CN113553256A - 一种ab测试方法、装置及电子设备 - Google Patents
一种ab测试方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113553256A CN113553256A CN202110678800.9A CN202110678800A CN113553256A CN 113553256 A CN113553256 A CN 113553256A CN 202110678800 A CN202110678800 A CN 202110678800A CN 113553256 A CN113553256 A CN 113553256A
- Authority
- CN
- China
- Prior art keywords
- data
- barrel
- test
- group
- experimental group
- 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.)
- Granted
Links
- 238000010998 test method Methods 0.000 title claims description 17
- 238000012360 testing method Methods 0.000 claims abstract description 149
- 238000012544 monitoring process Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000007689 inspection Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 43
- 238000002474 experimental method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000012952 Resampling Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims 2
- 230000006399 behavior Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007427 paired t-test Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
本申请公开了一种AB测试方法、装置及电子设备，涉及计算机技术领域，尤其涉及大数据领域，其中，方法包括：获取多条对照组数据和多条实验组数据，其中，所述多条对照组数据是对采用第一方案的测试对象进行监测得到，所述多条实验组数据是对采用第二方案的测试对象进行监测得到，对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据，根据所述多桶对照组桶数据与对应所述多桶实验组桶数据，得到所述多桶对照组桶数据与对应所述多桶实验组桶数据之间的相对差异量，根据所述相对差异量，确定所述AB测试的检验功效。从而有效的降低了测试的实验成本及时耗，并且提升了AB测试的检验功效。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及大数据技术领域，具体涉及一种AB测试方法、装置及电子设备。
背景技术
AB测试是互联网公司进行产品迭代、提升用户体验的重要工具。对于大用户量的互联网产品，一点点微小的正向提升或负向作用的影响所产生的实际效果就可能非常大。因此，提升测试的检验功效就显得非常重要。如果测试的检验功效高，那么我们就更容易对互联网产品进行检验及更新。
发明内容
本申请提供了一种AB测试方法、装置及电子设备。
为此，本申请的第一个目的在于提出一种AB测试方法，通过对对照组数据和实验组数据进行分桶处理，得到对照组桶数据和实验组桶数据，进而根据对照组桶数据和实验组桶数据之间的相对差异量，确定所述AB测试的检验功效。
本申请的第二个目的在于提出一种AB测试装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种存储有计算机指令的非瞬时计算机可读存储介质。
本申请的第五个目的在于提出一种计算机程序产品。
为达上述目的，本申请第一方面实施例提出了一种AB测试方法，包括：
获取多条对照组数据和多条实验组数据，其中，所述多条对照组数据是对采用第一方案的测试对象进行监测得到，所述多条实验组数据是对采用第二方案的测试对象进行监测得到；
对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据；
根据所述多桶对照组桶数据与对应所述多桶实验组桶数据，得到所述多桶对照组桶数据与对应所述多桶实验组桶数据之间的相对差异量；
根据所述相对差异量，确定所述AB测试的检验功效。
为达上述目的，本申请第二方面实施例提出了一种AB测试装置，包括：
获取模块，用于获取多条对照组数据和多条实验组数据，其中，所述多条对照组数据是对采用第一方案的测试对象进行监测得到，所述多条实验组数据是对采用第二方案的测试对象进行监测得到；
分桶模块，用于对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据；
执行模块，用于根据所述多桶对照组桶数据与对应所述多桶实验组桶数据，得到所述多桶对照组桶数据与对应所述多桶实验组桶数据之间的相对差异量；
检验模块，用于根据所述相对差异量，确定所述AB测试的检验功效。
为达上述目的，本申请第三方面实施例提出了一种电子设备，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如第一方面所述的方法。
为达上述目的，本申请第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如第一方面所述的方法。
为达上述目的，本申请第五方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如第一方面所述的方法。
本申请实施例所提供的技术方案可以实现如下的有益效果：
获取多条对照组数据和多条实验组数据，其中，所述多条对照组数据是对采用第一方案的测试对象进行监测得到，所述多条实验组数据是对采用第二方案的测试对象进行监测得到，对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据，根据所述多桶对照组桶数据与对应所述多桶实验组桶数据，得到所述多桶对照组桶数据与对应所述多桶实验组桶数据之间的相对差异量，根据所述相对差异量，确定所述第二方案相对所述第一方案的显著性。通过数据分桶的方式对原样本数据进行降维处理，从而节约了实验成本，加快了测试的检验时间，提升了测试的检验功效。
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。其中：
图1为本申请实施例所提供的一种AB测试方法的流程示意图；
图2为本申请实施例所提供的另一种AB测试方法的流程示意图；
图3本申请一具体实施例所提供的用户数据分桶方法流程示意图；
图4为本申请实施例所提供的一种AB测试装置的结构示意图；
图5为本申请实施例所提供的示例电子设备500的示意性框图。
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。
图1为本申请实施例提供的一种AB测试方法的流程示意图。
如图1所示，该方法包括以下步骤：
步骤101，获取多条对照组数据和多条实验组数据，其中，所述多条对照组数据是对采用第一方案的测试对象进行监测得到，所述多条实验组数据是对采用第二方案的测试对象进行监测得到。
可选地，作为一种可能的实现方式，在多个周期内对采用第一方案的测试对象进行监测，得到各周期的第一监测数据，以及在多个周期内对采用第二方案的测试对象进行监测，得到各周期的第二监测数据，根据各周期的第一监测数据的集合，确定所述多条对照组数据，根据各周期的第二监测数据的集合，确定所述多条实验组数据。
需要说明的是，第一方案的测试对象可以是从测试对象的集合中随机抽取的，相类似地，第二方案的测试对象也可以是从测试对象的集合中随机抽取的。
这里，测试对象以随机的方式进行抽取，从而保证了用户以等概率的方式参与测试中。
该实施例中，所述测试对象是根据所述第一方案与所述第二方案从产品数据库中进行随机抽取的，所述产品数据库可以是包含了用户个人信息、产品操作信息、产品使用时间等。所述测试对象在第一次抽取以后，就固定下来，之后各周期的用户数据，都是基于已抽取的测试对象采集的。在每个周期中，所述测试对象，可能处在活动状态，也可能处在非活动状态。不同周期内，第一方案的测试对象可以是相同的，也可以是不同的；相类似地，不同周期内，第二方案的测试对象可以是相同的，也可以是不同的，本实施例中对此不作限定。
所述第一监测数据的集合和所述第二监测数据的集合，是对各周期处于活动状态用户使用的数据指标汇总。现有相关检验方法中，周期级数据样本可能存在同样的用户在不同天内出现，以至于数据样本存在自相关性，不满足检验方法的独立同分布假设，统计置信度不高，业务风险大，通过数据汇总可以消除样本数据的自相关性。
需要说明的是，所述实验组的用户数量与所述对照组的用户数量相同。此外，获取的历史周期数量并没有硬性要求，从而相较于相关技术中的检验方法要求必须获取5天的数据来说，可以采用更少周期完成测试，提高了测试速度。周期的设定，可以依小时来划分，也可以依天来划分，本实施例中对此不作限定。
综上，通过对所述各周期的第一监测数据的集合，确定所述多条对照组数据，以及对所述各周期的第二监测数据的集合，确定所述多条实验组数据，从而解决了各周期用户数据可能存在自相关性的问题。
步骤102，对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据。
可选地，作为一种可能的实现方式，对所述多条对照组数据进行分桶，生成多桶对照组桶数据。相似地，对所述多条实验组数据进行分桶，生成多桶实验组桶数据，其中，所述对照组桶数据与所述实验组桶数据的桶个数相同。
该实施例中，所述对照组桶数据与所述实验组桶数据的桶个数可以为固定值，比如100桶。在实际实验中，针对产品的某些指标进行测试时，可能需要大量的用户参与，比如十万级别、百万级别的用户量，在对数据进行抽样时，往往需要较高的存储和计算成本。除此以外，由于采集的数据需要离线计算，难以根据用户灵活设定的条件实时查询。通过采用分桶的方式，可以对用户数量进行降维处理，从而简化成有限数量且便于操作的桶样本数据，以克服上述大数量用户数据在数据处理方面存在的不足之处。
综上，通过对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据，可以达到对所述多条对照组数据以及所述多条实验组数据降维的目的，从而为后续检验过程中的数据存储减少容量，以及节约了计算成本，并且由于桶个数有限，也可以支持实时查询。
步骤103，根据所述多桶对照组桶数据与对应所述多桶实验组桶数据，得到所述多桶对照组桶数据与对应所述多桶实验组桶数据之间的相对差异量。
可选地，作为一种可能的实现方式，对所述多桶对照组桶数据进行多次重抽样，得到多个第一抽样指标，对所述多桶实验组桶数据进行多次重抽样，得到多个第二抽样指标，根据各所述第一抽样指标与对应的所述第二抽样指标之间的差异，得到所述多桶对照组桶数据与所述多桶实验组桶数据之间的相对差异量。
该实施例中，对所述多桶对照组桶数据与所述多桶实验组桶数据进行多次的重抽样是通过bootstrap(引导程序)来执行的。由于bootstrap能够对观测信息进行有放回的再抽样，进而对观测信息的总体分布特性进行统计推断。该方法充分利用了给定的观测信息，不需要模型其他的假设和增加新的观测，具有高置信度、高敏感性、理论完善，以及稳健性和效率高的特点。
该实施例中，所述相对差异量是所述实验组和所述对照组相对差值的分布。利用bootstrap方法，对所述对照组桶数据和所述实验组桶数据执行N次bootstrap，比如1000次，可以得出N组所述实验组桶数据和所述对照组桶数据的所述第一抽样指标和所述第二抽样指标，以及所述第一抽样指标和所述第二抽样指标的相对差值的分布，也即本申请所述的相对差异量。
值得注意的是，所述第一抽样指标和所述第二抽样指标可以是根据实验需要的统计量，在此不做具体限定。
该实施例中，对分桶后的所述对照组桶数据和所述实验组桶数据执行bucketbootstrap(桶引导程序)操作并没有损失原bootstrap方法的敏感性，其理论证明过程如下：
设样本个数为n，A为任意一个样本，则在一次重抽样过程中，A不被抽中的概率
根据公式
可得：
即样本A不被抽到的概率是
将样本分成m个桶，每个样本被分到每个桶的概率是
每个桶在一次重抽样中不被抽到的概率是
分桶和重抽样是独立事件，每个样本被分到不同的桶是互斥事件。
则每个样本不被抽样的概率是
可见，对样本直接进行bootstrap和分桶后进行bootstrap两种方式下，每个样本不被抽到的概率相等，从而bucket bootstrap相比bootstrap没有损失敏感性。
综上，基于bootstrap方法，得到所述多桶对照组桶数据与所述多桶实验组桶数据之间的相对差异量，可以利用所述bucket bootstrap方法，对样本总体分布特性进行推断统计，保留了bootstrap方法的置信度、敏感性、理论完善及满足模型假设条件等优点，并且具有稳健性和效率高的特点。
步骤104，根据所述相对差异量，确定所述AB测试的检验功效。
可选地，作为一种可能的实现方式，根据所述相对差异量，确定所述第二方案相对所述第一方案的显著性，根据所述显著性，确定所述AB测试的检验功效。
该实施例中，所述检验功效的确定可以通过Z检验来实现的，也可以通过其他检验方法来实现，在此不做限定。在本申请实施例中，以Z检验为例，根据中心极限定理，所述相对差异量服从正态分布N(μ,s)，其中μ为步骤103中所述第二抽样指标与所述第一抽样指标的均值差，s为所述第一抽样指标与所述第二抽样指标的总体方差，N为重抽样次数。
首先，根据所述相对差异量，确定所述第二方案相对所述第一方案的显著性，其检验原理如下：
原假设H0：μ＝0，
第一类错误：原假设是真实的，却错误地拒绝原假设，即弃真错误。犯这类错误的概率用显著性水平α表示。
第二类错误：原假设是不真实的，却错误地接受原假设，即取伪错误。犯这类错位的概率用显著性水平β表示。
计算z统计量：z＝μ/s，
根据z统计量可计算原假设H0成立的概率p值，将所述p值与显著性水平进行比较，以显著性水平等于0.05为例，如果p<0.05，则拒绝原假设，则说明所述第二方案相对所述第一方案存在显著差异；如果p>0.05，则接受原假设，则说明所述第二方案相对所述第一方案不存在显著差异。
通过对实际获取的用户数据进行分析，如果原假设是不正确的，那么当p>0.05时，从而接受了原假设，那么就犯了所述第二类错误。在AB测试中，我们所追求的是避免犯第二类错误，也即犯第二类错误的概率越低，那么测试的检验功效就越高。
这里，所述检验功效，实际上衡量的是检验的敏感性，也即更容易得出显著的结果。也就是说，应用不同的检验方法进行AB测试分析，检验敏感度高的方法会更加有效的判别出测试应用对象之间的差异。例如，当所述对象之间的差异很微弱，那么检验敏感度高的方法可以得出显著差异的结果，而检验敏感度低的方法就不能得出显著差异的结果。例如，当前AB测试显著性评估主要采用天级配对T检验的方法，将本申请方案与之比较，以搜索10万用户体检核心指标(有点行为比例、换query(询问)比例、长点率)为例，实验回归结果显示：bucket bootstrap检验方法相比较天级配对T检验的功效有显著提升：有点行为比例功效从64％提升87％，绝对提升23％，换query比例功效从13％提升到21％，绝对提升8％，长点率功效从33％提升到53％，绝对提升20％。其中，以有点行为比例为例，天级配对T检验需要5天出结论，bucket bootstrap方法平均2.3天出结论，实验时间相对减少54％，可见bucket bootstrap方法对比天级配对T检验可以显著缩短实验周期。此外，实现分析显示，bucket bootstrap的第一类错误相比天级配对T检验基本持平，在5％以内。可见bucketbootstrap对比天级配对T检验的优势在统计功效方面的提升更加明显。
综上，本申请实施例使用的bucket bootstrap方法可以弥补现有技术中实验不敏感，统计功效不高，以及实验周期长的缺点。
本实施例的AB测试方法，获取多条对照组数据和多条实验组数据，其中，所述多条对照组数据是对采用第一方案的测试对象进行监测得到，所述多条实验组数据是对采用第二方案的测试对象进行监测得到，对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据，根据所述多桶对照组桶数据与对应所述多桶实验组桶数据，得到所述多桶对照组桶数据与对应所述多桶实验组桶数据之间的相对差异量，根据所述相对差异量，确定所述第二方案相对所述第一方案的显著性。通过数据分桶的方式对原样本数据进行降维处理，从而节约了实验成本，加快了测试的检验时间，提升了测试的检验功效。
基于上一实施例，本实施例提供了另一种AB测试方法的可能的实现方式，图2为本申请实施例提供的另一种AB测试方法的流程示意图。
如图2所示，该方法可以包括以下步骤：
步骤201，在多个周期内对采用第一方案的测试对象进行监测，得到各周期的第一监测数据，以及在多个周期内对采用第二方案的测试对象进行监测，得到各周期的第二监测数据。
该实施例中，所述监测是针对测试对象而言的，由于测试对象在一次随机抽样以后就确定了，各周期的监测数据都是基于已抽取的测试对象获取的。所述监测数据可能包含各种产品指标，对测试对象各周期使用数据的采集，实际上是采集所述测试对象在这些指标上的操作行为记录。
步骤202，根据各周期的第一监测数据的集合，确定所述多条对照组数据，以及根据各周期的第二监测数据的集合，确定所述多条实验组数据。
该实施例中，具体可以参考上一实施例中的步骤101中的相关表述，原理相同，在此不再赘述。值得注意的是，所述多条对照组数据与所述多条实验组数据所包含的数据指标类型相同。这里，所述数据指标类型，是指获取的用户数据所包含的指标，比如，用户数据中包含的有指标：有点行为比例、换query比例、长点率等。
步骤203，对所述多条对照组数据进行分桶，生成多桶对照组桶数据，对所述多条实验组数据进行分桶，生成多桶实验组桶数据，其中，所述对照组桶数据与所述实验组桶数据的桶个数相同。
该实施例中，所述桶数据是对大样本量用户数据的一种降维，其降维规则是利用哈希函数实现的。具体的是利用哈希函数根据用户编号将原始用户数据映射到有限数量的桶中。以100桶为例，对照组和实验组分别获取到100万用户的产品指标数据，每一个用户都具有唯一的编号，利用哈希函数计算各用户编号的哈希值，然后利用各用户所述哈希值对100取余，得到分桶号，进而可以将所述对照组100万用户和所述实验组100万用户分配到所述对照组100桶内，以及分配到实验组100桶内。其中，每个桶内的数据为相应被分配用户实验指标数据的集合。
步骤204，对所述多桶对照组桶数据进行多次重抽样，得到多个第一抽样指标，以及对所述多桶实验组桶数据进行多次重抽样，得到多个第二抽样指标。
该实施例中，所述重抽样是每次有放回地随机抽取一定桶数量的桶数据，然后基于重抽样获得的桶数据，计算实验需要估计的统计量，也即所述第一抽样指标和所述第二抽样指标。重复此过程若干次，例如对应桶个数的100次，就可以得出所述第一抽样指标与所述第二抽样指标的均值和方差。
步骤205，根据各所述第一抽样指标与对应的所述第二抽样指标之间的差异，得到所述多桶对照组桶数据与所述多桶实验组桶数据之间的相对差异量。
该实施例中，基于步骤204中获取的所述第一抽样指标与所述第二抽样指标的均值和方差，可以计算出所述实验组和所述对照组的所述第一抽样指标与所述第二抽样指标的相对差值的分布区间，此相对差值的分布区间即是所述的相对差异量。
步骤206，根据所述相对差异量，确定所述第二方案相对所述第一方案的显著性。
步骤207，根据所述显著性，确定所述AB测试的检验功效。
上述步骤206及步骤207的实施例，具体可以参见上一实施例步骤104，原理相同，在此不再赘述。
需要说明的是，bucket bootstrap方法与bootstrap方法一样，可以支持实时查询。
本实施例的AB测试方法，获取多条对照组数据和多条实验组数据，其中，所述多条对照组数据是对采用第一方案的测试对象进行监测得到，所述多条实验组数据是对采用第二方案的测试对象进行监测得到，对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据，根据所述多桶对照组桶数据与对应所述多桶实验组桶数据，得到所述多桶对照组桶数据与对应所述多桶实验组桶数据之间的相对差异量，根据所述相对差异量，确定所述第二方案相对所述第一方案的显著性。通过数据分桶的方式对原样本数据进行降维处理，从而节约了实验成本，加快了测试的检验时间，提升了测试的检验功效。
如图3所示，为本申请一具体实施例所提供的用户数据分桶方法流程示意图。
该流程示意图中，前三天数据中黑色人物图标表示活动用户，灰色人物图标表示非活动用户。3天总和对应的人物图标，表示数据汇总后的用户。“diff分布”表示差额分布，其英文全称为：Difference distribution。
为了实现上述实施例，本申请还提出一种AB测试装置。
图4为本申请实施例提供的一种AB测试装置的结构示意图。
如图4所示，该装置包括：获取模块41、分桶模块42、执行模块43以及检验模块44。
获取模块41，用于获取多条对照组数据和多条实验组数据，其中，所述多条对照组数据是对采用第一方案的测试对象进行监测得到，所述多条实验组数据是对采用第二方案的测试对象进行监测得到。
分桶模块42，用于对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据。
执行模块43，用于根据所述多桶对照组桶数据与对应所述多桶实验组桶数据，得到所述多桶对照组桶数据与对应所述多桶实验组桶数据之间的相对差异量。
检验模块44，用于根据所述相对差异量，确定所述AB测试的检验功效。
进一步地，作为一种可能的实现方式，上述获取模块41，包括：
监测单元411，用于在多个周期内对采用第一方案的测试对象进行监测，得到各周期的第一监测数据，以及在多个周期内对对采用第二方案的测试对象进行监测，得到各周期的第二监测数据。
第一归纳单元412，用于根据各周期的第一监测数据的集合，确定所述多条对照组数据。
第二归纳单元413，用于根据各周期的第二监测数据的集合，确定所述多条实验组数据。
进一步地，作为一种可能的实现方式，上述获取模块41，还包括：
第一抽样单元414，从测试对象的集合中随机抽取采用第一方案的测试对象，以及随机抽取采用第二方案的测试对象。
进一步地，作为一种可能的实现方式，上述分组模块42，包括：
第一分桶单元421，用于对所述多条对照组数据进行分桶，生成多桶对照组桶数据。
第二分桶单元422，用于对所述多条实验组数据进行分桶，生成多桶实验组桶数据。
其中，所述对照组桶数据与所述实验组桶数据的数据个数相同。
进一步地，作为一种可能的实现方式，上述执行模块43，包括：
第二抽样单元431，用于对所述多桶对照组桶数据进行多次重抽样，得到多个第一抽样指标。
第三抽样单元432，用于对所述多桶实验组桶数据进行多次重抽样，得到多个第二抽样指标。
第一执行单元433，用于根据各所述第一抽样指标与对应的所述第二抽样指标之间的差异，得到所述多桶对照组桶数据与所述多桶实验组桶数据之间的相对差异量。
进一步地，作为一种可能的实现方式，上述检验模块44，包括：
第一检验单元441，用于根据所述相对差异量，确定所述第二方案相对所述第一方案的显著性。
第二检验单元442，用于根据所述显著性，确定所述AB测试的检验功效。
本实施例的AB测试装置，获取多条对照组数据和多条实验组数据，其中，所述多条对照组数据是对采用第一方案的测试对象进行监测得到，所述多条实验组数据是对采用第二方案的测试对象进行监测得到，对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据，根据所述多桶对照组桶数据与对应所述多桶实验组桶数据，得到所述多桶对照组桶数据与对应所述多桶实验组桶数据之间的相对差异量，根据所述相对差异量，确定所述第二方案相对所述第一方案的显著性。通过数据分桶的方式对原样本数据进行降维处理，从而节约了实验成本，加快了测试的检验时间，提升了测试的检验功效。
需要说明的是，前述对AB测试方法实施例的解释说明也适用于该实施例的AB测试装置，此处不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本申请的实施例的示例电子设备500的示意性框图。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，设备500包括计算单元501，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)502中的计算机程序或者从存储单元508加载到RAM(Random AccessMemory，随机访问/存取存储器)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。I/O(Input/Output，输入/输出)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如文本生成方法。例如，在一些实施例中，文本生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行前述文本生成方法。
本文中以上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、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Application Specific StandardProduct，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device，复杂可编程逻辑设备)、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。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，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：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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，本发公开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 (15)
1.一种AB测试方法，包括：
获取多条对照组数据和多条实验组数据，其中，所述多条对照组数据是对采用第一方案的测试对象进行监测得到，所述多条实验组数据是对采用第二方案的测试对象进行监测得到；
对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据；
根据所述多桶对照组桶数据与对应所述多桶实验组桶数据，得到所述多桶对照组桶数据与对应所述多桶实验组桶数据之间的相对差异量；
根据所述相对差异量，确定所述AB测试的检验功效。
2.根据权利要求1所述的AB测试方法，其中，所述获取多条对照组数据和多条实验组数据，包括：
在多个周期内对采用第一方案的测试对象进行监测，得到各周期的第一监测数据，以及在多个周期内对采用第二方案的测试对象进行监测，得到各周期的第二监测数据；
根据各周期的第一监测数据的集合，确定所述多条对照组数据；
根据各周期的第二监测数据的集合，确定所述多条实验组数据。
3.根据权利要求2所述的AB测试方法，其中，所述方法，还包括：
从测试对象的集合中随机抽取采用第一方案的测试对象，以及随机抽取采用第二方案的测试对象。
4.根据权利要求1所述的AB测试方法，其中，所述对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据，包括：
对所述多条对照组数据进行分桶，生成多桶对照组桶数据；
对所述多条实验组数据进行分桶，生成多桶实验组桶数据；
其中，所述对照组桶数据与所述实验组桶数据的桶个数相同。
5.根据权利要求1所述的AB测试方法，其中，所述根据所述多桶对照组桶数据与对应所述多桶实验组桶数据，得到所述多桶对照组桶数据与对应所述多桶实验组桶数据之间的相对差异量，包括：
对所述多桶对照组桶数据分别进行多次重抽样，得到多个第一抽样指标；
对所述多桶实验组桶数据分别进行多次重抽样，得到多个第二抽样指标；
根据各所述第一抽样指标与对应的所述第二抽样指标之间的差异，得到所述多桶对照组桶数据与所述多桶实验组桶数据之间的相对差异量。
6.根据权利要求1-5任一项所述的AB测试方法，其中，所述根据所述相对差异量，确定所述AB测试的检验功效，包括：
根据所述相对差异量，确定所述第二方案相对所述第一方案的显著性。
根据所述显著性，确定所述AB测试的检验功效。
7.一种AB测试装置，包括：
获取模块，用于获取多条对照组数据和多条实验组数据，其中，所述多条对照组数据是对采用第一方案的测试对象进行监测得到，所述多条实验组数据是对采用第二方案的测试对象进行监测得到；
分桶模块，用于对所述多条对照组数据分桶，以得到多桶对照组桶数据，以及对所述多条实验组数据分桶，以得到多桶实验组桶数据；
执行模块，用于根据所述多桶对照组桶数据与对应所述多桶实验组桶数据，得到所述多桶对照组桶数据与对应所述多桶实验组桶数据之间的相对差异量；
检验模块，用于根据所述相对差异量，确定所述AB测试的检验功效。
8.根据权利要求1所述的AB测试装置，其中，所述获取模块，包括：
监测单元，用于在多个周期内对采用第一方案的测试对象进行监测，得到各周期的第一监测数据，以及在多个周期内对采用第二方案的测试对象进行监测，得到各周期的第二监测数据；
第一归纳单元，用于根据各周期的第一监测数据的集合，确定所述多条对照组数据；
第二归纳单元，用于根据各周期的第二监测数据的集合，确定所述多条实验组数据。
9.根据权利要求8所述的AB测试装置，其中，所述获取模块，还包括：
第一抽样单元，从测试对象的集合中随机抽取采用第一方案的测试对象，以及随机抽取采用第二方案的测试对象。
10.根据权利要求1所述的AB测试装置，其中，所述分桶模块，包括：
第一分桶单元，用于对所述多条对照组数据进行分桶，生成多桶对照组桶数据；
第二分桶单元，用于对所述多条实验组数据进行分桶，生成多桶实验组桶数据；
其中，所述对照组桶数据与所述实验组桶数据的桶个数相同。
11.根据权利要求1所述的AB测试装置，其中，所述执行模块，包括：
第二抽样单元，用于对所述多桶对照组桶数据进行多次重抽样，得到多个第一抽样指标；
第三抽样单元，用于对所述多桶实验组桶数据进行多次重抽样，得到多个第二抽样指标；
第一执行单元，用于根据各所述第一抽样指标与对应的所述第二抽样指标之间的差异，得到所述多桶对照组桶数据与所述多桶实验组桶数据之间的相对差异量。
12.根据权利要求7-11任一项所述的AB测试装置，其中，所述检验模块，包括：
第一检验单元，用于根据所述相对差异量，确定所述第二方案相对所述第一方案的显著性；
第二检验单元，用于根据所述显著性，确定所述AB测试的检验功效。
13.一种电子设备，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1-6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，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110678800.9A CN113553256B (zh) | 2021-06-18 | 2021-06-18 | 一种ab测试方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110678800.9A CN113553256B (zh) | 2021-06-18 | 2021-06-18 | 一种ab测试方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113553256A true CN113553256A (zh) | 2021-10-26 |
| CN113553256B CN113553256B (zh) | 2023-07-14 |
Family
ID=78130704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110678800.9A Active CN113553256B (zh) | 2021-06-18 | 2021-06-18 | 一种ab测试方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113553256B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104281611A (zh) * | 2013-07-08 | 2015-01-14 | 阿里巴巴集团控股有限公司 | 网站测试系统中的用户流量分配方法及装置 |
| CN104348679A (zh) * | 2013-08-08 | 2015-02-11 | 阿里巴巴集团控股有限公司 | 一种分桶测试的方法、装置和系统 |
| CN106909497A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 测试方法和装置 |
| EP3486783A1 (en) * | 2017-11-15 | 2019-05-22 | Accenture Global Solutions Limited | Test case and data selection using a sampling methodology |
| CN110619548A (zh) * | 2019-09-20 | 2019-12-27 | 腾讯科技（深圳）有限公司 | 媒体内容投放策略的确定方法、装置、设备及存储介质 |
| CN111079937A (zh) * | 2019-11-15 | 2020-04-28 | 苏州金智渠信息技术有限公司 | 一种快速建模的方法 |
| CN112242911A (zh) * | 2019-07-17 | 2021-01-19 | 腾讯科技（深圳）有限公司 | 基于网络流量的测试方法及装置、存储介质、电子设备 |
| US20210064517A1 (en) * | 2019-08-27 | 2021-03-04 | Netflix, Inc. | High efficiency interactive testing platform |
| CN112711739A (zh) * | 2019-10-25 | 2021-04-27 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置及服务器、存储介质 |
| CN112907128A (zh) * | 2021-03-23 | 2021-06-04 | 百度在线网络技术（北京）有限公司 | 基于ab测试结果的数据分析方法、装置、设备及介质 |
| US11030631B1 (en) * | 2016-01-29 | 2021-06-08 | Intuit Inc. | Method and system for generating user experience analytics models by unbiasing data samples to improve personalization of user experiences in a tax return preparation system |
-
2021
- 2021-06-18 CN CN202110678800.9A patent/CN113553256B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104281611A (zh) * | 2013-07-08 | 2015-01-14 | 阿里巴巴集团控股有限公司 | 网站测试系统中的用户流量分配方法及装置 |
| CN104348679A (zh) * | 2013-08-08 | 2015-02-11 | 阿里巴巴集团控股有限公司 | 一种分桶测试的方法、装置和系统 |
| CN106909497A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 测试方法和装置 |
| US11030631B1 (en) * | 2016-01-29 | 2021-06-08 | Intuit Inc. | Method and system for generating user experience analytics models by unbiasing data samples to improve personalization of user experiences in a tax return preparation system |
| EP3486783A1 (en) * | 2017-11-15 | 2019-05-22 | Accenture Global Solutions Limited | Test case and data selection using a sampling methodology |
| CN112242911A (zh) * | 2019-07-17 | 2021-01-19 | 腾讯科技（深圳）有限公司 | 基于网络流量的测试方法及装置、存储介质、电子设备 |
| US20210064517A1 (en) * | 2019-08-27 | 2021-03-04 | Netflix, Inc. | High efficiency interactive testing platform |
| CN110619548A (zh) * | 2019-09-20 | 2019-12-27 | 腾讯科技（深圳）有限公司 | 媒体内容投放策略的确定方法、装置、设备及存储介质 |
| CN112711739A (zh) * | 2019-10-25 | 2021-04-27 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置及服务器、存储介质 |
| CN111079937A (zh) * | 2019-11-15 | 2020-04-28 | 苏州金智渠信息技术有限公司 | 一种快速建模的方法 |
| CN112907128A (zh) * | 2021-03-23 | 2021-06-04 | 百度在线网络技术（北京）有限公司 | 基于ab测试结果的数据分析方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李秋英;李海峰;王健;: "测试有效性对软件可靠性验证测试量的影响", 北京航空航天大学学报, no. 03 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113553256B (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3910492A2 (en) | Event extraction method and apparatus, and storage medium | |
| CN113127305B (zh) | 异常检测方法及装置 | |
| CN113360580B (zh) | 基于知识图谱的异常事件检测方法、装置、设备及介质 | |
| CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
| US20220309912A1 (en) | Method and apparatus for predicting traffic data and electronic device | |
| CN113836314A (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
| CN113268403A (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
| CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
| CN116629620A (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
| WO2022142048A1 (zh) | 唤醒指标监测方法、装置及电子设备 | |
| CN117649115A (zh) | 一种风险评估方法、装置、电子设备和存储介质 | |
| CN113553256A (zh) | 一种ab测试方法、装置及电子设备 | |
| CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
| CN115774648A (zh) | 一种异常定位方法、装置、设备以及存储介质 | |
| CN115687406A (zh) | 一种调用链数据的采样方法、装置、设备及存储介质 | |
| CN115794744A (zh) | 一种日志展示方法、装置、设备和存储介质 | |
| CN115659347A (zh) | 一种安全测试方法、装置、电子设备和存储介质 | |
| CN114896418A (zh) | 知识图谱构建方法、装置、电子设备及存储介质 | |
| CN115277165A (zh) | 一种车辆网络风险确定方法、装置、设备及存储介质 | |
| CN117135037A (zh) | 网络流量性能异常界定方法及装置 | |
| CN114238335A (zh) | 一种埋点数据生成方法及其相关设备 | |
| CN116991693B (zh) | 一种测试方法、装置、设备及存储介质 | |
| EP4099319A1 (en) | Wake-up index monitoring method and apparatus, and electronic device | |
| CN116150031A (zh) | 一种程序性能测试预警方法、装置、设备及存储介质 | |
| CN118212033A (zh) | 一种数据处理方法、装置、设备及存储介质 |
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 |