CN112819526A - 待推送资源确定方法、装置、电子设备、介质及程序产品 - Google Patents
待推送资源确定方法、装置、电子设备、介质及程序产品 Download PDFInfo
- Publication number
- CN112819526A CN112819526A CN202110129870.9A CN202110129870A CN112819526A CN 112819526 A CN112819526 A CN 112819526A CN 202110129870 A CN202110129870 A CN 202110129870A CN 112819526 A CN112819526 A CN 112819526A
- Authority
- CN
- China
- Prior art keywords
- user
- target user
- determining
- target
- alternative
- 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
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000004590 computer program Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 239000002699 waste material Substances 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 27
- 230000007423 decrease Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000013145 classification model Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 102100023927 Asparagine synthetase [glutamine-hydrolyzing] Human genes 0.000 description 1
- 101100380329 Homo sapiens ASNS gene Proteins 0.000 description 1
- 101100048480 Vaccinia virus (strain Western Reserve) UNG gene Proteins 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
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
- G06Q30/0212—Chance discounts or incentives
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种待推送资源确定方法、装置、电子设备、介质及程序产品,其中,方法包括:确定历史用车的目标用户;基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率;基于所述至少一种备选资源分别对应的召回概率,从所述至少一种备选资源中确定针对所述目标用户的待推送资源。本公开实施例通过基于各种备选资源对应的召回概率,为目标用户确定待推送资源,使得待推送资源更符合用户的特征,针对性更强,减少推送资源的浪费。
Description
技术领域
本公开涉及机器学习技术领域,具体而言,涉及待推送资源确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
随着共享单车、网约车等新的出行选择出现,更多的用户选择在出行时使用这些便捷的出行方式。
作为共享单车、网约车等的服务方,为了充分利用投入使用的车辆资源,会通过向用户发放一些比如优惠券类的推送资源,在方便用户用车的同时,提高车辆资源的利用率。但是,如何向用户更有针对性地进行资源推送,以达到充分利用推送资源及车辆资源的目的,是值得研究的问题。
发明内容
本公开实施例至少提供一种待推送资源确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提供了一种待推送资源确定方法,包括:确定历史用车的目标用户;基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率;基于所述至少一种备选资源分别对应的召回概率,从所述至少一种备选资源中确定针对所述目标用户的待推送资源。
一种可选的实施方式中,还包括:基于所述目标用户的历史出行区域特征、以及所述目标用户的当前位置,确定目标区域;基于所述目标区域以及所述待推送资源,向终端设备推送目标推送信息,所述目标推送信息用于提示所述目标用户在所述目标区域用车以及用车时能够使用的所述待推送资源。
一种可选的实施方式中,基于所述目标用户的历史出行区域特征、以及所述目标用户的当前位置,确定目标区域,包括:基于所述目标用户的历史出行区域特征、所述目标用户的用户类型、以及所述目标用户的当前位置,确定所述目标区域。
一种可选的实施方式中,所述基于所述目标用户的历史出行区域特征、所述目标用户的用户类型、以及所述目标用户的当前位置,确定所述目标区域,包括:基于所述当前位置,确定至少一个备选出行区域;以及基于所述历史出行区域特征、所述目标用户的用户类型、以及所述至少一个备选出行区域,生成所述目标用户的第一特征数据;利用预先训练的区域预测模型对所述第一特征数据进行区域预测处理,得到所述目标用户在所述至少一个备选区域中每个备选区域出行的出行概率;基于所述至少一个备选区域分别对应的出行概率,从所述至少一个备选区域中确定所述目标区域。
一种可选的实施方式中,利用下述方式训练所述区域预测模型:基于第一样本用户的样本用户类型、以及所述第一样本用户在至少一个样本区域中每个样本区域的历史出行信息,生成第一样本数据;利用所述第一样本数据训练待训练的第一待训练模型,得到所述区域预测模型。
一种可选的实施方式中,还包括:基于所述目标用户的所述用户特征信息,确定所述目标用户的用户类型。
一种可选的实施方式中,基于所述目标用户的所述用户特征信息,确定所述目标用户的用户类型,包括:利用预先得到的用户分类模型、以及所述目标用户的用户特征信息,对所述目标用户进行分类处理,得到所述目标用户的用户类型。
一种可选的实施方式中,所述基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率,包括:基于所述目标用户对至少一种备选资源的历史使用信息、以及所述目标用户的用户特征信息以及用户类型,得到所述目标用户的第二特征数据;利用预先训练的概率预测模型对所述目标用户的第二特征数据进行概率预测处理,得到基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率。
一种可选的实施方式中,采用下述方式训练所述概率预测模型:基于第二样本用户的样本用户特征信息以及样本用户类型、以及所述第二样本用户对所述至少一种备选资源的历史使用信息,生成所述至少一种备选资源中每种备选资源的第二样本数据;其中,所述第二样本用户对任一种所述备选资源的历史使用信息包括:使用或者未使用;利用所述第二样本数据训练第二待训练模型,得到所述概率预测模型。
一种可选的实施方式中,所述每种备选资源的第二样本数据包括:正样本数据、以及负样本数据;其中,所述正样本数据包括:对所述每种备选资源的历史使用信息为使用的第三样本用户对应的样本用户特征信息以及样本用户类型;所述负样本数据包括:对所述每种备选资源的历史使用信息为未使用的第四样本用户对应的样本用户特征信息以及样本用户类型。
一种可选的实施方式中,所述利用所述第二样本数据训练第二待训练模型,得到所述概率预测模型,包括:利用所述第二样本数据以及预设的约束条件训练所述第二待训练模型,得到所述概率预测模型;其中,所述约束条件是基于为多个第二样本用户确定的备选资源总成本、所述每种备选资源对应的成本、以及在每种备选资源召回每个第二样本用户的召回概率确定的。
一种可选的实施方式中,所述确定历史用车的目标用户包括:确定备选用户在预设历史时段内的用车频率信息;基于所述用车频率信息,从所述备选用户中确定所述目标用户。
一种可选的实施方式中,所述基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率之前,还包括:检测目标用户在出行时,是否位于预设的运营区域内;所述基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率,包括:在所述目标用户在出行时位于所述运营区域内的情况下,基于目标用户的用户特征信息、以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率。
第二方面,本公开实施例还提供一种待推送资源确定装置,包括:第一确定模块,确定历史用车的目标用户;第二确定模块,用于基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率;第三确定模块,用于基于所述至少一种备选资源分别对应的召回概率,从所述至少一种备选资源中确定针对所述目标用户的待推送资源。
一种可选的实施方式中,还包括推送模块,用于基于所述目标用户的历史出行区域特征、以及所述目标用户的当前位置,确定目标区域;基于所述目标区域以及所述待推送资源,向终端设备推送目标推送信息,所述目标推送信息用于提示所述目标用户在所述目标区域用车以及用车时能够使用的所述待推送资源。
一种可选的实施方式中,所述推送模块在基于所述目标用户的历史出行区域特征、以及所述目标用户的当前位置,确定目标区域时,用于:基于所述目标用户的历史出行区域特征、所述目标用户的用户类型、以及所述目标用户的当前位置,确定所述目标区域。
一种可选的实施方式中,所述推送模块在基于所述目标用户的历史出行区域特征、所述目标用户的用户类型、以及所述目标用户的当前位置,确定所述目标区域时,用于:基于所述当前位置,确定至少一个备选出行区域;以及基于所述历史出行区域特征、所述目标用户的用户类型、以及所述至少一个备选出行区域,生成所述目标用户的第一特征数据;利用预先训练的区域预测模型对所述第一特征数据进行区域预测处理,得到所述目标用户在所述至少一个备选区域中每个备选区域出行的出行概率;基于所述至少一个备选区域分别对应的出行概率,从所述至少一个备选区域中确定所述目标区域。
一种可选的实施方式中,所述推送模块利用下述方式训练所述区域预测模型:基于第一样本用户的样本用户类型、以及所述第一样本用户在至少一个样本区域中每个样本区域的历史出行信息,生成第一样本数据;利用所述第一样本数据训练待训练的第一待训练模型,得到所述区域预测模型。
一种可选的实施方式中,还包括第四确定模块,用于基于所述目标用户的所述用户特征信息,确定所述目标用户的用户类型。
一种可选的实施方式中,所述第四确定模块在基于所述目标用户的所述用户特征信息,确定所述目标用户的用户类型时,用于:利用预先得到的用户分类模型、以及所述目标用户的用户特征信息,对所述目标用户进行分类处理,得到所述目标用户的用户类型。
一种可选的实施方式中,所述第二确定模块在基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率时,用于:基于所述目标用户对至少一种备选资源的历史使用信息、以及所述目标用户的用户特征信息以及用户类型,得到所述目标用户的第二特征数据;利用预先训练的概率预测模型对所述目标用户的第二特征数据进行概率预测处理,得到基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率。
一种可选的实施方式中,所述第二确定模块采用下述方式训练所述概率预测模型:基于第二样本用户的样本用户特征信息以及样本用户类型、以及所述第二样本用户对所述至少一种备选资源的历史使用信息,生成所述至少一种备选资源中每种备选资源的第二样本数据;其中,所述第二样本用户对任一种所述备选资源的历史使用信息包括:使用或者未使用;利用所述第二样本数据训练第二待训练模型,得到所述概率预测模型。
一种可选的实施方式中,所述每种备选资源的第二样本数据包括:正样本数据、以及负样本数据;其中,所述正样本数据包括:对所述每种备选资源的历史使用信息为使用的第三样本用户对应的样本用户特征信息以及样本用户类型;所述负样本数据包括:对所述每种备选资源的历史使用信息为未使用的第四样本用户对应的样本用户特征信息以及样本用户类型。
一种可选的实施方式中,所述第二确定模块在利用所述第二样本数据训练第二待训练模型,得到所述概率预测模型时,用于:利用所述第二样本数据以及预设的约束条件训练所述第二待训练模型,得到所述概率预测模型;其中,所述约束条件是基于为多个第二样本用户确定的备选资源总成本、所述每种备选资源对应的成本、以及在每种备选资源召回每个第二样本用户的召回概率确定的。
一种可选的实施方式中,所述第一确定模块在确定历史用车的目标用户时,用于:确定备选用户在预设历史时段内的用车频率信息;基于所述用车频率信息,从所述备选用户中确定所述目标用户。
一种可选的实施方式中,所述基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率之前,还包括检测模块,用于检测目标用户在出行时,是否位于预设的运营区域内;所述第二确定模块在基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率时,用于:在所述目标用户在出行时位于所述运营区域内的情况下,基于目标用户的用户特征信息、以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率。
第三方面,本公开可选实现方式还提供一种电子设备,处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述处理器用于执行所述存储器中存储的机器可读指令,所述机器可读指令被所述处理器执行时,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面中任一种可能的待推送资源确定方法中的步骤。
第四方面,本公开可选实现方式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,该计算机程序被运行时执行上述第一方面,或第一方面中任一种可能的待推送资源确定方法中的步骤。
第五方面,本公开实施例提供了一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现上述第一方面,或第一方面中任一种可能的待推送资源确定方法中的步骤。
关于上述待推送资源确定装置、电子设备、计算机可读存储介质及计算机程序产品的效果描述参见上述待推送资源确定方法的说明,这里不再赘述。
本公开实施例提供的待推送资源确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品,通过目标用户的特征信息以及用户类型确定基于至少一种备选资源中每种备选资源的召回目标用户的召回概率,进而基于各种备选资源对应的召回概率,为目标用户确定待推送资源,使得待推送资源更符合用户的特征,针对性更强,减少推送资源的浪费。
另外,向目标用户推送的待推送资源是根据至少一种备选资源中每种备选资源召回目标用户的召回概率确定的,也即在将待推送资源推送给目标用户后,目标用户有更高的概率使用待推送资源,进而带动与该待推送资源绑定的其他资源(比如车辆资源)的使用,因此有助于提升整体资源的利用率。
为使本公开的上述目的、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公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,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示出了本公开实施例所提供的一种待推送资源确定方法的流程图;
图2示出了本公开实施例所提供的一种确定目标区域的具体方法的流程图;
图3示出了本公开实施例所提供的一种向目标用户推送目标推送信息时,向目标用户展示的页面示意图;
图4示出了本公开实施例所提供的一种待推送资源确定装置的示意图;
图5示出了本公开实施例所提供的一种电子设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中附图,对本公开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公开一部分实施例,而不是全部的实施例。通常在此处描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,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所有其他实施例,都属于本公开保护的范围。
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定义和解释。
本文中术语“和/或”,仅仅是描述一种关联关系,表示可以存在三种关系,例如,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,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
经研究发现,为了召回更多的用户重新用车,平台通常面向使用用车平台的用户分发优惠券等资源。当前的优惠券等资源在分发时通常于人工设定的规则来实现,分发给某些用户的资源在很大可能上并不适用,针对性较差,导致召回用户的效率也较低,且容易造成资源的浪费。
基于上述研究,本公开提供了一种待推送资源确定方法,通过将历史用车的用户作为目标用户,然后通过对目标用户的用户特征信息以及用户类型确定不同备选资源召回目标用户的召回概率,因此更符合目标用户的用户特征,针对性更强,可以减少推送资源的浪费。同时,由于可以根据得到的多个召回概率确定向目标用户推送的待推送资源,因此目标用户有更高的概率使用待推送资源,有助于提升资源的利用率。
针对以上方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案,都应该是发明人在本公开过程中对本公开做出的贡献。
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定义和解释。
为便于对本实施例进行理解,首先对本公开实施例所公开的一种待推送资源确定方法进行详细介绍,本公开实施例所提供的待推送资源确定方法的执行主体一般为具有一定计算能力的电子设备,该电子设备例如包括:终端设备或服务器或其它处理设备,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该待推送资源确定方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
下面对本公开实施例提供的待推送资源确定方法加以说明。
参见图1所示,为本公开实施例提供的待推送资源确定方法的流程图,所述方法包括步骤S101~S103,其中:
S101:确定历史用车的目标用户;
S102:基于目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回目标用户的召回概率;
S103:基于至少一种备选资源分别对应的召回概率,从至少一种备选资源中确定针对目标用户的待推送资源。
本公开实施例通过目标用户的特征信息以及用户类型确定基于至少一种备选资源中每种备选资源的召回目标用户的召回概率,进而基于各种备选资源对应的召回概率,为目标用户确定待推送资源,使得待推送资源更符合用户的特征,针对性更强,减少推送资源的浪费。
另外,向目标用户推送的待推送资源是根据至少一种备选资源中每种备选资源召回目标用户的召回概率确定的,也即在将待推送资源推送给目标用户后,目标用户有更高的概率使用待推送资源,因此更有助于提升资源的利用率。
下面对上述S101~S103加以详细说明。
针对上述S101,用户例如可以包括历史用车的用户,或者仅有注册行为的用户。对于每个用户,均具有对应的用户生命周期;在用户生命周期中,例如还可以包括新手期、活跃期、以及衰退期等不同阶段。示例性的,可以将用户用车初期作为新手期,将用户用车频率高于某个频率阈值的时期作为活跃期,并将用户用车频率下降的时期作为衰退期;其中,对于任一用户而言,其可能处于任一个时期。在本方案中,主要将衰退期的用户作为目标用户,并对目标用户进行召回。
示例性的,可以定时或者不定时的确定各个用户在用户生命周期中的时期。在确定了某个用户处于衰退期后,即可以将该用户作为目标用户。
在确定目标用户时,例如可以采用下述方法:确定备选用户在预设历史时段内的用车频率信息;基于用车频率信息,从备选用户中确定目标用户。
其中,备选用户例如可以包括有历史用车记录的用户。在确定备选用户的情况下,还可以获取每个备选用户分别对应的历史用车记录,并根据每个备选用户分别对应的历史用车记录,确定备选用户在预设历史时段内的用车频率。其中,预设历史时段例如可以包括多个不同时间段,例如划分的全部时间段,或者根据需求从划分的多个时间段中选取划分出的最后多个时间段。
具体地,备选用户的历史用车记录例如可以包括对不同种类车辆分别对应的历史用车记录,其中,不同的种类车辆包括但不限于下述至少一种:单车、电单车、出租车、快车、以及专车;或者,可以不对历史用车进行具体类别的划分,直接获取历史用车的历史用车记录。历史用车记录例如可以包括出行日期、出行方式、以及历史用车次数。
在确定备选用户在预设历史时段内的用车频率时,例如可以先将备选用户的历史使用时间划分为多个不同的时间段。
示例性的,在确定预设历史时段时,例如可以按照月份、季度等作为划分单位进行划分,或者按照预先确定的资源投放周期进行划分。示例性的,对于备选用户甲,将在当前时间之前的一年作为该备选用户甲的预设历史时段,在按照季度作为计时单位进行划分时,可以将此一年的时间分为4个时间段,则备选用户甲对应的第一个时间段包括的时间为1月1日至3月31日、第二个时间段包括4月1日至6月30日、第三个时间段包括7月1日至9月31日、第四个时间段包括10月1日至12月31日;在按照预先确定的资源投放周期进行划分时,例如可以根据实际的资源投放周期确定不同的时间段,以突出备选用户在资源投放时、以及未投放资源时对应的不同历史用车记录可以表达的特征,例如在确定每1个月进行一次资源投放时,例如可以依据经验将用户对资源的使用率最高的第一周作为第一个时间段,将用户对资源的使用率较平稳的第二周至第三周作为第二个时间段,并将用户对资源的使用率下降的第四周作为第三个时间段。具体确定备选用户的预设历史时段的方式可以根据实际情况确定,在此不再赘述。
在确定了备选用户的预设历史时段后,即可以确定用户在预设历史时段内的用车频率信息。由于预设历史时段中可能包括多个时间段,因此备选用户在预设历史时段的用车频率信息可以记录有多个,在用车频率信息包括用车频率的情况下,预设历史时段内的用车频率信息例如可以包括5次、8次等。
在确定备选用户在预设历史时段内的用车频率信息后,还可以根据用车频率信息确定备选用户是否处于衰退期,并将备选用户中处于衰退期的用户作为备选用户。
在一种可能的实施方式中,可以确定最近一个时间段的用车频率与上一个临近的时间段的用车频率信息中相邻的用车频率差值是否小于预设的最大差值,例如设置最大差值为4次,当备选用户在最后一个时间段的用车频次为2次,与此时间段临近的上一时间段的用车频次为8次时,判断此备选用户处于衰退期。这种方法在确定备选用户是否处于衰退期时,判断的数据量较少,因此较为快速简便。
在另一种可能的实施方式中,可以确定备选用户在历史使用时间划分得到的多个不同时间段分别对应的用车频率的变化趋势,当备选用户的用车频率在连续的多个时间段成下降趋势,例如备选用户在临近的三个月的用车频率逐月下降,则确定此备选用户处于衰退期。这种方法在确定备选用户是否属于衰退期时,可以通过备选用户较长一段时间的用车频率变化确定,更加准确。
针对上述S102,在确定目标用户后,通过目标用户的用户特征信息以及用户类型,可以确定至少一种备选资源中每种备选资源召回目标用户的召回概率,从而根据不同备选资源对应的召回概率确定向目标用户推送的待推送资源。
此时,出于安全性、车辆可管理性等多方面的因素的考虑,用车需要在运营区域内才可以使用。因此,在另一实施例中,在为目标用户确定不同备选资源对应的召回概率之前,还可以检测目标用户在用车时,是否位于预设的运营区域内。具体地,可以通过获取目标用户的定位位置,确定目标用户是否位于预设的运营区域内。若检测到目标用户位于预设的运营区域内,则为目标用户确定召回概率。
示例性的,当运营区域包括A、B、以及C三个地区时,当检测到目标用户位于X地区时,且X地区属于非运营区域,由于目标用户不符合位于预设运营区域的条件,因此不对该目标用户进行召回。另一实施例中,在用户为与非运营区域内时,还可以继续对该目标用户进行监控,当目标用户进入到A、B、以及C中任一地区时,再为目标用户确定不同备选资源对应的召回概率。
在目标用户位于运营区域内的情况下,基于目标用户的用户特征信息、以及用户类型,确定基于至少一种备选资源中每种备选资源召回目标用户的召回概率。
其中,目标用户对应的用户特征信息,例如可以包括目标用户在不同用户生命周期中,对不同的历史用车分别对应的消费特征、出行特征、以及外部特征。
其中,消费特征例如包括:目标用户在用车时的消费成本、对不同类型资源的使用信息、以及购买会员等的额外消费成本。出行特征例如包括:用车的时间段(例如,目标用户通常在高峰期时段用车)以及用车的里程数。外部特征例如包括:在出行时的天气、地理位置、用车供需关系等特征。
在确定目标用户的用户类型时,例如可以采用下述方式:利用预先得到的用户分类模型、以及目标用户的用户特征信息,对目标用户进行分类处理,得到目标用户的用户类型。
其中,预先得到的用户分类模型例如可以包括下述至少一种:k均值聚类算法(k-means clustering algorithm,K-means)、系统聚类模型、以及基于密度的聚类算法模型(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)。
以K-means模型为例,在对K-means模型进行训练时,例如可以从多个用户中筛选得到多个聚类样本用户,然后确定聚类后的分类数量,从聚类样本用户中筛选出对应分类数量的部分聚类样本用户作为初始聚类中心对所有的聚类样本用户进行聚类。其中,确定的部分聚类样本用户例如可以是人工标注确定的,或者随机选出的。在确定初始聚类中心后,通过计算其他聚类样本用户与不同初始聚类中心的距离,对不同聚类样本用户进行划分。在划分结束后,重新确定聚类中心,并重复上述过程,直至完成对所有的聚类样本用户的聚类。此时,即可以得到训练好的K-means模型。
由于K-means模型在对大量数据进行处理时的算法效率较高,而确定的目标用户的数据一般较大,因此在利用K-means模型对目标用户进行分类处理时,可以更快的确定目标用户的用户类型,效率更高。同时,在K-means模型时,还可以根据实际情况,或者经过多次实验确定将目标用户聚类为三类,在保证目标用户的用户类型可以较好的表征用户特征信息的同时,减少用户类型的数量,以减少后续使用的数据量,同时降低运算的难度。
在确定了目标用户的用户特征信息以及用户类型后,还可以通过下述方法确定基于至少一种备选资源中每种备选资源召回目标用户的召回概率:基于目标用户对至少一种备选资源的历史使用信息、以及目标用户的用户特征信息以及用户类型,得到目标用户的第二特征数据;利用预先训练的概率预测模型对目标用户的第二特征数据进行概率预测处理,得到基于至少一种备选资源中每种备选资源召回目标用户的召回概率。
其中,备选资源包括预设向目标用户推送的不同类型的卡券资源、抽奖信息等不同类型的资源,例如打折券、满减券、抽奖活动卡等;此外,还可以对不同类型的资源中的任一类型的资源进行更细致的划分,例如对于打折券,还可以确定包括九折打折券、七折打折券等。目标用户对至少一种备选资源的历史使用信息例如可以包括用户对历史接收到的不同类型备选资源的使用次数或者使用率。
示例性的,可以向目标用户推送的不同类型备选资源例如可以包括打折券a、满减券b、以及抽奖券c。目标用户在历史用车过程中,分别接收到推送的备选资源2张打折券a、4张满减券b、以及10张抽奖券c,目标用户仅使用了1次打折券a以及1次满减券b,则可以将目标用户的对打折券a的1次使用、对满减券b的1次使用、以及对抽奖券c的0次使用作为该目标用户对应的历史使用信息;或者,可以将目标用户对打折券a的使用率50%、以及对满减券b的使用率25%、以及对抽奖券c的使用率0%作为目标用户对应的历史使用信息。同时,还可以获取不同目标用户在不同区域对不同备选资源的使用信息,以突出对目标用户在不同区域时对不同备选资源的喜好偏向。具体确定目标用户对至少一种备选资源的历史使用信息的方法可以根据实际情况确定,在此不做限定。
在基于目标用户对至少一种备选资源的历史使用信息、以及目标用户的用户特征以及用户类型,得到目标用户的第二特征数据时,由于各个特征值之间不是线性的关系,因此可以采用特征交叉的方法,在多维特征增数据集上进行非线性特征拟合,得到第二特征数据。具体地,由于目标用户对至少一种备选资源的历史使用信息、以及目标用户的用户特征以及用户类型均表现为连续的数据,因此还可以将不同的数据处理为独热向量(one-hot),然后再利用特征交叉的方式确定第二特征数据。
此时,利用预先训练的概率预测模型对目标用户的第二特征数据进行概率预测处理,可以得到基于至少一种备选资源中每种备选资源召回目标用户的召回概率。
其中,概率预测模型包括下述至少一种:朴素贝叶斯( Bayes,NB)、贝叶斯网络(Bayes Belief Network,BBN)、线性回归(Linear Regression)、逻辑回归(LogisticRegression)、决策树(Decision Tree)、最近邻(K-Nearest Neighbor,K-NN)、神经网络(Neural Network)、支持向量机(Support Vector Machine,SVM)、以及深度梯度回归模型(Deep Generalized Boosted Regression Models,DeepGBM)。
具体地,以DeepGBM为例,由于目标用户的第二特征数据中在包含表征不同意义数据的同时,还包含了不同的数值类型,利用DeepGBM可以在集中处理稀疏类别型特征的同时集中处理数值型特征,并且还可以保证高效的在线更新,也即在目标用户在继续适用备选资源时,可以更新第二特征数据并得到新的第二特征数据对应的概率预测结果。
在对概率预测模型进行训练时,例如可以采用下述方式:基于第二样本用户的样本用户特征信息、样本用户类型、以及第二样本用户对至少一种备选资源的历史使用信息,生成至少一种备选资源中每种备选资源的第二样本数据;其中,第二样本用户对任一种备选资源的历史使用信息包括:使用或者未使用;利用第二样本数据训练第二待训练模型,得到概率预测模型。
具体地,可以先确定第二样本用户,第二样本用户例如可以包括从上述备选用户中筛选出的目标用户,或者将使用过至少一种备选资源的用户作为第二样本用户。在确定第二样本用户后,还可以确定第二样本用户的用户特征信息以及样本用户类型;其中,确定第二样本用户的样本用户特征信息以及样本用户类型的方法与上述S101中确定目标用户的用户特征信息以及用户类型的方法相似,在此不再赘述。
此外,还可以通过获取第二样本用户对至少一种备选资源的历史使用信息,生成至少一种备选资源中每种备选资源的第二样本数据。每种备选资源的第二样本数据包括:正样本数据、以及负样本数据;其中,正样本数据包括:对每种备选资源的历史使用信息为使用的第三样本用户对应的样本用户特征信息、以及样本用户类型;负样本数据包括:对每种备选资源的历史使用信息为未使用的第四样本用户对应的样本用户特征信息、以及样本用户类型。
在具体实施中,在确定每种备选资源的第二样本数据时,可以利用每个第二样本用户对至少一种备选资源的历史使用信息确定;或者,通过确定的多种备选资源中的每一种备选资源下,对应的使用过该备选资源的第二样本用户以及未使用该备选资源的第二样本用户确定。
示例性的,可以先确定多种备选资源,例如包括打折券a、满减券b、以及抽奖券c;对于多种备选资源中的每种备选资源,再确定对该种备选资源的使用信息未使用的第二样本用户作为第三样本用户,并确定对该种备选资源的使用信息使用的第二样本用户作为第四样本用户;然后分别利用第三样本用户对应的样本用户特征信息以及样本用户类型确定正样本数据,并利用第四样本用户对应的样本用户特征信息以及样本用户类型确定负样本数据,从而得到对于该种备选资源对应的第二样本数据。
以多个备选资源中的打折券a为例,当第二样本用户甲使用过该备选资源时,第三样本用户包括样本用户甲,并利用第三样本用户甲的样本用户特征信息以及样本用户类型确定一条正样本数据;当第二样本用户乙未使用过该备选资源时,第四样本用户包括样本用户乙,并利用第四样本用户乙的样本用户特征信息以及样本用户类型确定一条负样本数据。
在确定第二样本数据后,对第二待训练模型进行训练,即可以得到概率预测模型。其中,第二待训练模型例如可以包括上述概率预测模型中的任一种待训练模型。
此外,在确定第二待训练模型时,例如可以为不同种的备选资源分别确定对应的第二待训练模型,或者为不同中的备选资源确定一个第二待训练模型,然后为不同种的备选资源确定对应的多个检测口,已完成对不同种的备选资源的训练。
具体地,在对第二待训练模型进行训练时,例如可以采用下述方法:利用第二样本数据以及预设的约束条件训练第二待训练模型,得到概率预测模型;其中,约束条件是基于为多个第二样本用户确定的备选资源总成本、每种备选资源对应的成本、以及在每种备选资源召回每个第二样本用户的召回概率确定的。
在对第二待训练模型进行训练时,利用每种备选资源的第二样本数据作为输入,然后不同第二样本用户分别在不同备选资源下召回概率均达到最大值为优化目标,得到训练好的模型,作为概率预测模型。
其中,在确定利用优化目标对第二待训练模型进行训练时,例如可以采用下述公式(1):
其中,表示为召回第二样本用户中的第i个第二样本用户时,召回概率最大的备选资源,也即该第二待训练模型的训练目标;{SKU}表示可以向第二样本用户推送的不同中备选资源的集合;表示第i个第二样本用户在给定备选资源时对应的召回概率。
在利用优化目标对第二待训练模型进行训练时,还包括对应的约束条件,例如可以包括下述公式(2):
具体地,为多个第二样本用户确定的备选资源总成本例如可以包括对应多个第二样本用户的预设备选资源总成本,例如为每个第二样本用户设置可分配的备选资源成本,然后确定多个第二样本用户总得备选资源总成本;或者,获取第二样本用户在对多种备选资源的使用期间的实际备选资源总成本。
每种备选资源对应的成本例如可以包括不同种备选资源的使用成本,以满减券b为例,当满减券b为“立减2元”的优惠券时,对应的使用成本即可以设置为2元。
在确定每种备选资源召回每个第二样本用户的召回概率时,例如通过接收到该备选资源的多个第二样本用户中,使用该备选资源的第二样本用户在接收到该备选资源的所有样本用户中的占比确定。
示例性的,在1000个第二样本用户接收到打折券a时,可以确定该使用打折券a的第二样本用户有500个,则使用打折券a的第二样本用户在接收到该打折券a的所有第二样本用户中占比为50%,则打折券a召回样本用户的召回概率可以确定为50%。
上述确定第二样本用户确定的备选资源总成本、每种备选资源对应的成本、以及在每种备选资源召回每个第二样本用户的召回概率分别对应的方法仅为一种示例,具体地可以根据实际情况确定,在此不做限定。
在得到训练好的概率预测模型后,即可以利用目标用户的第二特征数据确定至少一种备选资源中每种备选资源召回目标用户的召回概率。利用得到的至少一个召回概率,可以确定向目标用户推送的至少一种备选资源。
示例性的,针对目标用户丙,例如可以确定对于设置的备选资源中打折券a、满减券b、以及抽奖券c分别对应的召回概率为30%、50%、以及10%。
针对上述S103,利用至少一种备选资源分别对应的召回概率,可以根据确定的最高的备选资源确定针对目标用户的待推送资源;或者,选取备选资源较高的多个备选资源作为针对目标用户的待推送资源。
以上述对目标用户丙确定的对于不同备选资源的召回概率的结果为例,可以将召回概率中最高的召回概率50%对应的备选资源满减劵b,作为针对目标用户丙对应的待推送资源。
在确定向目标用户推送的待推送资源后,还可以利用下述方式向目标用户推送待推送资源:基于目标用户的历史出行区域特征、以及目标用户的当前位置,确定目标区域;基于目标区域以及待推送资源,向终端设备推送目标推送信息,目标推送信息用于提示目标用户在目标区域用车以及用车时能够使用的待推送资源。
其中,目标用户的历史出行区域特征例如可以包括历史用车时的多个区域信息,以目标用户丙为例,历史出行的区域例如包括区域A以及区域B;然后确定目标用户的当前位置,例如当前目标用户在区域A。
此时,基于目标用户的历史出行区域特征、以及目标用户的当前位置确定目标区域时,例如可以采用下述方法:基于目标用户的历史出行区域特征、目标用户的用户类型、以及目标用户的当前位置,确定目标区域。
具体地,参见图2所示,为本公开实施例提供的一种确定目标区域的具体方法,包括:
S201:基于当前位置,确定至少一个备选出行区域。
在具体实施中,在确定当前位置后,可以将当前位置所在区域作为备选出行区域,也即只向目标用户推送当前位置所在区域对应的目标推送信息;或者,将当前位置所在区域、以及与当前位置所在区域临近的至少一个区域作为确定的多个备选出行区域,也即还包括向目标用户推送临近区域对应的目标推送信息,以吸引目标用户在临近的区域使用目标推送信息中的待推送资源,提高对目标用户的召回率。
示例性的,当目标用户丙所在的当前位置为区域A,临近区域A的区域有区域B以及区域C时,例如可以确定目标用户丙对应的目标区域为区域A;或者区域A、区域B、以及区域C。
S202:基于历史出行区域特征、目标用户的用户类型、以及至少一个备选出行区域,生成目标用户的第一特征数据。
此处,确定目标用户的第一特征数据的方式,与上述S102中确定第二特征数据的方式相似,在此不再赘述。
S203:利用预先训练的区域预测模型对第一特征数据进行区域预测处理,得到目标用户在至少一个备选区域中每个备选区域出行的出行概率。
其中,区域预测模型例如可以采用上述概率预测模型中的任一种模型,并将确定的任一种模型作为第一待训练模型,然后确定训练第一待训练模型的样本数据,并对第一待训练模型进行训练,得到区域预测模型。
具体地,例如可以采用下述方式训练区域预测模型:基于第一样本用户的样本用户类型、以及第一样本用户在至少一个样本区域中每个样本区域的历史出行信息,生成第一样本数据;利用第一样本数据训练待训练的第一待训练模型,得到区域预测模型。
此处,确定第一样本用户、以及确定第一样本用户的样本用户类型的方法,与上述S102中为训练概率预测模型确定第二样本用户以及第二确定样本用户的样本用户类型的方法相似,在此不再赘述。同时,为训练概率预测模型确定的第一样本用户,可以与训练区域预测模型确定的第二样本用户相同,也可以为两个不同的预测模型确定不同的样本用户,具体可以根据实际情况确定,在此不做限定。
其中,样本区域例如可以包括上述S101中的多个运营区域A、B、以及C三个地区;此时,对于第一样本用户丁,可以将第一样本用户丁在区域A以及区域B的历史出行信息作为第一样本用户丁在每个样本区域的历史出行信息。
此时,即可利用第一样本用户的样本用户类型、以及第一样本用户在至少一个样本区域中每个样本区域的历史出行信息,生成第一样本数据,具体确定第一样本数据的方法,与上述S102中确定第二样本数据的方法相似,在此不再赘述。
利用第一样本数据,即可对第一待训练模型进行训练,得到区域预测模型。其中,还可以基于不同样本区域对应的多个有出行行为的第一样本用户确定多条正样本数据、并基于不同样本区域对应的多个有未出行行为的第一样本用户确定多条负样本数据,然后利用确定的正样本数据以及负样本数据对第一待训练模型进行训练。
在确定区域预测模型后,利用区域预测模型对第一特征数据进行处理,可以确定目标用户在至少一个备选区域中每个备选区域出行的出行概率。
示例性的,对于目标用户丙,例如可以确定在备选区域A中的出行概率为50%、在备选区域B中的出行概率为30%、以及在备选区域C中的出行概率为10%。
承接上述S203,确定目标区域的具体方法还包括:
S204:基于至少一个备选区域分别对应的出行概率,从至少一个备选区域中确定目标区域。
具体地,可以根据至少一个备选区域分别对应的出行概率中最高的一个或多个,作为确定的目标区域。
以目标用户丙为例,例如可以将最高的出行概率50%对应的备选区域A作为目标区域;或者,可以将出行概率较高的两个区域,即备选区域A以及备选区域B作为目标区域。
此时,即可以确定目标用户对应的目标区域以及待推送资源,并向目标用户的终端设备推送目标推送信息。其中,目标推送信息中例如可以包含目标区域的相关信息以及待推送资源的相关信息。
示例性的,在确定向目标对象丙对应的目标区域为区域A以及区域B,对应的待推送资源为满减劵b的情况下,可以向目标对象丁推送包含有区域A以及区域B的地图,以及包含满减券b相关信息的领取按键、使用按键、以及详情说明页。
参见图3所示,为本公开实施例提供的一种向目标用户推送目标推送信息时,向目标用户展示的页面示意图。其中,页面图中包括:目标用户当前所在位置31;目标区域32中的区域A以及区域B,由于区域A以及区域B为确定的目标区域,因此突出展示;推送资源的详情页33,包括目标用户推送的满减券b的领取按键331,满减券b的使用按键332,以及满减券b的详情说明页333。目标用户可以通过对不同按键的触发,可以领取或使用满减券b。
本公开实施例还提供了一种利用本公开实施例提供的待推送资源确定方法,对确定待推送资源的具体过程进行说明。其中,具体步骤包括下述(1)~(5):
(1)、确定目标用户;
通过对使用有历史用车的用户进行筛选,并从中确定在衰退期的用户,作为目标用户。
(2)、检测目标用户在用车时,是否位于预设的运营区域内;若是,则确定预设的至少一种备选资源中每种备选资源召回目标用户的召回概率;若否,可以等待该用户进入预设的运营区域或者不进行进一步的操作;
通过对上述确定的目标用户进行位置检测,当确定目标用户丁当前位置为预设的运营区域内时,采用下述步骤(2a)和(2b),确定预设的备选资源“8折打折券”、“3元满减券”、以及“免费抽奖券”分别召回目标用户的召回概率。
(2a)、确定目标用户的第二特征数据;
此处,可以对目标用户丁的用户特征信息进行实时更新,并利用用户分类模型对目标用户丁的用户特征信息进行处理确定目标用户丁的用户类型,然后对目标用户丁的用户特征信息以及用户类型进行特征交叉,确定目标用户丁的第二特征数据。
(2b)、利用概率预测模型对第二特征数据进行处理,确定每种备选资源召回目标用户的召回概率;
利用概率预测模型对目标用户丁的第二特征数据进行处理,确定备选资源中,“8折打折券”召回目标用户丁的召回概率为50%、“3元满减券”召回目标用户丁的召回概率为20%、以及“免费抽奖券”召回目标用户丁的召回概率为5%。
(3)、根据不同种备选资源召回目标用户的召回概率,确定针对目标用户的待推送资源;
确定召回概率最高的备选资源“8折打折券”,作为针对目标用户丁的待推送资源。
(4)、确定针对目标用户的目标区域;
利用目标用户丁的历史出行区域特征,包括常在区域A、区域B出行,以及目标用户当前位置所在区域A,确定目标区域为区域A以及区域B。
(5)、利用针对目标用户确定的目标区域、以及待推送资源,向终端设备推送目标推送信息;
利用针对目标用户丁确定的目标区域中的区域A以及区域B,确定向目标用户丁突出展示的地图图像;并利用针对目标用户丁的待推送资源“8折打折券”,确定向目标用户丁发送的与待推送资源“8折打折券”相关的领取按钮、使用按钮和详情界面。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思,本公开实施例中还提供了与待推送资源确定方法对应的待推送资源确定装置,由于本公开实施例中的装置解决问题的原理与本公开实施例上述待推送资源确定方法相似,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4所示,为本公开实施例提供的一种待推送资源确定装置的示意图,所述装置包括:第一确定模块41、第二确定模块42、第三确定模块43;其中,
第一确定模块41,确定历史用车的目标用户;第二确定模块42,用于基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率;第三确定模块43,用于基于所述至少一种备选资源分别对应的召回概率,从所述至少一种备选资源中确定针对所述目标用户的待推送资源。
一种可选的实施方式中,还包括推送模块44,用于基于所述目标用户的历史出行区域特征、以及所述目标用户的当前位置,确定目标区域;基于所述目标区域以及所述待推送资源,向终端设备推送目标推送信息,所述目标推送信息用于提示所述目标用户在所述目标区域用车以及用车时能够使用的所述待推送资源。
一种可选的实施方式中,所述推送模块44在基于所述目标用户的历史出行区域特征、以及所述目标用户的当前位置,确定目标区域时,用于:基于所述目标用户的历史出行区域特征、所述目标用户的用户类型、以及所述目标用户的当前位置,确定所述目标区域。
一种可选的实施方式中,所述推送模块44在基于所述目标用户的历史出行区域特征、所述目标用户的用户类型、以及所述目标用户的当前位置,确定所述目标区域时,用于:基于所述当前位置,确定至少一个备选出行区域;以及基于所述历史出行区域特征、所述目标用户的用户类型、以及所述至少一个备选出行区域,生成所述目标用户的第一特征数据;利用预先训练的区域预测模型对所述第一特征数据进行区域预测处理,得到所述目标用户在所述至少一个备选区域中每个备选区域出行的出行概率;基于所述至少一个备选区域分别对应的出行概率,从所述至少一个备选区域中确定所述目标区域。
一种可选的实施方式中,所述推送模块44利用下述方式训练所述区域预测模型:基于第一样本用户的样本用户类型、以及所述第一样本用户在至少一个样本区域中每个样本区域的历史出行信息,生成第一样本数据;利用所述第一样本数据训练待训练的第一待训练模型,得到所述区域预测模型。
一种可选的实施方式中,还包括第四确定模块45,用于基于所述目标用户的所述用户特征信息,确定所述目标用户的用户类型。
一种可选的实施方式中,所述第四确定模块45在基于所述目标用户的所述用户特征信息,确定所述目标用户的用户类型时,用于:利用预先得到的用户分类模型、以及所述目标用户的用户特征信息,对所述目标用户进行分类处理,得到所述目标用户的用户类型。
一种可选的实施方式中,所述第二确定模块42在基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率时,用于:基于所述目标用户对至少一种备选资源的历史使用信息、以及所述目标用户的用户特征信息以及用户类型,得到所述目标用户的第二特征数据;利用预先训练的概率预测模型对所述目标用户的第二特征数据进行概率预测处理,得到基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率。
一种可选的实施方式中,所述第二确定模块42采用下述方式训练所述概率预测模型:基于第二样本用户的样本用户特征信息以及样本用户类型、以及所述第二样本用户对所述至少一种备选资源的历史使用信息,生成所述至少一种备选资源中每种备选资源的第二样本数据;其中,所述第二样本用户对任一种所述备选资源的历史使用信息包括:使用或者未使用;利用所述第二样本数据训练第二待训练模型,得到所述概率预测模型。
一种可选的实施方式中,所述每种备选资源的第二样本数据包括:正样本数据、以及负样本数据;其中,所述正样本数据包括:对所述每种备选资源的历史使用信息为使用的第三样本用户对应的样本用户特征信息以及样本用户类型;所述负样本数据包括:对所述每种备选资源的历史使用信息为未使用的第四样本用户对应的样本用户特征信息以及样本用户类型。
一种可选的实施方式中,所述第二确定模块42在利用所述第二样本数据训练第二待训练模型,得到所述概率预测模型时,用于:利用所述第二样本数据以及预设的约束条件训练所述第二待训练模型,得到所述概率预测模型;其中,所述约束条件是基于为多个第二样本用户确定的备选资源总成本、所述每种备选资源对应的成本、以及在每种备选资源召回每个第二样本用户的召回概率确定的。
一种可选的实施方式中,所述第一确定模块41在确定历史用车的目标用户时,用于:确定备选用户在预设历史时段内的用车频率信息;基于所述用车频率信息,从所述备选用户中确定所述目标用户。
一种可选的实施方式中,所述基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率之前,还包括检测模块46,用于检测目标用户在出行时,是否位于预设的运营区域内;所述第二确定模块42在基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率时,用于:在所述目标用户在出行时位于所述运营区域内的情况下,基于目标用户的用户特征信息、以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率。
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。
本公开实施例还提供了一种电子设备,如图5所示,为本公开实施例提供的电子设备结构示意图,包括:
处理器51和存储器52;所述存储器52存储有处理器51可执行的机器可读指令,处理器51用于执行存储器52中存储的机器可读指令,所述机器可读指令被处理器51执行时,处理器51执行下述步骤:
确定历史用车的目标用户;基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率;基于所述至少一种备选资源分别对应的召回概率,从所述至少一种备选资源中确定针对所述目标用户的待推送资源。
上述存储器52包括内存521和外部存储器522;这里的内存521也称内存储器,用于暂时存放处理器51中的运算数据,以及与硬盘等外部存储器522交换的数据,处理器51通过内存521与外部存储器522进行数据交换。
上述指令的具体执行过程可以参考本公开实施例中所述的待推送资源确定方法的步骤,此处不再赘述。
本公开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上述方法实施例中所述的待推送资源确定方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行时实现上述的待推送资源确定方法的步骤。其中,计算机程序产品可以是任何能实现上述待推送资源确定方法的产品,该计算机程序产品中对现有技术做出贡献的部分或全部方案可以以软件产品(例如软件开发包(Software Development Kit,SDK))的形式体现,该软件产品可以被存储在一个存储介质中,通过包含的计算机指令使得相关设备或处理器执行上述待推送资源确定方法的部分或全部步骤。
其中,上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
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,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开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,在本公开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,本公开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电子设备(可以是个人计算机,服务器,或者网络设备等)执行本公开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,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施例对本公开进行了详细的说明,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公开揭露的技术范围内,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公开实施例技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应所述以权利要求的保护范围为准。
本公开实施例提供了一种待推送资源确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品,具体如下:
TS1、一种待推送资源确定方法,其中,包括:
确定历史用车的目标用户;
基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率;
基于所述至少一种备选资源分别对应的召回概率,从所述至少一种备选资源中确定针对所述目标用户的待推送资源。
TS2、根据TS1所述的待推送资源确定方法,其中,还包括:
基于所述目标用户的历史出行区域特征、以及所述目标用户的当前位置,确定目标区域;
基于所述目标区域以及所述待推送资源,向终端设备推送目标推送信息,所述目标推送信息用于提示所述目标用户在所述目标区域用车以及用车时能够使用的所述待推送资源。
TS3、根据TS2所述的待推送资源确定方法,其中,基于所述目标用户的历史出行区域特征、以及所述目标用户的当前位置,确定目标区域,包括:
基于所述目标用户的历史出行区域特征、所述目标用户的用户类型、以及所述目标用户的当前位置,确定所述目标区域。
TS4、根据TS3所述的待推送资源确定方法,其中,所述基于所述目标用户的历史出行区域特征、所述目标用户的用户类型、以及所述目标用户的当前位置,确定所述目标区域,包括:
基于所述当前位置,确定至少一个备选出行区域;以及
基于所述历史出行区域特征、所述目标用户的用户类型、以及所述至少一个备选出行区域,生成所述目标用户的第一特征数据;
利用预先训练的区域预测模型对所述第一特征数据进行区域预测处理,得到所述目标用户在所述至少一个备选区域中每个备选区域出行的出行概率;
基于所述至少一个备选区域分别对应的出行概率,从所述至少一个备选区域中确定所述目标区域。
TS5、根据TS4所述的待推送资源确定方法,其中,利用下述方式训练所述区域预测模型:
基于第一样本用户的样本用户类型、以及所述第一样本用户在至少一个样本区域中每个样本区域的历史出行信息,生成第一样本数据;
利用所述第一样本数据训练待训练的第一待训练模型,得到所述区域预测模型。
TS6、根据TS1所述的待推送资源确定方法,其中,还包括:基于所述目标用户的所述用户特征信息,确定所述目标用户的用户类型。
TS7、根据TS6所述的待推送资源确定方法,其中,基于所述目标用户的所述用户特征信息,确定所述目标用户的用户类型,包括:
利用预先得到的用户分类模型、以及所述目标用户的用户特征信息,对所述目标用户进行分类处理,得到所述目标用户的用户类型。
TS8、根据TS1所述的待推送资源确定方法,其中,所述基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率,包括:
基于所述目标用户对至少一种备选资源的历史使用信息、以及所述目标用户的用户特征信息以及用户类型,得到所述目标用户的第二特征数据;
利用预先训练的概率预测模型对所述目标用户的第二特征数据进行概率预测处理,得到基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率。
TS9、根据TS8所述的待推送资源确定方法,其中,采用下述方式训练所述概率预测模型:
基于第二样本用户的样本用户特征信息以及样本用户类型、以及所述第二样本用户对所述至少一种备选资源的历史使用信息,生成所述至少一种备选资源中每种备选资源的第二样本数据;其中,所述第二样本用户对任一种所述备选资源的历史使用信息包括:使用或者未使用;
利用所述第二样本数据训练第二待训练模型,得到所述概率预测模型。
TS10、根据TS9所述的待推送资源确定方法,其中,所述每种备选资源的第二样本数据包括:正样本数据、以及负样本数据;
其中,所述正样本数据包括:对所述每种备选资源的历史使用信息为使用的第三样本用户对应的样本用户特征信息以及样本用户类型;
所述负样本数据包括:对所述每种备选资源的历史使用信息为未使用的第四样本用户对应的样本用户特征信息以及样本用户类型。
TS11、根据TS9或TS10所述的待推送资源确定方法,其中,所述利用所述第二样本数据训练第二待训练模型,得到所述概率预测模型,包括:
利用所述第二样本数据以及预设的约束条件训练所述第二待训练模型,得到所述概率预测模型;
其中,所述约束条件是基于为多个第二样本用户确定的备选资源总成本、所述每种备选资源对应的成本、以及在每种备选资源召回每个第二样本用户的召回概率确定的。
TS12、根据TS1所述的待推送资源确定方法,其中,所述确定历史用车的目标用户包括:
确定备选用户在预设历史时段内的用车频率信息;
基于所述用车频率信息,从所述备选用户中确定所述目标用户。
TS13、根据TS1所述的待推送资源确定方法,其中,所述基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率之前,还包括:
检测目标用户在出行时,是否位于预设的运营区域内;
所述基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率,包括:
在所述目标用户在出行时位于所述运营区域内的情况下,基于目标用户的用户特征信息、以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率。
TS14、一种待推送资源确定装置,其中,包括:
第一确定模块,确定历史用车的目标用户;
第二确定模块,用于基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率;
第三确定模块,用于基于所述至少一种备选资源分别对应的召回概率,从所述至少一种备选资源中确定针对所述目标用户的待推送资源。
TS15、一种电子设备,其中,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述处理器用于执行所述存储器中存储的机器可读指令,所述机器可读指令被所述处理器执行时,所述处理器执行如TS1至TS13任一项所述的待推送资源确定方法的步骤。
TS16、一种计算机可读存储介质,其中,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被电子设备运行时,所述电子设备执行如TS1至TS13任一项所述的待推送资源确定方法的步骤。
TS17、一种计算机程序产品,包括计算机指令,其中,所述计算机指令被处理器执行时实现如TS1至TS13中任一项所述的待推送资源确定方法的步骤。
Claims (10)
1.一种待推送资源确定方法,其特征在于,包括:
确定历史用车的目标用户;
基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率;
基于所述至少一种备选资源分别对应的召回概率,从所述至少一种备选资源中确定针对所述目标用户的待推送资源。
2.根据权利要求1所述的待推送资源确定方法,其特征在于,还包括:
基于所述目标用户的历史出行区域特征、以及所述目标用户的当前位置,确定目标区域;
基于所述目标区域以及所述待推送资源,向终端设备推送目标推送信息,所述目标推送信息用于提示所述目标用户在所述目标区域用车以及用车时能够使用的所述待推送资源。
3.根据权利要求1所述的待推送资源确定方法,其特征在于,还包括:基于所述目标用户的所述用户特征信息,确定所述目标用户的用户类型。
4.根据权利要求1所述的待推送资源确定方法,其特征在于,所述基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率,包括:
基于所述目标用户对至少一种备选资源的历史使用信息、以及所述目标用户的用户特征信息以及用户类型,得到所述目标用户的第二特征数据;
利用预先训练的概率预测模型对所述目标用户的第二特征数据进行概率预测处理,得到基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率。
5.根据权利要求1所述的待推送资源确定方法,其特征在于,所述确定历史用车的目标用户包括:
确定备选用户在预设历史时段内的用车频率信息;
基于所述用车频率信息,从所述备选用户中确定所述目标用户。
6.根据权利要求1所述的待推送资源确定方法,其特征在于,所述基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率之前,还包括:
检测目标用户在出行时,是否位于预设的运营区域内;
所述基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率,包括:
在所述目标用户在出行时位于所述运营区域内的情况下,基于目标用户的用户特征信息、以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率。
7.一种待推送资源确定装置,其特征在于,包括:
第一确定模块,确定历史用车的目标用户;
第二确定模块,用于基于所述目标用户的用户特征信息以及用户类型,确定基于至少一种备选资源中每种备选资源召回所述目标用户的召回概率;
第三确定模块,用于基于所述至少一种备选资源分别对应的召回概率,从所述至少一种备选资源中确定针对所述目标用户的待推送资源。
8.一种电子设备,其特征在于,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述处理器用于执行所述存储器中存储的机器可读指令,所述机器可读指令被所述处理器执行时,所述处理器执行如权利要求1至6任一项所述的待推送资源确定方法的步骤。
9.一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,所述计算机程序被电子设备运行时,所述电子设备执行如权利要求1至6任一项所述的待推送资源确定方法的步骤。
10.一种计算机程序产品,包括计算机指令,其特征在于,所述计算机指令被处理器执行时实现如权利要求1至6中任一项所述的待推送资源确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129870.9A CN112819526A (zh) | 2021-01-29 | 2021-01-29 | 待推送资源确定方法、装置、电子设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129870.9A CN112819526A (zh) | 2021-01-29 | 2021-01-29 | 待推送资源确定方法、装置、电子设备、介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112819526A true CN112819526A (zh) | 2021-05-18 |
Family
ID=75860333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110129870.9A Pending CN112819526A (zh) | 2021-01-29 | 2021-01-29 | 待推送资源确定方法、装置、电子设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819526A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070399A (zh) * | 2019-04-24 | 2019-07-30 | 北京三快在线科技有限公司 | 一种优惠券推送方法及装置 |
CN110585726A (zh) * | 2019-09-16 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 用户召回方法、装置、服务器及计算机可读存储介质 |
CN110766507A (zh) * | 2019-02-25 | 2020-02-07 | 北京嘀嘀无限科技发展有限公司 | 一种资源配置方法及装置 |
CN111275233A (zh) * | 2018-12-05 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 资源配置方法、装置、电子设备及计算机可读存储介质 |
CN111353094A (zh) * | 2018-12-20 | 2020-06-30 | 北京嘀嘀无限科技发展有限公司 | 一种信息推送方法及装置 |
WO2020199662A1 (zh) * | 2019-04-02 | 2020-10-08 | 北京字节跳动网络技术有限公司 | 用于推送信息的方法和装置 |
CN111861623A (zh) * | 2019-12-30 | 2020-10-30 | 北京骑胜科技有限公司 | 信息推荐方法、装置和设备 |
CN111861538A (zh) * | 2020-06-02 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
CN112182430A (zh) * | 2020-09-22 | 2021-01-05 | 汉海信息技术(上海)有限公司 | 一种地点推荐的方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-29 CN CN202110129870.9A patent/CN112819526A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275233A (zh) * | 2018-12-05 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 资源配置方法、装置、电子设备及计算机可读存储介质 |
CN111353094A (zh) * | 2018-12-20 | 2020-06-30 | 北京嘀嘀无限科技发展有限公司 | 一种信息推送方法及装置 |
CN110766507A (zh) * | 2019-02-25 | 2020-02-07 | 北京嘀嘀无限科技发展有限公司 | 一种资源配置方法及装置 |
WO2020199662A1 (zh) * | 2019-04-02 | 2020-10-08 | 北京字节跳动网络技术有限公司 | 用于推送信息的方法和装置 |
CN110070399A (zh) * | 2019-04-24 | 2019-07-30 | 北京三快在线科技有限公司 | 一种优惠券推送方法及装置 |
CN110585726A (zh) * | 2019-09-16 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 用户召回方法、装置、服务器及计算机可读存储介质 |
CN111861623A (zh) * | 2019-12-30 | 2020-10-30 | 北京骑胜科技有限公司 | 信息推荐方法、装置和设备 |
CN111861538A (zh) * | 2020-06-02 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
CN112182430A (zh) * | 2020-09-22 | 2021-01-05 | 汉海信息技术(上海)有限公司 | 一种地点推荐的方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘勇主编: "网络广告学", vol. 1, 31 May 2018, 东北财经大学出版社, pages: 148 - 149 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11087245B2 (en) | Predictive issue detection | |
CN108399564B (zh) | 信用评分方法及装置 | |
CN107784390A (zh) | 用户生命周期的识别方法、装置、电子设备及存储介质 | |
CN112347214A (zh) | 目标区域划分方法、装置、电子设备及存储介质 | |
CN105744005A (zh) | 客户定位分析方法及服务器 | |
CN107451840A (zh) | 一种交易信息推送方法和装置 | |
CN111047130B (zh) | 用于交通分析和管理的方法和系统 | |
CN111832869A (zh) | 一种车辆调度方法、装置、电子设备及存储介质 | |
CN111784018A (zh) | 一种资源调度方法、装置、电子设备及存储介质 | |
US11694127B2 (en) | Method and system for predicting carpool matching probability in ridesharing | |
CN111831894A (zh) | 一种信息匹配方法及装置 | |
CN111078742A (zh) | 用户分类模型训练方法、用户分类方法及装置 | |
CN111612499A (zh) | 信息的推送方法及装置、存储介质、终端 | |
CN109993588A (zh) | 一种用户年龄预测的方法及装置 | |
CN112819526A (zh) | 待推送资源确定方法、装置、电子设备、介质及程序产品 | |
CN108738117B (zh) | 一种应用程序消耗电量的优化方法及终端 | |
CN113792945B (zh) | 一种营运车辆的派遣方法、装置、设备及可读存储介质 | |
Chen et al. | The design and implementation of a garbage truck fleet management system | |
CN115905293A (zh) | 作业执行引擎的切换方法及装置 | |
CN115689632A (zh) | 一种资源分发方法、装置、计算机设备和存储介质 | |
CN113935407A (zh) | 一种异常行为识别模型确定方法及装置 | |
CN114841451A (zh) | 一种司机出行补贴方法、装置和存储介质 | |
CN113204714A (zh) | 一种基于用户画像的任务推荐方法、装置、存储介质及终端 | |
CN111835730A (zh) | 服务账号处理方法、装置、电子设备及可读存储介质 | |
CN114723469A (zh) | 用户满意度预测与归因的方法、系统以及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |