CN113094611B - 服务处理方法、装置及计算机设备 - Google Patents

服务处理方法、装置及计算机设备 Download PDF

Info

Publication number
CN113094611B
CN113094611B CN202110336524.8A CN202110336524A CN113094611B CN 113094611 B CN113094611 B CN 113094611B CN 202110336524 A CN202110336524 A CN 202110336524A CN 113094611 B CN113094611 B CN 113094611B
Authority
CN
China
Prior art keywords
user
service
prediction model
target service
access
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
CN202110336524.8A
Other languages
English (en)
Other versions
CN113094611A (zh
Inventor
戚立才
张怡菲
雷徽
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202110336524.8A priority Critical patent/CN113094611B/zh
Publication of CN113094611A publication Critical patent/CN113094611A/zh
Application granted granted Critical
Publication of CN113094611B publication Critical patent/CN113094611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/957Browsing optimisation, e.g. caching or content distillation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本说明书实施例提供一种服务处理方法、装置及计算机设备,该方案中涉及复访预测模型和文案预测模型两个模型,两个模型具有不同任务,复访预测模型用于预测用户是否会再次访问该目标服务。若所述复访预测模型的预测结果为用户不会再次访问所述目标服务,可以结束处理。若所述复访预测模型的预测结果为用户会再次访问所述目标服务,接下来可以利用所述文案预测模型预测用户偏好的提示文案;之后,在服务页面中提供更新功能,并利用用户偏好的提示文案提示用户触发该更新功能。

Description

服务处理方法、装置及计算机设备
技术领域
本说明书涉及互联网技术领域,尤其涉及服务处理方法、装置及计算机设备。
背景技术
由于电子设备显示屏幕大小的限制,特别是移动电子设备,显示屏幕所能展示的内容有限。客户端提供有多种服务,为了便于用户操作,客户端页面具有一个指定区域,能够划分有这些服务的入口客户端页面上。
发明内容
为克服相关技术中存在的问题,本说明书提供了服务处理方法、装置及计算机设备。
根据本说明书实施例的第一方面,提供一种服务处理方法,所述服务的访问入口由客户端提供,所述客户端提供有多种服务,客户端页面的指定区域用于展示所述多种服务中部分服务的访问入口,所述方法包括:
确定目标服务被用户访问后,利用复访预测模型预测用户是否会再次访问所述目标服务;其中,所述目标服务的访问入口未在所述指定区域中展示;
根据所述复访预测模型的预测结果,确定是否利用文案预测模型预测用户偏好的提示文案;其中,所述提示文案用于在所述目标服务的服务页面中输出,以提示用户触发所述服务页面中提供的更新功能,所述更新功能用于触发将所述目标服务的访问入口更新至所述指定区域。
根据本说明书实施例的第二方面,提供一种服务处理方法,所述方法应用于客户端,所述客户端提供有多种服务,客户端页面的指定区域用于展示所述多种服务中部分服务的访问入口;所述方法包括:
检测到目标服务被用户访问后,跳转至所述目标服务的服务页面;其中,所述目标服务的访问入口未在所述指定区域中展示;
向服务端发送所述目标服务被用户访问的消息;
若接收到所述服务端发送的提示文案,在所述服务页面中提供更新功能,以及输出所述提示文案,并将所述提示文案输出;所述提示文案用于提示用户触发所述服务页面中提供的更新功能;所述提示文案是所述服务端在接收到所述消息后,利用复访预测模型预测用户会再次访问所述目标服务后,利用文案预测模型预测得到的;
若检测到所述更新功能被触发,将所述目标服务的访问入口更新至所述指定区域。
根据本说明书实施例的第三方面,提供一种服务处理装置,所述服务的访问入口由客户端提供,所述客户端提供有多种服务,客户端页面的指定区域用于展示所述多种服务中部分服务的访问入口,所述装置包括:
复访预测模块,用于:确定目标服务被用户访问后,利用复访预测模型预测用户是否会再次访问所述目标服务;其中,所述目标服务的访问入口未在所述指定区域中展示;
提示处理模块,用于:根据所述复访预测模型的预测结果,确定是否利用文案预测模型预测用户偏好的提示文案;其中,所述提示文案用于在所述目标服务的服务页面中输出,以提示用户触发所述服务页面中提供的更新功能,所述更新功能用于触发将所述目标服务的访问入口更新至所述指定区域。
根据本说明书实施例的第四方面,提供一种服务处理装置,所述装置应用于客户端,所述客户端提供有多种服务,客户端页面的指定区域用于展示所述多种服务中部分服务的访问入口;所述装置包括:
服务检测模块,用于:检测到目标服务被用户访问后,跳转至所述目标服务的服务页面;其中,所述目标服务的访问入口未在所述指定区域中展示;
发送模块,用于:向服务端发送所述目标服务被用户访问的消息;
输出模块,用于:在接收到所述服务端发送的提示文案后,在所述服务页面中提供更新功能,以及输出所述提示文案,并将所述提示文案输出;所述提示文案用于提示用户触发所述服务页面中提供的更新功能;所述提示文案是所述服务端在接收到所述消息后,利用复访预测模型预测用户会再次访问所述目标服务后,利用文案预测模型预测得到的;
更新检测模块,用于:在检测到所述更新功能被触发后,将所述目标服务的访问入口更新至所述指定区域。
根据本说明书实施例的第五方面,提供一种计算机设备,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,所述处理器执行所述程序时实现前述第一方面所述的服务处理方法的实施例。
根据本说明书实施例的第六方面,提供一种计算机设备,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,所述处理器执行所述程序时实现前述第二方面所述的服务处理方法的实施例。
本说明书的实施例提供的技术方案可以包括以下有益效果:
本说明书实施例中,采用预测用户是否会再次访问服务的方式来确定是否由客户端提供更新功能,为了帮助用户、引导用户更快捷地触发该更新功能,在预测用户会再次访问服务的情况下,可以预测出用户偏好的文案,利用用户偏好的文案,可以更好地提示和引导用户触发该更新功能,将该服务的访问入口更新至指定区域。若预测用户不会再次访问服务,则可以不在服务页面中提供该更新功能,从而能够减少对用户的干扰;另外,此种情况下可以终止处理,不执行后续的文案预测流程,从而可以提高处理效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本说明书的实施例,并与说明书一起用于解释本说明书的原理。
图1是本说明书根据一示例性实施例示出的一种页面示意图。
图2A是本说明书根据一示例性实施例示出的一种服务处理方法的流程图。
图2B是本说明书根据一示例性实施例示出的一种复访预测模型的示意图。
图2C是本说明书根据一示例性实施例示出的一种文案预测模型的示意图。
图2D是本说明书根据一示例性实施例示出的另一种服务处理方法的流程图。
图3是本说明书实施例服务处理装置所在计算机设备的一种硬件结构图。
图4是本说明书根据一示例性实施例示出的一种服务处理装置的框图。
图5是本说明书根据一示例性实施例示出的另一种服务处理装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
客户端可以向用户提供各种各样的服务,客户端页面可以显示这些服务的访问入口,以供用户触发该访问入口访问对应的服务。实际应用中,可以在客户端页面中划分一个指定区域来展示服务的访问入口,这个指定区域可以是便于用户操作的区域,例如客户端首页上的区域,或者是在其他非首页的页面的头部位置等。而由于电子设备显示屏幕大小的限制及较多的服务数量,该指定区域无法展示所有服务的访问入口,访问入口未展示在该指定区域中的这些服务,用户触发的链路较深或触发操作较为繁琐。例如,一些客户端的服务数量可能非常多,一些服务的访问入口可能显示在客户端页面的底部、或者是显示在客户端中层级较低的页面。
如图1所示,是本说明书根据一示例性实施例示出的一种页面示意图,图1中以智能手机的客户端页面为例,本实施例的指定区域即图1中页面中虚线框的区域,其中示出的虚线是图1中为了对指定区域进行示意添加的线条。图1的实施例中,以访问入口为图标作为示例,该指定区域中示出了多个服务的访问入口。
由于设备屏幕大小的限制,指定区域的大小有限,目标区域中配置有固定的多个位置,只能显示部分服务的访问入口,其中,目标区域内显示哪些页面对象,可以是用户自定义的,也可以是客户端根据设定的策略从页面对象集中进行筛选而显示的。对于在指定区域内显示的访问入口,用户可以快速地触发;而未在指定区域中显示的访问入口,若用户需要访问,用户需要执行更多的触发操作。例如,需要触发跳转至下一级页面,或者需要用户在搜索框中搜索该服务。
用户对不同服务的需求或喜好会有变化,例如一些访问入口原本未显示在指定区域的服务,但可能由于用户需求的更新从较少的触发变更为需要频繁触发,而这些服务的访问入口未显示在指定区域中,使得用户无法便捷地操作。在一种实现方式中,可以是向用户提供将该服务更新至指定区域的更新功能,用户通过触发该更新功能后,可以将该服务的访问入口添加至所述指定区域中。然而,如何合理地提供更新功能,是需要解决的技术问题。例如,一种方式是,对每个访问入口未展示在指定区域的服务,当用户访问时,输出该更新功能使用户可以根据需要触发该功能,从而客户端自动将所述目标服务的访问入口更新至所述指定区域。然而,此种方式对每个服务都提供该更新功能,若用户后续并未需要再次访问,则该功能会对用户构成打扰,也会占据页面。因此,对于该功能的提供,需要考虑多种因素,例如如何降低对用户的干扰,又能帮助用户快速地更新指定区域中的访问入口。
基于此,本说明书实施例提出一种服务处理方法,所述服务的访问入口由客户端提供,所述客户端提供有多种服务,客户端页面的指定区域用于展示所述多种服务中部分服务的访问入口,如图2A所示,该方法可包括如下步骤:
在步骤202中,确定目标服务被用户访问后,利用复访预测模型预测用户是否会再次访问所述目标服务。
其中,所述目标服务的访问入口未在所述指定区域中展示;
在步骤204中,根据所述复访预测模型的预测结果,确定是否利用文案预测模型预测用户偏好的提示文案。
其中,所述提示文案用于在所述目标服务的服务页面中输出,以提示用户触发所述服务页面中提供的更新功能,所述更新功能用于触发将所述目标服务的访问入口更新至所述指定区域。
本实施例方案中,涉及复访预测模型和文案预测模型两个模型,两个模型具有不同任务,复访预测模型用于预测用户是否会再次访问该目标服务。若所述复访预测模型的预测结果为用户不会再次访问所述目标服务,可以结束处理。若所述复访预测模型的预测结果为用户会再次访问所述目标服务,接下来可以利用所述文案预测模型预测用户偏好的提示文案;之后,在服务页面中提供更新功能,并利用用户偏好的提示文案提示用户触发该更新功能。
由此可见,本实施例采用预测用户是否会再次访问服务的方式来确定是否由客户端提供更新功能,为了帮助用户、引导用户更快捷地触发该更新功能,在预测用户会再次访问服务的情况下,可以预测出用户偏好的文案,利用用户偏好的文案,可以更好地提示和引导用户触发该更新功能,将该服务的访问入口更新至指定区域。若预测用户不会再次访问服务,则可以不在服务页面中提供该更新功能,从而能够减少对用户的干扰;另外,此种情况下可以终止处理,不执行后续的文案预测流程,从而可以提高处理效率。
本申请实施例的方法可应用于服务端或客户端中。本实施例中可以预先训练有复访预测模型和文案预测模型,训练的过程可以是在服务端侧进行。
接下来对复访预测模型进行说明。本实施例中,服务方可以预先准备用于训练的样本数据。样本数据可以包括表征用户会再次访问服务的第一类样本,以及表征用户不会再次访问服务的第二类样本;其中,所述第一类样本是通过用户在历史设定时间段内访问服务的次数超过设定次数阈值的历史数据确定的;所述第二类样本是通过用户在历史设定时间段内访问服务的次数低于设定次数阈值的历史数据确定的。本实施例中,该设定次数阈值可以根据需要灵活配置,例如根据实际的业务需求确定,若复访要求较宽松,可以设定较小的数值,若复访要求较高,可以设定较大的数值。
其中,构建样本数据的方式可以有多种方式实现,例如通过客户端获取用户的历史数据来构建。作为例子,样本数据通过如下方式构建得到:
获取客户端产生的历史日志集,所述历史日志集中每条日志记录有用户访问服务的历史时间;
针对每条日志,执行如下操作:
根据所述日志集,确定在所述日志记录的用户访问服务的历史时间之后的历史设定时间段内,用户再次访问所述服务的次数;
若用户在历史设定时间段内访问服务的次数超过设定次数阈值,将所述日志标记为第一类样本;
若用户在历史设定时间段内访问服务的次数低于设定次数阈值,将所述日志标记为第二类样本。
本实施例中,可以通过客户端产生的日志记录来构建样本数据。客户端可以在用户访问服务时生成日志,该日志中记录有用户访问服务的时间。作为例子,针对用户的某次访问服务的日志,检测用户在之后的设定时间段内是否有复访及复访的次数,根据设定次数阈值确定将该日志标记为白样本还是黑样本。作为例子,设定时间段可以是后续7天,设定次数阈值可以是5次,则在该日志记录的时间之后,后续7天内访问5次,则该条日志标记为白样本,表征用户复访了该服务,否则标记为黑样本,表征用户未复访该服务。通过上述方式,可以利用日志记录快速自动地构建出准确的样本数据,一方面可以提高效率,还可以保证后续训练出准确的复访预测模型。
通常,样本数据需要达到一定的数量以保证训练出的模型的精确度,而消息样本越多,则模型的精确度可能越高。另一方面,当复访预测模型训练好后开始应用后,还可以持续地训练及优化。
训练过程的另一方面,是选取合适的特征。本实施例中,所述复访预测模型可以利用如下特征预测用户是否会再次访问所述目标服务:用户的用户特征和目标服务的服务特征。在一些例子中,所述用户特征至少包括:表征用户偏好的用户基础特征或表征用户与服务的交互行为的用户行为特征。作为例子,用户的基础特征,可以包括用户所处地理位置特征,例如所在城市等;用户的年龄,用户的性别,用户的各类偏好,用户的活跃度等。用户的行为特征,可以包括用户过去访问服务的次数,用户在该服务中的交易次数,用户是否收藏了该服务等。在一些例子中,服务特征可以包括:服务的描述,服务的所属行业,服务的用户数等。上述用户的用户特征和目标服务的服务特征,可以用于指示不同类型的用户所偏好的不同类型的服务。当然,实际应用中可以根据需要设计其他特征,本实施例对此不作限定。
训练过程中,需要根据业务需要选择适当的模型,本实施例的模型可以包括逻辑回归模型、随机森林模型、贝叶斯方法模型、支持向量机模型或神经网络模型等等,模型的选择可能影响最终所训练得到的复访预测模型的精确度。在一个可选的实现方式中,本实施例可以采用点击率预估模型,如图2B所示,示出了点击率预估模型的示意图,点击率预估模型可以采用基于深度神经网络的FM(Factorization Machines,因子分解机)模型DeepFM结合注意力机制attention的方案,因为DeepFM中的FM模块可以自动获取低阶交叉特征,不需要人工构造特征,而在深度神经网络中添加attention,可以更好的获取高阶交叉特征。
对于文案预测模型,文案预测模型至少利用如下样本数据训练得到:表征用户偏好的文案的第一类样本,以及表征用户未偏好的文案的第二类样本。实际应用中可以通过多种方式获取样本,作为例子,可以通过搜集对用户曝光的内容,根据用户对这些曝光内容的访问记录来构建样本。对于某个内容,若用户触发访问,可以表征用户对该内容具有偏好,可以从该内容中抽取出标题并标记为白样本;若用户未触发访问,可以表征用户对该内容不具有偏好,可以从该内容中抽取出标题并标记为黑样本。其中,这些曝光内容可以包括服务页面内提供的历史文案,也可以包括其他业务场景下的曝光内容。例如,在一些例子中,预先准备多份文案,由于这些文案暂未推给用户,暂未能获取到样本,可选的,可以将这些文案随机推送给用户以此向用户曝光,也可以分析文案的语义,根据不同语义的类型将文案推送给相匹配的用户,例如,根据用户的基础特征来选取不同语义类型的文案推送给用户,从而获取到第一类样本或第二类样本,还可以结合他业务场景下的历史曝光内容来获取用户的访问记录,进而构建样本。在一些例子,还可以在文案预测模型训练的过程中进行样本数据的迭代优化,例如,通过一些文案的推送后获取到访问记录并构建样本,利用样本训练模型后,获取到用户偏好的文案后,利用用户偏好的文案再次构建新的文案推送给用户,例如基于已有的文案的语义,利用同义词等方式生成语义相似的新文案;或者,还可以同时利用用户偏好的文案来调整已有的样本。推送的新文案可以再次获取到访问记录并构建新的样本,以进一步训练文案预测模型。
对于特征的设计,可以包括前述的用户基础特征,以及内容的特征,内容特征是指样本中内容的特征,例如内容标题、内容中的短文本等。
对于模型的选择,作为例子,如图2C所示,模型可以采用TextCNN(用于文本分类的卷积神经网络)结合DNN(深度神经网络,Deep Neural Networks)的方案。在训练时,可以将内容特征输入至TextCNN中,将用户特征输入至DNN中,模型利用TextCNN输出的特征以及DNN输出的特征进行融合后,识别出用户对文案的偏好。
通过上述方式,服务端即可预先训练出复访预测模型和文案预测模型,这两个模型可以配置于客户端中,也可以设置于服务端中,在用户访问目标服务时,触发模型进行服务处理。其中,由于不同服务具有不同的特点,还可以预先为不同服务配置不同的多个预设提示文案。当用户触发访问目标服务时,首先触发复访预测模型进行预测,可以获取用户的用户特征,以及目标服务的服务特征输入至复访预测模型,利用复访预测模型预测用户是否会再次访问该目标服务。若所述复访预测模型的预测结果为用户不会再次访问所述目标服务,可以结束处理。若所述复访预测模型的预测结果为用户会再次访问所述目标服务,接下来可以触发所述文案预测模型预测用户偏好的提示文案,所述文案预测模型用于:从预先为所述目标服务配置的多个预设提示文案中,预测出所述用户偏好度最高的提示文案并输出。之后,在服务页面中提供更新功能,并且在服务页面中输出提示文案,以利用用户偏好的提示文案提示用户触发该更新功能,从而客户端检测到更新功能被触发后,可以将该目标服务的服务入口更新至指定区域中。作为例子,指定区域中所展示的服务入口有数量限制,可以根据需要,触发提供对指定区域中各服务入口的编辑功能,使用户通过该编辑功能可以选择撤下哪个服务入口,以替换为目标服务的服务入口。在另一些例子中,还可以根据需要识别指定区域中各服务入口的使用频率等,以通过一些设定策略自动选取被替换的服务入口,例如设定策略可以是近期一定时间段内使用频率较低的服务入口等。
如图2D所示,是本说明书根据一示例性实施例示出的另一种服务处理方法的流程图,本实施例从客户端的角度进行描述,该方法可包括如下步骤:
在步骤212中,检测到目标服务被用户访问后,跳转至所述目标服务的服务页面。
其中,所述目标服务的访问入口未在所述指定区域中展示;
在步骤214中,向服务端发送所述目标服务被用户访问的消息后,若接收到所述服务端发送的提示文案,在所述服务页面中提供更新功能,以及输出所述提示文案。
所述提示文案用于提示用户触发所述服务页面中提供的更新功能。所述提示文案是所述服务端在接收到所述消息后,利用复访预测模型预测用户会再次访问所述目标服务后,利用文案预测模型预测得到的。
在步骤216中,若检测到所述更新功能被触发,将所述目标服务的访问入口更新至所述指定区域。
接下来再通过一实施例进行说明。
客户端中的小程序为用户提供各种各样的服务,比如交水电费,查社保,出行等等,为用户提供了极大的便利。这些小程序数量较多,且来自于多个不同的业务方。用户触达和复访小程序的链路较深,为缩短用户复访路径,培养用户复访心智,为业务方提供服务,当业务方的小程序满足一定条件后,用户可以把业务方的小程序添加到首页中的指定区域,添加到首页中的指定区域后小程序的复访路径会被大大缩短。
基于此,如何引导用户将小程序添加到宫格变成了一个重要的问题,需要综合考虑平台、业务方和用户三者的体验。对于业务方来说,希望引导更多的用户,对于用户来说,应该引导用户添加喜爱的小程序,而且保证打扰度最低,作为平台来说,合理的引导,既能帮助业务方提升流量,也能帮助用户节省时间,提升复访心智。
本实施例提供的服务处理方案,首先找出用户喜爱且会复访的小程序,然后找出用户喜爱的文案,通过文案引导用户把小程序添加到客户端首页中的指定区域,这样可以降低用户复访路径,提升用户粘性,让用户在客户端上的体验更加顺畅。
当检测到用户访问未在首页指定区域中展示的小程序时,会触发复访预测模型,预测该用户是否会复访该小程序,如果是,那么会触发文案预测模型,针对该小程序预先配置有多个文案,文案预测模型从中预测出用户偏爱度最高的文案,然后使用该文案引导用户把小程序添加到首页的指定区域,从而方便用户下次复访使用。
本实施例中采用两个模型,每个模型负责不同的任务,因此可控性比较好,准确性较高;并且,在复访预测模型预测出用户不会复访后,即可终止后续处理,因此可以大幅度降低计算量,处理效率更高。
与前述服务处理方法的实施例相对应,本说明书还提供了服务处理装置及其所应用的计算机设备的实施例。
本说明书服务处理装置的实施例可以应用在计算机设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在安全保护的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图3所示,为本说明书实施例服务处理装置所在计算机设备的一种硬件结构图,除了图3所示的处理器310、内存330、网络接口320、以及非易失性存储器340之外,实施例中装置331所在的计算机设备,通常根据该计算机设备的实际功能,还可以包括其他硬件,对此不再赘述。
如图4所示,图4是本说明书根据一示例性实施例示出的一种服务处理装置的框图,其中,所述服务的访问入口由客户端提供,所述客户端提供有多种服务,客户端页面的指定区域用于展示所述多种服务中部分服务的访问入口,所述装置包括:
复访预测模块41,用于:确定目标服务被用户访问后,利用复访预测模型预测用户是否会再次访问所述目标服务;其中,所述目标服务的访问入口未在所述指定区域中展示;
提示处理模块42,用于:根据所述复访预测模型的预测结果,确定是否利用文案预测模型预测用户偏好的提示文案;其中,所述提示文案用于在所述目标服务的服务页面中输出,以提示用户触发所述服务页面中提供的更新功能,所述更新功能用于触发将所述目标服务的访问入口更新至所述指定区域。
如图5所示,图5是本说明书根据一示例性实施例示出的另一种服务处理装置的框图,其中,所述装置应用于客户端,所述客户端提供有多种服务,客户端页面的指定区域用于展示所述多种服务中部分服务的访问入口;所述装置包括:
服务检测模块51,用于:检测到目标服务被用户访问后,跳转至所述目标服务的服务页面;其中,所述目标服务的访问入口未在所述指定区域中展示;
输出模块52,用于:向服务端发送所述目标服务被用户访问的消息后,在接收到所述服务端发送的提示文案后,在所述服务页面中提供更新功能,以及输出所述提示文案,并将所述提示文案输出;所述提示文案用于提示用户触发所述服务页面中提供的更新功能;所述提示文案是所述服务端在接收到所述消息后,利用复访预测模型预测用户会再次访问所述目标服务后,利用文案预测模型预测得到的;
更新检测模块53,用于:在检测到所述更新功能被触发后,将所述目标服务的访问入口更新至所述指定区域。
上述服务处理装置中各个模块的功能和作用的实现过程具体详见上述服务处理方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本说明书实施例还提供一种计算机设备,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,所述处理器执行所述程序时实现前述服务处理方法的实施例。
本说明书实施例还提供一种计算机设备,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,所述处理器执行所述程序时实现前述服务处理方法的实施例。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。

Claims (13)

1.一种服务处理方法,所述服务的访问入口由客户端提供,所述客户端提供有多种服务,客户端页面的指定区域用于展示所述多种服务中部分服务的访问入口,所述方法包括:
确定目标服务被用户访问后,利用复访预测模型预测用户是否会再次访问所述目标服务;其中,所述目标服务的访问入口未在所述指定区域中展示;
根据所述复访预测模型的预测结果,确定是否利用文案预测模型预测用户偏好的提示文案;其中,所述提示文案用于在所述目标服务的服务页面中输出,以提示用户触发所述服务页面中提供的更新功能,所述更新功能用于触发将所述目标服务的访问入口更新至所述指定区域。
2.根据权利要求1所述的方法,所述根据所述复访预测模型的预测结果,确定是否利用文案预测模型预测用户偏好的提示文案,包括:
若所述复访预测模型的预测结果为用户会再次访问所述目标服务,利用所述文案预测模型预测用户偏好的提示文案;
若所述复访预测模型的预测结果为用户不会再次访问所述目标服务,结束处理。
3.根据权利要求1所述的方法,所述复访预测模型至少利用如下样本数据训练得到:
表征用户会再次访问服务的第一类样本,以及表征用户不会再次访问服务的第二类样本;其中,所述第一类样本是通过用户在历史设定时间段内访问服务的次数超过设定次数阈值的历史数据确定的;所述第二类样本是通过用户在历史设定时间段内访问服务的次数低于设定次数阈值的历史数据确定的。
4.根据权利要求3所述的方法,所述样本数据通过如下方式构建得到:
获取客户端产生的历史日志集,所述历史日志集中每条日志记录有用户访问服务的历史时间;
针对每条日志,执行如下操作:
根据所述日志集,确定在所述日志记录的用户访问服务的历史时间之后的历史设定时间段内,用户再次访问所述服务的次数;
若用户在历史设定时间段内访问服务的次数超过设定次数阈值,将所述日志标记为第一类样本;
若用户在历史设定时间段内访问服务的次数低于设定次数阈值,将所述日志标记为第二类样本。
5.根据权利要求1所述的方法,所述复访预测模型利用如下特征预测用户是否会再次访问所述目标服务:用户的用户特征和目标服务的服务特征。
6.根据权利要求5所述的方法,所述用户特征至少包括:表征用户偏好的用户基础特征或表征用户与服务的交互行为的用户行为特征。
7.根据权利要求1所述的方法,所述文案预测模型至少利用如下样本数据训练得到:表征用户偏好的文案的第一类样本,以及表征用户未偏好的文案的第二类样本。
8.根据权利要求1所述的方法,所述文案预测模型用于:从预先为所述目标服务配置的多个预设提示文案中,预测出所述用户偏好度最高的提示文案并输出。
9.一种服务处理方法,所述方法应用于客户端,所述客户端提供有多种服务,客户端页面的指定区域用于展示所述多种服务中部分服务的访问入口;所述方法包括:
检测到目标服务被用户访问后,跳转至所述目标服务的服务页面;其中,所述目标服务的访问入口未在所述指定区域中展示;
向服务端发送所述目标服务被用户访问的消息后,若接收到所述服务端发送的提示文案,在所述服务页面中提供更新功能,以及输出所述提示文案,并将所述提示文案输出;所述提示文案用于提示用户触发所述服务页面中提供的更新功能;所述提示文案是所述服务端在接收到所述消息后,利用复访预测模型预测用户会再次访问所述目标服务后,利用文案预测模型预测得到的;
若检测到所述更新功能被触发,将所述目标服务的访问入口更新至所述指定区域。
10.一种服务处理装置,所述服务的访问入口由客户端提供,所述客户端提供有多种服务,客户端页面的指定区域用于展示所述多种服务中部分服务的访问入口,所述装置包括:
复访预测模块,用于:确定目标服务被用户访问后,利用复访预测模型预测用户是否会再次访问所述目标服务;其中,所述目标服务的访问入口未在所述指定区域中展示;
提示处理模块,用于:根据所述复访预测模型的预测结果,确定是否利用文案预测模型预测用户偏好的提示文案;其中,所述提示文案用于在所述目标服务的服务页面中输出,以提示用户触发所述服务页面中提供的更新功能,所述更新功能用于触发将所述目标服务的访问入口更新至所述指定区域。
11.一种服务处理装置,所述装置应用于客户端,所述客户端提供有多种服务,客户端页面的指定区域用于展示所述多种服务中部分服务的访问入口;所述装置包括:
服务检测模块,用于:检测到目标服务被用户访问后,跳转至所述目标服务的服务页面;其中,所述目标服务的访问入口未在所述指定区域中展示;
输出模块,用于:向服务端发送所述目标服务被用户访问的消息后,若接收到所述服务端发送的提示文案后,在所述服务页面中提供更新功能,以及输出所述提示文案,并将所述提示文案输出;所述提示文案用于提示用户触发所述服务页面中提供的更新功能;所述提示文案是所述服务端在接收到所述消息后,利用复访预测模型预测用户会再次访问所述目标服务后,利用文案预测模型预测得到的;
更新检测模块,用于:在检测到所述更新功能被触发后,将所述目标服务的访问入口更新至所述指定区域。
12.一种计算机设备,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,所述处理器执行所述程序时实现如权利要求1至8任一所述的方法。
13.一种计算机设备,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,所述处理器执行所述程序时实现如权利要求9所述的方法。
CN202110336524.8A 2021-03-29 2021-03-29 服务处理方法、装置及计算机设备 Active CN113094611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110336524.8A CN113094611B (zh) 2021-03-29 2021-03-29 服务处理方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110336524.8A CN113094611B (zh) 2021-03-29 2021-03-29 服务处理方法、装置及计算机设备

Publications (2)

Publication Number Publication Date
CN113094611A CN113094611A (zh) 2021-07-09
CN113094611B true CN113094611B (zh) 2022-07-01

Family

ID=76670846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110336524.8A Active CN113094611B (zh) 2021-03-29 2021-03-29 服务处理方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN113094611B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280749A (zh) * 2018-02-13 2018-07-13 口口相传(北京)网络技术有限公司 服务功能入口的展示方法及装置
CN111369029A (zh) * 2018-12-06 2020-07-03 北京嘀嘀无限科技发展有限公司 服务选择预测方法、装置、电子设备及存储介质
CN111767487A (zh) * 2020-05-22 2020-10-13 阿里巴巴集团控股有限公司 页面展示方法、装置及电子设备
CN112214271A (zh) * 2020-09-23 2021-01-12 支付宝(杭州)信息技术有限公司 页面引导方法、装置和电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8560964B2 (en) * 2008-02-20 2013-10-15 International Business Machines Corporation Method and system for predictive browsing
US20140279793A1 (en) * 2013-03-14 2014-09-18 Balderdash Inc. Systems and methods for providing relevant pathways through linked information
US10671680B2 (en) * 2016-08-25 2020-06-02 Microsoft Technology Licensing, Llc Content generation and targeting using machine learning
US11238358B2 (en) * 2017-12-18 2022-02-01 Microsoft Technology Licensing, Llc Predicting site visit based on intervention
US11625449B2 (en) * 2018-11-16 2023-04-11 Syracuse University Intent-oriented internet browsing

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280749A (zh) * 2018-02-13 2018-07-13 口口相传(北京)网络技术有限公司 服务功能入口的展示方法及装置
CN111369029A (zh) * 2018-12-06 2020-07-03 北京嘀嘀无限科技发展有限公司 服务选择预测方法、装置、电子设备及存储介质
CN111767487A (zh) * 2020-05-22 2020-10-13 阿里巴巴集团控股有限公司 页面展示方法、装置及电子设备
CN112214271A (zh) * 2020-09-23 2021-01-12 支付宝(杭州)信息技术有限公司 页面引导方法、装置和电子设备

Also Published As

Publication number Publication date
CN113094611A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
US10083020B2 (en) Computing device facilitating end user access to functionality of applications not yet installed
AU2014284401B2 (en) Method and apparatus for determining user browsing behavior
Helmond et al. Social media and platform historiography: Challenges and opportunities
US11748557B2 (en) Personalization of content suggestions for document creation
US20140074622A1 (en) Systems and methods for rule based inclusion of pixel retargeting in campaign management
US11061980B2 (en) System and method for integrating content into webpages
CN103098051A (zh) 搜索引擎优化助理
CN102243647A (zh) 从结构化数据中提取高阶知识
US11354378B2 (en) Web experience augmentation based on local and global content preferences
CA2985257A1 (en) System and method for ranking search results
CN110674408A (zh) 业务平台、训练样本的实时生成方法及装置
US20150128038A1 (en) Guided profile editing system
US11836331B2 (en) Mathematical models of graphical user interfaces
US20170185608A1 (en) App Onboarding System For Developer-Defined Creation Of Search Engine Results
Jisha et al. Mobile applications recommendation based on user ratings and permissions
CN114647627A (zh) 基于数据属性对数据集进行排序
US10997254B1 (en) 1307458USCON1 search engine optimization in social question and answer systems
US20220374345A1 (en) Techniques for similarity determination across software testing configuration data entities
CN113094611B (zh) 服务处理方法、装置及计算机设备
CN114356744A (zh) 基于机器学习的应用程序界面遍历方法及设备
Shyr et al. Automated data analysis
CN114861043A (zh) 一种模型训练以及推荐位置确定方法及装置
CN111522747A (zh) 一种应用程序的处理方法、装置、设备及介质
CN110633431B (zh) 一种Web请求关联的分析方法和装置
US20230394714A1 (en) Synthesizing visualizations for content collections

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40055475

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant