CN112200610A - 一种营销信息投放方法、系统及存储介质 - Google Patents
一种营销信息投放方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112200610A CN112200610A CN202011080629.3A CN202011080629A CN112200610A CN 112200610 A CN112200610 A CN 112200610A CN 202011080629 A CN202011080629 A CN 202011080629A CN 112200610 A CN112200610 A CN 112200610A
- Authority
- CN
- China
- Prior art keywords
- marketing
- information
- model
- product
- release
- 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
- 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
- G06Q30/0277—Online advertisement
-
- 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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种营销信息投放方法、系统及存储介质,属于机器学习技术领域,所述方法包括:构建营销信息投放模型,定义营销信息投放模型的产品特征参数和用户特征参数;基于产品特征参数和用户特征参数在营销反馈历史中整理模型训练素材,通过模型训练素材训练营销信息投放模型;当产生营销投放请求时,确定营销投放请求对应的用户特征信息和多个待投放产品;利用训练完成的营销信息投放模型,计算多个待投放产品对于用户特征信息的营销收益值;根据营销收益值选取多个目标产品,利用多个目标产品的产品信息响应营销投放请求。采用本申请,可以保证营销信息的投放精确性,同时可以减少营销信息投放过程中的人工操作。
Description
技术领域
本申请涉及机器学习技术领域,尤其涉及一种营销信息投放方法、系统及存储介质。
背景技术
随着互联网和计算机技术的飞速发展,网络营销逐渐成为当下较为热门的营销方式,通过网络营销,商家可以利用网络向用户在线展示、推荐用户可能感兴趣的产品(包括商品和服务)的信息(可称作投放营销信息),以提升产品交易额和商家业务量。
在网络营销领域中,对于不同用户,一般需要针对性地投放不同的营销信息,如可以针对城市、不同年龄、不同性别的用户投放不同产品的信息。当前营销信息的投放主要依靠商家运营人员的经验,即商家运营人员在向某一用户投放营销信息前,可以根据该用户多维度的用户特征信息(包括年龄、性别、居住地、历史订单等),推测用户可能会对哪类产品存在兴趣,从而可以向用户投放该类产品的信息。
在实现本申请的过程中,发明人发现上述技术至少存在以下问题:
上述营销信息的投放完全依靠于人工的主观经验,一方面,当主观经验存在偏差和局限时,营销信息的投放精确性较差,营销效果将受到极大的影响;另一方面,若大量营销信息的投放任务全部通过人工完成,将产生高额的人工成本,不利于商家的长期发展。
发明内容
为了提高营销信息的投放精确性,降低营销信息投放的人工成本,本申请实施例提供了一种营销信息投放方法、系统及存储介质。所述技术方案如下:
第一方面,本申请实施例提供了一种营销信息投放方法,所述方法包括:
构建营销信息投放模型,定义所述营销信息投放模型的产品特征参数和用户特征参数;
基于所述产品特征参数和用户特征参数在营销反馈历史中整理模型训练素材,通过所述模型训练素材训练所述营销信息投放模型;
当产生营销投放请求时,确定所述营销投放请求对应的用户特征信息和多个待投放产品;
利用训练完成的营销信息投放模型,计算所述多个待投放产品对于所述用户特征信息的营销收益值;
根据所述营销收益值选取多个目标产品,利用所述多个目标产品的产品信息响应所述营销投放请求。
基于机器学习技术,通过用户真实的营销反馈历史训练营销信息投放模型,从而推演不同用户对于不同产品的营销信息的反馈规律。这样,当再次产生营销投放请求时,可以利用训练完成的营销信息投放模型,对不同产品的营销效果进行推理,从而可以筛选出营销收益较高的产品进行营销投放,一定程度上保证了营销信息的投放精确性,提高了营销效果,同时减少了营销信息投放过程中的人工操作,降低了人工成本。
可选的,所述构建营销信息投放模型,定义所述营销信息投放模型的产品特征参数和用户特征参数,包括:
定义营销信息投放模型的基础算法模型,以及所述基础算法模型对应的算法参数;
定义所述营销信息投放模型的产品特征参数和用户特征参数,以及所述产品特征参数和用户特征参数对应的数据处理方法。
基于上述技术方案,对基础算法模型、算法参数、特征参数和数据处理方法进行明确定义,可以有助于对营销信息投放模型的精确合理训练。
可选的,所述基于所述产品特征参数和用户特征参数在营销反馈历史中整理模型训练素材,包括:
选取一条营销反馈记录,获取所述营销反馈记录关联的产品信息和用户信息,以及营销反馈结果;
基于所述产品特征参数和用户特征参数,在产品信息和用户信息中分别筛选产品特征信息和用户特征信息;
将所述产品特征信息和用户特征信息,以及所述营销反馈结果,作为所述营销信息投放模型的一条模型训练素材。
基于上述技术方案,从营销反馈历史中逐条整理产品特征信息和用户特征信息,并结合营销反馈结果生成模型训练素材,可以使得训练后的营销信息投放模型,能够更加准确地推理出不同用户对于不同产品的实际反馈。
可选的,所述利用训练完成的营销信息投放模型,计算所述多个待投放产品对于所述用户特征信息的营销收益值,包括:
对于任一待投放产品,提取所述待投放产品的产品特征信息;
将所述产品特征信息与所述用户特征信息融合形成融合信息组;
将所述融合信息组输入训练完成的营销信息投放模型,计算所述待投放产品对于所述用户特征信息的营销收益值。
基于上述技术方案,将产品特征信息和用户特征信息融合后,作为模型输入,可以针对性地反映出每个产品对于每个用户的营销收益情况。
可选的,所述根据所述营销收益值选取多个目标产品,包括:
基于预设的产品过滤规则,对所有待投放产品进行过滤;
基于预设的产品排序规则,按照营销收益值对过滤后得到的所有待投放产品进行排序,选取序列最前的多个目标产品。
基于上述技术方案,基于营销收益值对待投放产品进行过滤和排序,可以保证选取的多个目标产品更加符合用户潜在需求,提高最终营销信息的营销效果。
可选的,所述营销信息投放模型存在多个,多个营销信息投放模型的基础算法模型、算法参数、产品特征参数、用户特征参数存在不同。
基于上述技术方案,同时部署多种营销信息投放模型,可以通过模型间的比对,选择出各业务场景下最适合用于营销信息投放的算法模型。
可选的,所述方法还包括:
通过ABTest方式在多个营销信息投放模型间配置请求分流规则,以使营销投放请求基于所述请求分流规则被分配至不同营销信息投放模型。
基于上述技术方案,采用ABTest方式对线上请求进行分流,同时实现了对多个营销信息投放模型的线上应用,也可以增强模型间的可比性。
可选的,所述方法还包括:
创建模型调用接口,定义所述模型调用接口对应的输入参数;
通过所述模型调用接口向所述营销信息投放模型输入数据。
基于上述技术方案,构建统一的模型调用接口,可以规范化模型的数据输入,利于营销信息投放模型的快速推演。
可选的,所述当产生营销投放请求时,获取所述营销投放请求对应的用户特征信息和多个待投放产品,包括:
当产生营销投放请求时,判断所述营销投放请求属于人工响应业务或机器响应业务;
若属于人工响应业务,则基于预设的人工营销规则,对所述营销投放请求进行响应;
若属于机器响应业务,则获取所述营销投放请求对应的用户特征信息和多个待投放产品。
基于上述技术方案,在机器响应的同时引入人工响应的机制,可以通过配置人工营销规则,弥补机器响应规则存在的不足和漏洞。
可选的,所述方法还包括:
统计所述营销信息投放模型的营销效果;
根据所述营销效果,设置所述营销信息投放模型的优化频率;
基于所述优化频率,从所述营销反馈历史中整理模型训练素材,定期训练所述营销信息投放模型。
基于上述技术方案,持续统计模型的营销效果,并基于营销效果不断优化模型参数,可以使得营销信息投放模型能够不断得到优化,模型的营销效果持续得到提升。
第二方面,本申请实施例还提供了一种营销信息投放系统,所述系统包括:
配置模块,用于构建营销信息投放模型,定义所述营销信息投放模型的产品特征参数和用户特征参数;
模型训练模块,用于基于所述产品特征参数和用户特征参数在营销反馈历史中整理模型训练素材,通过所述模型训练素材训练所述营销信息投放模型;
服务模块,用于当产生营销投放请求时,确定所述营销投放请求对应的用户特征信息和多个待投放产品;
机器学习模块,用于利用训练完成的营销信息投放模型,计算所述多个待投放产品对于所述用户特征信息的营销收益值;
所述服务模块,还用于根据所述营销收益值选取多个目标产品,利用所述多个目标产品的产品信息响应所述营销投放请求。
可选的,所述配置模块,具体用于:
定义营销信息投放模型的基础算法模型,以及所述基础算法模型对应的算法参数;
定义所述营销信息投放模型的产品特征参数和用户特征参数,以及所述产品特征参数和用户特征参数对应的数据处理方法。
可选的,所述模型训练模块,具体用于:
选取一条营销反馈记录,获取所述营销反馈记录关联的产品信息和用户信息,以及营销反馈结果;
基于所述产品特征参数和用户特征参数,在产品信息和用户信息中分别筛选产品特征信息和用户特征信息;
将所述产品特征信息和用户特征信息,以及所述营销反馈结果,作为所述营销信息投放模型的一条模型训练素材。
可选的,所述机器学习模块,具体用于:
对于任一待投放产品,提取所述待投放产品的产品特征信息;
将所述产品特征信息与所述用户特征信息融合形成融合信息组;
将所述融合信息组输入训练完成的营销信息投放模型,计算所述待投放产品对于所述用户特征信息的营销收益值。
可选的,所述服务模块,用于:
基于预设的产品过滤规则,对所有待投放产品进行过滤;
基于预设的产品排序规则,按照营销收益值对过滤后得到的所有待投放产品进行排序,选取序列最前的多个目标产品。
可选的,所述营销信息投放模型存在多个,多个营销信息投放模型的基础算法模型、算法参数、产品特征参数、用户特征参数存在不同。
可选的,所述机器学习模块,还用于:
通过ABTest方式在多个营销信息投放模型间配置请求分流规则,以使营销投放请求基于所述请求分流规则被分配至不同营销信息投放模型。
可选的,所述配置模块,还用于:
创建模型调用接口,定义所述模型调用接口对应的输入参数;
通过所述模型调用接口向所述营销信息投放模型输入数据。
可选的,所述服务模块,具体用于:
当产生营销投放请求时,判断所述营销投放请求属于人工响应业务或机器响应业务;
若属于人工响应业务,则基于预设的人工营销规则,对所述营销投放请求进行响应;
若属于机器响应业务,则获取所述营销投放请求对应的用户特征信息和多个待投放产品。
可选的,所述模型训练模块,还用于:
统计所述营销信息投放模型的营销效果;
根据所述营销效果,设置所述营销信息投放模型的优化频率;
基于所述优化频率,从所述营销反馈历史中整理模型训练素材,定期训练所述营销信息投放模型。
第三方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的营销信息投放方法。
综上所述,本申请具有以下有益效果:
基于机器学习技术,通过用户真实的营销反馈历史训练营销信息投放模型,从而推演不同用户对于不同产品的营销信息的反馈规律。这样,当再次产生营销投放请求时,可以利用训练完成的营销信息投放模型,对不同产品的营销效果进行推理,从而可以筛选出营销收益较高的产品进行营销投放,一定程度上保证了营销信息的投放精确性,提高了营销效果,同时减少了营销信息投放过程中的人工操作,降低了人工成本。
附图说明
图1为本申请实施例中营销信息投放的场景架构示意图;
图2为本申请实施例中营销信息投放方法的流程图;
图3为本申请实施例中营销信息投放模型的部分结构示意图;
图4为本申请实施例中营销信息投放系统的逻辑分层示意图;
图5为本申请实施例中营销投放功能的上线流程对比图;
图6为本申请实施例中营销信息投放系统的架构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图1-6及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例提供了一种营销信息投放方法,该方法可以应用于营销信息投放系统,如图1所示,该营销信息投放系统可以部署于商家的后台服务系统,主要用于针对商家的用户进行产品的信息展示和推荐。营销信息投放系统可以设置有对外的业务接口,商家需要面对单个或多个用户投放营销信息时,可以通过上述业务接口调用营销信息投放系统。具体来说,商家可以通过业务接口输入营销投放所需的用户特征信息和产品特征信息,营销信息投放系统可以通过业务接口反馈本次投放的具体营销信息,还可以进一步指出营销信息的投放时间、投放形式等。上述营销信息投放系统可以主要基于机器学习技术,推理不同用户对于不同营销信息的真实反馈,以给出针对不同用户最佳的营销信息投放策略。
下面将结合具体实施方式,对图2所示的处理流程进行详细的说明,内容可以如下:
201,构建营销信息投放模型,定义营销信息投放模型的产品特征参数和用户特征参数。
在实施中,商家需要针对新业务场景投放营销信息,或者针对原有业务场景重新投放营销信息时,可以构建营销信息投放模型,并进一步定义营销信息投放模型的产品特征参数和用户特征参数。其中,营销信息投放模型可以选用XGBoost、Random Forest等基于树结构的机器学习模型、也可以选用LR、FM等线性模型、还可以选用DEEPFM、DEEPFFM等基于神经网络的模型;产品特征参数可以是体现产品多维度细节特征的参数,如产品价格、有效时间、产品类别等参数,用户特征参数可以是从多维度来标识不同用户的特征参数,如用户年龄、性别、已下单产品等。
202,基于产品特征参数和用户特征参数在营销反馈历史中整理模型训练素材,通过模型训练素材训练营销信息投放模型。
在实施中,商家可以记录用户对于已投放的营销信息的反馈历史(可称为营销反馈历史),并且可以将用户特征信息、产品特征信息和营销反馈结果共同作为营销反馈历史的一条营销反馈记录。举例来讲,如果实际场景为“商家向用户甲以发送短信的形式,投放了产品A的50元红包,用户甲通过短信领取了红包,未在有效期内使用”,相应的营销反馈记录可以为“用户特征信息:甲、22岁、学生、男、…;产品特征信息:A、标价200元、短信投放、50元红包、红包有效期7天、…; 营销反馈结果:存在有效反馈(通过短信领取、红包超期未用、产品内容未浏览、…)”。
基于上述处理,在构建了营销信息投放模型后,营销信息投放系统可以基于产品特征参数和用户特征参数,在上述营销反馈历史中整理模型训练素材。营销信息投放系统可以利用整理出的模型训练素材训练营销信息投放模型,以调整营销信息投放模型的模型参数。
203,当产生营销投放请求时,确定营销投放请求对应的用户特征信息和多个待投放产品。
在实施中,商家在对外提供产品时,可能会视用户需求或商家需求产生营销投放请求。例如,用户点击打开商家某产品的宣传网页时,商家的营销信息投放系统可以自动生成针对该用户的营销投放请求;又例如,商家上架了某一新产品后,其营销信息投放系统可以自动生成针对该产品的营销投放请求。这样,当产生营销投放请求时,营销信息投放系统可以进一步确定营销投放请求所对应的用户特征信息和多个待投放产品。具体而言,一个营销投放请求可以对应一种业务场景下的营销信息投放需求,营销信息投放需求可以是针对一个用户投放多个产品的产品信息的需求,也可以是针对多个用户投放一个产品的产品信息的需求,还可以是针对多个用户同时投放多个产品的产品信息的需求。故而,营销信息投放系统可以确定本次营销投放请求对应的所有待投放产品,并基于营销信息投放模型的用户特征参数,确定本次营销投放请求对应的所有用户的用户特征信息。
204,利用训练完成的营销信息投放模型,计算多个待投放产品对于用户特征信息的营销收益值。
在实施中,营销信息投放系统确定了营销投放请求对应的用户特征信息和多个待投放产品后,可以调取由步骤202训练得到的营销信息投放模型,并将用户特征信息和多个待投放产品的产品特征信息输入营销信息投放模型,以计算多个待投放产品对于用户特征信息的营销收益值,即可以是用户对当前产品的营销进行有效反馈的概率值。
可以理解,商家针对不同业务场景可以构建不同的营销信息投放模型,并可以专门从该业务场景的营销反馈历史中提取模型训练素材,以对营销信息投放模型进行针对性地训练。而后续产生了营销投放请求时,可以先确定该营销投放请求所属的业务场景,再调取该业务场景所对应的营销信息投放模型进行相关计算。这样,针对不同业务场景设置不同营销信息投放模型,可以使得模型参数更贴合该业务场景,从而可以提高模型推理的准确度和合理性。
值得一提的是,同一产品可以存在多种营销投放方式,如通过短信发送产品信息,或者在网页的广告窗口内展示产品图片,或者通过聊天群组进行产品信息推广等。基于此,在计算同一待投放产品对于用户特征信息的营销收益值时,可以进一步区别计算不同营销投放方式所对应的营销收益值,以便于针对不同产品不同用户,选取出最佳的营销投放策略。
205,根据营销收益值选取多个目标产品,利用多个目标产品的产品信息响应营销投放请求。
在实施中,在通过营销信息投放模型生成多个待投放产品对应的营销收益值之后,可以按照营销收益值的大小将多个待投放产品排序,并且按照预设的产品营销数量,以营销收益值为标准选取多个目标产品。进而,营销信息投放系统可以利用多个目标产品的产品信息对营销投放请求进行响应,即将目标产品的产品信息作为本次营销投放的具体内容。
对于步骤201,在一实施例中营销信息投放模型的构建过程具体可以如下:定义营销信息投放模型的基础算法模型,以及基础算法模型对应的算法参数;定义营销信息投放模型的产品特征参数和用户特征参数,以及产品特征参数和用户特征参数对应的数据处理方法。
在实施中,在构建营销信息投放模型时,可以先定义营销信息投放模型的基础算法模型,如可以选用XGBoost、Random Forest、LR、FM、DEEPFM、DEEPFFM等类型的模型,再定义基础算法模型对应的算法参数,如迭代次数、树最大深度、学习速率、正则惩罚系数、随机采样比例等,此外还可以定义模型关注的离线评估指标,如AUC、logloss等。同时,还可以定义营销信息投放模型的产品特征参数和用户特征参数,即定义选用哪些特征参数作为模型训练或推理的依据,并可以进一步定义产品特征参数和用户特征参数对应的数据处理方法,如one-hot、MinMax、默认缺失值填充等方法。此处的数据处理方法可以是在提取了产品特征参数或用户特征参数对应的数据后,将数据输入营销信息投放模型前,对数据进行预处理的方法。
对于步骤202,在一实施例中从营销反馈历史中整理模型训练素材的处理具体可以如下:选取一条营销反馈记录,获取营销反馈记录关联的产品信息和用户信息,以及营销反馈结果;基于产品特征参数和用户特征参数,在产品信息和用户信息中分别筛选产品特征信息和用户特征信息;将产品特征信息和用户特征信息,以及营销反馈结果,作为营销信息投放模型的一条模型训练素材。
在实施中,商家记录的营销反馈历史具体可以以营销反馈记录的形式存在,每一条营销反馈记录即包含用户对于一次营销信息投放的反馈情况。在从营销反馈历史中整理模型训练素材时,可以以营销反馈记录为单位执行。具体的,可以选取任意一条营销反馈记录,获取该营销反馈记录关联的产品信息和用户信息,然后在产品信息和用户信息中分别提取符合产品特征参数和用户特征参数的产品特征信息和用户特征信息。最后,可以将产品特征信息和用户特征信息,以及营销反馈记录中的营销反馈结果,组合作为一条模型训练素材。
对于步骤204,在一实施例中通过营销信息投放模型计算营销收益值的处理具体可以如下:对于任一待投放产品,提取待投放产品的产品特征信息;将产品特征信息与用户特征信息融合形成融合信息组;将融合信息组输入训练完成的营销信息投放模型,计算待投放产品对于用户特征信息的营销收益值。
在实施中,在确定了营销投放请求对应的用户特征信息和多个待投放产品后,可以将待投放产品的产品信息与用户特征信息进行融合,以形成营销信息投放模型的输入。具体的,对于任一待投放产品,可以先基于营销信息投放模型的产品特征参数,提取该待投放产品的产品特征信息,再将产品特征信息与已确定的用户特征信息进行融合,形成融合信息组,然后可以将该融合信息组作为输入数据,加载至训练完成的营销信息投放模型,从而可以由营销信息投放模型计算得到该待投放产品对于上述用户特征信息的营销收益值。
其中,不同算法模型的计算过程也不相同,以XGBoost类模型为例,其选用boosting集成算法,在进行模型计算时,根据XGBoost类模型的结构,并行计算落入到第Z棵树的叶子节点的值,计算完成后进行相加,从而可以得到最终的营销收益值。图3示出了一种XGBoost类模型训练完成后的部分树状结构,深度设为4层,其中非叶子节点为二分判断节点,二分判断结果可以包含是、否、以及相应数据缺失的情况,叶子节点为结果值,且非叶子节点和叶子节点的选值均由训练得到。在数据输入模型后,经过4层二分判断,最终得到一个叶子节点的值,进而可以累加XGBoost类模型中每棵树中叶子节点的值,以得到营销收益值。
需要补充的是,如果营销投放请求是同时针对多个用户的,则可以获取到多个用户的用户特征信息,那么在生成融合信息组时,可以将一个待投放产品的产品特征信息,与一个用户的用户特征信息进行融合。当然,在另一种场景下,获取的用户特征信息可以是多个用户共同满足的用户特征信息,如多个用户都是男性,均购买过产品A,且均居住在X城市。这样,在生成融合信息组时,可以将一个待投放产品的产品特征信息,与上述多个用户共同满足的用户特征信息进行融合。
对于步骤205,在一实施例中选取目标产品的流程具体可以如下:基于预设的产品过滤规则,对所有待投放产品进行过滤;基于预设的产品排序规则,按照营销收益值对过滤后得到的所有待投放产品进行排序,选取序列最前的多个目标产品。
在实施中,在通过营销信息投放模型计算得到多个待投放产品对应的营销收益值后,可以先基于预设的产品过滤规则,对所有待投放产品进行过滤。此处的产品过滤规则可以是商家预先设置的,用于根据营销收益值对部分不适合营销投放的产品进行过滤的规则,如可以设定将营销收益值不处于预设取值范围内的产品全部过滤掉。之后,可以基于预设的产品排序规则,如依据营销收益值从大到小的规则,对过滤后的所有待投放产品进行排序,进而可以选取序列最前的多个目标产品。
对于步骤201,在一实施例中,针对同一业务场景,可以同时部署多个营销信息投放模型,多个营销信息投放模型的基础算法模型、算法参数、产品特征参数、用户特征参数存在不同。
在实施中,商家在针对不同业务场景构建营销信息投放模型时,可以同时构建多个相互间存在区别的营销信息投放模型,其中,不同营销信息投放模型间的区别可以是基础算法模型的不同,或者可以是算法参数的不同,还可以是定义的产品特征参数和/或用户特征参数的不同。这样,针对同一业务场景,采用不同的营销信息投放模型,可以通过实际应用比对出更为适合当前业务场景的营销信息投放模型,能够避免因初始时模型结构或参数定义错误,而导致营销信息投放模型始终无法对业务场景中的营销投放进行有效推演的问题。
可选的,针对上述同时构建多个营销信息投放模型的处理,可以采用ABtest方式将线上请求均匀分流至不同模型,相应的处理可以如下:通过ABTest方式在多个营销信息投放模型间配置请求分流规则,以使营销投放请求基于请求分流规则被分配至不同营销信息投放模型。
在实施中,商家针对某一业务场景构建了多个营销信息投放模型后,可以进一步采用ABTest方式在多个营销信息投放模型间配置请求分流规则,使得该业务场景下的营销投放请求可以均匀地被分流到不同的营销信息投放模型,从而可以实现各个营销信息投放模型间具备模型推理效果的对比,以利于发掘更适合于当前业务场景的营销信息投放模型。
在另一实施例中,可以创建项目接口,以通过项目接口实现后端模型的调用,相应的处理可以如下:创建模型调用接口,定义模型调用接口对应的输入参数;通过模型调用接口向营销信息投放模型输入数据。
在实施中,在构建营销信息投放模型前,商家还可以针对当前存在营销投放需求的业务场景,创建营销投放项目,同时创建该营销投放项目下的模型调用接口,并定义模型调用接口对应的输入参数。该模型调用接口可以用于后端模型的数据输入和后端模型计算结果的输出。因此,在构建营销信息投放模型后,可以通过上述模型调用接口向营销信息投放模型输入数据。
对于步骤203,在另一实施例中,营销信息投放系统还可以存在人工响应机制,相应的,步骤203的处理可以如下:当产生营销投放请求时,判断营销投放请求属于人工响应业务或机器响应业务;若属于人工响应业务,则基于预设的人工营销规则,对营销投放请求进行响应;若属于机器响应业务,则获取营销投放请求对应的用户特征信息和多个待投放产品。
在实施中,营销信息投放系统中可以存在人工营销规则,该人工营销规则可以是商家自行配置的,用于在部分业务场景中,实现营销信息的人工选择与投放。人工营销规则配置完成后,可以依托于规则引擎生成语法树,并存储到数据库中,之后可以在需要应用人工营销规则时,加载上述语法树,依照语法树生成脚本,再动态加载规则脚本。这样,当营销信息投放系统产生了营销投放请求时,可以先确定营销投放请求所对应的具体业务,然后可以判断针对该具体业务的营销是属于人工响应业务还是机器响应业务。如果属于人工响应业务,则可以基于上述预设的人工营销规则,对营销投放请求进行响应。如果属于机器响应业务,则可以获取营销投放请求对应的用户特征信息和多个待投放产品,并执行后续步骤204、205的处理。
在另一实施例中,可以基于营销信息投放模型的营销效果,不断对营销信息投放模型进行优化训练,相应的处理可以如下:统计营销信息投放模型的营销效果;根据营销效果,设置营销信息投放模型的优化频率;基于优化频率,从营销反馈历史中整理模型训练素材,定期训练营销信息投放模型。
在实施中,营销信息投放系统可以统计每个营销信息投放模型的营销效果,该营销效果可以是营销信息投放的用户反馈率、订单增幅等。之后,可以根据每个营销信息投放模型的营销效果,设置营销信息投放模型的优化频率,其中,营销效果越差,则可以认为营销信息投放模型的模型参数越不准确,故而需要对营销信息投放模型进行更高频地优化,即设置越高的优化频率。进而,营销信息投放系统可以基于每个营销信息投放模型的优化频率,定期从营销反馈历史中整理模型训练素材,并通过模型训练素材对营销信息投放模型进行参数优化训练。
参考图4内容,营销信息投放系统从逻辑层面可以分为业务层、接口层、模型层、数据处理层和硬件层,其中,业务层可以用于将业务场景抽象为算法问题,即将实际营销信息的投放转化为营销收益的计算;接口层可以用于参数输入、营销信息输出和请求分流;模型层可以用于模型配置、模型训练、模型应用、模型升级等;数据处理层可以用于对模型训练素材和模型输入数据进行预处理,如执行大数据计算、实时数据计算等;硬件层即为整个系统所依托的硬件设备,包含CPU、GPU、内存、网卡等。
采用本申请公开的营销信息投放方法,基于机器学习技术,通过用户真实的营销反馈历史训练营销信息投放模型,从而推演不同用户对于不同产品的营销信息的反馈规律。这样,当再次产生营销投放请求时,可以利用训练完成的营销信息投放模型,对不同产品的营销效果进行推理,从而可以筛选出营销收益较高的产品进行营销投放,一定程度上保证了营销信息的投放精确性,提高了营销效果,同时减少了营销信息投放过程中的人工操作,降低了人工成本。
