CN113643068A - 商品购买意图确定方法、装置、存储介质及电子设备 - Google Patents
商品购买意图确定方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113643068A CN113643068A CN202110949478.9A CN202110949478A CN113643068A CN 113643068 A CN113643068 A CN 113643068A CN 202110949478 A CN202110949478 A CN 202110949478A CN 113643068 A CN113643068 A CN 113643068A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- intention
- determining
- commodity
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 143
- 230000006399 behavior Effects 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 244000062793 Sorghum vulgare Species 0.000 description 9
- 235000019713 millet Nutrition 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种商品购买意图确定方法、装置、存储介质及电子设备,涉及智能学习技术领域,该方法包括:确定待筛选用户针对预设类型的商品的用户特征信息;基于所述用户特征信息,确定所述待筛选用户中具有目标购买意图的目标用户,其中,所述目标购买意图是指具有购买所述预设类型的商品中的目标商品的意图。本公开的有益效果是:通过多维度的用户特征信息,可以准确对待筛选用户购买预设类型的商品中的目标商品的意图的大小进行预测,从而在待筛选用户中精准定位潜在的目标用户,为后续的营销策略提供数据支持,提高营销策略的成功率。
Description
技术领域
本公开涉及智能学习技术领域,尤其涉及一种商品购买意图确定方法、装置、存储介质及电子设备。
背景技术
在目前的营销过程中,一般需要采集大量的用户数据,通过对用户数据进行分类,可以获得用户群体对应的用户画像。当需要进行营销活动时,针对该用户画像发送营销策略。然而,这种营销方式并不考虑单个用户是否具有购买商品的意图,更加不会考虑单个用户是否具有购买特定品牌的商品的意图,导致营销效率低下。
发明内容
为克服相关技术中存在的问题,本公开提供一种商品购买意图确定方法、装置、存储介质及电子设备。
根据本公开实施例的第一方面,提供一种商品购买意图确定方法,包括:
确定待筛选用户针对预设类型的商品的用户特征信息;
基于所述用户特征信息,确定所述待筛选用户中具有目标购买意图的目标用户,其中,所述目标购买意图是指具有购买所述预设类型的商品中的目标商品的意图。
在一些实施例中,所述用户特征信息包括以下至少一项:
用户画像信息、行为特征信息以及广告推送特征信息,其中,所述行为特征信息表征所述用户针对与所述预设类型的商品相关的广告消息的操作统计信息,所述广告推送特征信息表征所述用户接收到的与所述预设类型的商品相关的广告消息的属性信息。
在一些实施例中,所述用户特征信息包括用户画像信息、行为特征信息以及广告推送特征信息;
所述基于所述用户特征信息,确定所述待筛选用户中具有目标购买意图的目标用户,包括:
将所述用户画像信息、所述行为特征信息以及所述广告推送特征信息输入训练好的商品购买预测模型,确定所述待筛选用户中具有目标购买意图的目标用户。
在一些实施例中,所述商品购买预测模型包括第一子模型和第二子模型,其中,所述第一子模型用于提取表征所述待筛选用户购买所述预设类型的商品的意图的特征向量,所述第二子模型用于提取表征所述待筛选用户购买所述目标商品的意图的特征向量;
所述将所述用户画像信息、所述行为特征信息以及所述广告推送特征信息输入训练好的商品购买预测模型,确定所述待筛选用户中具有目标购买意图的目标用户,包括:
对所述用户画像信息、所述行为特征信息以及所述广告推送特征信息分别进行编码,得到用户特征向量、行为特征向量以及广告推送特征向量;
拼接所述用户画像向量、所述行为特征向量以及所述广告推送特征向量,得到综合特征向量;
将所述综合特征向量分别作为所述第一子模型和所述第二子模型的输入,提取得到第一特征向量以及第二特征向量;
基于所述第一特征向量以及所述第二特征向量,确定所述待筛选用户中具有目标购买意图的目标用户。
在一些实施例中,所述方法还包括:
拼接所述第一特征向量和所述第二特征向量,得到拼接向量;
所述基于所述第一特征向量以及所述第二特征向量,确定所述待筛选用户中具有目标购买意图的目标用户,包括:
基于所述第一特征向量、所述第二特征向量以及所述拼接向量,确定所述待筛选用户中具有目标购买意图的目标用户。
在一些实施例中,所述基于所述第一特征向量、所述第二特征向量以及所述拼接向量,确定所述待筛选用户中具有目标购买意图的目标用户,包括:
基于所述第一特征向量,确定第一评分,所述第一评分表征所述待筛选用户购买所述预设类型的商品的意图的大小;
基于所述第二特征向量,确定第二评分,所述第二评分表征所述待筛选用户购买所述目标商品的意图的大小;
基于所述拼接向量,确定第三评分,所述第三评分表征所述待筛选用户同时购买所述预设类型的商品、且购买所述预设类型的商品中的所述目标商品的意图的大小;
基于所述第一评分、所述第二评分以及所述第三评分中的最大值,确定所述待筛选用户中具有目标购买意图的目标用户。
在一些实施例中,所述第一子模型和所述第二子模型为CNN卷积神经网络模型。
根据本公开实施例的第二方面,提供一种商品购买意图确定装置,包括:
获取模块,配置为确定待筛选用户针对预设类型的商品的用户特征信息;
意图确定模块,配置为基于所述用户特征信息,确定所述待筛选用户中具有目标购买意图的目标用户,其中,所述目标购买意图是指具有购买所述预设类型的商品中的目标商品的意图。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的商品购买意图确定方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面所提供的商品购买意图确定方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:通过多维度的用户特征信息,可以准确对待筛选用户购买预设类型的商品中的目标商品的意图的大小进行预测,从而在待筛选用户中精准定位潜在的目标用户,为后续的营销策略提供数据支持,提高营销策略的成功率。例如,在定位出潜在的目标用户之后,可以通过精准投放优惠券、投放推送广告等方式,促使目标用户购买目标商品。
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,并不能限制本公开。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种商品购买意图确定方法的流程图。
图2是根据一示例性实施例示出的基于商品购买预测模型确定目标用户的流程图。
图3是根据一示例性实施例示出的商品购买预测模型的架构图。
图4是根据一示例性实施例示出的一种商品购买意图确定装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
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公开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、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种商品购买意图确定方法的流程图,如图1所示,该商品购买意图确定方法用于终端或服务器中,包括以下步骤。
在步骤110中,确定待筛选用户针对预设类型的商品的用户特征信息。
这里,待筛选用户可以是指某一类型商品的用户群体,例如,待筛选用户可以是手机的用户群体。当然,待筛选用户也可以是特定商家的用户群体,例如,小米手机的用户。其中,待筛选用户可以包括至少一个用户。预设类型的商品是指某一特定品类的商品,如预设类型的商品可以是指手机,也可以是指车辆。用户特征信息是指待筛选用户关于预设类型的商品的相关信息,例如,当预设类型的商品是手机时,用户特征信息可以包括待筛选用户当前使用的手机品牌、型号、接收到的关于手机的广告消息等相关信息。
值得说明的是,对于用户特征信息的采集,可以是在获得用户许可之后,采集用户的用户特征信息。
在一些实施例中,用户特征信息可以包括用户画像信息、行为特征信息以及广告推送特征信息中的至少一种。
其中,用户画像信息可以是指待筛选用户的基础信息以及待筛选用户当前正在使用的关于预设类型的商品的相关信息。例如,用户画像信息可以包括待筛选用户所在省份信息、城市信息、年龄信息、性别信息等。当预设类型的商品为手机时,用户画像信息可以包括用户使用的手机品牌、使用的手机信号、使用的手机的激活日期等等。当预设类型的商品为手机时,用户画像信息可以如表1所示。
表1
序号 | 特征 | 描述 | 维度 |
1 | 省份 | 用户所在省份 | 36 |
2 | 城市 | 用户所在城市 | 428 |
3 | 手机品牌 | 用户所用品牌 | 16 |
4 | 手机型号 | 用户所用机型 | 1603 |
5 | 激活日期 | 用户所用手机激活日期 | 115 |
6 | 推断日期 | 预测日期 | 115 |
应当理解的是,表1所示的用户画像信息用于对本公开实施例进行举例说明,不用于限制用户画像信息的具体类型,在实际应用中,用户画像信息可以根据实际情况设置。另外,对于不同数据的维度,其是根据对应的数据类型确定的。
行为特征信息是指待筛选用户针对与预设类型的商品相关的广告消息的操作统计信息。其中,操作统计信息是指待筛选用户对预设类型的商品相关的广告的点击行为,例如,对于手机的广告消息,可以通过统计电商或非电商平台的push(消息推送)被点击的数量、目标商品的品牌或非目标商品的品牌被点击的push数、在电商平台中含有目标商品的品牌的push被点击的数量、电商平台推送的非目标商品的品牌的push的数量、电商平台推送的目标商品的品牌的push的数量、非电商平台推送的目标商品的品牌的push的数量、非电商平台推送的非目标商品的品牌的push的数量等等。当目标商品为小米手机时,行为特征信息可以如表2所示。
表2
应当理解的是,表2所示的行为特征信息用于对本公开实施例进行举例说明,不用于限制行为特征信息的具体类型,在实际应用中,行为特征信息可以根据实际情况设置。另外,对于不同数据的维度,其是根据对应的数据类型确定的。
广告推送特征信息是指待筛选用户接收到的与预设类型的商品相关的广告消息的属性信息。其中,广告推送特征信息可以包括push content(消息推送的内容)、intentlevel(意图的层级)、feature name(组名称)、app group(应用分组)、app brand(应用品牌)、app type(应用类型)、push brand(消息推送的品牌)、push brand group(消息推送的品牌分组)、push sparse date(消息推送日期)等。当目标商品为小米手机时,广告推送特征信息可以如表3所示。
表3
应当理解的是,表3所示的广告推送特征信息用于对本公开实施例进行举例说明,不用于限制广告推送特征信息的具体类型,在实际应用中,广告推送特征信息可以根据实际情况设置。另外,对于不同数据的维度,其是根据对应的数据类型确定的。
在步骤120中,基于所述用户特征信息,确定所述待筛选用户中具有目标购买意图的目标用户,其中,所述目标购买意图是指具有购买所述预设类型的商品中的目标商品的意图。
这里,从待筛选用户中确定到的目标用户是指具有目标购买意图的用户,其中,目标购买意图是指具有购买预设类型的商品中的目标商品的意图。其中,购买预设类型的商品中的目标商品的意图可以用于量化评估,用于指示用户购买目标商品的意图大小,意图越大,说明用户越倾向于购买目标商品。预设类型的商品中的目标商品是指一个品类的商品中的一个品牌的商品或者是特定的一个商品。例如,预设类型的商品为手机,目标商品则为小米手机或者小米MIX手机。
示例性地,可以通过将用户特征信息作为训练好的神经网络模型的输入,从待筛选用户中确定出目标用户。又或者是,根据用户特征信息与目标购买意图之间的映射关系,确定目标用户。
由此,通过多维度的用户特征信息,可以准确对待筛选用户购买预设类型的商品中的目标商品的意图的大小进行预测,从而在待筛选用户中精准定位潜在的目标用户,为后续的营销策略提供数据支持,提高营销策略的成功率。例如,在定位出潜在的目标用户之后,可以通过精准投放优惠券、投放推送广告等方式,促使目标用户购买目标商品。
在一些可以实现的实施方式中,用户特征信息包括用户画像信息、行为特征信息以及广告推送特征信息,步骤120中,可以将所述用户画像信息、所述行为特征信息以及所述广告推送特征信息输入训练好的商品购买预测模型,确定所述待筛选用户中具有目标购买意图的目标用户。
这里,商品购买预测模型可以是深度学习模型,如CNN神经网络模型。该训练好的商品购买预测模型可以是基于标注有目标购买意图的得分的用户画像信息、行为特征信息以及广告推送特征信息对未训练的机器学习模型进行机器学习训练得到的。将待筛选用户中各个用户的用户画像信息、行为特征信息以及广告推送特征信息输入训练好的商品购买预测模型,商品购买预测模型输出用户关于目标购买意图的得分,该得分表征用户购买预设类型的商品中的目标商品的意图的大小,然后根据得分确定目标用户。在一些示例中,可以将得分大于预设阈值的用户确定为目标用户。
在一些可以实现的实施方式中,商品购买预测模型包括第一子模型和第二子模型,其中,第一子模型用于提取表征所述待筛选用户购买所述预设类型的商品的意图的特征向量,所述第二子模型用于提取表征所述待筛选用户购买所述目标商品的意图的特征向量。
图2是根据一示例性实施例示出的基于商品购买预测模型确定目标用户的流程图,如图2所示,基于训练好的商品购买预测模型确定目标用户,可以包括以下步骤。
在步骤221中,对所述用户画像信息、所述行为特征信息以及所述广告推送特征信息分别进行编码,得到用户特征向量、行为特征向量以及广告推送特征向量。
这里,对于用户画像信息中的各个特征可以使用onehot(独热)编码方式进行编码,获得用户画像向量。行为特征信息中的各个特征为数值型特征,可以使用归一化方式进行编码处理,得到行为特征向量。对于广告推送特征信息中的push内容采用词向量的方式对文本中各个词汇进行编码,其他特征可以采用onehot编码方式进行编码,得到广告推送特征向量。
值得说明的是,各个特征信息被编码的维度为上述表1至表3中对应的维度。
在步骤222中,对所述用户画像信息、所述行为特征信息以及所述广告推送特征信息分别进行编码,得到用户特征向量、行为特征向量以及广告推送特征向量。
这里,用户画像向量、行为特征向量以及广告推送特征向量可以依次拼接,得到综合特征向量。
在步骤223中,将所述综合特征向量分别作为所述第一子模型和所述第二子模型的输入,提取得到第一特征向量以及第二特征向量。
这里,拼接后的综合特征向量,分别输入训练好的第一子模型和第二子模型,得到第一特征向量以及第二特征向量。其中,第一子模型与第二子模型可以为CNN卷积神经网络模型。该第一子模型设计用于将综合特征向量处理为表征待筛选用户购买预设类型的商品的意图的特征悬空。该第二子模型设计用于将综合特征向量处理为表征待筛选用户购买目标商品的意图。
在步骤224中,基于所述第一特征向量以及所述第二特征向量,确定所述待筛选用户中具有目标购买意图的目标用户。
这里,可以分别对第一特征向量和第二特征向量进行打分,并将第一特征向量和第二特征向量对应的分数作为表征待筛选用户的目标购买意图的大小。在一些实施例中,可以将第一特征向量对应的分数以及第二特征向量对应的分数中的最大值作为待筛选用户购买预设类型的商品中的目标商品的意图的大小。当第一特征向量对应的分数以及第二特征向量对应的分数中的最大值大于预设阈值时,将对应的待筛选用户确定为目标用户。例如,将分数大于70的待筛选用户确定为目标用户。
在一些可以实现的实施方式中,该方法还可以对第一特征向量和第二特征向量进行拼接,得到拼接向量。
步骤224中,基于所述第一特征向量以及所述第二特征向量,确定所述用户购买所述预设类型的商品中的目标商品的意图,可以包括:
基于所述第一特征向量、所述第二特征向量以及所述拼接向量,确定所述待筛选用户中具有目标购买意图的目标用户。
在一些实施例中,可以对第一特征向量进行打分,得到第一评分,对第二特征向量进行打分,得到第二评分,对拼接向量进行打分,得到第三评分。然后将第一评分、第二评分以及第三评分中的最大值大于预设阈值的待筛选用户确定为目标用户。
值得说明的是,商品购买预测模型可以是基于训练样本对机器学习模型进行训练得到的。其中,训练样本为标注有目标购买意图的得分的用户特征信息。例如,可以不同用户对应的用户特征信息对应的目标购买意图进行标注,得到训练样本。然后将该训练样本作为未训练的机器学习模型的输入,对该机器学习模型进行训练,得到训练好的商品购买预测模型。应当理解的是,商品购买预测模型对第一特征向量、第二特征向量以及拼接向量进行评分,是基于商品购买预测模型的输出层学习到的不同训练样本的特征向量对应的得分而确定的。
其中,第一评分表征待筛选用户购买预设类型的商品的意图的大小。例如,第一评分表征待筛选用户购买手机这一商品的意图的大小。第二评分表征待筛选用户购买目标商品的意图的大小,例如,第二评分表征待筛选用户购买小米手机的意图的大小。第三评分表征待筛选用户同时购买所述预设类型的商品、且购买所述预设类型的商品中的所述目标商品的意图的大小,例如,第三评分表征待筛选用户既有购买手机的意图,又有购买小米手机的意图的大小。
应当理解的是,第二评分中可以包括没有购买预设类型的商品的但可能会购买目标商品的用户,例如,用户暂时没有购买手机的意图,但是在下一次购买手机时,可能选择购买小米手机。
下面结合附图3对上述实施例进行详细说明。
图3是根据一示例性实施例示出的商品购买预测模型的架构图,如图3所示,该商品购买预测模型包括依次连接的输入层、编码层、模型层以及输出层,其中,模型层包括第一子模型和第二子模型。通过输入层将用户画像信息、行为特征信息以及广告推送特征信息输入商品购买预测模型,在编码层中分别对用户画像信息、行为特征信息以及广告推送特征信息进行向量编码,得到用户特征向量、行为特征向量以及广告推送特征向量,并且对用户特征向量、行为特征向量以及广告推送特征向量进行拼接,得到综合特征向量。综合特征向量分别作为模型层的第一子模型和第二子模型的输入,第一子模型和第二子模型分别输出第一特征向量和第二特征向量,并且拼接第一特征向量和第二特征向量,得到拼接向量。然后分别将第一特征向量、拼接向量以及第二特征向量分别作为输出层的输入,输出层输出第一评分、第三评分以及第二评分。然后可以根据第一评分、第三评分以及第二评分中的最大值来确定该待筛选用户是否为目标用户。
值得说明的是,基于上述商品购买预测模型,召回率相比传统的单目标、单任务模型能够提升9%,准确率能够提升15%。其中,召回率是指当日圈中的人群中购机的人数与当日总购机人数的比值,准确率是指在当日圈中人群中,购买小米手机的人数与购买所有品牌手机人数的比值。
图4是根据一示例性实施例示出的一种商品购买意图确定装置的框图。参照图4,该装置包括获取模块401和意图确定模块402。
该获取模块401配置为确定待筛选用户针对预设类型的商品的用户特征信息;
该意图确定模块402配置为基于所述用户特征信息,确定所述待筛选用户中具有目标购买意图的目标用户,其中,所述目标购买意图是指具有购买所述预设类型的商品中的目标商品的意图。
在一些实施例中,所述用户特征信息包括以下至少一项:
用户画像信息、行为特征信息以及广告推送特征信息,其中,所述行为特征信息表征所述用户针对与所述预设类型的商品相关的广告消息的操作统计信息,所述广告推送特征信息表征所述用户接收到的与所述预设类型的商品相关的广告消息的属性信息。
在一些实施例中,所述用户特征信息包括用户画像信息、行为特征信息以及广告推送特征信息;所述意图确定模块402具体配置为:
将所述用户画像信息、所述行为特征信息以及所述广告推送特征信息输入训练好的商品购买预测模型,确定所述待筛选用户中具有目标购买意图的目标用户。
在一些实施例中,所述商品购买预测模型包括第一子模型和第二子模型,其中,所述第一子模型用于提取表征所述待筛选用户购买所述预设类型的商品的意图的特征向量,所述第二子模型用于提取表征所述待筛选用户购买所述目标商品的意图的特征向量;
所述意图确定模块402包括:
编码单元,配置为对所述用户画像信息、所述行为特征信息以及所述广告推送特征信息分别进行编码,得到用户特征向量、行为特征向量以及广告推送特征向量;
第一拼接单元,配置为拼接所述用户画像向量、所述行为特征向量以及所述广告推送特征向量,得到综合特征向量;
预测单元,配置为将所述综合特征向量分别作为所述第一子模型和所述第二子模型的输入,提取得到第一特征向量以及第二特征向量;
确定单元,配置为基于所述第一特征向量以及所述第二特征向量,确定所述待筛选用户中具有目标购买意图的目标用户。
在一些实施例中,所述装置还包括:
第二拼接单元,配置为拼接所述第一特征向量和所述第二特征向量,得到拼接向量;
所述确定单元具体配置为:
基于所述第一特征向量、所述第二特征向量以及所述拼接向量,确定所述待筛选用户中具有目标购买意图的目标用户。
在一些实施例中,所述确定单元包括:
第一评分单元,配置为基于所述第一特征向量,确定第一评分,所述第一评分表征所述待筛选用户购买所述预设类型的商品的意图的大小;
第二评分单元,配置为基于所述第二特征向量,确定第二评分,所述第二评分表征所述待筛选用户购买所述目标商品的意图的大小;
第三评分单元,配置为基于所述拼接向量,确定第三评分,所述第三评分表征所述待筛选用户同时购买所述预设类型的商品、且购买所述预设类型的商品中的所述目标商品的意图的大小;
购买意图单元,配置为基于所述第一评分、所述第二评分以及所述第三评分中的最大值,确定所述待筛选用户中具有目标购买意图的目标用户。
在一些实施例中,所述第一子模型和所述第二子模型为CNN卷积神经网络模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的商品购买意图确定方法的步骤。
图5是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电力组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的商品购买意图确定方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,机器学习模型等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件806为电子设备800的各种组件提供电力。电力组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述商品购买意图确定方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由电子设备800的处理器820执行以完成上述商品购买意图确定方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的商品购买意图确定方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开未公开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,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开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。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种商品购买意图确定方法,其特征在于,包括:
确定待筛选用户针对预设类型的商品的用户特征信息;
基于所述用户特征信息,确定所述待筛选用户中具有目标购买意图的目标用户,其中,所述目标购买意图是指具有购买所述预设类型的商品中的目标商品的意图。
2.根据权利要求1所述的商品购买意图确定方法,其特征在于,所述用户特征信息包括以下至少一项:
用户画像信息、行为特征信息以及广告推送特征信息,其中,所述行为特征信息表征所述用户针对与所述预设类型的商品相关的广告消息的操作统计信息,所述广告推送特征信息表征所述用户接收到的与所述预设类型的商品相关的广告消息的属性信息。
3.根据权利要求1所述的商品购买意图确定方法,其特征在于,所述用户特征信息包括用户画像信息、行为特征信息以及广告推送特征信息;
所述基于所述用户特征信息,确定所述待筛选用户中具有目标购买意图的目标用户,包括:
将所述用户画像信息、所述行为特征信息以及所述广告推送特征信息输入训练好的商品购买预测模型,确定所述待筛选用户中具有目标购买意图的目标用户。
4.根据权利要求3所述的商品购买意图确定方法,其特征在于,所述商品购买预测模型包括第一子模型和第二子模型,其中,所述第一子模型用于提取表征所述待筛选用户购买所述预设类型的商品的意图的特征向量,所述第二子模型用于提取表征所述待筛选用户购买所述目标商品的意图的特征向量;
所述将所述用户画像信息、所述行为特征信息以及所述广告推送特征信息输入训练好的商品购买预测模型,确定所述待筛选用户中具有目标购买意图的目标用户,包括:
对所述用户画像信息、所述行为特征信息以及所述广告推送特征信息分别进行编码,得到用户特征向量、行为特征向量以及广告推送特征向量;
拼接所述用户画像向量、所述行为特征向量以及所述广告推送特征向量,得到综合特征向量;
将所述综合特征向量分别作为所述第一子模型和所述第二子模型的输入,提取得到第一特征向量以及第二特征向量;
基于所述第一特征向量以及所述第二特征向量,确定所述待筛选用户中具有目标购买意图的目标用户。
5.根据权利要求4所述的商品购买意图确定方法,其特征在于,所述方法还包括:
拼接所述第一特征向量和所述第二特征向量,得到拼接向量;
所述基于所述第一特征向量以及所述第二特征向量,确定所述待筛选用户中具有目标购买意图的目标用户,包括:
基于所述第一特征向量、所述第二特征向量以及所述拼接向量,确定所述待筛选用户中具有目标购买意图的目标用户。
6.根据权利要求5所述的商品购买意图确定方法,其特征在于,所述基于所述第一特征向量、所述第二特征向量以及所述拼接向量,确定所述待筛选用户中具有目标购买意图的目标用户,包括:
基于所述第一特征向量,确定第一评分,所述第一评分表征所述待筛选用户购买所述预设类型的商品的意图的大小;
基于所述第二特征向量,确定第二评分,所述第二评分表征所述待筛选用户购买所述目标商品的意图的大小;
基于所述拼接向量,确定第三评分,所述第三评分表征所述待筛选用户同时购买所述预设类型的商品、且购买所述预设类型的商品中的所述目标商品的意图的大小;
基于所述第一评分、所述第二评分以及所述第三评分中的最大值,确定所述待筛选用户中具有目标购买意图的目标用户。
7.根据权利要求4所述的商品购买意图确定方法,其特征在于,所述第一子模型和所述第二子模型为CNN卷积神经网络模型。
8.一种商品购买意图确定装置,其特征在于,包括:
获取模块,配置为确定待筛选用户针对预设类型的商品的用户特征信息;
意图确定模块,配置为基于所述用户特征信息,确定所述待筛选用户中具有目标购买意图的目标用户,其中,所述目标购买意图是指具有购买所述预设类型的商品中的目标商品的意图。
9.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949478.9A CN113643068A (zh) | 2021-08-18 | 2021-08-18 | 商品购买意图确定方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949478.9A CN113643068A (zh) | 2021-08-18 | 2021-08-18 | 商品购买意图确定方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113643068A true CN113643068A (zh) | 2021-11-12 |
Family
ID=78422708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110949478.9A Pending CN113643068A (zh) | 2021-08-18 | 2021-08-18 | 商品购买意图确定方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643068A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049155A (zh) * | 2021-11-17 | 2022-02-15 | 浙江华坤道威数据科技有限公司 | 基于大数据分析的营销运营方法、系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647811A (zh) * | 2018-04-26 | 2018-10-12 | 中国联合网络通信集团有限公司 | 预测用户购买权益商品的方法、装置、设备及存储介质 |
CN109816441A (zh) * | 2018-12-29 | 2019-05-28 | 江苏云天励飞技术有限公司 | 策略推送方法、系统及相关装置 |
CN110555747A (zh) * | 2018-06-01 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 确定目标用户的方法和装置 |
CN111681085A (zh) * | 2020-06-10 | 2020-09-18 | 创新奇智(成都)科技有限公司 | 商品推送方法、装置、服务器及可读存储介质 |
CN113256397A (zh) * | 2021-07-02 | 2021-08-13 | 佛山市墨纳森智能科技有限公司 | 基于大数据的商品推荐方法、系统及计算机可读存储介质 |
-
2021
- 2021-08-18 CN CN202110949478.9A patent/CN113643068A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647811A (zh) * | 2018-04-26 | 2018-10-12 | 中国联合网络通信集团有限公司 | 预测用户购买权益商品的方法、装置、设备及存储介质 |
CN110555747A (zh) * | 2018-06-01 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 确定目标用户的方法和装置 |
CN109816441A (zh) * | 2018-12-29 | 2019-05-28 | 江苏云天励飞技术有限公司 | 策略推送方法、系统及相关装置 |
CN111681085A (zh) * | 2020-06-10 | 2020-09-18 | 创新奇智(成都)科技有限公司 | 商品推送方法、装置、服务器及可读存储介质 |
CN113256397A (zh) * | 2021-07-02 | 2021-08-13 | 佛山市墨纳森智能科技有限公司 | 基于大数据的商品推荐方法、系统及计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049155A (zh) * | 2021-11-17 | 2022-02-15 | 浙江华坤道威数据科技有限公司 | 基于大数据分析的营销运营方法、系统 |
CN114049155B (zh) * | 2021-11-17 | 2022-08-19 | 浙江华坤道威数据科技有限公司 | 基于大数据分析的营销运营方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800325B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN105654131A (zh) | 分类模型训练方法及装置 | |
CN111428032B (zh) | 内容质量评价方法及装置、电子设备、存储介质 | |
CN109670077B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN107230137A (zh) | 商品信息获取方法及装置 | |
CN111859020A (zh) | 推荐方法、装置、电子设备及计算机可读存储介质 | |
CN112445970A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN108460651A (zh) | 车辆推荐方法及装置 | |
CN112785344A (zh) | 广告投放方法、装置、电子设备和存储介质 | |
CN112000266B (zh) | 页面展示方法、装置、电子设备及存储介质 | |
CN111369271A (zh) | 一种广告的排序方法、装置、电子设备及存储介质 | |
CN110502648A (zh) | 用于多媒体信息的推荐模型获取方法及装置 | |
CN111898018A (zh) | 一种虚拟资源的发送方法、装置、电子设备及存储介质 | |
CN112508612A (zh) | 训练广告创意生成模型、生成广告创意的方法及相关装置 | |
CN113643068A (zh) | 商品购买意图确定方法、装置、存储介质及电子设备 | |
CN112685641A (zh) | 一种信息处理方法及装置 | |
CN111460172A (zh) | 产品问题的答案确定方法、装置和电子设备 | |
CN113268655A (zh) | 一种信息推荐方法、装置和电子设备 | |
CN109949073A (zh) | 一种信息调整方法、装置、电子设备及存储介质 | |
CN111291268B (zh) | 信息处理方法、信息处理装置及存储介质 | |
CN114202380A (zh) | 金融产品的推荐方法、装置和设备 | |
CN112149653A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
CN111179011A (zh) | 一种保险产品推荐方法及装置 | |
CN113190725B (zh) | 对象的推荐及模型训练方法和装置、设备、介质和产品 | |
CN114549061A (zh) | 自然转化用户确定方法、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 |