测模型的模型参数;
其中,所述第二训练集合中的所有第二训练样本各自对应的用户属于同一类型的用户群,所述第二训练样本的沉默标注信息是根据第二训练样本所对应的用户在第三预定时间点之后的第三预定时间范围内,是否存在历史行为设置的。
9.一种用于优化信息触达的装置,其中,所述装置包括:
获取行为特征模块,用于获取待处理用户的历史行为特征;
触达结果预测模块,用于将所述待处理用户的历史行为特征和多个触达方式分别进行组合,针对每一种组合分别进行触达结果预测,获得预测出的多个触达结果;其中,所述触达方式包括多个触达元素,所述多个触达方式中的任意两个触达方式所包含的多个触达元素中的至少一触达元素的取值不同;
确定触达方式模块,用于根据所述预测出的多个触达结果,确定所述待处理用户的触达方式;
触达处理模块,用于根据所述待处理用户的触达方式,对所述待处理用户进行信息触达处理;
其中,所述确定触达方式模块包括:
第五子模块,用于获取所述待处理用户在不进行信息触达处理情况下的第二沉默率;
第六子模块,用于根据所述第二沉默率确定所述多个触达结果中使所述第二沉默率降幅最大的触达结果,获得所述待处理用户的触达方式。
10.根据权利要求9所述的装置,其中,所述获取行为特征模块进一步用于:
获取待处理用户在多个预定时间范围内分别执行多个类型的行为的行为量;
其中,所述多个类型的行为的行为量形成所述历史行为特征。
11.根据权利要求9所述的装置,其中,所述获取行为特征模块包括:
第一子模块,用于根据预定用户画像对系统中的用户进行用户圈选,获得至少一个需要进行信息触达的用户群;其中,所述用户群中的用户被作为待处理用户;
第二子模块,用于针对所述用户群中的任一用户,获取该用户的历史行为特征。
12.根据权利要求11所述的装置,其中,所述触达结果预测模块,包括:
第三子模块,用于根据所述待处理用户所属的用户群的类型,确定所述待处理用户对应的触达结果预测模型;
第四子模块,用于针对所述多个触达方式中的任一触达方式,至少将所述待处理用户的历史行为特征和该触达方式作为输入,提供给所述触达结果预测模型,经由所述触达结果预测模型对所述输入进行触达结果预测处理,并根据所述触达结果预测模型的输出,获得所述待处理用户在该触达方式下的触达结果。
13.根据权利要求12所述的装置,其中,所述第四子模块进一步用于:
将触达方式基础信息、所述待处理用户的历史行为特征以及该触达方式作为输入,提供给所述触达结果预测模型;
其中,所述触达方式基础信息包括:多个触达元素的多个取值以及由多个触达元素的多个取值形成的多个触达方式。
14.根据权利要求12或13所述的装置,其中,所述装置还包括:第一训练模块,用于:
至少将第一训练集合中的多个第一训练样本分别作为输入,提供给待训练触达结果预测模型;
经由所述待训练触达结果预测模型对输入的各第一训练样本,分别进行沉默预测处理;
根据所述待训练触达结果预测模型的输出,获得预测出的所述输入的各第一训练样本各自对应的第一沉默率;
根据所述各第一训练样本的沉默标注信息以及所述各第一训练样本的第一沉默率,调整所述待训练触达结果预测模型的模型参数;
其中,所述第一训练集合中的多个第一训练样本各自对应的用户属于同一类型的用户群,所述第一训练样本对应的用户为存在历史信息触达处理的用户,且所述第一训练样本的沉默标注信息是根据第一训练样本所对应的用户在第一预定时间点之后的第一预定时间范围内,是否存在历史行为设置的。
15.根据权利要求9至13中任一项所述的装置,其中,所述第五子模块进一步用于:
根据所述待处理用户所属的用户群的类型,确定所述待处理用户对应的沉默预测模型;
将所述待处理用户的历史行为特征作为输入,提供给所述沉默预测模型;
经由所述沉默预测模型对所述输入进行沉默率预测处理;
根据所述沉默预测模型的输出,获得所述待处理用户在不进行信息触达处理情况下,在第二预定时间点之后的第二预定时间范围内的第二沉默率。
16.根据权利要求15所述的装置,其中,所述装置还包括:第二训练模块,用于:
将第二训练集合中的多个第二训练样本分别作为输入,提供给待训练沉默预测模型;
经由所述待训练沉默预测模型对输入的各第二训练样本,分别进行沉默预测处理;
根据所述待训练沉默预测模型的输出,获得预测出的所述输入的各第二训练样本各自对应的第三沉默率;
根据所述各第二训练样本的沉默标注信息以及所述各第二训练样本的第三沉默率,调整所述待训练沉默预测模型的模型参数;
其中,所述第二训练集合中的所有第二训练样本各自对应的用户属于同一类型的用户群,所述第二训练样本的沉默标注信息是根据第二训练样本所对应的用户在第三预定时间点之后的第三预定时间范围内,是否存在历史行为设置的。
17.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-8中任一项所述的方法。
18.一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010946126.3A CN112070545B (zh) | 2020-09-10 | 2020-09-10 | 用于优化信息触达的方法、装置、介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010946126.3A CN112070545B (zh) | 2020-09-10 | 2020-09-10 | 用于优化信息触达的方法、装置、介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070545A CN112070545A (zh) | 2020-12-11 |
CN112070545B true CN112070545B (zh) | 2021-12-21 |
Family
ID=73663628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010946126.3A Active CN112070545B (zh) | 2020-09-10 | 2020-09-10 | 用于优化信息触达的方法、装置、介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070545B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743642A (zh) * | 2021-01-27 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 预测模型训练方法和装置、触达人数预测方法和装置 |
CN112883276B (zh) * | 2021-03-17 | 2023-05-19 | 杭州网易再顾科技有限公司 | 一种用户触达的执行方法、装置、电子设备及存储介质 |
CN112801763B (zh) * | 2021-04-14 | 2021-08-24 | 浙江口碑网络技术有限公司 | 一种触达方案生成方法、装置及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971321B (zh) * | 2017-04-06 | 2021-01-08 | 百度在线网络技术(北京)有限公司 | 营销信息推送方法、装置、设备以及存储介质 |
CN107438138A (zh) * | 2017-09-12 | 2017-12-05 | 中国联合网络通信集团有限公司 | 一种渠道触达方式的推荐方法及装置 |
CN109902849B (zh) * | 2018-06-20 | 2021-11-30 | 华为技术有限公司 | 用户行为预测方法及装置、行为预测模型训练方法及装置 |
CN111612503B (zh) * | 2020-04-11 | 2024-01-23 | 上海淇玥信息技术有限公司 | 一种基于外部页面投放触达用户信息的广告推送方法、装置和电子设备 |
-
2020
- 2020-09-10 CN CN202010946126.3A patent/CN112070545B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112070545A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11080304B2 (en) | Feature vector profile generation for interviews | |
CN112070545B (zh) | 用于优化信息触达的方法、装置、介质和电子设备 | |
US11210300B2 (en) | System and methods of generating structured data from unstructured data | |
CN110111139B (zh) | 行为预估模型生成方法、装置、电子设备及可读介质 | |
US10970471B2 (en) | Phased collaborative editing | |
WO2021067939A1 (en) | Machine learning systems and methods for predictive engagement | |
CN110929799B (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
Vinod et al. | Simulation-based metamodels for scheduling a dynamic job shop with sequence-dependent setup times | |
US20160042290A1 (en) | Annotation probability distribution based on a factor graph | |
WO2022148186A1 (zh) | 行为序列数据处理方法及装置 | |
US20210110415A1 (en) | Enhanced survey information synthesis | |
US20180349476A1 (en) | Evaluating theses using tree structures | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN111190967B (zh) | 用户多维度数据处理方法、装置及电子设备 | |
CN110969184A (zh) | 使用迭代人工智能通过通信决策树的有向轨迹 | |
CN111179055B (zh) | 授信额度调整方法、装置和电子设备 | |
US10394804B1 (en) | Method and system for increasing internet traffic to a question and answer customer support system | |
US20220309391A1 (en) | Interactive machine learning optimization | |
CN111626898B (zh) | 用于实现事件归因的方法、装置、介质和电子设备 | |
CN112116159B (zh) | 信息交互方法、装置、计算机可读存储介质及电子设备 | |
CN112116397A (zh) | 用户行为特征实时处理方法、装置、存储介质及电子设备 | |
US11023530B2 (en) | Predicting user preferences and requirements for cloud migration | |
CN112116393B (zh) | 用于实现事件用户维护的方法、装置和设备 | |
CN112000872A (zh) | 基于用户向量的推荐方法、模型的训练方法及装置 | |
US10529002B2 (en) | Classification of visitor intent and modification of website features based upon classified intent |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210319 Address after: 100085 Floor 101 102-1, No. 35 Building, No. 2 Hospital, Xierqi West Road, Haidian District, Beijing Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd. Address before: Unit 05, room 112, 1st floor, office building, Nangang Industrial Zone, economic and Technological Development Zone, Binhai New Area, Tianjin 300457 Applicant before: BEIKE TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |