CN112925982A - 用户重定向方法及装置、存储介质、计算机设备 - Google Patents

Abstract

一种用户重定向方法及装置、存储介质、计算机设备，所述方法包括：从各个推送平台获取已接收推送消息的若干初始用户的信息；根据若干初始用户的信息得到各个初始用户的用户画像和/或与产品的关联向量；根据各个初始用户的用户画像和/或关联向量将若干初始用户进行优先级划分，并选择其中一个或多个优先级的初始用户作为目标用户；根据目标用户的优先级，从多个不同的用户优选模型中获取对应的用户优选模型；将各个目标用户的信息输入至获取的用户优选模型，以将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户；向目标推送用户再次发送推送消息。通过本方案能有针对性地再次进行消息推送，以提高推送效果。

Description

用户重定向方法及装置、存储介质、计算机设备

技术领域

本发明涉及互联网技术领域，具体地涉及一种用户重定向方法及装置、存储介质、计算机设备。

背景技术

随着互联网技术的发展，消息推送成为一种常用的消息送达方式，尤其是在产品宣传、营销等领域。现有的消息推送通常是直接将预设的消息内容推送至公众，或者预先选定的用户，然而现有的推送方式的推送效果较差。

如何进一步提高推送效果，是当前技术未解决的问题。

发明内容

本发明解决的技术问题是如何从已接收推送消息的用户中寻找交易转化可能性更高的人群以对他们再次进行消息推送，从而进一步提高推送效果。

为解决上述技术问题，本发明实施例提供一种用户重定向方法，所述方法包括：从各个推送平台获取已接收推送消息的若干初始用户的信息；根据所述若干初始用户的信息得到各个初始用户的用户画像和/或与产品的关联向量，所述关联向量包括所述初始用户与所述产品的多个关联维度；根据各个初始用户的用户画像和/或关联向量将所述若干初始用户进行优先级划分，并选择其中一个或多个优先级的初始用户作为目标用户；根据所述目标用户的优先级，从多个不同的用户优选模型中获取对应的用户优选模型，其中，每一优先级对应一个或多个用户优选模型，所述用户优选模型用于根据用户的信息确定用户的交易转化潜力评估结果并根据交易转化潜力评估结果选择推送用户；将各个目标用户的信息输入至获取的用户优选模型，以将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户；向所述目标推送用户再次发送推送消息。

可选的，各个优先级对应的用户优选模型的生成方法包括：获取每一优先级对应的多个组的用户，所述多个组包括模型控制组和若干个实验组，其中，各个实验组的用户为经过不同的用户优选模型得到的推送用户；在向所述模型控制组的用户再次发送推送消息的同时，向各个实验组的用户再次发送推送消息；从电商平台获取所述模型控制组的用户的交易数据和各个实验组的用户的交易数据，并根据获取的交易数据确定所述优先级对应的用户优选模型。

可选的，所述多个组还包括留置组，所述方法还包括：从电商平台获取所述留置组的用户的交易数据；根据所述模型控制组的用户的交易数据和所述留置组的用户的交易数据，确定是否再次发送推送消息对应的交易数据的差异。

可选的，各个用户优选模型的生成方法包括：获取多个样本用户；根据各个样本用户的用户画像和/或关联向量，将所述多个样本用户划分为正样本用户和负样本用户，其中，所述正样本用户交易的可能性大于等于第一阈值，所述负样本用户交易的可能性小于所述第一阈值；将所述正样本用户和负样本用户输入初始模型中，经模型训练得到中间模型；对所述中间模型进行参数调节，得到多个用户优选模型。

可选的，各个实验组和模型控制组的用户数量之间的差值小于第二阈值。

可选的，所述向所述模型控制组的用户再次发送推送消息之前，还包括：生成所述模型控制组的用户对应的第一沟通页面；向所述模型控制组的用户再次发送推送消息时，所述推送消息中包含所述第一沟通页面的访问链接；所述向各个实验组的用户再次发送推送消息之前，还包括：生成各个实验组的用户对应的第二沟通页面；向各个实验组的用户再次发送推送消息时，所述推送消息中包含所述第二沟通页面的访问链接。

可选的，所述将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户之后，还包括：生成所述目标推送用户对应的第三沟通页面；向所述目标推送用户再次发送推送消息时，所述推送消息中包含所述第三沟通页面的访问链接。

本发明实施例还提供一种用户重定向装置，所述装置包括：初始用户的信息获取模块，用于从各个推送平台获取已接收推送消息的若干初始用户的信息；关联信息获取模块，用于根据所述若干初始用户的信息得到各个初始用户的用户画像和/或与产品的关联向量，所述关联向量包括所述初始用户与所述产品的多个关联维度；目标用户选择模块，用于根据各个初始用户的用户画像和/或关联向量将所述若干初始用户进行优先级划分，并选择其中一个或多个优先级的初始用户作为目标用户；模型分析模块，用于根据所述目标用户的优先级，从多个不同的用户优选模型中获取对应的用户优选模型，其中，每一优先级对应一个或多个用户优选模型，所述用户优选模型用于根据用户的信息确定用户的交易转化潜力评估结果并根据交易转化潜力评估结果选择推送用户；目标推送用户确定模块，用于将各个目标用户的信息输入至获取的用户优选模型，以将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户；推送消息再次发送模块，用于向所述目标推送用户再次发送推送消息。

本发明实施例还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

本发明实施例提供一种用户重定向方法，所述方法包括：从各个推送平台获取已接收推送消息的若干初始用户的信息；根据所述若干初始用户的信息得到各个初始用户的用户画像和/或与产品的关联向量，所述关联向量包括所述初始用户与所述产品的多个关联维度；根据各个初始用户的用户画像和/或关联向量将所述若干初始用户进行优先级划分，并选择其中一个或多个优先级的初始用户作为目标用户；根据所述目标用户的优先级，从多个不同的用户优选模型中获取对应的用户优选模型，其中，每一优先级对应一个或多个用户优选模型，所述用户优选模型用于根据用户的信息确定用户的交易转化潜力评估结果并根据交易转化潜力评估结果选择推送用户；将各个目标用户的信息输入至获取的用户优选模型，以将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户；向所述目标推送用户再次发送推送消息。较之现有技术，上述方案能够根据已接收推送消息的初始用户的用户画像和/或与产品的关联向量对初始用户进行优先级排序，以从初始用户中选取目标用户(通常是优先级较高的用户)，并为目标用户选择对应的用户优选模型，以对各个目标用户进行交易转化评估，从而根据评估结果继续从目标用户中选择目标推送用户，由于选取的用户优选模型是针对目标用户的优先级设置的(例如，可以根据相应优先级的用户的历史数据生成)，因此交易转化评估的准确率较高有利于提高消息推送效果。

进一步地，为了进一步提高对目标推送用户再次进行消息推送的效果，可以在推送的消息中加入第三沟通页面，以促进目标推送用户的交易转化。为了避免沟通页面影响确定各个用户优选模型从该优先级的用户中选择推送用户的效果，可以在推送消息也加入沟通页面(模型控制组对应第一沟通页面，实验组对应第二沟通页面)。

附图说明

图1为本发明实施例的一种用户重定向方法的流程示意图；

图2为本发明实施例的一种各个优先级对应的用户优选模型的生成方法的流程示意图；

图3为本发明实施例的一种各个用户优选模型的生成方法的流程示意图；

图4是本发明实施例的一种用户重定向装置的结构示意图。

具体实施方式

如背景技术所言，现有技术中存在推送效果较差的问题。本发明的申请人经过研究后发现，上述问题主要是由于现有技术在进行消息推送时，为了改善推送效果，往往进行多次推送，但是在重复推送时，无法准确选择重复推送的对象，导致推送之后的转化效果较差。

为解决该问题，本发明实施例提供了一种用户重定向方法，所述方法包括：从各个推送平台获取已接收推送消息的若干初始用户的信息；根据所述若干初始用户的信息得到各个初始用户的用户画像和/或与产品的关联向量，所述关联向量包括所述初始用户与所述产品的多个关联维度；根据各个初始用户的用户画像和/或关联向量将所述若干初始用户进行优先级划分，并选择其中一个或多个优先级的初始用户作为目标用户；根据所述目标用户的优先级，从多个不同的用户优选模型中获取对应的用户优选模型，其中，每一优先级对应一个或多个用户优选模型，所述用户优选模型用于根据用户的信息确定用户的交易转化潜力评估结果并根据交易转化潜力评估结果选择推送用户；将各个目标用户的信息输入至获取的用户优选模型，以将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户；向所述目标推送用户再次发送推送消息。

通过上述方案，能够从已接收推送消息的用户中寻找交易转化可能性更高的人群以对他们再次进行消息推送，从而进一步提高推送效果。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。本发明涉及互联网技术领域，尤其涉及电子商务平台的大数据分析和应用。

请参见图1，本发明实施例提供一种用户重定向方法，所述方法由终端或服务器执行，所述终端可以为手机、电脑等，所述服务器可以包括单个服务器或者服务器集群，所述方法包括下述步骤S101至步骤S106，详述如下：

步骤S101，从各个推送平台获取已接收推送消息的若干初始用户的信息。

其中，推送平台为用于进行消息推送的平台。所述推送平台可以为视频平台，如爱奇艺、优酷等。或者，所述推送平台也可以为其他可进行消息推送的平台，如信息公开网站、短信平台、音乐平台等等。

各个推送平台可以采用一种或多种方式向多个用户推送消息，所述方式可以包括：视频平台上的开屏广告、视频中间的植入性广告，视频平台及其他平台上的悬挂页广告等等。在消息推送之后，可以根据设置在各个推送平台的爬虫或者埋点或者其他方式获取接收到推送的消息的若干个用户(即初始用户)的信息。该初始用户的信息可以指初始用户的身份标识(Indentify，简称ID)或者目标用户的设备号、手机号码等信息。

步骤S102，根据所述若干初始用户的信息得到各个初始用户的用户画像和/或与产品的关联向量，所述关联向量包括所述初始用户与所述产品的多个关联维度。

其中，用户画像为根据用户的信息和历史操作(如交易相关的数据)为用户构建的抽象画像，以用于分析用户的行为习惯、消费习惯等。用户画像的构建的数据基础为该用户在电商平台的交易历史，其构建方式可参照现有的方式，这里不再赘述。另外，还可以结合用户的基本信息(如性别、年龄、地理位置、交易的产品种类等等)对用户进行特性分析，并将分析后的特性加入用户画像中。

关联向量用于表示所述每一初始用户(例如，每个账号对应的初始用户)完成产品交易的可能性，该可能性可以以向量长度表示。如可能性越高，向量长度越长，反之则越短等。所述关联向量为多维向量，其包含多个关联维度。各个关联维度用于表示可能影响该初始用户购买所述产品的因素，如该初始用户在过去购买所述产品所属品牌的其他产品的频率、通过调查问卷获得的该初始用户对所述产品的感兴趣程度、该初始用户的地理位置等等。也即，更具体而言，每一关联维度用于表示初始用户与所述产品在单个方面的关联性，所述单个方面可以为各种适当的设置，包括但不限于以上列出的各种例子。

需要说明的是，每一初始用户与所述产品的关联维度的设置可以相同，也可以不同，也即不同初始用户的关联向量中，其中的各个关联维度可以相同，或者，也可以部分关联维度或者全部关联维度是不同的。例如，获取到初始用户A的关联维度包括：初始用户A在过去购买所述产品所属品牌的其他产品的频率(如3次)、初始用户A对所述产品的感兴趣程度(如a级)，获取到初始用户B的关联维度包括：初始用户B在过去购买所述产品所属品牌的其他产品的频率(如1次)、初始用户B的地理位置在M市(M市为该产品所属品牌的畅销地)。通过构建每一初始用户与所述产品的关联向量，能够将不同初始用户的不同关联维度采用统一的方式量化，将每一初始用户完成交易的可能性转化为统一的比较基准，即关联向量的长度。

可预先构建各个用户的用户画像和/或关联向量以组成画像库和/或向量库，以使得步骤S102能够直接根据若干初始用户的信息从画像库或向量库中获取各个初始用户的用户画像和/或与产品的关联向量。

步骤S103，根据各个初始用户的用户画像和/或关联向量将所述若干初始用户进行优先级划分，并选择其中一个或多个优先级的初始用户作为目标用户。

可选的，可分别根据初始用户的用户画像中包含的初始用户的信息，或者初始用户的关联向量中包含的初始用户的信息，或者将初始用户的用户画像和关联向量中包含的初始用户信息结合起来对初始用户划分为多个优先级。如，根据关联向量的长度对初始用户划分优先级，长度越长，初始用户的优先级越高。

根据后续推送消息的需求(如后续推送想要覆盖的人口规模或者推送的预算)，按照优先级从高到低的顺序从初始用户中选择若干用户作为目标用户，或者也可以选取一个或多个优先级的用户作为目标用户。

步骤S104，根据所述目标用户的优先级，从多个不同的用户优选模型中获取对应的用户优选模型，其中，每一优先级对应一个或多个用户优选模型，所述用户优选模型用于根据用户的信息确定用户的交易转化潜力评估结果并根据交易转化潜力评估结果选择推送用户。

具体地，可以预先构建多个用户优选模型，并建立各个用户优选模型与不同优先级之间的对应关系，所述对应关系可以为预设的关系，也可以根据各个模型对不同优先级用户的分析效果确定。该多个用户优选模型可以是模型相同参数不同，或者模型本身不同。

其中，用户的交易转化潜力评估结果为预测该用户能否在再次接收推送消息后转化为交易的可能性，所述交易转化潜力评估结果可以以分值或者比值等方式表示。推送用户为下次推送消息针对的用户，所述推送用户至少为输入用户优先模型中的用户的一部分。

可选的，各个用户优选模型可以为大数据模型或者神经网络模型。进一步，所述用户优先模型包括随机森林模型，通过其中的多个决策树根据输入的用户的信息预测该用户的交易转化潜力评估结果。更进一步而言，用户优选模型可以采用历史上用户的相关数据对初始模型进行训练得到。

步骤S105，将各个目标用户的信息输入至获取的用户优选模型，以将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户。

步骤S106，向所述目标推送用户再次发送推送消息。

目标推送用户即为从目标用户中选择的至少一部分的用户，为下次消息推送针对的用户，也即通过用户重定向方法从初始用户中定向到的用户。

本实施例中，能够针对已接收推送消息的初始用户的用户画像和/或与产品的关联向量对初始用户进行优先级排序，以从初始用户中选取目标用户(通常是优先级较高的用户)，并为目标用户选择对应的用户优选模型，以对各个目标用户进行交易转化评估，由于选取的用户优选模型是针对目标用户的优先级设置的(例如，可以根据相应优先级的用户的历史数据生成)，因此交易转化评估的准确率较高有利于提高消息推送效果。

进一步，步骤S105中，将各个目标用户的信息输入至获取的用户优选模型之后，该用户优选模型能够获取前一次消息推送后各个目标用户在电商平台的交易转化结果，所述用户优先模型结合各个目标用户的以下至少一类信息确定目标用户的交易转化潜力评估结果：目标用户的用户画像、目标用户与所述产品的关联向量、前一次消息推送后各个目标用户在电商平台的交易转化结果。

其中，电商平台为用于产品交易的平台，可以为已有的电商平台，如阿里巴巴，京东等，该平台也可以为专门针对所述产品所属的品牌或产品线搭建的平台，如A品牌的线上门店，微信小程序等。

在各个推送平台对目标用户进行消息推送之后，其中的部分用户可能会对该消息所针对的产品或者活动感兴趣，从而在电商平台中进行相应的操作(如购买产品、将产品加入购物车或者收藏、参加活动等)，可以根据电商平台中各个目标用户的操作确定各个用户的交易转化结果。

由此，将目标用户对前一次的消息推送的反应引入模型的交易转化评估逻辑中，能够实时跟踪目标用户的变化情况，提高模型分析的准确性。

在一个实施例中，请参见图2各个优先级对应的用户优选模型的生成方法包括下述步骤S201至步骤S205，详述如下：

步骤S201，获取每一优先级对应的多个组的用户，所述多个组包括模型控制组和若干个实验组，其中，各个实验组的用户为经过不同的用户优选模型得到的推送用户。

可选的，所述多个组还包括留置组。

其中，多个组的用户为从推送平台中获取的各个优先级对应的已接收消息推送的用户，这些用户包括不同推送平台以不同的方式进行消息推送的用户。将这些用户分为三类：实验组、模型控制组和留置组。实验组的用户为经过多个用户优选模型从若干的用户中选取的推送用户，模型控制组为未经过用户优选模型的用户，实验组和模型控制组需要进行下一次的消息推送；留置组也为未经过用户优选模型的用户，对于留置组无需进行下一次的消息推送。

进一步，可设置各类用户的体量相当，即各个实验组和模型控制组的用户数量之间的差值小于第二阈值，或者各个实验组、模型控制组和留置组的用户数量之间的差值小于第二阈值。还可以保证各个实验组、模型控制组和留置组中包含的用户前一次接收推送消息的推送平台和/或推送消息的方式差别较小。

步骤S202，在向所述模型控制组的用户再次发送推送消息的同时，向各个实验组的用户再次发送推送消息。

步骤S203，从电商平台获取所述模型控制组的用户的交易数据和各个实验组的用户的交易数据，并根据获取的交易数据确定所述优先级对应的用户优选模型。

同时对模型控制组和多个实验组的用户进行相同的消息推送，以监控各组的用户在再次接收推送消息之后在电商平台的交易数据，所述交易数据包括各个用户在电商平台中进行相应的操作所产生的数据，从而确定不同用户优选模型选择的推送用户的交易转化结果，进而确定各个用户优选模型从该优先级的用户中选择推送用户的效果。将交易转化结果最好的用户优选模型作为该优先级对应的用户优选模型。

可选的，所述方法还包括：从电商平台获取所述留置组的用户的交易数据；根据所述模型控制组的用户的交易数据和所述留置组的用户的交易数据，确定是否再次发送推送消息对应的交易数据的差异。

留置组能够监控再次的消息推送对交易数据的影响，从而能够判断对用户的二次消息推送的效果。

在一个实施例中，请参见图3，各个用户优选模型的生成方法包括下述步骤S301至步骤S304，详细阐述如下：

步骤S301，获取多个样本用户。

其中，样本用户为用户训练各个用户优选模型的用户，可以为从电商平台或者推送平台获取的真实用户，也可以为基于一定条件构建的虚拟用户。

步骤S302，根据各个样本用户的用户画像和/或关联向量，将所述多个样本用户划分为正样本用户和负样本用户，其中，所述正样本用户交易的可能性大于等于第一阈值，所述负样本用户交易的可能性小于所述第一阈值。

步骤S303，将所述正样本用户和负样本用户输入初始模型中，经模型训练得到中间模型。

步骤S304，对所述中间模型进行参数调节，得到多个用户优选模型。

样本用户的用户画像和关联向量可根据前述方法得到，这里不再赘述。根据用户能够完成交易的可能性，即交易转化潜力评估结果，标注正样本用户和负样本用户。经大数据训练得到中间模型。多个用户优选模型的模型参数不同。

在一个实施例中，所述向所述模型控制组的用户再次发送推送消息之前，还包括：生成所述模型控制组的用户对应的第一沟通页面；向所述模型控制组的用户再次发送推送消息时，所述推送消息中包含所述第一沟通页面的访问链接；所述向各个实验组的用户再次发送推送消息之前，还包括：生成各个实验组的用户对应的第二沟通页面；向各个实验组的用户再次发送推送消息时，所述推送消息中包含所述第二沟通页面的访问链接。

其中，用户的特性可以包括通过用户画像分析或者调查问卷等方式得到的，表现用户的性格、喜好的特性。第一沟通页面包含的内容、呈现方式和交互方式等可以根据模型控制组的用户特性进行定制，例如可根据模型控制组中部分或者全部用户的特性选择对话话术、图案、显示效果等素材，以生成第一沟通页面。所述第一沟通页面可以为电商沟通页面，用于接收模型控制组的用户的问题或者便于用户访问产品的销售链接等。

第二沟通页面包含的内容、呈现方式和交互方式等可以根据实验组的用户特性进行定制，其生成方式可参照第一沟通页面的相关论述。可选的，第一沟通页面和第二沟通页面除了针对的用户不同，其他均保持一致，以避免影响再次的消息推送效果。特别地，所述第一沟通页面和第二沟通页面为同一页面。

可选的，所述将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户之后，还包括：生成所述目标推送用户对应的第三沟通页面；向所述目标推送用户再次发送推送消息时，所述推送消息中包含所述第三沟通页面的访问链接。

第三沟通页面包含的内容、呈现方式和交互方式等可以根据目标推送用户的特性进行定制，其生成方式可参照第一或第二沟通页面的相关论述。

本实施例中，为了进一步提高对目标推送用户再次进行消息推送的效果，可以在推送的消息中加入第三沟通页面，以促进目标推送用户的交易转化。为了避免沟通页面影响图2所述方法确定各个用户优选模型从该优先级的用户中选择推送用户的效果，可以在基于图2所述方法进行推送消息时也加入沟通页面(模型控制组对应第一沟通页面，实验组对应第二沟通页面)。

在一个实施例中，请继续参见图1，图1中步骤S106向所述目标推送用户再次发送推送消息之后，还可以包括：从本次接收推送消息的用户中获取初始用户的信息，跳转至步骤S102并继续执行步骤S102至步骤S106，继续进行下一次的消息推送。

在一个实施例中，请参见图4，本发明实施例还提供一种用户重定向装置40，所述用户重定向装置40包括：

初始用户的信息获取模块401，用于从各个推送平台获取已接收推送消息的若干初始用户的信息；

关联信息获取模块402，用于根据所述若干初始用户的信息得到各个初始用户的用户画像和/或与产品的关联向量，所述关联向量包括所述初始用户与所述产品的多个关联维度；

目标用户选择模块403，用于根据各个初始用户的用户画像和/或关联向量将所述若干初始用户进行优先级划分，并选择其中一个或多个优先级的初始用户作为目标用户；

模型分析模块404，用于根据所述目标用户的优先级，从多个不同的用户优选模型中获取对应的用户优选模型，其中，每一优先级对应一个或多个用户优选模型，所述用户优选模型用于根据用户的信息确定用户的交易转化潜力评估结果并根据交易转化潜力评估结果选择推送用户；

目标推送用户确定模块405，用于将各个目标用户的信息输入至获取的用户优选模型，以将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户；

推送消息再次发送模块406，用于向所述目标推送用户再次发送推送消息。

在一个实施例中，所述用户重定向装置40还包括：

分组模块，用于获取每一优先级对应的多个组的用户，所述多个组包括模型控制组和若干个实验组，其中，各个实验组的用户为经过不同的用户优选模型得到的推送用户；

分组推送模块，用于在向所述模型控制组的用户再次发送推送消息的同时，向各个实验组的用户再次发送推送消息；

模型确定模块，用于从电商平台获取所述模型控制组的用户的交易数据和各个实验组的用户的交易数据，并根据获取的交易数据确定所述优先级对应的用户优选模型。

在一个实施例中，所述多个组还包括留置组，所述用户重定向装置50还包括：留置组分析模块，用于从电商平台获取所述留置组的用户的交易数据；推送差异分析模块，用于根据所述模型控制组的用户的交易数据和所述留置组的用户的交易数据，确定是否再次发送推送消息对应的交易数据的差异。

