CN112819507A - 一种服务推送方法、装置、电子设备以及可读存储介质 - Google Patents

一种服务推送方法、装置、电子设备以及可读存储介质 Download PDF

Info

Publication number
CN112819507A
CN112819507A CN202011616464.7A CN202011616464A CN112819507A CN 112819507 A CN112819507 A CN 112819507A CN 202011616464 A CN202011616464 A CN 202011616464A CN 112819507 A CN112819507 A CN 112819507A
Authority
CN
China
Prior art keywords
group
user
target
service
push service
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011616464.7A
Other languages
English (en)
Other versions
CN112819507B (zh
Inventor
朱文静
苏涛
缪莹莹
丁芬
张俊红
朱嘉琪
张锦
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202011616464.7A priority Critical patent/CN112819507B/zh
Publication of CN112819507A publication Critical patent/CN112819507A/zh
Application granted granted Critical
Publication of CN112819507B publication Critical patent/CN112819507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种服务推送方法、装置、电子设备以及可读存储介质，该服务推送方法包括：针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，预测针对目标推送服务该用户的预测反馈指标；基于目标群体中的每个用户的预测反馈指标，预测目标群体针对目标推送服务的群体预测反馈指标；基于所预测的群体预测反馈指标，确定目标推送服务的服务指标；基于所确定的服务指标对目标推送服务进行推送。通过采用上述服务推送方法、装置、电子设备以及可读存储介质，可以使得向用户推送的服务更为精确、针对性更强。