此外,应用上述营销信息投放方法,同时可以大幅缩减营销投放算法的上线流程,具体可以参考图5所示,主要体现在将原上线流程算法工程师的模型设计、模型训练、模型上线、搭建模型服务等工作简化为模型设计、算法参数设置两项工作,同时省去了研发工程师的定义接口、特征获取、数据计算、请求分流、结果过滤排序、性能优化等工作。
基于相同的技术构思,本申请实施例还提供了一种营销信息投放系统,如图6所示,所述系统包括:
配置模块601,用于构建营销信息投放模型,定义所述营销信息投放模型的产品特征参数和用户特征参数;
模型训练模块602,用于基于所述产品特征参数和用户特征参数在营销反馈历史中整理模型训练素材,通过所述模型训练素材训练所述营销信息投放模型;
服务模块603,用于当产生营销投放请求时,确定所述营销投放请求对应的用户特征信息和多个待投放产品;
机器学习模块604,用于利用训练完成的营销信息投放模型,计算所述多个待投放产品对于所述用户特征信息的营销收益值;
所述服务模块603,还用于根据所述营销收益值选取多个目标产品,利用所述多个目标产品的产品信息响应所述营销投放请求。
可选的,所述配置模块601,具体用于:
定义营销信息投放模型的基础算法模型,以及所述基础算法模型对应的算法参数;
定义所述营销信息投放模型的产品特征参数和用户特征参数,以及所述产品特征参数和用户特征参数对应的数据处理方法。
可选的,所述模型训练模块602,具体用于:
选取一条营销反馈记录,获取所述营销反馈记录关联的产品信息和用户信息,以及营销反馈结果;
基于所述产品特征参数和用户特征参数,在产品信息和用户信息中分别筛选产品特征信息和用户特征信息;
将所述产品特征信息和用户特征信息,以及所述营销反馈结果,作为所述营销信息投放模型的一条模型训练素材。
可选的,所述机器学习模块604,具体用于:
对于任一待投放产品,提取所述待投放产品的产品特征信息;
将所述产品特征信息与所述用户特征信息融合形成融合信息组;
将所述融合信息组输入训练完成的营销信息投放模型,计算所述待投放产品对于所述用户特征信息的营销收益值。
可选的,所述服务模块603,具体用于:
基于预设的产品过滤规则,对所有待投放产品进行过滤;
基于预设的产品排序规则,按照营销收益值对过滤后得到的所有待投放产品进行排序,选取序列最前的多个目标产品。
可选的,所述营销信息投放模型存在多个,多个营销信息投放模型的基础算法模型、算法参数、产品特征参数、用户特征参数存在不同。
可选的,所述机器学习模块604,还用于:
通过ABTest方式在多个营销信息投放模型间配置请求分流规则,以使营销投放请求基于所述请求分流规则被分配至不同营销信息投放模型。
可选的,所述配置模块601,还用于:
创建模型调用接口,定义所述模型调用接口对应的输入参数;
通过所述模型调用接口向所述营销信息投放模型输入数据。
可选的,所述服务模块603,具体用于:
当产生营销投放请求时,判断所述营销投放请求属于人工响应业务或机器响应业务;
若属于人工响应业务,则基于预设的人工营销规则,对所述营销投放请求进行响应;
若属于机器响应业务,则获取所述营销投放请求对应的用户特征信息和多个待投放产品。
可选的,所述模型训练模块602,还用于:
统计所述营销信息投放模型的营销效果;
根据所述营销效果,设置所述营销信息投放模型的优化频率;
基于所述优化频率,从所述营销反馈历史中整理模型训练素材,定期训练所述营销信息投放模型。
本申请实施例还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如步骤201至步骤205所述的营销信息投放方法。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,本说明书(包括摘要和附图)中公开的任一特征,除非特别叙述,均可被其它等效或者具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
Claims (10)
1.一种营销信息投放方法,其特征在于,所述方法包括:
构建营销信息投放模型,定义所述营销信息投放模型的产品特征参数和用户特征参数;
基于所述产品特征参数和用户特征参数在营销反馈历史中整理模型训练素材,通过所述模型训练素材训练所述营销信息投放模型;
当产生营销投放请求时,确定所述营销投放请求对应的用户特征信息和多个待投放产品;
利用训练完成的营销信息投放模型,计算所述多个待投放产品对于所述用户特征信息的营销收益值;
根据所述营销收益值选取多个目标产品,利用所述多个目标产品的产品信息响应所述营销投放请求。
2.根据权利要求1所述的方法,其特征在于,所述构建营销信息投放模型,定义所述营销信息投放模型的产品特征参数和用户特征参数,包括:
定义营销信息投放模型的基础算法模型,以及所述基础算法模型对应的算法参数;
定义所述营销信息投放模型的产品特征参数和用户特征参数,以及所述产品特征参数和用户特征参数对应的数据处理方法。
3.根据权利要求1所述的方法,其特征在于,所述基于所述产品特征参数和用户特征参数在营销反馈历史中整理模型训练素材,包括:
选取一条营销反馈记录,获取所述营销反馈记录关联的产品信息和用户信息,以及营销反馈结果;
基于所述产品特征参数和用户特征参数,在产品信息和用户信息中分别筛选产品特征信息和用户特征信息;
将所述产品特征信息和用户特征信息,以及所述营销反馈结果,作为所述营销信息投放模型的一条模型训练素材。
