CN113240487B - 流量调控方法和装置 - Google Patents
流量调控方法和装置 Download PDFInfo
- Publication number
- CN113240487B CN113240487B CN202110510336.2A CN202110510336A CN113240487B CN 113240487 B CN113240487 B CN 113240487B CN 202110510336 A CN202110510336 A CN 202110510336A CN 113240487 B CN113240487 B CN 113240487B
- Authority
- CN
- China
- Prior art keywords
- flow
- model
- merchant
- data
- target
- 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
Links
- 230000033228 biological regulation Effects 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000001105 regulatory effect Effects 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008093 supporting effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000009828 non-uniform distribution Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000006583 body weight regulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9532—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了流量调控方法和装置，具体实现方案为：响应于接收到搜索请求，对搜索请求进行内容解析，生成搜索请求对应的搜索词；获取搜索词对应的各个对象的第一流量数据；将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，流量调整模型用于表征基于各类业务的流量调整策略和所有对象对应的各个商家的目标调控流量对各个对象的第一流量数据进行修改，商家的目标调控流量通过对商家的自然流量和商家的流量增量进行预估而生成。该方案实现了一个业务驱动的、全局的、通用的流量调控方法。
Description
技术领域
本申请的实施例涉及计算机技术领域，具体涉及智能搜索技术领域，尤其涉及流量调控方法和装置。
背景技术
在电商商城搜索系统中，搜索结果的排序主要受用户在系统中的搜索词的相关性和搜索商品自身的反馈因素影响，相关性越大，商品的反馈越好，排序越靠前。然而，对于大促期间的促销信息、新业务的流量倾斜，上述排序模型无法快速响应，需要电商通过策略对不同业务进行流量(比如商家希望达到的目标曝光量或目标点击量)调控。现有的流量调控策略是先对每种类型的业务(比如新品养品业务、节假日扶持活动等)构建排序模块，然后调整排序模块内商品的权重进行商品排序，多个业务串行排序。
现有的流量调控策略因多个业务策略串行实现，若商品同时命中不同的策略，上一层排序模块的调控在下一层排序模块中会被重复加权或者加权效果被抵消，无法精准的达到商家的业务诉求，同时现有的流量调控策略只能在实验结束后才能验证业务效果，功能确定性弱，并且每次新的业务都需要重新开发、上线，人力成本高，迭代速度慢。
发明内容
本申请提供了一种流量调控方法、装置、设备以及存储介质。
根据本申请的第一方面，提供了一种流量调控方法，该方法包括：响应于接收到搜索请求，对搜索请求进行内容解析，生成搜索请求对应的搜索词；获取搜索词对应的各个对象的第一流量数据，其中，各个对象用于表征搜索请求所需查询的各款产品，流量数据用于表征各款产品预期达到的数据流量；将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，流量调整模型用于表征基于各类业务的流量调整策略和所有对象对应的各个商家的目标调控流量对各个对象的第一流量数据进行修改，商家的目标调控流量通过对商家的自然流量和商家的流量增量进行预估而生成。
在一些实施例中，流量调整模型基于各个对象的权重系数对相应对象的流量数据进行加权，各个对象的权重系数基于各类业务的流量调整策略、所有对象对应的各个商家的目标调控流量和各个对象的自身效率而确定。
在一些实施例中，流量调整模型包括：分类子模型和调整子模型，将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，包括：将各个对象的第一流量数据输入至分类子模型，生成各个类型对应的对象集和各个类型对应的各个对象的第一流量数据，其中，分类子模型用于表征对各个对象进行类别划分，并基于划分结果将各个对象的第一流量数据进行归类；将各个类型对应的各个对象的第一流量数据输入至调整子模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，调整子模型用于表征基于各类业务的与各个类型对应的流量调整策略和所有对象对应的各个商家的与各个类型对应的目标调控流量，对各个类型对应的各个对象的第一流量进行修改。
在一些实施例中，获取搜索词对应的各个对象的第一流量数据，包括：将搜索词输入至训练得到的流量生成模型，生成搜索词对应的各个对象的排序和与排序对应的各个对象的第一流量数据，其中，流量生成模型包括：排序子模型和生成子模型，排序子模型用于表征基于搜索词对应的各个对象的流量数据的统计结果对各个对象进行排序，生成子模型用于表征基于各个对象的排序利用流量生成函数确定各个对象的第一流量数据。
在一些实施例中，流量调整模型包括：第一子模型和第二子模型，将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，包括：将各个对象的排序输入至第一子模型，生成调整后的各个对象的排序和与调整后的各个对象的排序对应的各个对象的第一流量数据，其中，第一子模型用于表征基于各类业务的流量调整策略，以所有对象对应的各个商家的目标调控流量为目标对各个对象的排序进行调整；将调整后的各个对象的排序对应的各个对象的第一流量数据输入至第二子模型，生成与调整后的各个对象的第一流量数据对应的各个对象的第二流量数据，其中，第二子模型用于表征基于各类业务的流量调整策略，以所有对象对应的各个商家的目标调控流量为目标对各个对象的第一流量数据进行调整。
在一些实施例中，商家的目标调控流量的生成过程包括：利用流量预估模型生成各个商家的自然流量，其中，流量预估模型用于表征基于各个商家的历史数据和各个商家的流量数据的各种特性对各个商家的流量进行预测，流量预估模型基于时间序列模型而构建；利用增量预估算法对各个商家的流量的增量进行估算，得到各个商家的流量增量；对每个商家的自然流量和流量增量进行计算，得到与每个商家的自然流量和流量增量对应的每个商家的目标调控流量。
在一些实施例中，方法还包括：基于获取到的各个对象的实际流量，判断各个对象对应的各个商家的目标调控流量是否达成，其中，判断用于表征判断获取到的各个对象的实际流量值是否等于各个对象对应的目标调控流量值；响应于各个对象对应的各个商家的目标调控流量未达成，利用学习得到的目标进度控制算法生成各个对象对应的各个商家的新的目标调控流量；根据各个对象对应的各个商家的新的目标调控流量，对流量调整模型中的相应对象对应的各个商家的目标调控流量进行更新。
在一些实施例中，方法还包括：将各个对象的排序和与各个对象的排序对应的各个对象的第二流量数据发送至用户，以向用户展示所用。
根据本申请的第二方面，提供了一种流量调控装置，装置包括：第一生成单元，被配置成响应于接收到搜索请求，对搜索请求进行内容解析，生成搜索请求对应的搜索词；获取单元，被配置成获取搜索词对应的各个对象的第一流量数据，其中，各个对象用于表征搜索请求所需查询的各款产品，流量数据用于表征各款产品预期达到的数据流量；调控单元，被配置成将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，流量调整模型用于表征基于各类业务的流量调整策略和所有对象对应的各个商家的目标调控流量对各个对象的第一流量数据进行修改，商家的目标调控流量通过对商家的自然流量和商家的流量增量进行预估而生成。
在一些实施例中，调控单元中的流量调整模型基于各个对象的权重系数对相应对象的流量数据进行加权，各个对象的权重系数基于各类业务的流量调整策略、所有对象对应的各个商家的目标调控流量和各个对象的自身效率而确定。
在一些实施例中，调控单元中的流量调整模型包括：分类子模型和调整子模型，调控单元，包括：分类模块，被配置成将各个对象的第一流量数据输入至分类子模型，生成各个类型对应的对象集和各个类型对应的各个对象的第一流量数据，其中，分类子模型用于表征对各个对象进行类别划分，并基于划分结果将各个对象的第一流量数据进行归类；调整模块，被配置成将各个类型对应的各个对象的第一流量数据输入至调整子模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，调整子模型用于表征基于各类业务的与各个类型对应的流量调整策略和所有对象对应的各个商家的与各个类型对应的目标调控流量，对各个类型对应的各个对象的第一流量进行修改。
在一些实施例中，获取单元进一步被配置成将搜索词输入至训练得到的流量生成模型，生成搜索词对应的各个对象的排序和与排序对应的各个对象的第一流量数据，其中，流量生成模型包括：排序子模型和生成子模型，排序子模型用于表征基于搜索词对应的各个对象的流量数据的统计结果对各个对象进行排序，生成子模型用于表征基于各个对象的排序利用流量生成函数确定各个对象的第一流量数据。
在一些实施例中，调控单元中的流量调整模型包括：第一子模型和第二子模型，调控单元，包括：第一生成模块，被配置成将各个对象的排序输入至第一子模型，生成调整后的各个对象的排序和与调整后的各个对象的排序对应的各个对象的第一流量数据，其中，第一子模型用于表征基于各类业务的流量调整策略，以所有对象对应的各个商家的目标调控流量为目标对各个对象的排序进行调整；第二生成模块，被配置成将调整后的各个对象的排序对应的各个对象的第一流量数据输入至第二子模型，生成与调整后的各个对象的第一流量数据对应的各个对象的第二流量数据，其中，第二子模型用于表征基于各类业务的流量调整策略，以所有对象对应的各个商家的目标调控流量为目标对各个对象的第一流量数据进行调整。
在一些实施例中，调控单元中的商家的目标调控流量利用以下模块而生成：流量预估模块，被配置成利用流量预估模型生成各个商家的自然流量，其中，流量预估模型用于表征基于各个商家的历史数据和各个商家的流量数据的各种特性对各个商家的流量进行预测，流量预估模型基于时间序列模型而构建；增量估算模块，被配置成利用增量预估算法对各个商家的流量的增量进行估算，得到各个商家的流量增量；计算模块，被配置成对每个商家的自然流量和流量增量进行计算，得到与每个商家的自然流量和流量增量对应的每个商家的目标调控流量。
在一些实施例中，装置还包括：判断单元，被配置成基于获取到的各个对象的实际流量，判断各个对象对应的各个商家的目标调控流量是否达成，其中，判断用于表征判断获取到的各个对象的实际流量值是否等于各个对象对应的目标调控流量值；第二生成单元，被配置成响应于各个对象对应的各个商家的目标调控流量未达成，利用学习得到的目标进度控制算法生成各个对象对应的各个商家的新的目标调控流量；更新单元，被配置成根据各个对象对应的各个商家的新的目标调控流量，对流量调整模型中的相应对象对应的各个商家的目标调控流量进行更新。
在一些实施例中，装置还包括：发送单元，被配置成将各个对象的排序和与各个对象的排序对应的各个对象的第二流量数据发送至用户，以向用户展示所用。
根据本申请的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
根据本申请的第四方面，本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
根据本申请的技术采用响应于接收到搜索请求，对搜索请求进行内容解析，生成搜索请求对应的搜索词，获取搜索词对应的各个对象的第一流量数据，将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，流量调整模型用于表征基于各类业务的流量调整策略和所有对象对应的各个商家的目标调控流量对各个对象的第一流量数据进行修改，商家的目标调控流量通过对商家的自然流量和商家的流量增量进行预估而生成，解决了现有技术中因不同的搜索词下权重系数分布不统一，导致对商品的调控结果不可预知，并且在多个业务策略串行实现，若商品同时命中不同的策略，上一层排序模块的调控在下一层排序模块中会被重复加权或者加权效果被抵消，无法精准的达到商家的业务诉求的问题。避免了现有技术只能在实验结束后才能验证业务效果，功能确定性弱，以及每次新的业务都需要重新开发、上线，人力成本高，迭代速度慢的问题。进一步解决了目前商家流量存在不确定性、不可预估，无法刺激商家进行资源投入，从而无法形成商家优质货品等资源投入、平台流量增长及效率提升的闭环模式。通过将各种生态业务抽象称为一套通用的流量调控模型，通过不同的策略实现业务目标，实现了一个业务驱动的、全局的、通用的流量调控方法。将加权转变成一个目标优化问题，实现了方法的业务驱动；权衡各类业务策略进行流量调控，体现了方法的全局性；方法利用平台即服务(PaaS)能力快速支持，新业务的支持通过配置即可上线，体现了方法的通用性。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。
图1是根据本申请的流量调控方法的第一实施例的示意图；
图2是可以实现本申请实施例的流量调控方法的场景图；
图3是根据本申请的流量调控方法的第二实施例的示意图；
图4是根据本申请的流量调控装置的一个实施例的结构示意图；
图5是用来实现本申请实施例的流量调控方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的流量调控方法的第一实施例的示意图100。该流量调控方法，包括以下步骤：
步骤101，响应于接收到搜索请求，对搜索请求进行内容解析，生成搜索请求对应的搜索词。
在本实施例中，执行主体可以通过有线连接或无线连接的方式从本地或远端实时地接收用户发送的搜索请求，通过对搜索请求进行内容解析，提取搜索请求对应的搜索词。需要指出的是，上述无线连接方式可以包括但不限于3G、4G、5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤102，获取搜索词对应的各个对象的第一流量数据。
在本实施例中，执行主体可以基于步骤101生成的搜索词，通过查询库文件并进行数据统计，获取搜索词对应的各个对象的第一流量数据。各个对象用于表征搜索请求所需查询的各款产品，各个对象可以通过各款产品的SKU来表征，流量数据用于表征各款产品预期达到的数据流量。数据流量可以包括：目标曝光量、目标点击量、订单量以及目标产品转化率所对应的产品曝光量或产品点击量中的至少一种。
步骤103，将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据。
在本实施例中，执行主体可以将步骤102中获取到的各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据。流量调整模型可以用于表征基于各类业务的流量调整策略，随着反馈的所有对象对应的各个商家的目标调控流量的达成情况，不断地对各个对象的第一流量数据进行调整，实现流量调控。各类业务可以包括：新商品的养品业务、新店铺的流量打造业务、商品在特殊节假日的扶持活动、全球购生态业务等，业务的流量调控策略可以包括：根据不同的业务设定的根据商家的资源投入给予商品更多的流量倾斜，根据商家的作弊等行为对流量进行打压等。商家是指产品品牌方，目标调控流量可以表征商家目标流量的增量、也可以表征商家目标流量的总量。商家的目标调控流量通过对商家的自然流量和商家的流量增量进行预估而生成。
在本实施例的一些可选的实现方式中，商家的目标调控流量的生成过程包括：利用流量预估模型生成各个商家的自然流量，其中，流量预估模型用于表征基于各个商家的历史数据(例如商家在历届大促或品牌日活动中的曝光量或点击量)和各个商家的流量数据的各种特性对各个商家的流量进行预测，流量预估模型基于时间序列模型而构建，各种特性可以包括：流量的周期性、趋势性、在大促或品类日的爆发性，以及商家在不同业务类型的流量占比、行业份额占比等；利用增量预估算法对各个商家的流量的增量进行估算，得到各个商家的流量增量，例如，在商家投入一定的营销资源和货品资源的情况下，在不影响整体效率的基础上，使用动态规划方案求解流量增量；综合以上两个量值，根据历史流量承接能力设定大促或超品日等商家需要达成的目标，对每个商家的自然流量和流量增量进行计算，得到与每个商家的自然流量和流量增量对应的每个商家的目标调控流量，比如某个品牌经过预估在大促期间的自然点击量为100万，根据商家的投入资源和商品折扣信息预估点击量增量为10％，则最终商家的目标调控流量为100万*(1+10％)＝110万。实现了一种根据不同商家的快速生成目标调控流量的方法。
在本实施例的一些可选的实现方式中，流量调整模型基于各个对象的权重系数对相应对象的流量数据进行加权，各个对象的权重系数基于各类业务的流量调整策略、所有对象对应的各个商家的目标调控流量和各个对象的自身效率而确定。通过将多个加权、降权统一决策避免了重复加权，进一步体现了方法的全局性。
在本实施例的一些可选的实现方式中，流量调整模型包括：分类子模型和调整子模型，将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，包括：将各个对象的第一流量数据输入至分类子模型，生成各个类型对应的对象集和各个类型对应的各个对象的第一流量数据，其中，分类子模型用于表征对各个对象进行类别划分，类别划分方式可以包括针对各类业务、各类产品、各类商家、各类需求等各种已有和将会有的数据分类方式，并基于划分结果将各个对象的第一流量数据进行归类；将各个类型对应的各个对象的第一流量数据输入至调整子模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，调整子模型用于表征基于各类业务的与各个类型对应的流量调整策略和所有对象对应的各个商家的与各个类型对应的目标调控流量，对各个类型对应的各个对象的第一流量进行修改。流量的调控针对不同的数据类型进行调控，使调控富有针对性、更有侧重，提升了系统的效率和精准度。
在本实施例的一些可选的实现方式中，方法还包括：基于获取到的各个对象的实际流量，判断各个对象对应的各个商家的目标调控流量是否达成，其中，判断用于表征判断获取到的各个对象的实际流量值是否等于各个对象对应的目标调控流量值；响应于各个对象对应的各个商家的目标调控流量未达成，利用学习得到的目标进度控制算法(比如PID控制算法)生成各个对象对应的各个商家的新的目标调控流量；根据各个对象对应的各个商家的新的目标调控流量，对流量调整模型中的相应对象对应的各个商家的目标调控流量进行更新。通过较快速地收集到调控的反馈，比如曝光是否增加(点击、订单等需要更长时间),能够较快速地评估扶持策略带来的损失。如一个扶持策略过于激进带来比较大的损失时，系统能够及时感知和回调。方法还可以对系统效率进行监控，以优先保证在效率无损的情况下精准的达成业务目标。实现了实时监测商家的目标达成情况，并及时调整目标扶持力度。通过对目标进度控制算法经过一段时间的反馈学习，可以相对精准的达到商家的目标调控流量，保证了流量的精确性。
在本实施例的一些可选的实现方式中，方法还包括：将各个对象的排序和与各个对象的排序对应的各个对象的第二流量数据发送至用户，通过在线调控流量的方法，获取到精准的对象排序和对象流量数据，以向用户进行准确而有效地展示。
需要说明的是，上述执行主体可以存储有流量调整模型、流量预估模型和增量预估算法，流量调整模型、流量预估模型和增量预估算法模型可以基于历史数据利用机器学习技术预先训练得到，该流量调整模型、流量预估模型和增量预估算法模型例如可以是数据表或计算公式等，本实施例不对此方面内容做任何限定。技术人员可以根据实际需求，自行设定上述流量调整模型、流量预估模型和增量预估算法模型的模型结构，本公开的实施例对此不做限定。
继续参见图2，本实施例的流量调控方法200运行于中台服务器201中。当中台服务器201接收到搜索请求，对搜索请求进行内容解析，生成搜索请求对应的搜索词202，然后中台服务器201获取搜索词对应的各个对象的第一流量数据203，最后中台服务器201将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据204。其中，流量调整模型用于表征基于各类业务的流量调整策略和所有对象对应的各个商家的目标调控流量对各个对象的第一流量数据进行修改，商家的目标调控流量通过对商家的自然流量和商家的流量增量进行预估而生成。
本申请的上述实施例提供的流量调控方法采用响应于接收到搜索请求，对搜索请求进行内容解析，生成搜索请求对应的搜索词，获取搜索词对应的各个对象的第一流量数据，将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，流量调整模型用于表征基于各类业务的流量调整策略和所有对象对应的各个商家的目标调控流量对各个对象的第一流量数据进行修改，商家的目标调控流量通过对商家的自然流量和商家的流量增量进行预估而生成，解决了现有技术中因不同的搜索词下权重系数分布不统一，导致对商品的调控结果不可预知，并且在多个业务策略串行实现，若商品同时命中不同的策略，上一层排序模块的调控在下一层排序模块中会被重复加权或者加权效果被抵消，无法精准的达到商家的业务诉求的问题。避免了现有技术只能在实验结束后才能验证业务效果，功能确定性弱，以及每次新的业务都需要重新开发、上线，人力成本高，迭代速度慢的问题。进一步解决了目前商家流量存在不确定性、不可预估，无法刺激商家进行资源投入，从而无法形成商家优质货品等资源投入、平台流量增长及效率提升的闭环模式。通过将各种生态业务抽象称为一套通用的流量调控模型，通过不同的策略实现业务目标，实现了一个业务驱动的、全局的、通用的流量调控方法。将加权转变成一个目标优化问题，实现了方法的业务驱动；权衡各类业务策略进行流量调控，体现了方法的全局性；方法利用平台即服务(PaaS)能力快速支持，新业务的支持通过配置即可上线，体现了方法的通用性。
进一步参考图3，其示出了流量调控方法的第二实施例的示意图300。该方法的流程包括以下步骤：
步骤301，响应于接收到搜索请求，对搜索请求进行内容解析，生成搜索请求对应的搜索词。
步骤302，将搜索词输入至训练得到的流量生成模型，生成搜索词对应的各个对象的排序和与排序对应的各个对象的第一流量数据。
在本实施例中，执行主体可以将步骤301生成的搜索词输入至训练得到的流量生成模型，生成搜索词对应的各个对象的排序和与排序对应的各个对象的第一流量数据。流量生成模型包括：排序子模型和生成子模型，排序子模型用于表征基于搜索词在搜索结果中的各个对象的流量数据的统计结果对各个对象进行排序，这里的排序是商品在搜索结果中各个位置的排序，生成子模型用于表征基于各个对象的排序利用流量生成函数确定各个对象的第一流量数据。流量生成函数基于不同搜索词对应的不同系数而构建。例如，利用大量训练数据通过机器学习模型拟合得到的流量生成函数为y＝a*y2+b*x+c，其中，x表示搜索词对应的对象排序中的对象位置，y表示对象位置对应的对象流量，a、b、c为模型学习得到的系数，不同搜索词对应的系数不同。
步骤303，将各个对象的排序输入至第一子模型，生成调整后的各个对象的排序和与调整后的各个对象的排序对应的各个对象的第一流量数据。
在本实施例中，流量调整模型包括：第一子模型和第二子模型，执行主体可以将各个对象的排序输入至第一子模型，生成调整后的各个对象的排序和与调整后的各个对象的排序对应的各个对象的第一流量数据。第一子模型用于表征基于各类业务的流量调整策略，根据反馈以所有对象对应的各个商家的目标调控流量为目标，不断地对各个对象的排序进行调整，实现对象排序的调整。
步骤304，将调整后的各个对象的排序对应的各个对象的第一流量数据输入至第二子模型，生成与调整后的各个对象的第一流量数据对应的各个对象的第二流量数据。
在本实施例中，执行主体可以将调整后的各个对象的排序对应的各个对象的第一流量数据输入至第二子模型，生成与调整后的各个对象的第一流量数据对应的各个对象的第二流量数据。第二子模型用于表征基于各类业务的流量调整策略，根据反馈以所有对象对应的各个商家的目标调控流量为目标对调整后的各个对象的排序对应的各个对象的第一流量数据进行调整，实现对象的流量调整。
在本实施例中，步骤301的具体操作与图1所示的实施例中的步骤101的操作基本相同，在此不再赘述。
需要说明的是，上述执行主体可以存储有流量生成模型，流量生成模型可以基于历史数据利用机器学习技术预先训练得到，该流量生成模型例如可以是数据表或计算公式等，本实施例不对此方面内容做任何限定。技术人员可以根据实际需求，自行设定上述流量生成模型的模型结构，本公开的实施例对此不做限定。
从图3中可以看出，与图1对应的实施例相比，本实施例中的流量调控方法的示意图300采用将搜索词输入至训练得到的流量生成模型，生成搜索词对应的各个对象的排序和与排序对应的各个对象的第一流量数据，将各个对象的排序输入至第一子模型，生成调整后的各个对象的排序和与调整后的各个对象的排序对应的各个对象的第一流量数据，将调整后的各个对象的排序对应的各个对象的第一流量数据输入至第二子模型，生成与调整后的各个对象的第一流量数据对应的各个对象的第二流量数据，通过将调控目标转化为搜索词下对应搜索结果排序的提升，以提升结果排序的方法进行流量调整(扶持)，实现了本方法的可控性。调控过程中根据模型函数计算出商品需要排序的位置，随着反馈的进行根据目标的达成情况不断的调控商品排序，实现流量调控的目标，避免了直接通过权重调控的方法造成对位置的变化不可控。
进一步参考图4，作为对上述图1～3所示方法的实现，本申请提供了一种流量调控装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的流量调控装置400包括：第一生成单元401、获取单元402和调控单元403，其中，第一生成单元，被配置成响应于接收到搜索请求，对搜索请求进行内容解析，生成搜索请求对应的搜索词；获取单元，被配置成获取搜索词对应的各个对象的第一流量数据，其中，各个对象用于表征搜索请求所需查询的各款产品，流量数据用于表征各款产品预期达到的数据流量；调控单元，被配置成将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，流量调整模型用于表征基于各类业务的流量调整策略和所有对象对应的各个商家的目标调控流量对各个对象的第一流量数据进行修改，商家的目标调控流量通过对商家的自然流量和商家的流量增量进行预估而生成。
在本实施例中，流量调控装置400的第一生成单元401、获取单元402和调控单元403的具体处理及其所带来的技术效果可分别参考图1对应的实施例中的步骤101到步骤103的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，调控单元中的流量调整模型基于各个对象的权重系数对相应对象的流量数据进行加权，各个对象的权重系数基于各类业务的流量调整策略、所有对象对应的各个商家的目标调控流量和各个对象的自身效率而确定。
在本实施例的一些可选的实现方式中，调控单元中的流量调整模型包括：分类子模型和调整子模型，调控单元，包括：分类模块，被配置成将各个对象的第一流量数据输入至分类子模型，生成各个类型对应的对象集和各个类型对应的各个对象的第一流量数据，其中，分类子模型用于表征对各个对象进行类别划分，并基于划分结果将各个对象的第一流量数据进行归类；调整模块，被配置成将各个类型对应的各个对象的第一流量数据输入至调整子模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，调整子模型用于表征基于各类业务的与各个类型对应的流量调整策略和所有对象对应的各个商家的与各个类型对应的目标调控流量，对各个类型对应的各个对象的第一流量进行修改。
在本实施例的一些可选的实现方式中，获取单元进一步被配置成将搜索词输入至训练得到的流量生成模型，生成搜索词对应的各个对象的排序和与排序对应的各个对象的第一流量数据，其中，流量生成模型包括：排序子模型和生成子模型，排序子模型用于表征基于搜索词对应的各个对象的流量数据的统计结果对各个对象进行排序，生成子模型用于表征基于各个对象的排序利用流量生成函数确定各个对象的第一流量数据。
在本实施例的一些可选的实现方式中，调控单元中的流量调整模型包括：第一子模型和第二子模型，调控单元，包括：第一生成模块，被配置成将各个对象的排序输入至第一子模型，生成调整后的各个对象的排序和与调整后的各个对象的排序对应的各个对象的第一流量数据，其中，第一子模型用于表征基于各类业务的流量调整策略，以所有对象对应的各个商家的目标调控流量为目标对各个对象的排序进行调整；第二生成模块，被配置成将调整后的各个对象的排序对应的各个对象的第一流量数据输入至第二子模型，生成与调整后的各个对象的第一流量数据对应的各个对象的第二流量数据，其中，第二子模型用于表征基于各类业务的流量调整策略，以所有对象对应的各个商家的目标调控流量为目标对各个对象的第一流量数据进行调整。
在本实施例的一些可选的实现方式中，调控单元中的商家的目标调控流量利用以下模块而生成：流量预估模块，被配置成利用流量预估模型生成各个商家的自然流量，其中，流量预估模型用于表征基于各个商家的历史数据和各个商家的流量数据的各种特性对各个商家的流量进行预测，流量预估模型基于时间序列模型而构建；增量估算模块，被配置成利用增量预估算法对各个商家的流量的增量进行估算，得到各个商家的流量增量；计算模块，被配置成对每个商家的自然流量和流量增量进行计算，得到与每个商家的自然流量和流量增量对应的每个商家的目标调控流量。
在本实施例的一些可选的实现方式中，装置还包括：判断单元，被配置成基于获取到的各个对象的实际流量，判断各个对象对应的各个商家的目标调控流量是否达成，其中，判断用于表征判断获取到的各个对象的实际流量值是否等于各个对象对应的目标调控流量值；第二生成单元，被配置成响应于各个对象对应的各个商家的目标调控流量未达成，利用学习得到的目标进度控制算法生成各个对象对应的各个商家的新的目标调控流量；更新单元，被配置成根据各个对象对应的各个商家的新的目标调控流量，对流量调整模型中的相应对象对应的各个商家的目标调控流量进行更新。
在本实施例的一些可选的实现方式中，装置还包括：发送单元，被配置成将各个对象的排序和与各个对象的排序对应的各个对象的第二流量数据发送至用户，以向用户展示所用。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的流量调控方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的流量调控方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的流量调控方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的流量调控方法对应的程序指令/模块(例如，附图4所示的第一生成单元401、获取单元402和调控单元403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及流量调控，即实现上述方法实施例中的流量调控方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据流量调控电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至流量调控电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
流量调控方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与流量调控电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案采用响应于接收到搜索请求，对搜索请求进行内容解析，生成搜索请求对应的搜索词，获取搜索词对应的各个对象的第一流量数据，将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，流量调整模型用于表征基于各类业务的流量调整策略和所有对象对应的各个商家的目标调控流量对各个对象的第一流量数据进行修改，商家的目标调控流量通过对商家的自然流量和商家的流量增量进行预估而生成，解决了现有技术中因不同的搜索词下权重系数分布不统一，导致对商品的调控结果不可预知，并且在多个业务策略串行实现，若商品同时命中不同的策略，上一层排序模块的调控在下一层排序模块中会被重复加权或者加权效果被抵消，无法精准的达到商家的业务诉求的问题。避免了现有技术只能在实验结束后才能验证业务效果，功能确定性弱，以及每次新的业务都需要重新开发、上线，人力成本高，迭代速度慢的问题。进一步解决了目前商家流量存在不确定性、不可预估，无法刺激商家进行资源投入，从而无法形成商家优质货品等资源投入、平台流量增长及效率提升的闭环模式。通过将各种生态业务抽象称为一套通用的流量调控模型，通过不同的策略实现业务目标，实现了一个业务驱动的、全局的、通用的流量调控方法。将加权转变成一个目标优化问题，实现了方法的业务驱动；权衡各类业务策略进行流量调控，体现了方法的全局性；方法利用平台即服务(PaaS)能力快速支持，新业务的支持通过配置即可上线，体现了方法的通用性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (14)
1.一种流量调控方法，所述方法包括：
响应于接收到搜索请求，对所述搜索请求进行内容解析，生成所述搜索请求对应的搜索词；
获取所述搜索词对应的各个对象的第一流量数据，其中，所述各个对象用于表征所述搜索请求所需查询的各款产品，所述流量数据用于表征各款产品预期达到的数据流量，所述数据流量包括：目标曝光量、目标点击量、订单量以及目标产品转化率所对应的产品曝光量或产品点击量中的至少一种；
将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，所述流量调整模型用于表征基于各类业务的流量调整策略和所有对象对应的各个商家的目标调控流量对各个对象的第一流量数据进行修改，所述商家的目标调控流量通过对商家的自然流量和商家的流量增量进行预估而生成。
2.根据权利要求1所述方法，其中，所述流量调整模型基于各个对象的权重系数对相应对象的流量数据进行加权，所述各个对象的权重系数基于各类业务的流量调整策略、所有对象对应的各个商家的目标调控流量和各个对象的自身效率而确定。
3.根据权利要求1所述方法，其中，所述流量调整模型包括：分类子模型和调整子模型，所述将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，包括：
将各个对象的第一流量数据输入至所述分类子模型，生成各个类型对应的对象集和各个类型对应的各个对象的第一流量数据，其中，所述分类子模型用于表征对各个对象进行类别划分，并基于划分结果将各个对象的第一流量数据进行归类；
将各个类型对应的各个对象的第一流量数据输入至所述调整子模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，所述调整子模型用于表征基于各类业务的与所述各个类型对应的流量调整策略和所有对象对应的各个商家的与所述各个类型对应的目标调控流量，对各个类型对应的各个对象的第一流量进行修改。
4.根据权利要求1所述方法，其中，所述获取所述搜索词对应的各个对象的第一流量数据，包括：
将所述搜索词输入至训练得到的流量生成模型，生成所述搜索词对应的各个对象的排序和与所述排序对应的各个对象的第一流量数据，其中，所述流量生成模型包括：排序子模型和生成子模型，所述排序子模型用于表征基于所述搜索词对应的各个对象的流量数据的统计结果对各个对象进行排序，所述生成子模型用于表征基于各个对象的排序利用流量生成函数确定各个对象的第一流量数据。
5.根据权利要求4所述方法，其中，所述流量调整模型包括：第一子模型和第二子模型，所述将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，包括：
将各个对象的排序输入至所述第一子模型，生成调整后的各个对象的排序和与调整后的各个对象的排序对应的各个对象的第一流量数据，其中，所述第一子模型用于表征基于各类业务的流量调整策略，以所有对象对应的各个商家的目标调控流量为目标对各个对象的排序进行调整；
将调整后的各个对象的排序对应的各个对象的第一流量数据输入至所述第二子模型，生成与调整后的各个对象的第一流量数据对应的各个对象的第二流量数据，其中，所述第二子模型用于表征基于各类业务的流量调整策略，以所有对象对应的各个商家的目标调控流量为目标对各个对象的第一流量数据进行调整。
6.根据权利要求1所述方法，其中，所述商家的目标调控流量的生成过程包括：
利用流量预估模型生成所述各个商家的自然流量，其中，所述流量预估模型用于表征基于所述各个商家的历史数据和所述各个商家的流量数据的各种特性对所述各个商家的流量进行预测，所述流量预估模型基于时间序列模型而构建；
利用增量预估算法对所述各个商家的流量的增量进行估算，得到所述各个商家的流量增量；
对每个商家的所述自然流量和所述流量增量进行计算，得到与每个商家的所述自然流量和所述流量增量对应的每个商家的目标调控流量。
7.根据权利要求1所述方法，还包括：
基于获取到的各个对象的实际流量，判断各个对象对应的各个商家的目标调控流量是否达成，其中，所述判断用于表征判断获取到的各个对象的实际流量值是否等于各个对象对应的目标调控流量值；
响应于各个对象对应的各个商家的目标调控流量未达成，利用学习得到的目标进度控制算法生成各个对象对应的各个商家的新的目标调控流量；
根据各个对象对应的各个商家的新的目标调控流量，对所述流量调整模型中的相应对象对应的各个商家的目标调控流量进行更新。
8.一种流量调控装置，所述装置包括：
第一生成单元，被配置成响应于接收到搜索请求，对所述搜索请求进行内容解析，生成所述搜索请求对应的搜索词；
获取单元，被配置成获取所述搜索词对应的各个对象的第一流量数据，其中，所述各个对象用于表征所述搜索请求所需查询的各款产品，所述流量数据用于表征各款产品预期达到的数据流量，所述数据流量包括：目标曝光量、目标点击量、订单量以及目标产品转化率所对应的产品曝光量或产品点击量中的至少一种；
调控单元，被配置成将各个对象的第一流量数据输入至训练得到的流量调整模型，生成与各个对象的第一流量数据对应的各个对象的第二流量数据，其中，所述流量调整模型用于表征基于各类业务的流量调整策略和所有对象对应的各个商家的目标调控流量对各个对象的第一流量数据进行修改，所述商家的目标调控流量通过对商家的自然流量和商家的流量增量进行预估而生成。
9.根据权利要求8所述装置，其中，所述获取单元进一步被配置成将所述搜索词输入至训练得到的流量生成模型，生成所述搜索词对应的各个对象的排序和与所述排序对应的各个对象的第一流量数据，其中，所述流量生成模型包括：排序子模型和生成子模型，所述排序子模型用于表征基于所述搜索词对应的各个对象的流量数据的统计结果对各个对象进行排序，所述生成子模型用于表征基于各个对象的排序利用流量生成函数确定各个对象的第一流量数据。
10.根据权利要求9所述装置，其中，所述调控单元中的所述流量调整模型包括：第一子模型和第二子模型，所述调控单元，包括：
第一生成模块，被配置成将各个对象的排序输入至所述第一子模型，生成调整后的各个对象的排序和与调整后的各个对象的排序对应的各个对象的第一流量数据，其中，所述第一子模型用于表征基于各类业务的流量调整策略，以所有对象对应的各个商家的目标调控流量为目标对各个对象的排序进行调整；
第二生成模块，被配置成将调整后的各个对象的排序对应的各个对象的第一流量数据输入至所述第二子模型，生成与调整后的各个对象的第一流量数据对应的各个对象的第二流量数据，其中，所述第二子模型用于表征基于各类业务的流量调整策略，以所有对象对应的各个商家的目标调控流量为目标对各个对象的第一流量数据进行调整。
11.根据权利要求8所述装置，其中，所述调控单元中的所述商家的目标调控流量利用以下模块而生成：
流量预估模块，被配置成利用流量预估模型生成所述各个商家的自然流量，其中，所述流量预估模型用于表征基于所述各个商家的历史数据和所述各个商家的流量数据的各种特性对所述各个商家的流量进行预测，所述流量预估模型基于时间序列模型而构建；
增量估算模块，被配置成利用增量预估算法对所述各个商家的流量的增量进行估算，得到所述各个商家的流量增量；
计算模块，被配置成对每个商家的所述自然流量和所述流量增量进行计算，得到与每个商家的所述自然流量和所述流量增量对应的每个商家的目标调控流量。
12.根据权利要求8所述装置，还包括：
判断单元，被配置成基于获取到的各个对象的实际流量，判断各个对象对应的各个商家的目标调控流量是否达成，其中，所述判断用于表征判断获取到的各个对象的实际流量值是否等于各个对象对应的目标调控流量值；
第二生成单元，被配置成响应于各个对象对应的各个商家的目标调控流量未达成，利用学习得到的目标进度控制算法生成各个对象对应的各个商家的新的目标调控流量；
更新单元，被配置成根据各个对象对应的各个商家的新的目标调控流量，对所述流量调整模型中的相应对象对应的各个商家的目标调控流量进行更新。
13.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110510336.2A CN113240487B (zh) | 2021-05-11 | 2021-05-11 | 流量调控方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110510336.2A CN113240487B (zh) | 2021-05-11 | 2021-05-11 | 流量调控方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113240487A CN113240487A (zh) | 2021-08-10 |
| CN113240487B true CN113240487B (zh) | 2024-07-19 |
Family
ID=77133338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110510336.2A Active CN113240487B (zh) | 2021-05-11 | 2021-05-11 | 流量调控方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113240487B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114255097A (zh) * | 2021-11-30 | 2022-03-29 | 同程网络科技股份有限公司 | 一种流量调控方法、系统、智能终端及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542474A (zh) * | 2010-12-07 | 2012-07-04 | 阿里巴巴集团控股有限公司 | 查询结果排序方法及装置 |
| CN111724176A (zh) * | 2019-03-18 | 2020-09-29 | 北京沃东天骏信息技术有限公司 | 店铺流量调节方法、装置、设备及计算机可读存储介质 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8670319B2 (en) * | 2005-09-19 | 2014-03-11 | Google, Inc. | Traffic prediction for web sites |
| CN103914492B (zh) * | 2013-01-09 | 2018-02-27 | 阿里巴巴集团控股有限公司 | 查询词融合方法、商品信息发布方法和搜索方法及系统 |
| CN108156204B (zh) * | 2016-12-06 | 2021-03-12 | 阿里巴巴集团控股有限公司 | 一种目标对象推送系统和方法 |
| CN106682240A (zh) * | 2017-02-07 | 2017-05-17 | 百度在线网络技术（北京）有限公司 | 用于推送信息的方法、装置、电子设备和存储介质 |
| US10878058B2 (en) * | 2017-06-16 | 2020-12-29 | T-Mobile Usa, Inc. | Systems and methods for optimizing and simulating webpage ranking and traffic |
| CN110020175B (zh) * | 2017-12-29 | 2023-08-11 | 阿里巴巴集团控股有限公司 | 一种搜索处理方法、处理设备和系统 |
| CN109325825B (zh) * | 2018-09-04 | 2020-06-30 | 口口相传(北京)网络技术有限公司 | 流量数据的调控方法及装置 |
| CN110188957A (zh) * | 2019-06-03 | 2019-08-30 | 南京微尚信息技术有限公司 | 网站智能优化推广系统 |
| CN112241490A (zh) * | 2019-07-19 | 2021-01-19 | 阿里巴巴集团控股有限公司 | 分类处理及数据搜索方法、装置、电子设备、智能音箱 |
| CN112272100B (zh) * | 2020-08-04 | 2022-05-27 | 淘宝（中国）软件有限公司 | 一种针对在线平台局部业务需求的高可用流量调控方法和装置 |
| CN112487283A (zh) * | 2020-11-12 | 2021-03-12 | 北京三快在线科技有限公司 | 训练模型的方法、装置、电子设备及可读存储介质 |
| CN112507196A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 融合排序模型的训练方法、搜索排序方法、装置和设备 |
-
2021
- 2021-05-11 CN CN202110510336.2A patent/CN113240487B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542474A (zh) * | 2010-12-07 | 2012-07-04 | 阿里巴巴集团控股有限公司 | 查询结果排序方法及装置 |
| CN111724176A (zh) * | 2019-03-18 | 2020-09-29 | 北京沃东天骏信息技术有限公司 | 店铺流量调节方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113240487A (zh) | 2021-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210224879A1 (en) | Method, electronic device and storage medium for item recommendation | |
| US20220198289A1 (en) | Recommendation model training method, selection probability prediction method, and apparatus | |
| CN111695695B (zh) | 用户决策行为量化分析方法及装置 | |
| JP2021166109A (ja) | 融合順序付けモデルの訓練方法と装置、検索の順序付け方法と装置、電子デバイス、記憶媒体、及びプログラム | |
| US20200394533A1 (en) | Artificial intelligence (ai) based predictions and recommendations for equipment | |
| CN111311321B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
| CN108496189A (zh) | 机器学习模型的正则化 | |
| CN110851699A (zh) | 基于深度强化学习的信息流推荐方法、装置、设备及介质 | |
| CN110020877B (zh) | 点击率的预测方法、点击率的确定方法及服务器 | |
| US20210192280A1 (en) | Machine learning techniques to identify predictive features and predictive values for each feature | |
| CN114298322B (zh) | 联邦学习方法和装置、系统、电子设备、计算机可读介质 | |
| CN111460384B (zh) | 策略的评估方法、装置和设备 | |
| CN113627846A (zh) | 一种库存调整方法、装置、电子设备及计算机可读介质 | |
| CN113780548B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| CN112258268A (zh) | 确定推荐模型和确定物品价格的方法、装置、设备和介质 | |
| US10699203B1 (en) | Uplift modeling with importance weighting | |
| CN111598616B (zh) | 对象集合筛选的实现方法、装置、设备以及存储介质 | |
| CN112288483A (zh) | 用于训练模型的方法和装置、用于生成信息的方法和装置 | |
| CN113240487B (zh) | 流量调控方法和装置 | |
| Islam et al. | An empirical study into adaptive resource provisioning in the cloud | |
| US20220269835A1 (en) | Resource prediction system for executing machine learning models | |
| CN110413946A (zh) | 使用交替最小二乘优化来在线训练和更新因子分解机 | |
| CN112541145B (zh) | 一种页面展现方法、装置、设备及存储介质 | |
| CN112819497B (zh) | 转化率预测方法、装置、设备和存储介质 | |
| CN112084410A (zh) | 文档类型的推荐方法、装置、电子设备及可读存储介质 |
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 |