Description

一种服务推送方法、装置、电子设备以及可读存储介质
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种服务推送方法、装置、电子设备以及可读存储介质。
背景技术
目前，在新策略上线之前，通常会针对新策略进行实验，即，在实验的小批量基础上快速试错、不断迭代，从而打造出更加完善的策略。当前评判策略好坏的一个重要指标就是ROI(Return of investment)，其含义是指单位投入下的回报。一般来讲，计算ROI存在一个时间周期，这个时间周期往往是指实验线上运行的时间，通常约为一至两个星期。这就导致通过上述方式计算得到的ROI存在一定的缺陷，即它反映的是策略短期的效果，而忽略了策略在更长时间内所带来的影响。
发明内容
有鉴于此，本申请的目的在于提供一种服务推送方法、装置、电子设备以及可读存储介质，通过目标推送服务的短期实验效果来预测该目标推送服务的长期服务效果，以实现面向用户的有针对性的服务推送。
根据本申请的一个方面，提供一种服务推送方法，包括：
针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，预测该用户针对所述目标推送服务的预测反馈指标；
基于所述目标群体中的每个用户的预测反馈指标，预测所述目标群体针对所述目标推送服务的群体预测反馈指标；
基于所预测的群体预测反馈指标，确定所述目标推送服务的服务指标；
基于所确定的服务指标推送所述目标推送服务。
在一些实施例中，针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，预测该用户针对所述目标推送服务的预测反馈指标，可包括：将该用户在试用周期内对目标推送服务的反馈信息输入到第一神经网络，以获得策略特征信息；将该用户在试用周期之前的历史行为数据输入到第二神经网络，以获得历史特征信息，所述历史行为数据包括用户特征信息；将所获得的策略特征信息和历史特征信息输入到第三神经网络，以获得针对所述目标推送服务该用户的预测反馈指标。
在一些实施例中，所述目标群体可分为多个用户群组，基于所述目标群体中的每个用户的预测反馈指标，预测所述目标群体针对所述目标推送服务的群体预测反馈指标，可包括：基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对该目标推送服务的分组预测反馈指标，所述预测反馈指标用于表征用户个体针对目标推送服务的反馈结果，所述分组预测反馈指标用于表征用户群组针对目标推送服务的反馈结果；基于各用户群组的分组预测反馈指标，获得所述目标群体针对该目标推送服务的群体预测反馈指标，所述群体预测反馈指标用于表征目标群体针对目标推送服务的反馈结果。
在一些实施例中，所述基于各用户群组的分组预测反馈指标，获得所述目标群体针对该目标推送服务的群体预测反馈指标，可包括：利用校正函数，分别对每个用户群组的分组预测反馈指标进行校正，获得每个用户群组的分组预测反馈指标修正值，将每个用户群组的分组预测反馈指标修正值的平均值，确定为所述目标群体针对所述目标推送服务的群体预测反馈指标。
在一些实施例中，基于所确定的服务指标推送所述目标推送服务，可包括：将所述目标推送服务的服务指标与设定阈值进行比较；如果所述服务指标不小于所述设定阈值，则推送所述目标推送服务；如果所述服务指标小于所述设定阈值，则对所述目标推送服务进行调整。
在一些实施例中，所述目标群体可包括在试用周期内使用所述目标推送服务的实验组用户群体和未使用所述目标推送服务的对照组用户群体，所述群体预测反馈指标包括实验组用户群体的群体预测反馈指标和对照组用户群体的群体预测反馈指标，基于所预测的群体预测反馈指标，确定所述目标推送服务的服务指标，可包括：确定实验组用户群体的群体预测反馈指标与对照组用户群体的群体预测反馈指标的差值，根据所述差值确定所述目标推送服务的服务指标。
在一些实施例中，所述历史行为数据可包括以下的任意一种或多种：用户特征信息、历史出行订单信息，其中，将该用户在试用周期之前的用户特征信息和/或历史出行订单信息输入到第二神经网络，以获得历史特征信息。
在一些实施例中，所述用户特征信息可包括以下的任意一种或多种：性别、年龄、生命周期、身份标识、消费能力指标；所述目标推送服务可包括以下的任意一种或多种：使用快车的出行方式、使用拼车的出行方式、使用顺风车的出行方式；所述反馈信息可包括以下的任意一种或多种：应答率、应答等待时长、接驾距离、品类偏好满足度、针对目标推送服务的预估分配资源、订单成交总额、补贴所占用的总资源、实验分组、针对目标推送服务的实际分配资源、服务类型；所述第一神经网络可包括长短期记忆网络，所述第二神经网络可包括深度神经网络，所述第三神经网络可包括深度神经网络多层感知器。
根据本申请的另一个方面，提供一种服务推送方法，包括：
针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在使用周期内对不同的目标推送服务的反馈信息，预测该用户针对不同的目标推送服务的预测反馈指标；
针对每个目标推送服务，基于所述目标群体中的每个用户针对该目标推送服务的预测反馈指标，预测所述目标群体针对该目标推送服务的群体预测反馈指标；
针对每个目标推送服务，基于所述目标群体针对该所述目标推送服务的群体预测反馈指标，确定该目标推送服务的服务指标；
根据不同的目标推送服务的服务指标，从不同的目标推送服务中选择服务指标的最大值对应的目标推送服务作为最终推送服务进行推送。
在一些实施例中，针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在使用周期内对不同的目标推送服务的反馈信息，预测该用户针对不同的目标推送服务的预测反馈指标，可包括：针对每个目标推送服务，将该用户在试用周期内对该目标推送服务的反馈信息输入到第一神经网络，以获得该目标推送服务对应的策略特征信息；将该用户在试用周期之前的历史行为数据输入到第二神经网络，以获得该目标推送服务对应的历史特征信息，所述历史行为数据包括用户特征信息；将所获得的策略特征信息和历史特征信息输入到第三神经网络，以获得针对该目标推送服务该用户的预测反馈指标。
在一些实施例中，所述目标群体可分为多个用户群组，针对每个目标推送服务，基于所述目标群体中的每个用户针对该目标推送服务的预测反馈指标，预测所述目标群体针对该目标推送服务的群体预测反馈指标，可包括：针对每个目标推送服务，基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对该目标推送服务的分组预测反馈指标，所述预测反馈指标用于表征用户个体针对目标推送服务的反馈结果，所述分组预测反馈指标用于表征用户群组针对目标推送服务的反馈结果；基于各用户群组的分组预测反馈指标，获得所述目标群体针对该目标推送服务的群体预测反馈指标，所述群体预测反馈指标用于表征目标群体针对目标推送服务的反馈结果。
根据本申请的另一个方面，提供一种服务推送装置，包括：
个体预测模块，针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，预测针对所述目标推送服务该用户的预测反馈指标；
群体预测模块，基于所述目标群体中的每个用户的预测反馈指标，预测所述目标群体针对所述目标推送服务的群体预测反馈指标；
服务预测模块，基于所预测的群体预测反馈指标，确定所述目标推送服务的服务指标；
服务推送模块，基于所确定的服务指标推送所述目标推送服务。
在一些实施例中，个体预测模块可将该用户在试用周期内对目标推送服务的反馈信息输入到第一神经网络，以获得策略特征信息；将该用户在试用周期之前的历史行为数据输入到第二神经网络，以获得历史特征信息，所述历史行为数据包括用户特征信息；将所获得的策略特征信息和历史特征信息输入到第三神经网络，以获得针对所述目标推送服务该用户的预测反馈指标。
在一些实施例中，所述目标群体可分为多个用户群组，群体预测模块可基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对该目标推送服务的分组预测反馈指标，所述预测反馈指标用于表征用户个体针对目标推送服务的反馈结果，所述分组预测反馈指标用于表征用户群组针对目标推送服务的反馈结果；基于各用户群组的分组预测反馈指标，获得所述目标群体针对该目标推送服务的群体预测反馈指标，所述群体预测反馈指标用于表征目标群体针对目标推送服务的反馈结果。
在一些实施例中，群体预测模块可利用校正函数，分别对每个用户群组的分组预测反馈指标进行校正，获得每个用户群组的分组预测反馈指标修正值，将每个用户群组的分组预测反馈指标修正值的平均值，确定为所述目标群体针对所述目标推送服务的群体预测反馈指标。
在一些实施例中，服务推送模块可将所述目标推送服务的服务指标与设定阈值进行比较；如果所述服务指标不小于所述设定阈值，则推送所述目标推送服务；如果所述服务指标小于所述设定阈值，则对所述目标推送服务进行调整。
在一些实施例中，所述目标群体可包括在试用周期内使用所述目标推送服务的实验组用户群体和未使用所述目标推送服务的对照组用户群体，所述群体预测反馈指标可包括实验组用户群体的群体预测反馈指标和对照组用户群体的群体预测反馈指标，服务预测模块确定实验组用户群体的群体预测反馈指标与对照组用户群体的群体预测反馈指标的差值，根据所述差值确定所述目标推送服务的服务指标。
在一些实施例中，所述历史行为数据可包括以下的任意一种或多种：用户特征信息、历史出行订单信息，其中，个体预测模块将该用户在试用周期之前的用户特征信息和/或历史出行订单信息输入到第二神经网络，以获得历史特征信息。
在一些实施例中，所述用户特征信息可包括以下的任意一种或多种：性别、年龄、生命周期、身份标识、消费能力指标；所述目标推送服务可包括以下的任意一种或多种：使用快车的出行方式、使用拼车的出行方式、使用顺风车的出行方式；所述反馈信息可包括以下的任意一种或多种：应答率、应答等待时长、接驾距离、品类偏好满足度、针对目标推送服务的预估分配资源、订单成交总额、补贴所占用的总资源、实验分组、针对目标推送服务的实际分配资源、服务类型；所述第一神经网络可包括长短期记忆网络，所述第二神经网络包括深度神经网络，所述第三神经网络包括深度神经网络多层感知器。
根据本申请的另一个方面，提供另一种服务推送装置，包括：
用户反馈指标预测模块，针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在使用周期内对不同的目标推送服务的反馈信息，预测该用户针对不同的目标推送服务的预测反馈指标；
群体反馈指标预测模块，针对每个目标推送服务，基于所述目标群体中的每个用户针对该目标推送服务的预测反馈指标，预测所述目标群体针对该目标推送服务的群体预测反馈指标；
服务指标预测模块，针对每个目标推送服务，基于所述目标群体针对该所述目标推送服务的群体预测反馈指标，确定该目标推送服务的服务指标；
目标服务推送模块，根据不同的目标推送服务的服务指标，从不同的目标推送服务中选择服务指标的最大值对应的目标推送服务作为最终推送服务进行推送。
在一些实施例中，用户反馈指标预测模块针对每个目标推送服务，将该用户在试用周期内对该目标推送服务的反馈信息输入到第一神经网络，以获得该目标推送服务对应的策略特征信息；将该用户在试用周期之前的历史行为数据输入到第二神经网络，以获得该目标推送服务对应的历史特征信息，所述历史行为数据包括用户特征信息；将所获得的策略特征信息和历史特征信息输入到第三神经网络，以获得针对该目标推送服务该用户的预测反馈指标。
在一些实施例中，所述目标群体可分为多个用户群组，群体反馈指标预测模块可针对每个目标推送服务，基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对该目标推送服务的分组预测反馈指标，所述预测反馈指标用于表征用户个体针对目标推送服务的反馈结果，所述分组预测反馈指标用于表征用户群组针对目标推送服务的反馈结果；基于各用户群组的分组预测反馈指标，获得所述目标群体针对该目标推送服务的群体预测反馈指标，所述群体预测反馈指标用于表征目标群体针对目标推送服务的反馈结果。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的服务推送方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的服务推送方法的步骤。
本申请实施例还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述的服务推送方法的步骤。
本申请实施例提供的服务推送方法：针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，预测针对所述目标推送服务该用户的预测反馈指标；基于所述目标群体中的每个用户的预测反馈指标，预测所述目标群体针对所述目标推送服务的群体预测反馈指标；基于所预测的群体预测反馈指标，确定所述目标推送服务的服务指标；基于所确定的服务指标推送所述目标推送服务。
与现有技术相比，能够基于目标推送服务的在试用周期内的使用效果，来预测该目标推送服务的长期服务效果(即，服务指标)，并基于所预测的长期服务效果来向用户进行服务推送，使得向用户推送的服务更为精确、且具有针对性。
进一步的，在上述服务推送方法中，在没有增加针对目标推送服务的实验时长的情况下，实现了对目标推送服务的长期使用效果的预测，从而有效降低了实验成本。
进一步的，在上述服务推送方法中，区分了实验期的数据(即，用户在试用周期内对目标推送服务的反馈信息)以及实验前的数据(即，用户特征信息)，并分别经由不同的神经网络进行处理，使得对于预测反馈指标的预测更为准确。
此外，用户特征信息属于实验前的非时序特征数据，用户在试用周期内对目标推送服务的反馈信息属于实验期的时序特征数据，在本申请中考虑了时序信息的同时也结合了非时序特征的优势，以实现模型的高效预测。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种服务推送系统的结构示意图；
图2示出了本申请实施例所提供的一种服务推送方法的流程图；
图3示出了本申请实施例所提供的个体反馈指标预测模型的示意图；
图4示出了本申请实施例所提供的另一种服务推送方法的流程图；
图5示出了本申请实施例所提供的构建神经网络模型的训练数据的示意图；
图6示出了本申请实施例所提供的再一种服务推送方法的流程图；
图7示出了本申请实施例所提供的一种服务推送装置的结构示意图；
图8示出了本申请实施例所提供的另一种服务推送装置的结构示意图；
图9示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约车(如快车、拼车或顺风车)”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕网约车进行描述，但是应该理解，这仅是一个示例性实施例。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如，用户可以是乘客、驾驶员、操作员等，或其任意组合。
本申请中的术语“乘客”、“请求方”、“服务请求方”和“客户”可互换使用，以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用，以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如，用户可以是乘客、驾驶员、操作员等，或其任意组合。在本申请中，“乘客”和“乘客终端”可以互换使用，“驾驶员”和“驾驶员终端”可以互换使用。
本申请中的术语“服务请求”和“订单”可互换使用，以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“服务请求”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
本申请中的术语“目标服务”，可以指由司机、服务提供方、或供应商等、或其任意组合提供的服务。接受或使用该“目标服务”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。目标服务可以是收费的或免费的。
本申请的一个方面涉及一种服务推送方法。值得注意的是，在本申请提出申请之前，现有技术中通常是利用ROI来评价策略的短期使用效果(如利用ROI来评价某种服务在试用周期内的使用效果)。但是上述基于ROI的策略评价方式，忽略了策略在更长时间内所带来的影响。
现有技术中存在一个LTV(lifetime value)的概念，其指的是用户在整个生命周期中所能给平台贡献的价值，即用户生命周期总价值。基于此，当利用长期价值来衡量策略好坏时，通常设计的实验需要很长的时间。但在实际应用中，是无法设计一个实验来覆盖用户的整个生命周期。
目前，可以通过截断的方式，使实验周期无需覆盖用户的整个生命周期，可以仅仅覆盖较长的用户生命阶段。与策略短期使用时长(如两周)相比，这一时间段的时长可以是三个月、半年、或者一年。这样，通过截断的方式，使得长期实验在理论上变为可行，从而成功地避免短期ROI所导致的策略评价偏差。但是长期实验存在实验周期长、干扰因素复杂、占用实验资源等问题，导致实验成本高、策略评价偏差大。
针对上述存在的问题，本申请提出的一种服务推送方法，将目标推送服务在试用周期内使用效果推广到长期，基于此来衡量目标推送服务的长期服务效果，不仅可以有效降低实验成本，还可以基于目标推送服务的长期使用效果向用户进行服务推送，使得面向用户推送的服务更为精确。
参照图1所示，为本申请实施例提供的一种服务推送系统100的结构示意图。例如，服务推送系统100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。服务推送系统100可以包括服务器110、网络120、服务请求端130、服务提供端140、和数据库150中的一种或多种。
在一些实施例中，服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器可以基于从服务请求端130获得的服务请求来确定目标车辆。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、专用指令集处理器(Application Specific Instruction-setProcessor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等，或其任意组合。
在一些实施例中，服务请求端130和服务提供端140对应的设备类型可以是移动设备，比如可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，也可以是平板计算机、膝上型计算机、或机动车辆中的内置设备等。
在一些实施例中，数据库150可以连接到网络120以与服务推送系统100中的一个或多个组件(例如，服务器110，服务请求端130，服务提供端140等)通信。服务推送系统100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中，数据库150可以直接连接到服务推送系统100中的一个或多个组件，或者，数据库150也可以是服务器110的一部分。
下面结合上述图1示出的服务推送系统100中描述的内容，对本申请实施例提供的服务推送方法进行详细说明。
参照图2所示，为本申请实施例提供的一种服务推送方法的流程示意图，该方法可以由服务推送系统100中的服务器110来执行，该方法的具体执行过程为：
步骤S101，针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，预测该用户针对目标推送服务的预测反馈指标。
示例性地，每个用户对应的反馈信息可用于表征将目标推送服务在试用周期内推送给用户后，用户使用该目标推送服务的反馈结果。用户针对目标推送服务的预测反馈指标可指在试用周期之后的未来阶段用户针对目标推送服务的反馈结果，在一示例中，该反馈结果可以通过目标推送服务在未来阶段使用在用户后该用户为平台(如网约车平台)贡献的价值来体现，但本申请不限于此，还可以通过其它参量来反映用户针对目标推送服务的反馈结果。这里，该试用周期可指时长小于设定时长的一时间段(即，短期实验)，作为示例，该试用周期的时长可包括两周。但应理解，本申请不限于此，本领域技术人员可以根据实际需求来确定试用周期的时长。
在一示例中，目标推送服务可用于表征将目标出行方式推送给用户的方式。例如，该目标推送服务可包括有助于促使用户使用目标出行方式的各种激励策略，作为示例，该目标推送服务可指针对目标出行方式派发的优惠券。此外，目标推送服务可包括但不限于以下的任意一种或多种：使用快车的出行方式、使用拼车的出行方式、使用顺风车的出行方式。
在本申请的一个实施例中，可以基于个体反馈指标预测模型来预测目标群体中的每个用户针对目标推送服务的预测反馈指标。这里，可利用各种方式来构建个体反馈指标预测模型，本申请对此不做限定。
具体的，针对目标群体中的每个用户，将该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，输入到个体反馈指标预测模型，以获得该用户长期使用目标推送服务之后该用户针对目标推送服务的预测反馈指标。
下面参照图3以上述预测反馈指标为用户长期价值(用户LTV)、个体反馈指标预测模型为个体维度LTV预测模型为例，来介绍预测目标群体中的每个用户针对目标推送服务的预测反馈指标的过程。
图3示出了本申请实施例所提供的个体反馈指标预测模型的示意图。
在本示例中，可以获取实验中的数据(即，用户在试用周期内对目标推送服务的反馈信息)，以基于实验中的数据对该用户针对目标推送服务的反应情况加以掌握。还可以获取实验前的数据(即，用户在试用周期之前的历史行为数据)，以基于实验前的数据对该用户的个体信息进行了解。
在图3所示的模型示例中，输入数据可包括但不限于用户特性信息、体验特征、价格信息和实验信息，其中，用户特性信息用于反映用户背景特征，体验特征、价格信息、实验信息属于用户在试用周期内对目标推送服务的反馈信息。
以个体反馈指标预测模型为个体维度LTV预测模型为例，可以将输入数据输入到个体维度LTV预测模型，获得个体维度在未来阶段(如未来预定天数之后)的LTV预测值，该LTV预测值即可作为用户针对目标推送服务的预测反馈指标。
作为示例，用户特性信息可包括但不限于以下项中的至少一项：性别、年龄、生命周期、用于指示用户是否属于学生的身份标识(也可以是用于指示用户的职业的身份标识)、消费能力指标(可用于表征用户的购买力)。
作为示例，反馈信息可包括但不限于以下项中的至少一项：体验特性信息、价格信息、实验信息。例如，体验特性信息可包括但不限于以下项中的至少一项：应答率、应答等待时长、接驾距离、品类偏好满足度。价格信息可包括但不限于以下项中的至少一项：针对目标推送服务的预估分配资源(如预估价格)、订单成交总额、补贴所占用的总资源(如补贴总金额)。实验信息可包括但不限于以下项中的至少一项：实验分组、针对目标推送服务的实际分配资源(如目标推送服务的补贴金额)、服务类型。
示例性地，可利用如下公式来确定第i个用户在未来阶段(如未来180天)的LTV预测值：
LTV180,i＝Ui(xbg,xstg)(1)
公式(1)中，LTV180,i表示第i个用户在未来阶段的LTV预测值，Ui()表示个体维度LTV预测模型，xbg表示第i个用户在试用周期之前的用户特征信息，xstg表示第i个用户在试用周期内对目标推送服务的反馈信息。在上述示例中，忽略了所有其它的因素，认为用户的LTV预测值仅受到用户个体特征以及目标推送服务的影响。
应理解，基于上述体维度LTV预测模型，除可以获得用户在未来阶段的LTV预测值之外，可还获得输入数据中的各特征对LTV预测值的影响程度以及方向，或者可还获得在实验条件下，目标推送服务在试用周期内的ROI以及目标推送服务长期使用的预测ROI。
此外，在上述示例中，是以个体反馈指标预测模型为个体维度LTV预测模型为例进行举例介绍的，相应地将LTV预测值作为了预测反馈指标，应理解，本申请不限于此，还可以通过用于反映用户的用户特征信息和反馈信息与预测反馈指标的对应关系的其它预测模型来获得该预测模型的输出参量，将该输出参量确定为预测反馈指标。
返回图2，步骤S102，基于目标群体中的每个用户的预测反馈指标，预测目标群体针对目标推送服务的群体预测反馈指标。
示例性地，目标群体可分为多个用户群组，这里，可以基于各种方式来对目标群体中的各用户进行分组，以使同一用户群组内的用户具有至少一个相同的用户特征信息。
在该步骤中，可以通过对个体用户的预测反馈指标进行聚合来获得不同用户群组针对目标推送服务的分组预测反馈指标。在本申请中是基于个体维度的预测反馈指标进行预测，因此对于用户群组的任意组合的应用非常灵活，例如，计算用户群组的分组预测反馈指标时可以直接将该用户群组内的个体维度的预测反馈指标相加来获得。因此在实际应用中，可以为运营人员提供策略迭代、未来价值评估、收益测算评估等方面的便利。
具体的，基于目标群体中的每个用户的预测反馈指标，预测目标群体针对目标推送服务的群体预测反馈指标的步骤可包括：基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对目标推送服务的分组预测反馈指标，基于各用户群组的分组预测反馈指标，获得目标群体针对目标推送服务的群体预测反馈指标。这里，预测反馈指标用于表征用户个体针对目标推送服务的反馈结果，分组预测反馈指标用于表征用户群组针对目标推送服务的反馈结果，群体预测反馈指标用于表征目标群体针对目标推送服务的反馈结果。针对上述将LTV预测值作为预测反馈指标的情况，分组预测反馈指标可表示各用户群组的针对目标推送服务的长期价值，群体预测反馈指标可表示目标群体针对目标推送服务的长期价值。
例如，可以将每个用户群组中包括的各用户的预测反馈指标的平均值，确定为每个用户群组针对目标推送服务的分组预测反馈指标。应理解，上述所列举的通过计算平均值来确定分组预测反馈指标的方式仅为一示例，本申请不限于此，还可以通过其他方式(例如，求和、求取中间值)来确定分组预测反馈指标。
作为示例，假设目标群体分为N个用户群组，第j个用户群组中包含Nj个用户，在此情况下，可以利用如下公式来确定第j个用户群组的分组预测反馈指标：
Figure BDA0002875034390000091
公式(2)中，LTVj表示第j个用户群组的分组预测反馈指标，即，第j个用户群组中的各用户的预测反馈指标的均值，Nj表示第j个用户群组中的用户的数量，LTV180,i表示第j个用户群组中的第i个用户的预测反馈指标。
示例性地，在获得每个用户群组针对目标推送服务的分组预测反馈指标之后，可以将每个用户群组针对目标推送服务的分组预测反馈指标的平均值，确定为目标群体针对目标推送服务的群体预测反馈指标。应理解，上述所列举的通过计算平均值来确定群体预测反馈指标的方式仅为一示例，本申请不限于此，还可以通过其他方式来确定群体预测反馈指标。
在一优选示例中，还可以通过以下方式来基于各用户群组针对目标推送服务的分组预测反馈指标，获得目标群体针对目标推送服务的群体预测反馈指标：
利用校正函数，分别对每个用户群组针对目标推送服务的分组预测反馈指标进行校正，获得每个用户群组针对目标推送服务的分组预测反馈指标修正值，将每个用户群组针对目标推送服务的分组预测反馈指标修正值的平均值，确定为目标群体针对目标推送服务的群体预测反馈指标。
例如，可利用如下公式来确定目标群体针对目标推送服务的群体预测反馈指标：
Figure BDA0002875034390000092
公式(3)中，LTVtot表示目标群体针对目标推送服务的群体预测反馈指标，N表示目标群体中的用户群组的数量，LTVj表示第j个用户群组针对目标推送服务的分组预测反馈指标，fj()表示针对第j个用户群组的进行群体聚合校正的一校正函数。在本申请中，可以利用各种校正函数来实现对用户群组的分组预测反馈指标的校正，基于上述校正函数可以较好地修正集体偏差，使得群体的预测值更加准确。
步骤S103，基于所预测的群体预测反馈指标，确定目标推送服务的服务指标。
作为示例，该服务指标可用于表征将目标推送服务在未来的预定时间段推送给用户的服务效果。这里，目标群体可包括在试用周期内使用目标推送服务的实验组用户群体和未使用目标推送服务的对照组用户群体，也就是说，对照组相对于实验组而言，除实验变量外，其他的处理与实验组完全相同。在此情况下，可以通过上述步骤获得实验组用户群体针对目标推送服务的群体预测反馈指标以及对照组用户群体针对目标推送服务的群体预测反馈指标。
基于此，可以通过如下方式来确定目标推送服务的服务指标：确定实验组用户群体针对目标推送服务的群体预测反馈指标与对照组用户群体针对目标推送服务的群体预测反馈指标的差值，根据该差值确定目标推送服务的服务指标。在一示例中，可将该差值确定为目标推送服务的服务指标，但本申请不限于此，还可以通过其他方式来基于上述差值确定目标推送服务的服务指标。
例如，可利用如下公式来确定目标推送服务的服务指标：
LEE＝(LTVtot)treatment-(LTVtot)control (4)
公式(4)中，LEE(long experiment effect)表示目标推送服务的服务指标，(LTVtot)treatment表示实验组用户群体的群体预测反馈指标，(LTVtot)control表示对照组用户群体的群体预测反馈指标。
步骤S104，基于所确定的服务指标推送目标推送服务。
在该步骤中，可以将目标推送服务的服务指标与设定阈值进行比较，如果该服务指标不小于(大于或者等于)设定阈值，则确定向用户推送目标推送服务，如果该服务指标小于设定阈值，则对目标推送服务进行调整。这里，对目标推送服务进行调整的方式可包括但不限于：对实验对象、实验变量等多方面的调整，用以提高目标推送服务的服务指标。
在一实施例中，服务指标的数值越大，则表明与服务指标对应的目标推送服务推送给用户之后，用户对该目标推送服务的使用率越高，这样，按照服务指标来对目标推送服务进行推送，可以有助于提升目标推送服务的订单量。
示例性地，可以通过在用户所持有的终端(如服务请求端或者服务提供端)上展示该目标推送服务对应的服务信息，来向用户推送目标推送服务，即，将该目标推送服务长期使用在用户上。作为示例，服务信息可用于引导用户使用目标推送服务，以提升目标推送服务的订单量，例如，该服务信息可包括针对上述目标推送服务的各种激励信息，如用于提示针对目标推送服务派发了代金券、满减券、折扣券等的服务信息。
这里，可以在处于预定的订单下达阶段时，向用户显示服务信息，例如，可在处于出行订单下达阶段时、在处于出行订单的地点输入阶段时、在处于出行订单的服务类型选择阶段时，向用户推送服务信息并显示。此外，还可以利用各种显示方式在用户所持有的终端上显示该服务信息，如在通知栏显示、以弹框形式显示等，本申请对此不做限定。
参照图4所示，为本申请实施例提供的另一种服务推送方法的流程示意图，该方法可以由服务推送系统100中的服务器110来执行，该方法的具体执行过程为：
步骤S201，确定时间序列数据。这里，该时间序列数据即为用户在试用周期内对目标推送服务的反馈信息。
步骤S202，将时间序列数据输入第一神经网络。即，将用户在试用周期内对目标推送服务的反馈信息输入到第一神经网络，以获得策略特征信息。
这里，该策略特征信息用于表征针对目标推送服务的分配资源(如与目标推送服务相关的各种价格)、用户针对目标推送服务的使用结果、用户使用目标推送服务的体验特性，属于多层神经网络中的中间特征量。
作为示例，该第一神经网络可以利用各种神经网络模型来实现，示例性地，可以基于LSTM(Long Short-Term Memory，长短期记忆网络)来实现第一神经网络。
步骤S203，确定非时序特征数据。这里，该非时序特征数据即为用户在试用周期之前的历史行为数据。
步骤S204，将非时序特征数据输入第二神经网络。即，将用户在试用周期之前的历史行为数据输入到第二神经网络，以获得历史特征信息。
这里，该历史特征信息用于表征用户的背景属性，属于多层神经网络中的中间特征量。
作为示例，该第二神经网络可以利用各种神经网络模型来实现，示例性地，可以基于DNN(Deep Neural Networks，深度神经网络)来实现第二神经网络。
一种情况，历史行为数据可包括用户特征信息。
示例性地，用户特征信息可包括目标群体中的每个用户的事实属性信息和基于事实属性信息挖掘获得的衍生特征信息。该事实属性信息的可靠性高，例如，可包括但不限于：姓名、性别、年龄、会员等级，该衍生特征信息可包括但不限于：用于指示用户是否属于学生的身份标识、消费能力指标、生命周期，对于衍生特征信息的选取依赖于模型的准确度，可以根据实际情况来进行选取。
在此情况下，可将用户特征信息输入到第二神经网络，以获得历史特征信息。
另一种情况，历史行为数据可包括用户特征信息和用户在试用周期之前的历史出行订单信息。
这里，该历史出行订单信息可包括用户在试用周期之前的订单维度的数据，例如，可包括但不限于以下项中的任意一项：呼叫量、订单量、订单金额。
在此情况下，可将用户在试用周期之前的用户特征信息以及历史出行订单信息，输入到第二神经网络，以获得历史特征信息。
在本申请中，上述用户在试用周期内对目标推送服务的反馈信息为一时间序列数据，即，实验期的时间序列数据，基于实验期的时间序列数据搭建第一神经网络。上述用户在试用周期之前的历史行为数据为实验前的非时序特征数据，基于实验前的非时序特征数据来搭建第二神经网络。也就是说，在本申请中考虑了时序信息的同时也结合了非时序特征的优势，以实现模型的高效预测。
步骤S205，将所获得的策略特征信息和历史特征信息输入到第三神经网络，以获得该用户针对目标推送服务的预测反馈指标。
这里，可以针对目标群体中的每个用户来执行上述的步骤S201～步骤S205，以获得每个用户针对目标推送服务的预测反馈指标。
作为示例，该第三神经网络可以利用各种神经网络模型来实现，示例性地，可以基于DNNMLP(Multilayer Perceptron，深度神经网络多层感知器)来实现第三神经网络。
在该步骤中，对第一神经网络和第二神经网络的输出结果进行拼接，将拼接结果输入第三神经网络以获得输出目标值，即，用户针对目标推送服务的预测反馈指标。
步骤S206，基于目标群体中的每个用户的预测反馈指标，预测目标群体针对目标推送服务的群体预测反馈指标。
示例性地，目标群体可分为多个用户群组，这里，可以基于各种方式来对目标群体中的各用户进行分组，以使同一用户群组内的用户具有至少一个相同的用户特征信息。
在该步骤中，可以通过对个体用户的预测反馈指标进行聚合来获得不同用户群组针对目标推送服务的分组预测反馈指标。
具体的，基于目标群体中的每个用户的预测反馈指标，预测目标群体针对目标推送服务的群体预测反馈指标的步骤可包括：基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对目标推送服务的分组预测反馈指标，基于各用户群组的分组预测反馈指标，获得目标群体针对目标推送服务的群体预测反馈指标。这里，预测反馈指标用于表征用户个体针对目标推送服务的反馈结果，分组预测反馈指标用于表征用户群组针对目标推送服务的反馈结果，群体预测反馈指标用于表征目标群体针对目标推送服务的反馈结果。
例如，可以将每个用户群组中包括的各用户的预测反馈指标的平均值，确定为每个用户群组针对目标推送服务的分组预测反馈指标。
示例性地，在获得每个用户群组针对目标推送服务的分组预测反馈指标之后，可以将每个用户群组针对目标推送服务的分组预测反馈指标的平均值，确定为目标群体针对目标推送服务的群体预测反馈指标。
在一优选示例中，还可以通过以下方式来基于各用户群组针对目标推送服务的分组预测反馈指标，获得目标群体针对目标推送服务的群体预测反馈指标：
利用校正函数，分别对每个用户群组针对目标推送服务的分组预测反馈指标进行校正，获得每个用户群组针对目标推送服务的分组预测反馈指标修正值，将每个用户群组针对目标推送服务的分组预测反馈指标修正值的平均值，确定为目标群体针对目标推送服务的群体预测反馈指标。
步骤S207，基于所预测的群体预测反馈指标，确定目标推送服务的服务指标。
这里，目标群体可包括在试用周期内使用目标推送服务的实验组用户群体和未使用目标推送服务的对照组用户群体，也就是说，对照组相对于实验组而言，除实验变量外，其他的处理与实验组完全相同。在此情况下，可以通过上述步骤获得实验组用户群体针对目标推送服务的群体预测反馈指标以及对照组用户群体针对目标推送服务的群体预测反馈指标。
基于此，可以通过如下方式来确定目标推送服务的服务指标：确定实验组用户群体针对目标推送服务的群体预测反馈指标与对照组用户群体针对目标推送服务的群体预测反馈指标的差值，根据该差值确定目标推送服务的服务指标。在一示例中，可将该差值确定为目标推送服务的服务指标，但本申请不限于此，还可以通过其他方式来基于上述差值确定目标推送服务的服务指标。
应理解，在上述实施例中所列举的搭建神经网络模型的方式仅为一示例，本申请不限于此，还可以通过其他方式来构建个体反馈指标预测模型。
参照图5所示，为本申请实施例所提供的构建神经网络模型的训练数据的示意图，下面结合图5来介绍对个体反馈指标预测模型的训练过程。
首先确定参与建模的用户群体，并获取数据选取周期内的训练数据，该数据选取周期包括历史阶段、实施阶段和未来阶段。其中，历史阶段指在试用周期之前的与该试用周期相邻的时间段，实施阶段指位于历史阶段之后，目标推送服务的试用周期对应的时间段，未来阶段指位于实施阶段之后，预测用户长期使用目标推送服务的时间段。
在本示例中，可以选取过去数据选取周期内的用户特征信息和反馈信息，并将所选取的数据分为实验前的数据和实验中的数据。
将训练数据按照一定比例(如8：2)切分成训练集和验证集，基于上述图4搭建的神经网络模型进行个体反馈指标预测模型的训练，通过设置合理的训练轮次或者合适的模型停止训练的规则，获得训练好的个体反馈指标预测模型，并保存为train.model。
对于待评估的数据，按照上述步骤获得实验期的时间序列数据以及实验前的非时序特征数据，利用训练好的个体反馈指标预测模型train.model进行预测反馈指标的预测。
在一优选实施例中，根据本申请的服务推送方法可还包括：基于所确定的服务指标，推送目标推送服务。这里，该目标推送服务可用于引导用户使用与目标推送服务对应的目标出行方式，以提升该目标出行方式的订单量。也就是说，目标推送服务用于引导用户使用目标出行方式，目标出行方式为目标推送服务所推荐使用的出行方式。
具体地，基于所确定的服务指标推送目标推送服务可包括：将用于衡量目标推送服务的服务指标与设定阈值进行比较，如果该服务指标不小于(大于或者等于)设定阈值，则可以向用户长期推送目标推送服务，如果该服务指标小于设定阈值，则对目标推送服务进行调整。这里，对目标推送服务进行调整的方式可包括但不限于：对实验对象、实验变量等多方面的调整，用以提高目标推送服务的服务指标。
此外，在本申请中，也可以将目标群体看做是一个用户分组，即，该目标群体内的各用户具有至少一个相同的用户特征信息。也就是说，在上述情况下，是先对用户进行聚类获得多个目标群体，然后再计算聚类后的每个目标群体中的各用户的预测反馈指标，基于多个目标群体的群体预测反馈指标获得最终的群体预测反馈指标(例如，将多个目标群体的群体预测反馈指标的平均值确定为最终的群体预测反馈指标)，利用该最终的群体预测反馈指标来确定目标推送服务的服务指标。
下面通过一示例来阐述本申请的服务推送方法的应用。
在本示例中，假设选取目标推送服务A，该目标推送服务A可为用于引导用户使用目标出行方式的激励策略，例如，目标推送服务A可指针对目标出行方式(如使用快车出行)派发优惠券，实验期为2020年8月1日至2020年8月14日，共14天。应理解，本示例中所涉及的具体业务数值均为示例性数据，本申请不限于此。
步骤1：数据准备。
首先通过业务逻辑，整理好参与个体预测的特征，包括用户特征信息、体验特征、价格信息及实验信息等。假设实验期的时间跨度为T，例如T＝14天，实验前的时间跨度为T1，例如T1＝28天，因此以实验期来确定数据坐标，则第0～T天为实验期。假设期望预测未来180天的用户的预测反馈指标，则将第14～194天确定为实验后的时间跨度，可以将实验后的一共180天的成交总额作为预测目标，即，LEE_180(gmv)。为了进一步将用户的更多信息纳入模型，还可以往前追溯一个月，即，还获得实验前的第(-28～-1)天的数据，基于此共获得-28～194天的数据，在此基础上进行建模，随后完成数据的预处理，构建时间序列数据以及对个人聚合特征的分别处理。
步骤2：神经网络模型搭建。
搭建基于时间序列数据以及个人聚合特征的神经网络模型，训练好的神经网络模型存储为model1.h5。
步骤3：预测反馈指标预测。
基于上述搭建好的神经网络模型model1.h5，针对目标群体中的每个用户，预测用户针对目标推送服务的预测反馈指标。
步骤4：服务指标计算。
分别确定实验组用户群体的群体预测反馈指标和对照组用户群体的群体预测反馈指标，并适当进行数据校正，例如，当群体预测反馈指标为负值时，可将该群体预测反馈指标置为0。
假设目标群体分为实验组用户群体共1000人，对照组用户群体共800人，则实验组用户群体的群体预测反馈指标可为：
Figure BDA0002875034390000131
其中，(LTVtot)treatment表示实验组用户群体针对目标推送服务的群体预测反馈指标，LTV180,i表示实验组用户群体中的第i个用户在未来阶段的预测反馈指标。
则对照组用户群体的群体预测反馈指标为：
Figure BDA0002875034390000141
其中，(LTVtot)control表示对照组用户群体针对目标推送服务的群体预测反馈指标，LTV180,i表示对照组用户群体中的第i个用户在未来阶段的预测反馈指标。
应理解，在上述示例中是直接利用个体的预测反馈指标来计算群体预测反馈指标，本申请不限于此，也可以采用上述步骤中所记载的通过对个体用户的预测反馈指标进行聚合来获得不同用户群组针对目标推送服务的分组预测反馈指标，再基于分组预测反馈指标获得群体预测反馈指标。
则最终获得的目标推送服务的服务指标LEE为：
LEE＝(LTVtot)treatment-(LTVtot)control＝3.5
其中，LEE表示目标推送服务的服务指标，(LTVtot)treatment表示实验组用户群体的群体预测反馈指标，(LTVtot)control表示对照组用户群体的群体预测反馈指标。
此时可以基于LEE的数值来确定是长期推送目标推送服务，还是对目标推送服务进行调整。
例如，以目标推送服务为针对使用快车的出行方式派发的优惠券为例，假设实验期为两周，基于上述服务推送方法可以分别获得在两周内推送了目标推送服务的实验组用户群体和未推送目标推送服务的对照组用户群体的群体预测反馈指标，基于两组的群体预测反馈指标的差值，获得针对快车派发优惠券的目标推送服务的服务指标，当该服务指标不小于设定阈值时，可以针对快车长期派发优惠券，当该服务指标小于设定阈值时，可以考虑改变目标推送服务，例如，改为针对拼车派发优惠券，或者改变针对快车长期派发优惠券的金额、推送方式等，这样可以有效降低实验成本、避免资源浪费。应理解，上述是以目标推送服务的类型为针对目标出行方式派发优惠券为例进行介绍的，但本申请不限于，目标推送服务还可以是其它服务提供形式，例如，提升针对顺风车的接单速度、缩短针对快车的接单等待时长等。
通过上述方式，可以通过短期实验来预测目标推送服务的长期服务效果能否达到预期的效果，以降低实验成本。
参照图6所示，为本申请实施例提供的再一种服务推送方法的流程图，该方法可以由服务推送系统100中的服务器110来执行，该方法的具体执行过程为：
步骤S301，针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在使用周期内对不同的目标推送服务的反馈信息，预测该用户针对不同的目标推送服务的预测反馈指标。
示例性地，目标推送服务用于表征将对应的目标出行方式推送给用户的方式；不同的目标推送服务所推送的目标出行方式的服务流程均是相同或者相似的，且服务目的均相同，每个用户对应的反馈信息用于表征将目标推送服务在试用周期内推送给用户后，用户使用该目标推送服务的反馈结果。
上述目标推送服务用于表征将目标出行方式推送给用户的方式，例如，该目标推送服务可包括有助于促使用户使用目标推送服务的各种激励策略，作为示例，该目标推送服务可指针对目标出行方式派发的优惠券。作为示例，目标推送服务可包括以下的任意一种或多种：使用快车的出行方式、使用拼车的出行方式、使用顺风车的出行方式。
在本申请的一个实施例中，可以基于个体反馈指标预测模型来预测目标群体中的每个用户针对不同的目标推送服务中的每个目标推送服务的预测反馈指标。这里，可利用各种方式来构建个体反馈指标预测模型，本申请对此不做限定。
具体的，针对目标群体中的每个用户，可通过以下方式来确定该用户针对每个目标推送服务的预测反馈指标：将该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，输入到个体反馈指标预测模型，以获得该用户长期使用目标推送服务之后该用户针对目标推送服务的预测反馈指标。
在一可选实施例中，针对目标群体中的每个用户，根据该用户的预测反馈指标和该用户针对不同的目标推送服务的反馈信息，预测该用户针对不同的目标推送服务的预测反馈指标的步骤可包括：
针对每个目标推送服务，将该用户在试用周期内对该目标推送服务的反馈信息输入到第一神经网络，以获得该目标推送服务对应的策略特征信息。这里，策略特征信息用于表征该策略特征信息用于表征针对目标推送服务的分配资源(如与目标推送服务相关的各种价格，例如，补贴金额、订单金额等)、用户针对目标推送服务的使用结果、用户使用目标推送服务的体验特性。
作为示例，该第一神经网络可以利用各种神经网络模型来实现，示例性地，可以基于LSTM(Long Short-Term Memory，长短期记忆网络)来实现第一神经网络。
将该用户在试用周期之前的历史行为数据输入到第二神经网络，以获得该目标推送服务对应的历史特征信息，历史行为数据包括用户特征信息。这里，历史特征信息用于表征用户的背景属性，属于多层神经网络中的中间特征量。
作为示例，该第二神经网络可以利用各种神经网络模型来实现，示例性地，可以基于DNN(Deep Neural Networks，深度神经网络)来实现第二神经网络。
一种情况，历史行为数据可包括用户特征信息。
示例性地，用户特征信息可包括目标群体中的每个用户的事实属性信息和基于事实属性信息挖掘获得的衍生特征信息。该事实属性信息的可靠性高，例如，可包括但不限于：姓名、性别、年龄、会员等级，该衍生特征信息可包括但不限于：用于指示用户是否属于学生的身份标识、消费能力指标、生命周期，对于衍生特征信息的选取依赖于模型的准确度，可以根据实际情况来进行选取。
在此情况下，可将用户特征信息输入到第二神经网络，以获得历史特征信息。
另一种情况，历史行为数据可包括用户特征信息和用户在试用周期之前的历史出行订单信息。
这里，该历史出行订单信息可包括用户在试用周期之前的订单维度的数据，例如，可包括但不限于以下项中的任意一项：呼叫量、订单量、订单金额。
在此情况下，可将该用户在试用周期之前的用户特征信息以及历史出行订单信息，输入到第二神经网络，以获得历史特征信息。
将所获得的策略特征信息和历史特征信息输入到第三神经网络，以获得针对该目标推送服务该用户的预测反馈指标。
作为示例，该第三神经网络可以利用各种神经网络模型来实现，示例性地，可以基于DNNMLP(Multilayer Perceptron，深度神经网络多层感知器)来实现第三神经网络。
在该步骤中，对第一神经网络和第二神经网络的输出结果进行拼接，将拼接结果输入第三神经网络以获得输出目标值，即，用户针对目标推送服务的预测反馈指标。
步骤S302，针对每个目标推送服务，基于目标群体中的每个用户针对该目标推送服务的预测反馈指标，预测目标群体针对该目标推送服务的群体预测反馈指标。
示例性地，目标群体可分为多个用户群组，这里，可以基于各种方式来对目标群体中的各用户进行分组，以使同一用户群组内的用户具有至少一个相同的用户特征信息。
在一实施例中，针对每个目标推送服务，基于目标群体中的每个用户针对该目标推送服务的预测反馈指标，预测目标群体针对该目标推送服务的群体预测反馈指标，可包括：
针对每个目标推送服务，基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对该目标推送服务的分组预测反馈指标，基于各用户群组的分组预测反馈指标，获得目标群体针对该目标推送服务的群体预测反馈指标。
在该步骤中，可以通过对个体用户的预测反馈指标进行聚合来获得不同用户群组针对目标推送服务的分组预测反馈指标。
具体的，基于目标群体中的每个用户的预测反馈指标，预测目标群体针对目标推送服务的群体预测反馈指标的步骤可包括：基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对目标推送服务的分组预测反馈指标，基于各用户群组的分组预测反馈指标，获得目标群体针对目标推送服务的群体预测反馈指标。
这里，预测反馈指标用于表征用户个体针对目标推送服务的反馈结果，分组预测反馈指标用于表征用户群组针对目标推送服务的反馈结果，群体预测反馈指标用于表征目标群体针对目标推送服务的反馈结果。
例如，可以将每个用户群组中包括的各用户的预测反馈指标的平均值，确定为每个用户群组针对目标推送服务的分组预测反馈指标。
示例性地，在获得每个用户群组针对目标推送服务的分组预测反馈指标之后，可以将每个用户群组针对目标推送服务的分组预测反馈指标的平均值，确定为目标群体针对目标推送服务的群体预测反馈指标。
在一优选示例中，还可以通过以下方式来基于各用户群组针对目标推送服务的分组预测反馈指标，获得目标群体针对目标推送服务的群体预测反馈指标：
利用校正函数，分别对每个用户群组针对目标推送服务的分组预测反馈指标进行校正，获得每个用户群组针对目标推送服务的分组预测反馈指标，将每个用户群组针对目标推送服务的分组预测反馈指标的平均值，确定为目标群体针对目标推送服务的群体预测反馈指标。
步骤S303，针对每个目标推送服务，基于目标群体针对该目标推送服务的群体预测反馈指标，确定该目标推送服务的服务指标。
这里，目标群体可包括在试用周期内使用目标推送服务的实验组用户群体和未使用目标推送服务的对照组用户群体，也就是说，对照组相对于实验组而言，除实验变量外，其他的处理与实验组完全相同。在此情况下，可以通过上述步骤获得实验组用户群体针对目标推送服务的群体预测反馈指标以及对照组用户群体针对目标推送服务的群体预测反馈指标。
基于此，针对每个目标推送服务，可以通过如下方式来确定该目标推送服务的服务指标：确定实验组用户群体针对目标推送服务的群体预测反馈指标与对照组用户群体针对目标推送服务的群体预测反馈指标的差值，根据该差值确定目标推送服务的服务指标。在一示例中，可将该差值确定为目标推送服务的服务指标，但本申请不限于此，还可以通过其他方式来基于上述差值确定目标推送服务的服务指标。
步骤S304，根据不同的目标推送服务的服务指标，从不同的目标推送服务中选择服务指标的最大值对应的目标推送服务作为最终推送服务进行推送。
这里，服务指标的数值越大，则表明与服务指标对应的目标推送服务推送给用户之后，用户对该目标推送服务的使用率越高，基于此，将服务指标最高的目标推送服务长期进行推送，可以有效提升该目标推送服务对应的目标出行方式的使用率(即，订单量)。
在上述服务推送方法中，针对不同的目标推送服务的服务指标进行了对比，例如，不同的目标推送服务可包括针对快车派发的不同类型的优惠券、提升针对顺风车的接单速度、缩短针对快车的接单等待时长、或者分别针对快车和拼车派发优惠券等。通过这样的横向对比能够有助于平台快速找到针对用户最为有效的激励策略，以提升用户对目标推送服务所对应的目标出行方式的使用率，例如，通过对快车派发的不同类型的优惠券的横向对比，可以确定出针对快车最为有效的激励策略，通过分别对快车和拼车派发优惠券的对比，可以确定出针对哪种出行方式推送激励策略，能够有效提升用户对该种出行方式的使用率。
基于同一发明构思，本申请实施例中还提供了与上述一种服务推送方法对应的服务推送装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述服务推送方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图7所示，为本申请实施例提供的一种服务推送装置700的示意图，该服务推送装置700包括：个体预测模块710、群体预测模块720、服务预测模块730、服务推送模块740；其中，
个体预测模块710，针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，预测该用户针对目标推送服务的预测反馈指标。
示例性地，每个用户对应的反馈信息可用于表征将目标推送服务在试用周期内推送给用户后，用户使用该目标推送服务的反馈结果。用户针对目标推送服务的预测反馈指标可指在试用周期之后的未来阶段用户针对目标推送服务的反馈结果。
在一示例中，该目标推送服务可用于表征将目标出行方式推送给用户的方式。例如，该目标推送服务可包括有助于促使用户使用目标出行方式的各种激励策略，作为示例，该目标推送服务可指针对目标出行方式派发的优惠券。此外，目标推送服务可包括但不限于以下的任意一种或多种：使用快车的出行方式、使用拼车的出行方式、使用顺风车的出行方式。
群体预测模块720基于目标群体中的每个用户的预测反馈指标，预测目标群体针对目标推送服务的群体预测反馈指标。
示例性地，目标群体可分为多个用户群组，这里，可以基于各种方式来对目标群体中的各用户进行分组，以使同一用户群组内的用户具有至少一个相同的用户特征信息。
群体预测模块720可以通过对个体用户的预测反馈指标进行聚合来获得不同用户群组针对目标推送服务的分组预测反馈指标。
服务预测模块730基于所预测的群体预测反馈指标，确定目标推送服务的服务指标。
服务推送模块740基于所确定的服务指标推送目标推送服务。
一种可能的实施方式中，个体预测模块710，还用于：在本申请的一个实施例中，个体预测模块710可以基于个体反馈指标预测模型来预测目标群体中的每个用户针对目标推送服务的预测反馈指标。这里，可利用各种方式来构建个体反馈指标预测模型，本申请对此不做限定。
具体的，针对目标群体中的每个用户，个体预测模块710将该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，输入到个体反馈指标预测模型，以获得目标推送服务的预测反馈指标。
作为示例，用户特性信息可包括但不限于以下项中的至少一项：性别、年龄、生命周期、用于指示用户是否属于学生的身份标识、消费能力指标。
作为示例，反馈信息可包括但不限于以下项中的至少一项：体验特性信息、价格信息、实验信息。例如，体验特性信息可包括但不限于以下项中的至少一项：应答率、应答等待时长、接驾距离、品类偏好满足度。价格信息可包括但不限于以下项中的至少一项：针对目标推送服务的预估分配资源、订单成交总额、补贴所占用的总资源。实验信息可包括但不限于以下项中的至少一项：实验分组、针对目标推送服务的实际分配资源、服务类型。
示例性地，可利用多层神经网络来构建个体反馈指标预测模型，例如，个体预测模块710可基于用户在试用周期内对目标推送服务的反馈信息，通过第一神经网络获得策略特征信息，基于该用户在试用周期之前的历史行为数据，通过第二神经网络获得历史特征信息，基于所获得的策略特征信息和历史特征信息，通过第三神经网络获得该用户针对目标推送服务的预测反馈指标。
一种可能的实施方式中，群体预测模块720，具体用于：基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对目标推送服务的分组预测反馈指标，基于各用户群组的分组预测反馈指标，获得目标群体针对目标推送服务的群体预测反馈指标。这里，预测反馈指标用于表征用户个体针对目标推送服务的反馈结果，分组预测反馈指标用于表征用户群组针对目标推送服务的反馈结果，群体预测反馈指标用于表征目标群体针对目标推送服务的反馈结果。
例如，群体预测模块720可以将每个用户群组中包括的各用户的预测反馈指标的平均值，确定为每个用户群组针对目标推送服务的分组预测反馈指标。
示例性地，群体预测模块720在获得每个用户群组针对目标推送服务的分组预测反馈指标之后，可以将每个用户群组针对目标推送服务的分组预测反馈指标的平均值，确定为目标群体针对目标推送服务的群体预测反馈指标。
此外，群体预测模块720，可还用于：利用校正函数，分别对每个用户群组针对目标推送服务的分组预测反馈指标进行校正，获得每个用户群组针对目标推送服务的分组预测反馈指标修正值，将每个用户群组针对目标推送服务的分组预测反馈指标修正值的平均值，确定为目标群体针对目标推送服务的群体预测反馈指标。
一种可能的实施方式中，目标群体可包括在试用周期内使用目标推送服务的实验组用户群体和未使用目标推送服务的对照组用户群体，也就是说，对照组相对于实验组而言，除实验变量外，其他的处理与实验组完全相同。在此情况下，服务预测模块730，可还用于：确定实验组用户群体的群体预测反馈指标与对照组用户群体的群体预测反馈指标的差值，根据该差值确定目标推送服务的服务指标。
一种可能的实施方式中，服务推送模块740可将目标推送服务的服务指标与设定阈值进行比较，如果该服务指标不小于设定阈值，则长期推送目标推送服务，如果该服务指标小于设定阈值，则对目标推送服务进行调整。这里，对目标推送服务的调整可指各种能够有助于提升目标推送服务的服务指标的手段。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
基于同一发明构思，本申请实施例中还提供了与上述再一种服务推送方法对应的服务推送装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述再一种服务推送方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图8所示，为本申请实施例提供的另一种服务推送装置800的示意图，该服务推送装置800包括：用户反馈指标预测模块810、群体反馈指标预测模块820、服务指标预测模块830、目标服务推送模块840；其中，
用户反馈指标预测模块810针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，预测该用户针对不同的目标推送服务的预测反馈指标。
示例性地，目标推送服务用于表征将对应的目标出行方式推送给用户的方式；不同的目标推送服务所推送的目标出行方式的服务流程均是相同或者相似的，且服务目的均相同，每个用户对应的反馈信息用于表征将目标推送服务在试用周期内推送给用户后，用户使用该目标推送服务的反馈结果。
上述目标推送服务用于表征将目标出行方式推送给用户的方式，例如，该目标推送服务可包括有助于促使用户使用目标推送服务的各种激励策略，作为示例，该目标推送服务可指针对目标出行方式派发的优惠券。作为示例，目标推送服务可包括以下的任意一种或多种：使用快车的出行方式、使用拼车的出行方式、使用顺风车的出行方式。
在本申请的一个实施例中，用户反馈指标预测模块810可以针对每个目标推送服务，基于个体反馈指标预测模型来预测目标群体中的每个用户针对不同的目标推送服务中的每个目标推送服务的预测反馈指标。这里，可利用各种方式来构建个体反馈指标预测模型，本申请对此不做限定。
具体的，针对目标群体中的每个用户，用户反馈指标预测模块810可通过以下方式来确定该用户针对每个目标推送服务的预测反馈指标：将该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，输入到个体反馈指标预测模型，以获得该用户长期使用目标推送服务之后该用户针对目标推送服务的预测反馈指标。
在一可选实施例中，用户反馈指标预测模块810针对每个目标推送服务，将该用户在试用周期内对该目标推送服务的反馈信息输入到第一神经网络，以获得该目标推送服务对应的策略特征信息。这里，策略特征信息用于表征该策略特征信息用于表征针对目标推送服务的分配资源、用户针对目标推送服务的使用结果、用户使用目标推送服务的体验特性。
用户反馈指标预测模块810将该用户在试用周期之前的历史行为数据输入到第二神经网络，以获得该目标推送服务对应的历史特征信息。这里，历史行为数据可包括用户特征信息，历史特征信息用于表征用户的背景属性，属于多层神经网络中的中间特征量。
一种情况，历史行为数据可包括用户特征信息。
示例性地，用户特征信息可包括目标群体中的每个用户的事实属性信息和基于事实属性信息挖掘获得的衍生特征信息。该事实属性信息的可靠性高，例如，可包括但不限于：姓名、性别、年龄、会员等级，该衍生特征信息可包括但不限于：用于指示用户是否属于学生的身份标识、消费能力指标、生命周期，对于衍生特征信息的选取依赖于模型的准确度，可以根据实际情况来进行选取。
在此情况下，用户反馈指标预测模块810可将用户特征信息输入到第二神经网络，以获得历史特征信息。
另一种情况，历史行为数据可包括用户特征信息和用户在试用周期之前的历史出行订单信息。
这里，该历史出行订单信息可包括用户在试用周期之前的订单维度的数据，例如，可包括但不限于以下项中的任意一项：呼叫量、订单量、订单金额。
在此情况下，用户反馈指标预测模块810可将用户在试用周期之前的用户特征信息以及历史出行订单信息，输入到第二神经网络，以获得历史特征信息。
用户反馈指标预测模块810将所获得的策略特征信息和历史特征信息输入到第三神经网络，以获得该用户针对该目标推送服务的预测反馈指标。
群体反馈指标预测模块820针对每个目标推送服务，基于目标群体中的每个用户针对该目标推送服务的预测反馈指标，预测目标群体针对该目标推送服务的群体预测反馈指标。
示例性地，目标群体可分为多个用户群组，这里，可以基于各种方式来对目标群体中的各用户进行分组，以使同一用户群组内的用户具有至少一个相同的用户特征信息。
在一实施例中，针对每个目标推送服务，群体反馈指标预测模块820基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对该目标推送服务的分组预测反馈指标，基于各用户群组的分组预测反馈指标，获得目标群体针对该目标推送服务的群体预测反馈指标。
例如，可以通过对个体用户的预测反馈指标进行聚合来获得不同用户群组针对目标推送服务的分组预测反馈指标。
具体的，群体反馈指标预测模块820可基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对目标推送服务的分组预测反馈指标，基于各用户群组的分组预测反馈指标，获得目标群体针对目标推送服务的群体预测反馈指标。
这里，预测反馈指标用于表征用户个体针对目标推送服务的反馈结果，分组预测反馈指标用于表征用户群组针对目标推送服务的反馈结果，群体预测反馈指标用于表征目标群体针对目标推送服务的反馈结果。
例如，群体反馈指标预测模块820可以将每个用户群组中包括的各用户的预测反馈指标的平均值，确定为每个用户群组针对目标推送服务的分组预测反馈指标。
示例性地，群体反馈指标预测模块820在获得每个用户群组针对目标推送服务的分组预测反馈指标之后，可以将每个用户群组针对目标推送服务的分组预测反馈指标的平均值，确定为目标群体针对目标推送服务的群体预测反馈指标。
在一优选示例中，群体反馈指标预测模块820还可以通过以下方式来基于各用户群组针对目标推送服务的分组预测反馈指标，获得目标群体针对目标推送服务的群体预测反馈指标：
利用校正函数，分别对每个用户群组针对目标推送服务的分组预测反馈指标进行校正，获得每个用户群组针对目标推送服务的分组预测反馈指标，将每个用户群组针对目标推送服务的分组预测反馈指标的平均值，确定为目标群体针对目标推送服务的群体预测反馈指标。
服务指标预测模块830针对每个目标推送服务，基于目标群体针对该目标推送服务的群体预测反馈指标，确定该目标推送服务的服务指标。
这里，目标群体可包括在试用周期内使用目标推送服务的实验组用户群体和未使用目标推送服务的对照组用户群体，也就是说，对照组相对于实验组而言，除实验变量外，其他的处理与实验组完全相同。在此情况下，可以通过上述步骤获得实验组用户群体针对目标推送服务的群体预测反馈指标以及对照组用户群体针对目标推送服务的群体预测反馈指标。
基于此，针对每个目标推送服务，服务指标预测模块830可以通过如下方式来确定目标推送服务的服务指标：确定实验组用户群体针对目标推送服务的群体预测反馈指标与对照组用户群体针对目标推送服务的群体预测反馈指标的差值，根据该差值确定目标推送服务的服务指标。在一示例中，可将该差值确定为目标推送服务的服务指标，但本申请不限于此，还可以通过其他方式来基于上述差值确定目标推送服务的服务指标。
目标服务推送模块840根据不同的目标推送服务的服务指标，从不同的目标推送服务中选择服务指标的最大值对应的目标推送服务作为最终推送服务进行推送。
这里，服务指标的数值越大，则表明与服务指标对应的目标推送服务推送给用户之后，用户对该目标推送服务的使用率越高，基于此，目标服务推送模块840可将服务指标最高的目标推送服务长期进行推送，从而有效提升该目标推送服务对应的目标出行方式的使用率(即，订单量)。
本申请实施例还提供了一种电子设备900，如图9所示，为本申请实施例提供的电子设备900结构示意图，包括：处理器910、存储器920和总线930。
所述存储器920存储有所述处理器910可执行的机器可读指令，当电子设备900运行时，所述处理器910与所述存储器920之间通过总线930通信，所述机器可读指令被所述处理器910执行时，可以执行如上述图2至图6所示方法实施例中的服务推送方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述图2至图6所示方法实施例中的服务推送方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述服务推送方法，从而解决了基于短期ROI的策略评价方式所导致的策略评价偏差的问题以及长期实验的周期长、干扰因素复杂、占用实验资源、实验成本高的问题，进而达到了通过目标推送服务的短期试用效果，来预测该目标推送服务的长期服务效果，以有效降低实验成本的效果。
本申请实施例还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述图2至图6所示方法实施例中的服务推送方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (15)

1.一种服务推送方法，其特征在于，包括：
针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，预测该用户针对所述目标推送服务的预测反馈指标；
基于所述目标群体中的每个用户的预测反馈指标，预测所述目标群体针对所述目标推送服务的群体预测反馈指标；
基于所预测的群体预测反馈指标，确定所述目标推送服务的服务指标；
基于所确定的服务指标推送所述目标推送服务。
2.根据权利要求1所述的方法，其特征在于，针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，预测该用户针对所述目标推送服务的预测反馈指标，包括：
将该用户在试用周期内对目标推送服务的反馈信息输入到第一神经网络，以获得策略特征信息；
将该用户在试用周期之前的历史行为数据输入到第二神经网络，以获得历史特征信息，所述历史行为数据包括用户特征信息；
将所获得的策略特征信息和历史特征信息输入到第三神经网络，以获得针对所述目标推送服务该用户的预测反馈指标。
3.根据权利要求1所述的方法，其特征在于，所述目标群体分为多个用户群组，
基于所述目标群体中的每个用户的预测反馈指标，预测所述目标群体针对所述目标推送服务的群体预测反馈指标，包括：
基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对该目标推送服务的分组预测反馈指标，所述预测反馈指标用于表征用户个体针对目标推送服务的反馈结果，所述分组预测反馈指标用于表征用户群组针对目标推送服务的反馈结果；
基于各用户群组的分组预测反馈指标，获得所述目标群体针对该目标推送服务的群体预测反馈指标，所述群体预测反馈指标用于表征目标群体针对目标推送服务的反馈结果。
4.根据权利要求3所述的方法，其特征在于，所述基于各用户群组的分组预测反馈指标，获得所述目标群体针对该目标推送服务的群体预测反馈指标，包括：
利用校正函数，分别对每个用户群组的分组预测反馈指标进行校正，获得每个用户群组的分组预测反馈指标修正值，
将每个用户群组的分组预测反馈指标修正值的平均值，确定为所述目标群体针对所述目标推送服务的群体预测反馈指标。
5.根据权利要求1所述的方法，其特征在于，基于所确定的服务指标推送所述目标推送服务，包括：
将所述目标推送服务的服务指标与设定阈值进行比较；
如果所述服务指标不小于所述设定阈值，则推送所述目标推送服务；
如果所述服务指标小于所述设定阈值，则对所述目标推送服务进行调整。
6.根据权利要求1所述的方法，其特征在于，所述目标群体包括在试用周期内使用所述目标推送服务的实验组用户群体和未使用所述目标推送服务的对照组用户群体，所述群体预测反馈指标包括实验组用户群体的群体预测反馈指标和对照组用户群体的群体预测反馈指标，
基于所预测的群体预测反馈指标，确定所述目标推送服务的服务指标，包括：
确定实验组用户群体的群体预测反馈指标与对照组用户群体的群体预测反馈指标的差值，
根据所述差值确定所述目标推送服务的服务指标。
7.根据权利要求2所述的方法，其特征在于，所述历史行为数据包括以下的任意一种或多种：用户特征信息、历史出行订单信息，
其中，将该用户在试用周期之前的用户特征信息和/或历史出行订单信息输入到第二神经网络，以获得历史特征信息。
8.根据权利要求2所述的方法，其特征在于，所述用户特征信息包括以下的任意一种或多种：性别、年龄、生命周期、身份标识、消费能力指标；
所述目标推送服务包括以下的任意一种或多种：使用快车的出行方式、使用拼车的出行方式、使用顺风车的出行方式；
所述反馈信息包括以下的任意一种或多种：应答率、应答等待时长、接驾距离、品类偏好满足度、针对目标推送服务的预估分配资源、订单成交总额、补贴所占用的总资源、实验分组、针对目标推送服务的实际分配资源、服务类型；
所述第一神经网络包括长短期记忆网络，所述第二神经网络包括深度神经网络，所述第三神经网络包括深度神经网络多层感知器。
9.一种服务推送方法，其特征在于，包括：
针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在使用周期内对不同的目标推送服务的反馈信息，预测该用户针对不同的目标推送服务的预测反馈指标；
针对每个目标推送服务，基于所述目标群体中的每个用户针对该目标推送服务的预测反馈指标，预测所述目标群体针对该目标推送服务的群体预测反馈指标；
针对每个目标推送服务，基于所述目标群体针对该所述目标推送服务的群体预测反馈指标，确定该目标推送服务的服务指标；
根据不同的目标推送服务的服务指标，从不同的目标推送服务中选择服务指标的最大值对应的目标推送服务作为最终推送服务进行推送。
10.根据权利要求9所述的方法，其特征在于，针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在使用周期内对不同的目标推送服务的反馈信息，预测该用户针对不同的目标推送服务的预测反馈指标，包括：
针对每个目标推送服务，将该用户在试用周期内对该目标推送服务的反馈信息输入到第一神经网络，以获得该目标推送服务对应的策略特征信息；
将该用户在试用周期之前的历史行为数据输入到第二神经网络，以获得该目标推送服务对应的历史特征信息，所述历史行为数据包括用户特征信息；
将所获得的策略特征信息和历史特征信息输入到第三神经网络，以获得针对该目标推送服务该用户的预测反馈指标。
11.根据权利要求9所述的方法，其特征在于，所述目标群体分为多个用户群组，
针对每个目标推送服务，基于所述目标群体中的每个用户针对该目标推送服务的预测反馈指标，预测所述目标群体针对该目标推送服务的群体预测反馈指标，包括：
针对每个目标推送服务，基于每个用户群组中包括的各用户的预测反馈指标，确定每个用户群组针对该目标推送服务的分组预测反馈指标，所述预测反馈指标用于表征用户个体针对目标推送服务的反馈结果，所述分组预测反馈指标用于表征用户群组针对目标推送服务的反馈结果；
基于各用户群组的分组预测反馈指标，获得所述目标群体针对该目标推送服务的群体预测反馈指标，所述群体预测反馈指标用于表征目标群体针对目标推送服务的反馈结果。
12.一种服务推送装置，其特征在于，包括：
个体预测模块，针对目标群体中的每个用户，根据该用户的用户特征信息和该用户在试用周期内对目标推送服务的反馈信息，预测该用户针对所述目标推送服务的预测反馈指标；
群体预测模块，基于所述目标群体中的每个用户的预测反馈指标，预测所述目标群体针对所述目标推送服务的群体预测反馈指标；
服务预测模块，基于所预测的群体预测反馈指标，确定所述目标推送服务的服务指标；
服务推送模块，基于所确定的服务指标推送所述目标推送服务。
13.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至11任一所述方法的步骤。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至11任一所述方法的步骤。
15.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1或9所述方法的步骤。
CN202011616464.7A 2020-12-31 2020-12-31 一种服务推送方法、装置、电子设备以及可读存储介质 Active CN112819507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011616464.7A CN112819507B (zh) 2020-12-31 2020-12-31 一种服务推送方法、装置、电子设备以及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011616464.7A CN112819507B (zh) 2020-12-31 2020-12-31 一种服务推送方法、装置、电子设备以及可读存储介质

Publications (2)

Publication Number Publication Date
CN112819507A true CN112819507A (zh) 2021-05-18
CN112819507B CN112819507B (zh) 2024-09-24

Family

ID=75855586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011616464.7A Active CN112819507B (zh) 2020-12-31 2020-12-31 一种服务推送方法、装置、电子设备以及可读存储介质

Country Status (1)

Country Link
CN (1) CN112819507B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902589A (zh) * 2021-10-11 2022-01-07 网易传媒科技（北京）有限公司 目标服务策略的测试方法、介质、装置和计算设备
CN117688343A (zh) * 2024-02-04 2024-03-12 成都帆点创想科技有限公司 一种多任务学习LSTM-Attention框架的LTV预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018013827A (ja) * 2016-07-19 2018-01-25 株式会社リクルートホールディングス インセンティブ付与対象決定システム及びプログラム
CN110276446A (zh) * 2019-06-26 2019-09-24 北京百度网讯科技有限公司 模型训练和选择推荐信息的方法和装置
CN110390548A (zh) * 2018-04-20 2019-10-29 北京嘀嘀无限科技发展有限公司 优惠券派发策略的选择方法及装置
CN111242752A (zh) * 2020-04-24 2020-06-05 支付宝(杭州)信息技术有限公司 一种基于多任务预测的确定推荐对象的方法及系统
CN111327661A (zh) * 2018-12-17 2020-06-23 北京嘀嘀无限科技发展有限公司 推送方法、推送装置、服务器和计算机可读存储介质
CN111814062A (zh) * 2020-09-10 2020-10-23 平安国际智慧城市科技股份有限公司 信息推送方法、装置、服务器及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018013827A (ja) * 2016-07-19 2018-01-25 株式会社リクルートホールディングス インセンティブ付与対象決定システム及びプログラム
CN110390548A (zh) * 2018-04-20 2019-10-29 北京嘀嘀无限科技发展有限公司 优惠券派发策略的选择方法及装置
US20200357013A1 (en) * 2018-04-20 2020-11-12 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for coupon issuing
CN111327661A (zh) * 2018-12-17 2020-06-23 北京嘀嘀无限科技发展有限公司 推送方法、推送装置、服务器和计算机可读存储介质
CN110276446A (zh) * 2019-06-26 2019-09-24 北京百度网讯科技有限公司 模型训练和选择推荐信息的方法和装置
CN111242752A (zh) * 2020-04-24 2020-06-05 支付宝(杭州)信息技术有限公司 一种基于多任务预测的确定推荐对象的方法及系统
CN111814062A (zh) * 2020-09-10 2020-10-23 平安国际智慧城市科技股份有限公司 信息推送方法、装置、服务器及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902589A (zh) * 2021-10-11 2022-01-07 网易传媒科技（北京）有限公司 目标服务策略的测试方法、介质、装置和计算设备
CN117688343A (zh) * 2024-02-04 2024-03-12 成都帆点创想科技有限公司 一种多任务学习LSTM-Attention框架的LTV预测方法及系统
CN117688343B (zh) * 2024-02-04 2024-05-03 成都帆点创想科技有限公司 一种多任务学习LSTM-Attention框架的LTV预测方法及系统

Also Published As

Publication number Publication date
CN112819507B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
JP6702092B2 (ja) 住宅需要反応におけるクーポンの最適化及び配信
US8027897B2 (en) System and method for optimizing financial performance generated by marketing investments under budget constraints
Cirillo et al. Dynamic discrete choice models for transportation
EP2506207A1 (en) Computer system, computer-implemented method and computer program product for managing operations of a system
US20100114794A1 (en) Prediction of financial performance for a given portfolio of marketing investments
Zhang et al. Joint production planning, pricing and retailer selection with emission control based on Stackelberg game and nested genetic algorithm
US8311878B2 (en) Optimized pricing solver with prioritized constraints
CN112819507B (zh) 一种服务推送方法、装置、电子设备以及可读存储介质
KR102082522B1 (ko) 결정 기회 평가 시스템 및 방법
CN113869992A (zh) 基于人工智能的产品推荐方法、装置、电子设备及介质
Karimi et al. Two-stage single period inventory management for a manufacturing vendor under green-supplier supply chain
US20140136358A1 (en) Supplier quantity selection
CN114240052A (zh) 一种基于遗传算法的组合销售策略优化方法及系统
Göçken et al. Characterizing continuous (s, S) policy with supplier selection using Simulation Optimization
Esmaeili Avval et al. Auction design for the allocation of carbon emission allowances to supply chains via multi-agent-based model and Q-learning
CN111768246A (zh) 一种数据处理方法、模型建立方法、装置及电子设备
US8180694B2 (en) System and method for incorporating qualitative inputs into econometric models
CN113313562B (zh) 产品数据处理方法、装置、计算机设备和存储介质
JP6843677B2 (ja) ポイント付与システム
CN110956297A (zh) 一种流失概率的预测处理方法及装置
CN115952883A (zh) 一种计量物资采购与检定计划横纵协调优化方法及装置
Salmasnia et al. A redundancy allocation problem by using utility function method and ant colony optimization: tradeoff between availability and total cost
US20180165772A1 (en) Tiered greening for large business operations with heavy power reliance
Gao et al. A pricing mechanism for ride-hailing systems in the presence of driver acceptance uncertainty
CN114077962A (zh) 基于用户标签的资源配额重新确定方法、装置和计算机设备

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