在一个实施例中，所述用户重定向装置40还包括单个用户优选模型的生成模块，该模块包括：样本用户获取单元，用于获取多个样本用户；样本用户划分单元，用于根据各个样本用户的用户画像和/或关联向量，将所述多个样本用户划分为正样本用户和负样本用户，其中，所述正样本用户交易的可能性大于等于第一阈值，所述负样本用户交易的可能性小于所述第一阈值；模型训练单元，用于将所述正样本用户和负样本用户输入初始模型中，经模型训练得到中间模型；模型参数调节单元，用于对所述中间模型进行参数调节，得到多个用户优选模型。

可选的，各个实验组和模型控制组的用户数量之间的差值小于第二阈值。

在一个实施例中，所述向所述模型控制组的用户再次发送推送消息之前，所述用户重定向装置40还包括：第一沟通页面生成模块，用于生成所述模型控制组的用户对应的第一沟通页面；所述模型控制组消息推送单元，还用于向所述模型控制组的用户再次发送推送消息时，所述推送消息中包含所述第一沟通页面的访问链接。所述向各个实验组的用户再次发送推送消息之前，所述用户重定向装置40还包括：第二沟通页面生成模块，用于生成各个实验组的用户对应的第二沟通页面，所述向各个实验组的用户再次发送推送消息时，所述推送消息中包含所述第二沟通页面的访问链接。

在一个实施例中，所述将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户之后，所述用户重定向装置40还包括：第三沟通页面生成模块，用于生成所述目标推送用户对应的第三沟通页面；所述推送消息再次发送模块406，还用于向所述目标推送用户再次发送推送消息时，所述推送消息中包含所述第三沟通页面的访问链接。

关于用户重定向装置40的工作原理、工作方式的更多内容，可以参照上述图1至图3中的对于用户重定向方法的相关描述，这里不再赘述。

进一步地，本发明实施例还公开一种存储介质，其上存储有计算机程序，计算机程序被处理器运行时执行上述图1至图3所示用户重定向方法的技术方案。

进一步地，本发明实施例还公开一种计算机设备，包括存储器和处理器，存储器上存储有能够在处理器上运行的计算机程序，处理器运行计算机程序时执行上述图1至图3所示用户重定向方法的技术方案。

具体地，在本发明实施例中，所述处理器可以为中央处理单元(centralprocessing unit，简称CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，简称DSP)、专用集成电路(application specificintegrated circuit，简称ASIC)、现成可编程门阵列(field programmable gate array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

还应理解，本申请实施例中的存储介质及存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称ROM)、可编程只读存储器(programmable ROM，简称PROM)、可擦除可编程只读存储器(erasable PROM，简称EPROM)、电可擦除可编程只读存储器(electrically EPROM，简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(randomaccess memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称RAM)可用，例如静态随机存取存储器(static RAM，简称SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(double datarate SDRAM，简称DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，简称ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，简称DR RAM)。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，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，本文中字符“/”，表示前后关联对象是一种“或”的关系。

本申请实施例中出现的“多个”是指两个或两个以上。

本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。

本申请实施例中出现的“连接”是指直接连接或者间接连接等各种连接方式，以实现设备间的通信，本申请实施例对此不做任何限定。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (10)

1.一种用户重定向方法，其特征在于，所述方法包括：

从各个推送平台获取已接收推送消息的若干初始用户的信息；

根据所述若干初始用户的信息得到各个初始用户的用户画像和/或与产品的关联向量，所述关联向量包括所述初始用户与所述产品的多个关联维度；

根据各个初始用户的用户画像和/或关联向量将所述若干初始用户进行优先级划分，并选择其中一个或多个优先级的初始用户作为目标用户；

根据所述目标用户的优先级，从多个不同的用户优选模型中获取对应的用户优选模型，其中，每一优先级对应一个或多个用户优选模型，所述用户优选模型用于根据用户的信息确定用户的交易转化潜力评估结果并根据交易转化潜力评估结果选择推送用户；

将各个目标用户的信息输入至获取的用户优选模型，以将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户；

向所述目标推送用户再次发送推送消息。

2.根据权利要求1所述的方法，其特征在于，各个优先级对应的用户优选模型的生成方法包括：

获取每一优先级对应的多个组的用户，所述多个组包括模型控制组和若干个实验组，其中，各个实验组的用户为经过不同的用户优选模型得到的推送用户；

在向所述模型控制组的用户再次发送推送消息的同时，向各个实验组的用户再次发送推送消息；

从电商平台获取所述模型控制组的用户的交易数据和各个实验组的用户的交易数据，并根据获取的交易数据确定所述优先级对应的用户优选模型。

3.根据权利要求2所述的方法，其特征在于，所述多个组还包括留置组，所述方法还包括：

从电商平台获取所述留置组的用户的交易数据；

根据所述模型控制组的用户的交易数据和所述留置组的用户的交易数据，确定是否再次发送推送消息对应的交易数据的差异。

4.根据权利要求2或3所述的方法，其特征在于，各个用户优选模型的生成方法包括：

获取多个样本用户；

根据各个样本用户的用户画像和/或关联向量，将所述多个样本用户划分为正样本用户和负样本用户，其中，所述正样本用户交易的可能性大于等于第一阈值，所述负样本用户交易的可能性小于所述第一阈值；

将所述正样本用户和负样本用户输入初始模型中，经模型训练得到中间模型；

对所述中间模型进行参数调节，得到多个用户优选模型。

5.根据权利要求2所述的方法，其特征在于，各个实验组和模型控制组的用户数量之间的差值小于第二阈值。

6.根据权利要求2或3所述的方法，其特征在于，所述向所述模型控制组的用户再次发送推送消息之前，还包括：

生成所述模型控制组的用户对应的第一沟通页面；

向所述模型控制组的用户再次发送推送消息时，所述推送消息中包含所述第一沟通页面的访问链接；

所述向各个实验组的用户再次发送推送消息之前，还包括：

生成各个实验组的用户对应的第二沟通页面；

向各个实验组的用户再次发送推送消息时，所述推送消息中包含所述第二沟通页面的访问链接。

7.根据权利要求1所述的方法，其特征在于，所述将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户之后，还包括：

生成所述目标推送用户对应的第三沟通页面；

向所述目标推送用户再次发送推送消息时，所述推送消息中包含所述第三沟通页面的访问链接。

8.一种用户重定向装置，其特征在于，所述装置包括：

初始用户的信息获取模块，用于从各个推送平台获取已接收推送消息的若干初始用户的信息；

关联信息获取模块，用于根据所述若干初始用户的信息得到各个初始用户的用户画像和/或与产品的关联向量，所述关联向量包括所述初始用户与所述产品的多个关联维度；

目标用户选择模块，用于根据各个初始用户的用户画像和/或关联向量将所述若干初始用户进行优先级划分，并选择其中一个或多个优先级的初始用户作为目标用户；

模型分析模块，用于根据所述目标用户的优先级，从多个不同的用户优选模型中获取对应的用户优选模型，其中，每一优先级对应一个或多个用户优选模型，所述用户优选模型用于根据用户的信息确定用户的交易转化潜力评估结果并根据交易转化潜力评估结果选择推送用户；

目标推送用户确定模块，用于将各个目标用户的信息输入至获取的用户优选模型，以将交易转化潜力评估结果高于获取的用户优选模型对应的预设值的目标用户作为目标推送用户；

推送消息再次发送模块，用于向所述目标推送用户再次发送推送消息。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。

Images