4.根据权利要求1所述的方法,其特征在于,所述利用训练完成的营销信息投放模型,计算所述多个待投放产品对于所述用户特征信息的营销收益值,包括:
对于任一待投放产品,提取所述待投放产品的产品特征信息;
将所述产品特征信息与所述用户特征信息融合形成融合信息组;
将所述融合信息组输入训练完成的营销信息投放模型,计算所述待投放产品对于所述用户特征信息的营销收益值。
5.根据权利要求1所述的方法,其特征在于,所述营销信息投放模型存在多个,多个营销信息投放模型的基础算法模型、算法参数、产品特征参数、用户特征参数存在不同。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
通过ABTest方式在多个营销信息投放模型间配置请求分流规则,以使营销投放请求基于所述请求分流规则被分配至不同营销信息投放模型。
7.根据权利要求1所述的方法,其特征在于,所述当产生营销投放请求时,获取所述营销投放请求对应的用户特征信息和多个待投放产品,包括:
当产生营销投放请求时,判断所述营销投放请求属于人工响应业务或机器响应业务;
若属于人工响应业务,则基于预设的人工营销规则,对所述营销投放请求进行响应;
若属于机器响应业务,则获取所述营销投放请求对应的用户特征信息和多个待投放产品。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
统计所述营销信息投放模型的营销效果;
根据所述营销效果,设置所述营销信息投放模型的优化频率;
基于所述优化频率,从所述营销反馈历史中整理模型训练素材,定期训练所述营销信息投放模型。
9.一种营销信息投放系统,其特征在于,所述系统包括:
配置模块,用于构建营销信息投放模型,定义所述营销信息投放模型的产品特征参数和用户特征参数;
模型训练模块,用于基于所述产品特征参数和用户特征参数在营销反馈历史中整理模型训练素材,通过所述模型训练素材训练所述营销信息投放模型;
服务模块,用于当产生营销投放请求时,确定所述营销投放请求对应的用户特征信息和多个待投放产品;
机器学习模块,用于利用训练完成的营销信息投放模型,计算所述多个待投放产品对于所述用户特征信息的营销收益值;
所述服务模块,还用于根据所述营销收益值选取多个目标产品,利用所述多个目标产品的产品信息响应所述营销投放请求。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至8任一所述的营销信息投放方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011080629.3A CN112200610A (zh) | 2020-10-10 | 2020-10-10 | 一种营销信息投放方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011080629.3A CN112200610A (zh) | 2020-10-10 | 2020-10-10 | 一种营销信息投放方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112200610A true CN112200610A (zh) | 2021-01-08 |
Family
ID=74014293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011080629.3A Pending CN112200610A (zh) | 2020-10-10 | 2020-10-10 | 一种营销信息投放方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200610A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726359A (zh) * | 2024-02-08 | 2024-03-19 | 成都纳宝科技有限公司 | 一种互动营销方法、系统和设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127525A (zh) * | 2016-06-27 | 2016-11-16 | 浙江大学 | 一种基于分类算法的电视购物商品推荐方法 |
CN108665355A (zh) * | 2018-05-18 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 金融产品推荐方法、装置、设备和计算机存储介质 |
CN109377280A (zh) * | 2018-10-26 | 2019-02-22 | 苏州创旅天下信息技术有限公司 | 一种广告排序机制生成方法及生成系统 |
CN109684635A (zh) * | 2018-12-20 | 2019-04-26 | 上海四宸软件技术有限公司 | 一种基于智能营销的用户评价观点挖掘系统 |
CN109711871A (zh) * | 2018-12-13 | 2019-05-03 | 北京达佳互联信息技术有限公司 | 一种潜在客户确定方法、装置、服务器及可读存储介质 |
CN109767255A (zh) * | 2018-12-06 | 2019-05-17 | 东莞团贷网互联网科技服务有限公司 | 一种通过大数据建模实现智能运营及精准营销的方法 |
CN111242713A (zh) * | 2018-11-29 | 2020-06-05 | 北京京东尚科信息技术有限公司 | 一种信息推送方法和装置 |
-
2020
- 2020-10-10 CN CN202011080629.3A patent/CN112200610A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127525A (zh) * | 2016-06-27 | 2016-11-16 | 浙江大学 | 一种基于分类算法的电视购物商品推荐方法 |
CN108665355A (zh) * | 2018-05-18 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 金融产品推荐方法、装置、设备和计算机存储介质 |
CN109377280A (zh) * | 2018-10-26 | 2019-02-22 | 苏州创旅天下信息技术有限公司 | 一种广告排序机制生成方法及生成系统 |
CN111242713A (zh) * | 2018-11-29 | 2020-06-05 | 北京京东尚科信息技术有限公司 | 一种信息推送方法和装置 |
CN109767255A (zh) * | 2018-12-06 | 2019-05-17 | 东莞团贷网互联网科技服务有限公司 | 一种通过大数据建模实现智能运营及精准营销的方法 |
CN109711871A (zh) * | 2018-12-13 | 2019-05-03 | 北京达佳互联信息技术有限公司 | 一种潜在客户确定方法、装置、服务器及可读存储介质 |
CN109684635A (zh) * | 2018-12-20 | 2019-04-26 | 上海四宸软件技术有限公司 | 一种基于智能营销的用户评价观点挖掘系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726359A (zh) * | 2024-02-08 | 2024-03-19 | 成都纳宝科技有限公司 | 一种互动营销方法、系统和设备 |
CN117726359B (zh) * | 2024-02-08 | 2024-04-26 | 成都纳宝科技有限公司 | 一种互动营销方法、系统和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241440A (zh) | 一种基于深度学习的面向隐式反馈推荐方法 | |
CN101783004A (zh) | 快速智能化的商品推荐系统 | |
DE10257199A1 (de) | Erzeugen eines optimierten Preiskalkulationsplans | |
CN111967971A (zh) | 银行客户数据处理方法及装置 | |
CN113706251B (zh) | 基于模型的商品推荐方法、装置、计算机设备和存储介质 | |
CN110163683A (zh) | 价值用户关键指标确定方法、广告投放方法及装置 | |
US20140195312A1 (en) | System and method for management of processing workers | |
CN112184302A (zh) | 一种产品推荐方法、装置、规则引擎及存储介质 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN112200610A (zh) | 一种营销信息投放方法、系统及存储介质 | |
WO2014107517A1 (en) | Priority-weighted quota cell selection to match a panelist to a market research project | |
CN116823360B (zh) | 一种基于用户行为的智能广告计划生成方法及系统 | |
CN113449116A (zh) | 一种图谱构建、预警方法、设备及介质 | |
CN112116387A (zh) | 一种基于因果关系的信息预测方法 | |
US20140188941A1 (en) | Using a Graph Database to Match Entities by Evaluating Boolean Expressions | |
CN110874432B (zh) | 排序方法、信息推荐方法、系统及装置 | |
CN113674013B (zh) | 一种基于商户自定义规则的广告竞价调整方法及系统 | |
US7979302B2 (en) | Report generation method and system | |
CN115063178A (zh) | 目标群体对于业务场景敏感程度的确定方法及其装置 | |
CN111091410B (zh) | 一种结合节点嵌入和用户行为特征的网点销量预测方法 | |
CN112669073A (zh) | 一种用户留存预测方法、装置、电子设备及存储介质 | |
CN112529456A (zh) | 一种供应商评价系统、方法、后台设备及存储介质 | |
CN113139835A (zh) | 数据处理方法、装置、非易失性存储介质及处理器 | |
CN113935827A (zh) | 信贷风险评估方法及装置、存储介质及电子设备 | |
CN112926997A (zh) | 一种客户关系管理系统及方法 |
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 |