CN113077305B - 页面处理方法、系统、电子设备及存储介质 - Google Patents

页面处理方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN113077305B
CN113077305B CN202110308297.8A CN202110308297A CN113077305B CN 113077305 B CN113077305 B CN 113077305B CN 202110308297 A CN202110308297 A CN 202110308297A CN 113077305 B CN113077305 B CN 113077305B
Authority
CN
China
Prior art keywords
page
target
product
data
monitoring data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110308297.8A
Other languages
English (en)
Other versions
CN113077305A (zh
Inventor
张睿
吴维
林定铰
王程
郑园
仇文彬
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.)
Shanghai Zunyi Business Information Consulting Co ltd
Original Assignee
Shanghai Zunyi Business Information Consulting 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 Shanghai Zunyi Business Information Consulting Co ltd filed Critical Shanghai Zunyi Business Information Consulting Co ltd
Priority to CN202110308297.8A priority Critical patent/CN113077305B/zh
Publication of CN113077305A publication Critical patent/CN113077305A/zh
Application granted granted Critical
Publication of CN113077305B publication Critical patent/CN113077305B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0639—Item locations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种页面处理方法、系统、电子设备及存储介质。方法包括：利用选品模型选择目标页面对应的目标产品，选品模型是根据历史页面的页面展示数据和相对应的页面监控数据训练的，页面展示数据包括页面产品数据和页面场景数据，页面监控数据包括对历史页面中所包含产品的目标监控数据，选品模型用于预测在指定场景数据下可能得到的对页面中所包含指定产品的目标监控数据；生成目标页面，目标页面中包含目标产品的产品信息。本发明通过选品模型选择目标页面中展示的目标产品，避免了依赖主观经验；还通过自动化地选品和页面生成流程，省去了人工操作，提高了处理效率，减少了人力和时间成本，加快了页面的生成与更新速度。

Description

页面处理方法、系统、电子设备及存储介质
技术领域
本发明属于互联网领域，尤其涉及一种页面处理方法、系统、电子设备及存储介质。
背景技术
目前，在电商领域对于推荐系统的算法和大数据技术的研究已经得到广泛应用，不少电商平台因为拥有大量、丰富的用户数据，而可以通过用户画像，为用户提供符合其喜好的产品展示，实现平台页面千人千面。但是对于平台下的店铺而言，其往往无法向平台拿到如此多的用户数据，通常只能依赖运营人员自身的销售经验，对自己店铺页面的产品展示进行规划设计。一方面，依赖运营人员自身的销售经验对自己店铺页面的产品展示进行规划设计，导致页面展示产品的主观意识过强，数据维度不高，难以达到预期目标；另一方面，在选品和换品流程中需要人工操作介入，导致效率不高、消耗人力和时间成本。
发明内容
本发明要解决的技术问题是为了克服现有技术中页面展示内容需要人工调整，主要依赖于主观经验，难以达到预期目标，且效率不高、消耗人力和时间成本的缺陷，提供一种页面处理方法、系统、电子设备及存储介质。
本发明是通过以下技术方案解决上述技术问题的：
本发明提供一种页面处理方法，包括：
利用选品模型选择目标页面对应的至少一个目标产品，所述选品模型是基于机器学习算法构建并根据历史页面的页面展示数据和相对应的页面监控数据训练的，所述页面展示数据包括页面产品数据和页面场景数据，所述页面监控数据包括所述历史页面中所包含产品的目标监控数据，所述选品模型用于输出在输入场景数据下页面中包含输入产品数据时输入产品的预测目标监控数据；
生成所述目标页面，所述目标页面中包含所述目标产品的产品信息。
较佳地，所述页面场景数据包括页面用户数据、页面商户数据和页面时间数据中的至少一种。
较佳地，当监控的目标为单目标时，所述选品模型包括单目标选品模型，所述单目标选品模型用于输出在所述输入场景数据下页面中包含所述输入产品数据时所述输入产品的预测单目标监控数据；
或，当监控的目标为多目标时，所述选品模型包括多目标选品模型，所述多目标选品模型通过所述多目标中每个单目标对应的所述单目标选品模型融合而得。
较佳地，所述利用选品模型选择目标页面对应的至少一个目标产品，包括：
根据所述目标页面的属性信息选取与所述目标页面对应的目标选品模型，所述目标选品模型是基于机器学习算法构建并根据与所述目标页面的属性信息相同的历史页面的页面展示数据和相对应的页面监控数据训练的；
利用所述目标选品模型选择所述目标页面对应的至少一个所述目标产品。
较佳地，所述生成所述目标页面，包括：
将所述目标产品匹配到所述目标页面中包含的产品展示位置；
在所述产品展示位置展示相匹配的目标产品的产品信息。
较佳地，所述将所述目标产品匹配到所述目标页面中包含的产品展示位置，包括：
根据所述目标产品的所述预测目标监控数据和所述产品展示位置的展示策略信息，确定与所述目标产品相匹配的所述产品展示位置。
较佳地，所述页面处理方法还包括：
对发布后的所述目标页面进行监控，以获得所述目标产品的实际目标监控数据；
在所述实际目标监控数据符合换品条件时，利用所述选品模型重新选择新的目标产品，并用所述新的目标产品的产品信息替换所述目标页面中原有的目标产品的产品信息，以重新生成所述目标页面；
或，还包括：
通过优化后的所述选品模型，重新选择新的目标产品，并用所述新的目标产品的产品信息替换所述目标页面中原有的目标产品的产品信息，以重新生成所述目标页面。
本发明还提供一种页面处理系统，包括：
页面选品模块，用于利用选品模型选择目标页面对应的至少一个目标产品，所述选品模型是基于机器学习算法构建并根据历史页面的页面展示数据和相对应的页面监控数据训练的，所述页面展示数据包括页面产品数据和页面场景数据，所述页面监控数据包括所述历史页面中所包含产品的目标监控数据，所述选品模型用于输出在输入场景数据下页面中包含输入产品数据时输入产品的预测目标监控数据；
页面生成模块，用于生成所述目标页面，所述目标页面中包含所述目标产品的产品信息。
较佳地，所述页面场景数据包括页面用户数据、页面商户数据和页面时间数据中的至少一种。
较佳地，当监控的目标为单目标时，所述选品模型包括单目标选品模型，所述单目标选品模型用于输出在所述输入场景数据下页面中包含所述输入产品数据时所述输入产品的预测单目标监控数据；
或，当监控的目标为多目标时，所述选品模型包括多目标选品模型，所述多目标选品模型通过所述多目标中每个单目标对应的所述单目标选品模型融合而得。
较佳地，所述利用选品模型选择目标页面对应的至少一个目标产品，包括：
根据所述目标页面的属性信息选取与所述目标页面对应的目标选品模型，所述目标选品模型是基于机器学习算法构建并根据与所述目标页面的属性信息相同的历史页面的页面展示数据和相对应的页面监控数据训练的；
利用所述目标选品模型选择所述目标页面对应的至少一个所述目标产品。
较佳地，所述生成所述目标页面，包括：
将所述目标产品匹配到所述目标页面中包含的产品展示位置；
在所述产品展示位置展示相匹配的目标产品的产品信息。
较佳地，所述将所述目标产品匹配到所述目标页面中包含的产品展示位置，包括：
根据所述目标产品的所述预测目标监控数据和所述产品展示位置的展示策略信息，确定与所述目标产品相匹配的所述产品展示位置。
较佳地，所述页面处理系统还包括：
页面监控模块，用于对发布后的所述目标页面进行监控，以获得所述目标产品的实际目标监控数据；
第一换品模块，用于在所述实际目标监控数据符合换品条件时，利用所述选品模型重新选择新的目标产品，并用所述新的目标产品的产品信息替换所述目标页面中原有的目标产品的产品信息，以重新生成所述目标页面；
或，还包括：
第二换品模块通过优化后的所述选品模型，重新选择新的目标产品，并用所述新的目标产品的产品信息替换所述目标页面中原有的目标产品的产品信息，以重新生成所述目标页面。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的页面处理方法。
本发明还提供一种计算机可读存储介质，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如上所述的页面处理方法的步骤。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：本发明通过选品模型选择目标页面中展示的目标产品，避免了依赖于主观经验而造成的难以达到预期目标的问题，客观、全面地分析选品与目标之间的关联关系，有助于预期目标的实现；同时，还通过自动化地选品和页面生成流程，省去了人工操作，提高了处理效率，减少了人力和时间成本，加快了页面的生成与更新速度；另外，在更优选的方案中，还进一步增加了自动化地换品流程，通过对发布后的页面进行监控，及时发现与更换页面中表现不佳的产品，实现页面产品的有效与快速更新，进一步提高了处理效率。
附图说明
图1为本发明实施例1的一种页面处理方法的流程图；
图2为本发明实施例1的一种可选的页面处理方法的流程图；
图3为一个页面的示意图；
图4为本发明实施例2的一种页面处理系统的示意框图；
图5为本发明实施例3的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种页面处理方法，其可以用于生成一种包含产品展示的页面，如产品展示页面，也可以用于生成页面中的包含产品展示的一个或多个模块，如产品展示模块。本实施例的产品展示，可以包括但不限于在页面或页面的模块中以可视化的方式展现出产品，展示的内容可以包括但不限于产品图片、产品名称、产品价格等产品信息。
图1示出了本实施例的页面处理方法，其包括以下步骤：
步骤11：利用选品模型选择目标页面对应的至少一个目标产品。其中，选品模型是基于机器学习算法构建并根据历史页面的页面展示数据和相对应的页面监控数据训练的。页面展示数据包括页面产品数据和页面场景数据。页面监控数据包括历史页面中所包含产品的目标监控数据。选品模型用于输出在输入场景数据下页面中包含输入产品数据时输入产品的预测目标监控数据。
步骤12：生成目标页面，目标页面中包含目标产品的产品信息。
其中，页面产品数据指的是与页面中包含产品相关的数据，如用于描述统计该产品自身特征的数据。页面场景数据指的是与页面的应用场景相关的数据，可以包括页面用户数据、页面商户数据和页面时间数据中的至少一种。页面用户数据指的是与页面面向的用户相关的数据。页面商户数据指的是与页面所属的商户相关的数据。页面时间数据指的是页面用户数据、页面商户数据对应的时间特征。目标监控数据指的是对预设的目标进行监控所得的数据。该方式中，利用多维度数据训练的选品模型，可以从全面分析选品特征，满足多样化的选品需求。
以页面为某电商平台中某店铺的销售页面为例，页面产品数据可以包括页面中展示产品的流量、成交量、类目属性和价格等数据，页面用户数据可以包括购买过某个产品的用户的消费水平、消费频次和消费时间等数据，页面商户数据可以包括库存量单位、商户库存数量和商户销量等数据，页面时间数据可以包括星期、是否是节假日等时间特征；监控的目标可以包括产品的GMV(成交总额)、点击量和销售量中的至少一种，相应地，目标监控数据可以包括产品的GMV、点击量和销售量中的至少一种。当然监控的目标及相应的目标监控数据并不局限于上述的三种，产品的点击率、下单率、下单金额或根据实际需求的等其他指标亦可。
目标页面可以对应一个产品池，一个产品池中包括多个备选产品。关于产品池所包括的备选产品，可以根据目标页面的属性信息或实际需求设置。若目标页面包含了一个或多个产品展示模块，则可以所有或部分产品展示模块对应同一产品池，也可以每个产品展示模块分别对应不同产品池，不同产品池中包括的备选产品可以完全不同或部分不同。
步骤11具体可以包括：将多组待测页面展示数据分别输入至选品模型，获得选品模型的输出结果。一组待测页面展示数据包括一个备选产品的产品数据和目标页面的页面场景数据。通常情况下，为了是产品之间更具可比性，不同组待测页面展示数据之间，备选产品是不同的，而目标页面的页面场景数据是相同的。以备选产品为输入产品，将备选产品的产品数据作为输入产品数据，目标页面的页面场景数据作为输入场景数据同时输入至选品模型，经过模型计算，得到模型输出的备选产品的预测目标监控数据。根据输出结果，可以选择预测目标监控数据最优的一个或多个备选产品作为目标产品，也可以选择预测目标监控数据最接近预设的目标阈值的一个或多个备选产品作为目标产品。目标产品的具体数量根据目标页面需要展示产品的数量而定。例如，目标页面需要展示8件产品，则需要选择8个目标产品，又如，目标页面需要展示2件产品，则需要选择2个目标产品。
步骤12具体可以包括：将目标产品的产品信息添加到设计好的页面样式中，或者页面的一个或多个产品展示模块中。本实施例对页面的具体样式不做限定，例如以产品排墙的形式或其他只要是可以展示目标产品的产品信息均可。产品信息可以包括产品名称、产品图片、产品简要说明等内容。生成的页面可发布到平台。
本实施例的方法通过选品模型选择目标页面中展示的目标产品，避免了依赖于主观经验而造成的难以达到预期目标的问题，客观、全面地分析选品与目标之间的关联关系，有助于预期目标的实现；同时，还通过自动化地选品和页面生成流程，省去了人工操作，提高了处理效率，减少了人力和时间成本，加快了页面的生成与更新速度。
在一种可选方式中，当监控的目标为单目标时，即目标监控数据包括一种目标类型的监控数据时，如GMV、点击量和销售量中的任意一种，选品模型可以包括单目标选品模型，单目标选品模型用于输出在所述输入场景数据下页面中包含所述输入产品数据时所述输入产品的预测单目标监控数据。
对于单目标选品模型，可以应用PCA(Principal components analysis，主成分分析)模型对GMV目标做空间映射，提取关键维度对GMV进行预测；或者应用树模型(xgboost&lightgbm&catboost)对产品的点击量和销售量进行预测。其中，可选的模型特征可包括上述的页面产品数据、页面用户数据、页面商户数据和页面时间数据中的多种利用交叉时间窗和统计方法进行人工特征衍生。
在一种可选方式中，当监控的目标为多目标时，即目标监控数据包括多种目标类型的监控数据时，如GMV、点击量和销售量中的至少两种，选品模型包括多目标选品模型，多目标选品模型通过多目标中每个单目标对应的单目标选品模型融合而得。
对于多目标选品模型，可以考虑组成多目标的单目标之间的关联性，如由于产品的点击和成交从流程上是关联的，从模型的角度单个目标是需要从不同维度去学习的，所以对于三个关键的目标(GMV、点击量和销售量)是需要通过不同模型的组合来实现的，这样既能解决样本选择偏差带来的模型预测偏差问题，又能弥补单目标模型精度和稳定性不足的问题。通过基于blending(融合)的方法训练LR(逻辑回归)模型，学习不同目标的3个模型的权重，通过离线回测以及线上ABtest证明，多模型融合可以提升单一模型的精度和稳定性。具体可以将原始特征数据按7:3分为两部分，70％的数据用于三个模型(GMV、点击量和销售量)的训练，剩余的30％在三个模型的预测结果的基础上训练LR模型，以得到每个模型的权重。
在一种可选方式中，页面可以具有属性信息。针对不同属性信息的页面，可以训练不同的选品模型。以页面为某电商平台中某店铺的销售页面为例，其属性信息可以包括日常属性和活动(促销)属性，根据日常属性历史页面的页面展示数据和相对应的页面监控数据训练日常属性页面选品模型，根据活动(促销)属性历史页面的页面展示数据和相对应的页面监控数据训练活动(促销)属性页面选品模型。进一步地，活动(促销)属性可以细分为活动(促销)预热阶段属性和活动(促销)售卖阶段属性，根据活动(促销)预热阶段属性历史页面的页面展示数据和相对应的页面监控数据训练活动(促销)预热阶段属性页面选品模型，根据活动(促销)售卖阶段属性历史页面的页面展示数据和相对应的页面监控数据训练活动(促销)售卖阶段属性页面选品模型。进一步地，根据活动(促销)的不同，属性信息还可以细分某种具体活动(促销)属性，如“双十一”活动、“双十二”活动，根据某种具体活动(促销)属性历史页面的页面展示数据和相对应的页面监控数据训练某种具体活动(促销)属性页面选品模型。
步骤11中利用选品模型选择目标页面对应的至少一个目标产品，如图2所示，可以具体包括：
步骤111：根据目标页面的属性信息选取与目标页面对应的目标选品模型，目标选品模型是基于机器学习算法构建并根据与目标页面的属性信息相同的历史页面的页面展示数据和相对应的页面监控数据训练的。
步骤112：利用目标选品模型选择目标页面对应的至少一个目标产品。
例如，若目标页面是日常属性，则选取日常属性页面选品模型作为目标选品模型，并利用该模型选择目标页面对应的目标产品。
该方式中，利用属性信息对页面类型进行了区分，通过训练不同的选品模型，可以提高不同页面选品时的预测精度，达到更好的选品效果。同时，针对同属性信息的选品模型可以复用，一方面增加了训练模型时使用的数据量，提高了模型的准确性，另一方面也不必针对每个页面均单独训练模型，提高了模型的使用效率。
在一种可选方式中，目标页面中可以包括至少一个产品展示位置，具体依页面设计而定。通常情况下，一个产品展示位置可以展示一个产品的产品信息。同样如图2所示，步骤12具体可以包括：
步骤121：将目标产品匹配到目标页面中包含的产品展示位置。
步骤122：在产品展示位置展示相匹配的目标产品的产品信息。
在一种可选方式中，考虑到不同的产品展示位置可能达到不同的展示效果、实现不同的展示目标，每个产品展示位置可以设定不同的展示策略信息。步骤121可以进一步包括：根据目标产品的预测目标监控数据和产品展示位置的展示策略信息，确定与目标产品相匹配的产品展示位置。
其中，展示策略信息可以包括位置转化率、产品断码率、类目多样性和产品关联性等信息。例如，位置转化率高的产品展示位置优选匹配销售量高的目标产品。当然预测目标监控数据并不一定是决定产品展示位置的唯一考虑因素，目标产品的实际库存量、价格、是否有优惠等其它因素，均可根据实际情况综合考虑，最终确定目标产品的产品展示位置。
如图3所示，箭头左侧是经过选品模型选出的部分可在目标页面展示的10个目标产品，这些目标产品的预测目标监控数据与产品展示位置的展示策略信息相对应，生成箭头右侧的目标页面。其中目标页面中的所有产品展示位置展示的产品均通过选品模型选出，也可结合其它的手段和策略选出。在页面中展示的产品信息，不局限于产品的图片，还可以包括产品的名称、价格、优惠等。
在一种可选方式中，同样如图2所示，页面处理方法还可以包括：
步骤13：对发布后的目标页面进行监控，以获得目标产品的实际目标监控数据。
步骤14：在实际目标监控数据符合换品条件时，利用选品模型重新选择新的目标产品，并用新的目标产品的产品信息替换目标页面中原有的目标产品的产品信息，以重新生成目标页面。进而，重新发布目标页面，并返回步骤13继续监控。
其中，所述的换品，是指更换页面中展示的产品。换品条件可以根据监控目标设定的，例如设定为实际GVM小于预设GVM、实际点击量小于预设点击量、实际销售量小于预设销售量。可以在符合其中一个时就进行换品，也可以在符合所有条件时进行换品，具体可以根据实际需要设定。
该方式中，通过对发布页面的监控，触发换品流程，优化目标页面展示的目标产品。
在一种可选方式中，同样如图2所示，页面处理方法还可以包括：
步骤13’：通过优化后的选品模型，重新选择新的目标产品，并用新的目标产品的产品信息替换目标页面中原有的目标产品的产品信息，以重新生成目标页面。进而，重新发布目标页面。
该方式中，选品模型不是固定不变的，其可以利用新的数据重新训练、甚至基于新的模型架构重新设计的，其可以不断优化以提高模型性能。通过优化后的选品模型，触发换品流程，优化目标页面展示的目标产品。
在一种可选方式中，页面处理方法还可以包括同时包括步骤13-14和步骤13’，即通过两种方式触发换品流程，前者可以针对页面中的某个单独的目标产品进行更换，后者可以针对页面中的所有目标产品进行更换，保证达到预期目标，提高换品效率。
实施例2
本实施例提供一种页面处理方法，其可以用于生成一种包含产品展示的页面，如产品展示页面，也可以用于生成页面中的包含产品展示的一个或多个模块，如产品展示模块。本实施例的产品展示，可以包括但不限于在页面或页面的模块中以可视化的方式展现出产品，展示的内容可以包括但不限于产品图片、产品名称、产品价格等产品信息。
图4示出了本实施例的页面处理系统，其包括：页面选品模块21和页面生成模块22。
页面选品模块21用于利用选品模型选择目标页面对应的至少一个目标产品，选品模型是基于机器学习算法构建并根据历史页面的页面展示数据和相对应的页面监控数据训练的，页面展示数据包括页面产品数据和页面场景数据，页面监控数据包括历史页面中所包含产品的目标监控数据，选品模型用于输出在输入场景数据下页面中包含输入产品数据时输入产品的预测目标监控数据；
页面生成模块22用于生成目标页面，目标页面中包含目标产品的产品信息。
其中，页面产品数据指的是与页面中包含产品相关的数据，如用于描述统计该产品自身特征的数据。页面场景数据指的是与页面的应用场景相关的数据，可以包括页面用户数据、页面商户数据和页面时间数据中的至少一种。页面用户数据指的是与页面面向的用户相关的数据。页面商户数据指的是与页面所属的商户相关的数据。页面时间数据指的是页面用户数据、页面商户数据对应的时间特征。目标监控数据指的是对预设的目标进行监控所得的数据。该方式中，利用多维度数据训练的选品模型，可以从全面分析选品特征，满足多样化的选品需求。
目标页面可以对应一个产品池，一个产品池中包括多个备选产品。关于产品池所包括的备选产品，可以根据目标页面的属性信息或实际需求设置。若目标页面包含了一个或多个产品展示模块，则可以所有或部分产品展示模块对应同一产品池，也可以每个产品展示模块分别对应不同产品池，不同产品池中包括的备选产品可以完全不同或部分不同。
页面选品模块21具体可以包括：将多组待测页面展示数据分别输入至选品模型，获得选品模型的输出结果。一组待测页面展示数据包括一个备选产品的产品数据和目标页面的页面场景数据。通常情况下，为了是产品之间更具可比性，不同组待测页面展示数据之间，备选产品是不同的，而目标页面的页面场景数据是相同的。以备选产品为输入产品，将备选产品的产品数据作为输入产品数据，目标页面的页面场景数据作为输入场景数据同时输入至选品模型，经过模型计算，得到模型输出的备选产品的预测目标监控数据。根据输出结果，可以选择预测目标监控数据最优的一个或多个备选产品作为目标产品，也可以选择预测目标监控数据最接近预设的目标阈值的一个或多个备选产品作为目标产品。目标产品的具体数量根据目标页面需要展示产品的数量而定。
页面生成模块22具体可以包括：将目标产品的产品信息添加到设计好的页面样式中，或者页面的一个或多个产品展示模块中。本实施例对页面的具体样式不做限定，只要是可以展示目标产品的产品信息均可。产品信息可以包括产品名称、产品图片、产品简要说明等内容。生成的页面可发布到平台。
本实施例的系统通过选品模型选择目标页面中展示的目标产品，避免了依赖于主观经验而造成的难以达到预期目标的问题，客观、全面地分析选品与目标之间的关联关系，有助于预期目标的实现；同时，还通过自动化地选品和页面生成流程，省去了人工操作，提高了处理效率，减少了人力和时间成本，加快了页面的生成与更新速度。
在一种可选方式中，当监控的目标为单目标时，即目标监控数据包括一种目标类型的监控数据时，如GMV、点击量和销售量中的任意一种，选品模型可以包括单目标选品模型，单目标选品模型用于输出在所述输入场景数据下页面中包含所述输入产品数据时所述输入产品的预测单目标监控数据。
在一种可选方式中，当监控的目标为多目标时，即目标监控数据包括多种目标类型的监控数据时，如GMV、点击量和销售量中的至少两种，选品模型包括多目标选品模型，多目标选品模型通过多目标中每个单目标对应的单目标选品模型融合而得。
在一种可选方式中，页面可以具有属性信息。针对不同属性信息的页面，可以训练不同的选品模型。以页面为某电商平台中某店铺的销售页面为例，其属性信息可以包括日常属性和活动(促销)属性，根据日常属性历史页面的页面展示数据和相对应的页面监控数据训练日常属性页面选品模型，根据活动(促销)属性历史页面的页面展示数据和相对应的页面监控数据训练活动(促销)属性页面选品模型。进一步地，活动(促销)属性可以细分为活动(促销)预热阶段属性和活动(促销)售卖阶段属性，根据活动(促销)预热阶段属性历史页面的页面展示数据和相对应的页面监控数据训练活动(促销)预热阶段属性页面选品模型，根据活动(促销)售卖阶段属性历史页面的页面展示数据和相对应的页面监控数据训练活动(促销)售卖阶段属性页面选品模型。进一步地，根据活动(促销)的不同，属性信息还可以细分某种具体活动(促销)属性，如“双十一”活动、“双十二”活动，根据某种具体活动(促销)属性历史页面的页面展示数据和相对应的页面监控数据训练某种具体活动(促销)属性页面选品模型。
页面选品模块11中利用选品模型选择目标页面对应的至少一个目标产品，可以具体包括：
根据目标页面的属性信息选取与目标页面对应的目标选品模型，目标选品模型是基于机器学习算法构建并根据与目标页面的属性信息相同的历史页面的页面展示数据和相对应的页面监控数据训练的。
利用目标选品模型选择目标页面对应的至少一个目标产品。
该方式中，利用属性信息对页面类型进行了区分，通过训练不同的选品模型，可以提高不同页面选品时的预测精度，达到更好的选品效果。同时，针对同属性信息的选品模型可以复用，一方面增加了训练模型时使用的数据量，提高了模型的准确性，另一方面也不必针对每个页面均单独训练模型，提高了模型的使用效率。
在一种可选方式中，目标页面中可以包括至少一个产品展示位置，具体依页面设计而定。通常情况下，一个产品展示位置可以展示一个产品的产品信息。页面生成模块22具体可以用于：
将目标产品匹配到目标页面中包含的产品展示位置；
在产品展示位置展示相匹配的目标产品的产品信息。
在一种可选方式中，考虑到不同的产品展示位置可能达到不同的展示效果、实现不同的展示目标，将目标产品匹配到目标页面中包含的产品展示位置可以进一步包括：根据目标产品的预测目标监控数据和产品展示位置的展示策略信息，确定与目标产品相匹配的产品展示位置。
其中，展示策略信息可以包括位置转化率、产品断码率、类目多样性和产品关联性等信息。
在一种可选方式中，页面处理系统还可以包括：页面监控模块23和第一换品模块24。
页面监控模块23用于对发布后的目标页面进行监控，以获得目标产品的实际目标监控数据。
第一换品模块24用于在实际目标监控数据符合换品条件时，利用选品模型重新选择新的目标产品，并用新的目标产品的产品信息替换目标页面中原有的目标产品的产品信息，以重新生成目标页面。进而，重新发布目标页面，并返回步骤13继续监控。
该方式中，通过对发布页面的监控，触发换品流程，优化目标页面展示的目标产品。
在一种可选方式中，页面处理系统还可以包括：第二换品模块25。
第二换品模块25用于通过优化后的选品模型，重新选择新的目标产品，并用新的目标产品的产品信息替换目标页面中原有的目标产品的产品信息，以重新生成目标页面。进而，重新发布目标页面。
该方式中，选品模型不是固定不变的，其可以利用新的数据重新训练、甚至基于新的模型架构重新设计的，其可以不断优化以提高模型性能。通过优化后的选品模型，触发换品流程，优化目标页面展示的目标产品。
在一种可选方式中，页面处理系统还可以包括同时包括页面监控模块23和第一换品模块24以及第二换品模块25，即通过两种方式触发换品流程，前者可以针对页面中的某个单独的目标产品进行更换，后者可以针对页面中的所有目标产品进行更换，保证达到预期目标，提高换品效率。
实施例3
本发明实施例还提供一种电子设备，电子设备可以通过计算设备的形式表现(例如可以为服务器设备)，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中处理器执行计算机程序时可以实现本发明实施例1中的页面处理方法。
图5示出了本实施例的硬件结构示意图，如图5所示，电子设备9具体包括：
至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93，其中：
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1的页面处理方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备9使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现本发明实施例1页面处理方法的步骤。其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现本发明实施例1页面处理方法的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (8)

1.一种页面处理方法，其特征在于，包括：
利用选品模型选择目标页面对应的至少一个目标产品，所述选品模型是基于机器学习算法构建并根据历史页面的页面展示数据和相对应的页面监控数据训练的，所述页面展示数据包括页面产品数据和页面场景数据，所述页面监控数据包括所述历史页面中所包含产品的目标监控数据，所述选品模型用于输出在输入场景数据下页面中包含输入产品数据时输入产品的预测目标监控数据；
生成所述目标页面，所述目标页面中包含所述目标产品的产品信息；
所述生成所述目标页面，包括：
将所述目标产品匹配到所述目标页面中包含的产品展示位置；
在所述产品展示位置展示相匹配的目标产品的产品信息；
所述将所述目标产品匹配到所述目标页面中包含的产品展示位置，包括：
根据所述目标产品的所述预测目标监控数据和所述产品展示位置的展示策略信息，确定与所述目标产品相匹配的所述产品展示位置；
所述页面处理方法还包括：
对发布后的所述目标页面进行监控，以获得所述目标产品的实际目标监控数据；
在所述实际目标监控数据符合换品条件时，利用所述选品模型重新选择新的目标产品，并用所述新的目标产品的产品信息替换所述目标页面中原有的目标产品的产品信息，以重新生成所述目标页面。
2.如权利要求1所述的页面处理方法，其特征在于，所述页面场景数据包括页面用户数据、页面商户数据和页面时间数据中的至少一种。
3.如权利要求1所述的页面处理方法，其特征在于，当监控的目标为单目标时，所述选品模型包括单目标选品模型，所述单目标选品模型用于输出在所述输入场景数据下页面中包含所述输入产品数据时所述输入产品的预测单目标监控数据；
或，当监控的目标为多目标时，所述选品模型包括多目标选品模型，所述多目标选品模型通过所述多目标中每个单目标对应的所述单目标选品模型融合而得。
4.如权利要求1所述的页面处理方法，其特征在于，所述利用选品模型选择目标页面对应的至少一个目标产品，包括：
根据所述目标页面的属性信息选取与所述目标页面对应的目标选品模型，所述目标选品模型是基于机器学习算法构建并根据与所述目标页面的属性信息相同的历史页面的页面展示数据和相对应的页面监控数据训练的；
利用所述目标选品模型选择所述目标页面对应的至少一个所述目标产品。
5.如权利要求1所述的页面处理方法，其特征在于，所述页面处理方法还包括：
通过优化后的所述选品模型，重新选择新的目标产品，并用所述新的目标产品的产品信息替换所述目标页面中原有的目标产品的产品信息，以重新生成所述目标页面。
6.一种页面处理系统，其特征在于，包括：
页面选品模块，用于利用选品模型选择目标页面对应的至少一个目标产品，所述选品模型是基于机器学习算法构建并根据历史页面的页面展示数据和相对应的页面监控数据训练的，所述页面展示数据包括页面产品数据和页面场景数据，所述页面监控数据包括对所述历史页面中所包含产品的目标监控数据，所述选品模型用于预测在指定场景数据下可能得到的对页面中所包含指定产品的预测目标监控数据；
页面生成模块，用于生成所述目标页面，所述目标页面中包含所述目标产品的产品信息；
所述页面生成模块具体用于：
将所述目标产品匹配到所述目标页面中包含的产品展示位置；
在所述产品展示位置展示相匹配的目标产品的产品信息；
所述将所述目标产品匹配到所述目标页面中包含的产品展示位置，包括：
根据所述目标产品的所述预测目标监控数据和所述产品展示位置的展示策略信息，确定与所述目标产品相匹配的所述产品展示位置；
所述页面处理系统还包括：
页面监控模块，用于对发布后的所述目标页面进行监控，以获得所述目标产品的实际目标监控数据；
第一换品模块，用于在所述实际目标监控数据符合换品条件时，利用所述选品模型重新选择新的目标产品，并用所述新的目标产品的产品信息替换所述目标页面中原有的目标产品的产品信息，以重新生成所述目标页面。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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5任一项所述的页面处理方法。
8.一种计算机可读存储介质，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5任一项所述的页面处理方法的步骤。
CN202110308297.8A 2021-03-23 2021-03-23 页面处理方法、系统、电子设备及存储介质 Active CN113077305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110308297.8A CN113077305B (zh) 2021-03-23 2021-03-23 页面处理方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110308297.8A CN113077305B (zh) 2021-03-23 2021-03-23 页面处理方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113077305A CN113077305A (zh) 2021-07-06
CN113077305B true CN113077305B (zh) 2024-03-29

Family

ID=76613364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110308297.8A Active CN113077305B (zh) 2021-03-23 2021-03-23 页面处理方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113077305B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114117245B (zh) * 2022-01-26 2022-05-20 深圳市云中鹤科技股份有限公司 一种基于大数据的产品筛选方法和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291718A (zh) * 2016-03-30 2017-10-24 阿里巴巴集团控股有限公司 页面资源投放方法及装置
WO2019000710A1 (zh) * 2017-06-27 2019-01-03 北京金山安全软件有限公司 页面加载方法、装置和电子设备
CN110020905A (zh) * 2018-01-09 2019-07-16 阿里巴巴集团控股有限公司 一种数据化选品的方法、装置及系统
CN110378770A (zh) * 2019-07-25 2019-10-25 上海尊溢商务信息咨询有限公司 一种电商运营选款推荐的方法及装置
CN110659940A (zh) * 2019-09-20 2020-01-07 杭州嘉云数据科技有限公司 一种广告选品的方法、装置、设备及计算机可读存储介质
CN111381909A (zh) * 2018-12-27 2020-07-07 北京字节跳动网络技术有限公司 一种页面展示方法、装置、终端设备及存储介质
CN111723260A (zh) * 2019-03-19 2020-09-29 百度在线网络技术（北京）有限公司 推荐内容的获取方法、装置、电子设备及可读存储介质
CN111738785A (zh) * 2019-03-28 2020-10-02 北京京东尚科信息技术有限公司 选品方法、系统及存储介质
CN112330358A (zh) * 2020-10-22 2021-02-05 北京明略昭辉科技有限公司 产品销量预测的方法和装置、存储介质和电子设备
CN116911962A (zh) * 2023-09-14 2023-10-20 长威信息科技发展股份有限公司 一种基于数据模型的选品装置及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180107665A1 (en) * 2016-10-17 2018-04-19 Facebook, Inc. Systems and methods for determining recommendations for pages in social networking systems
US11423324B2 (en) * 2017-02-23 2022-08-23 International Business Machines Corporation Training and estimation of selection behavior of target

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107291718A (zh) * 2016-03-30 2017-10-24 阿里巴巴集团控股有限公司 页面资源投放方法及装置
WO2019000710A1 (zh) * 2017-06-27 2019-01-03 北京金山安全软件有限公司 页面加载方法、装置和电子设备
CN110020905A (zh) * 2018-01-09 2019-07-16 阿里巴巴集团控股有限公司 一种数据化选品的方法、装置及系统
CN111381909A (zh) * 2018-12-27 2020-07-07 北京字节跳动网络技术有限公司 一种页面展示方法、装置、终端设备及存储介质
CN111723260A (zh) * 2019-03-19 2020-09-29 百度在线网络技术（北京）有限公司 推荐内容的获取方法、装置、电子设备及可读存储介质
CN111738785A (zh) * 2019-03-28 2020-10-02 北京京东尚科信息技术有限公司 选品方法、系统及存储介质
CN110378770A (zh) * 2019-07-25 2019-10-25 上海尊溢商务信息咨询有限公司 一种电商运营选款推荐的方法及装置
CN110659940A (zh) * 2019-09-20 2020-01-07 杭州嘉云数据科技有限公司 一种广告选品的方法、装置、设备及计算机可读存储介质
CN112330358A (zh) * 2020-10-22 2021-02-05 北京明略昭辉科技有限公司 产品销量预测的方法和装置、存储介质和电子设备
CN116911962A (zh) * 2023-09-14 2023-10-20 长威信息科技发展股份有限公司 一种基于数据模型的选品装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
多标签网页的Gauss-PNN粗糙集排序推荐;李又玲;常致全;杨浩;;计算机应用研究;20171231(02);第68-71+107页 *
电商产品页面展示的数字化思维模型研究;吴瑕;现代商贸工业;20200731;第46页 *

Also Published As

Publication number Publication date
CN113077305A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
AU2020203409B2 (en) Intelligent crowdsourced resource assistant
US7644094B2 (en) System and method for processing a large data set using a prediction model having a feature selection capability
US20130238399A1 (en) Computer-Implemented Systems and Methods for Scenario Analysis
US11693705B2 (en) Green cloud computing recommendation system
Xue et al. Pricing personalized bundles: A new approach and an empirical study
US20080195431A1 (en) System and method for correlating business transformation metrics with sustained business performance
US20040267554A1 (en) Methods and systems for semi-automated job requisition
CN111080417A (zh) 用于提高预订顺畅率的处理方法、模型训练方法及系统
CN113077305B (zh) 页面处理方法、系统、电子设备及存储介质
US20090276290A1 (en) System and method of optimizing commercial real estate transactions
CN112132639A (zh) 一种数据集的基于机器学习的动态定价方法
CN111814050A (zh) 旅游场景强化学习模拟环境构建方法、系统、设备和介质
CN111340541A (zh) 酒店房型异常价格的预警方法、系统、设备和介质
JP4993097B2 (ja) 企業施策の決定支援装置、企業施策の決定支援方法及びそのプログラム
CN113313562B (zh) 产品数据处理方法、装置、计算机设备和存储介质
US20210398046A1 (en) Predictive Modeling Technologies for Identifying Retail Enterprise Deficiencies
CA3160715A1 (en) Systems and methods for business analytics model scoring and selection
KR101886418B1 (ko) Gpu를 활용한 주가 예측 시뮬레이션 제공 시스템
JP4419814B2 (ja) サービス品質評価支援装置
US11995667B2 (en) Systems and methods for business analytics model scoring and selection
US20210090101A1 (en) Systems and methods for business analytics model scoring and selection
US11966934B2 (en) Machine learning technologies to predict opportunities for special pricing agreements
US20240054509A1 (en) Intelligent shelfware prediction and system adoption assistant
US20230267007A1 (en) System and method to simulate demand and optimize control parameters for a technology platform
Pereira An Intelligent Recommendation System for Campaigns in the Retail Business

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