CN113688326A - 推荐方法、装置、设备及计算机可读存储介质 - Google Patents
推荐方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113688326A CN113688326A CN202111246496.7A CN202111246496A CN113688326A CN 113688326 A CN113688326 A CN 113688326A CN 202111246496 A CN202111246496 A CN 202111246496A CN 113688326 A CN113688326 A CN 113688326A
- Authority
- CN
- China
- Prior art keywords
- scene
- marketing
- recommendation
- user
- scenario
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000013598 vector Substances 0.000 claims abstract description 102
- 239000011159 matrix material Substances 0.000 claims abstract description 100
- 230000004927 fusion Effects 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims description 119
- 238000012360 testing method Methods 0.000 claims description 54
- 238000001914 filtration Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 23
- 238000012163 sequencing technique Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 description 31
- 230000006870 function Effects 0.000 description 21
- 238000012545 processing Methods 0.000 description 17
- 238000011084 recovery Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 244000208734 Pisonia aculeata Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 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
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种推荐方法、装置、设备及计算机可读存储介质;该方法包括:获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的多个用户数据,所述用户数据包括用户特征数据和行为数据;将所述用户数据分别输入各个推荐模型,得到各个营销场景类型对应的预测向量;基于各个营销场景类型对应的预测向量构建多场景融合矩阵,所述多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率;基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型;在确定达到推荐时机时,向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。通过本申请,能够实现精准推荐。
Description
技术领域
本申请涉及互联网技术,尤其涉及一种推荐方法、装置、设备及计算机可读存储介质。
背景技术
一个产品完整的生命周期一般包括:初创期、成长期、成熟期、衰减期、退出期这五个周期。对应着五个生命周期,企业所采用的干预活动大致分为:初始期—拉新,成长期—拉新、流失预警,成熟期—流失预警、流失挽回、付费拉新、付费活跃等,衰退期—流失挽回、付费活跃、付费流失挽回,退出期—流失挽回、付费流失挽回等。目前,企业对于产品生命周期管理,一般采用单个场景进行单个活动的营销干预。然而,有很多用户存在于产品的多个生命周期阶段,因此,一个用户会涉及多个产品生命周期的营销活动,而目前的生命周期营销方案并不能给出用户最优先的营销运动,不仅推荐精度不高,并且对用户容易造成骚扰。
发明内容
本申请实施例提供一种推荐方法、装置及计算机可读存储介质,能够提高推荐精度。
本申请实施例的技术方案是这样实现的:
本申请实施例提供一种推荐方法,包括:
获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的多个用户特征数据;
将所述用户特征数据分别输入各个推荐模型,得到各个营销场景类型对应的预测向量;
基于各个营销场景类型对应的预测向量构建多场景融合矩阵,所述多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率;
基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型;
在确定达到推荐时机时,向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。
本申请实施例提供一种推荐装置,包括:
第一获取模块,用于获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的用户特征数据;
预测模块,用于将所述用户特征数据分别输入各个推荐模型,得到各个营销场景类型对应的预测向量;
场景融合模块,用于基于各个营销场景类型对应的预测向量构建多场景融合矩阵,所述多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率;
第一确定模块,用于基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型;
第一发送模块,用于在确定达到推荐时机时,向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。
在一些实施例中,该场景融合模块,还用于:
基于各个营销场景类型对应的预测向量确定所述各个营销场景类型对应的多个目标用户标识;
基于所述各个营销场景类型对应的预测向量获取各个目标用户标识在至少一个营销场景类型下的预测概率;
基于所述各个目标用户标识在至少一个营销场景类型下的预测概率,构建多场景融合矩阵。
在一些实施例中,该场景融合模块,还用于:
基于所述各个目标用户标识在至少一个营销场景类型下的预测概率,生成带有缺失值的概率矩阵;
其中,所述概率矩阵的第i行第j列为第i个目标用户标识在第j个营销场景类型下的预测概率,i=1,2,…,M,j=1,2,…,N,其中M为目标用户标识总数,N为营销场景类型总数,当第p个目标用户标识不为第q个营销场景类型下的目标用户时,所述概率矩阵的第p行第q列为缺失值;
将所述概率矩阵输入训练好的协同过滤模型进行缺失值预测,得到多场景融合矩阵。
在一些实施例中,该第一确定模块,还用于:
基于所述多场景融合矩阵确定所述各个目标用户标识对应的场景排序向量,所述场景排序向量为目标用户标识对应的场景概率向量的排序结果;
基于所述各个目标用户标识对应的场景排序向量确定所述各个目标用户标识的最高场景概率;
将所述最高场景概率对应的营销场景类型确定为目标营销场景类型。
在一些实施例中,该装置还包括:
第二确定模块,用于在确定达到预设的推荐间隔时长时,确定达到推荐时机;或者,第三确定模块,用于在确定推荐信息更新时,确定达到推荐时机;或者,第四确定模块,用于在确定用户登录时,确定达到推荐时机。
在一些实施例中,该装置还包括:
第二获取模块,用于获取各个用户标识对应的日志数据,基于所述日志数据确定训练数据,所述训练数据包括多个训练特征数据和各个训练特征数据对应的营销场景标签;
第三获取模块,用于获取所述各个营销场景类型对应的训练特征数据和所述各个营销场景类型对应的预设推荐模型;
第一训练模块,用于利用所述各个营销场景类型对应的训练特征数据分别对所述各个营销场景类型对应的预设推荐模型进行训练,得到各个营销场景类型对应的训练好的推荐模型。
在一些实施例中,该第二获取模块,还用于:
基于所述日志数据确定各个用户标识对应的历史特征数据和营销场景标签;
基于所述营销场景标签确定各个营销场景类型对应的历史特征数据;
将所述各个营销场景类型对应的历史特征数据进行划分,得到各个营销场景类型对应的训练特征数据和各个营销场景类型对应的测试数据。
在一些实施例中,该第二获取模块,还用于:
基于所述各个用户标识对应的日志数据,确定所述各个用户标识对应的身份特征数据、所述各个用户标识在第(K-1)个时间周期的消费特征数据和活跃特征数据,其中,所述第(K-1)个时间周期为当前时间周期的上一个时间周期,K为大于2的整数;
基于用户标识对应的日志数据,如果确定在第K个时间周期之前未进行过登陆,确定所述用户标识的营销场景标签为拉新场景;
如果确定在第(K-1)个时间周期进行过登陆,在所述第K个时间周期未进行登录,确定所述用户标识的营销场景标签为流失预警场景;
如果确定在第(K-2)个时间周期进行过登陆,在所述第(K-1)个时间周期未进行登录,在所述第K个时间周期进行登录,确定所述用户标识的营销场景标签为流失挽回场景;
如果确定在第K个时间周期之前进行过登陆但未消费,在第K个时间周期进行登录并消费,确定所述用户标识的营销场景标签为付费新增场景;
如果确定在第(K-2)个时间周期进行过登陆并消费,在第(K-1)个时间周期进行登录未消费,在第K个时间周期进行登录并消费,确定所述用户标识的营销场景标签为付费回流场景。
在一些实施例中,该第一训练模块,还用于:
将所述各个营销场景类型对应的训练特征数据分别输入所述各个营销场景类型对应的预设推荐模型进行迭代训练;
在确定达到迭代结束条件时,获取初步训练好的各个推荐模型;
获取各个营销场景类型对应的测试数据,所述测试数据包括测试特征数据和测试场景标签;
将所述各个营销场景类型对应的测试特征数据对应输入初步训练好的各个推荐模型,得到各个推荐模型对应的预测场景信息;
当基于所述测试场景标签和各个推荐模型对应的预测场景信息确定达到训练结束条件时,将所述初步训练好的各个推荐模型确定为训练好的各个推荐模型。
在一些实施例中,该装置还包括:
第四获取模块,用于当基于所述测试场景标签和所述预测场景信息确定达到存在未达到训练结束条件的目标推荐模型时,再次获取所述目标推荐模型对应的新的训练数据;
第二训练模块,用于利用所述新的训练数据对所述目标推荐模型继续进行训练,直至达到训练结束条件,得到训练好的推荐模型。
本申请实施例提供一种推荐装置,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本申请实施例提供的方法。
本申请实施例提供一种计算机可读存储介质,存储有可执行指令,用于引起处理器执行时,实现本申请实施例提供的推荐方法。
本申请实施例提供一种计算机程序产品,包括计算机程序或指令,所述计算机程序或指令被处理器执行时实现本申请实施例提供的推荐方法。
本申请实施例具有以下有益效果:
在本申请实施例提供的推荐方法中,首先获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的用户特征数据;然后将用户特征数据分别输入各个推荐模型,得到各个营销场景类型对应的预测向量;进而再基于各个营销场景类型对应的预测向量构建多场景融合矩阵,所述多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率;之后基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型,并在确定达到推荐时机时,向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。如此,通过营销场景融合,为用户确定出最优的营销场景类型,进而提高营销推荐的精准度,并且还能够降低营销推荐成本。
附图说明
图1为相关技术中营销推荐框架示意图;
图2是本申请实施例提供的推荐系统架构的结构示意图;
图3是本申请实施例提供的服务器400的结构示意图;
图4是本申请实施例提供的推荐方法的一种实现流程示意图;
图5A是本申请实施例提供的推荐模型的训练过程示意图;
图5B是本申请实施例提供的推荐模型的训练过程的又一实现示意图;
图6是本申请实施例提供的推荐方法的再一种实现流程示意图;
图7是本申请实施例提供的推荐方法的整体架构示意图;
图8是本申请实施例提供的基于协同过滤的多营销场景融合推荐方法的实现流程示意图;
图9是本申请实施例提供的协同过滤矩阵的示意图;
图10是本申请实施例提供的预测后的得分矩阵示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
1)协同过滤,是一种在推荐系统中广泛使用的技术。该技术通过分析用户或者事物之间的相似性(“协同”),来预测用户可能感兴趣的内容并将此内容推荐给用户;
2)场景融合,由多个业务场景融合而成的复杂场景,例如,车主在产品的生命周期当中,可能同时处于流失预警、付费流失等多个周期的业务场景。
为了更好地理解本申请实施例提供的推荐方法,首先对相关技术中的推荐方法进行说明。
现有产品生命周期管理的营销推荐方案主要是单场景营销推荐方案,即通过构建用户在产品生命周期各个阶段的场景标签(拉新、流失预警、流失挽回、付费新增、付费流失、付费活跃等)及用户的特征数据,构建每个场景下的分类预测模型,通过输入样本数据(场景标签+用户特征数据),训练机器学习模型、深度学习模型等,得到训练模型,将预测样本代入到训练模型中,得到预测模型,进而得到对应预测正样本的用户ID和分类得分,从而选择预测为正样本的用户进行营销活动推荐。
然而,目前的技术方案属于单场景营销推荐方案,营销活动需要根据用户所在的场景进行运营活动。图1为相关技术中营销推荐框架示意图,如图1所示,会对用户群进行多个场景的判断,如果用户同时存在多个营销场景,则每个营销场景都会对用户进行干预,从而严重降低用户体验。
在相关技术中,对于涉及多个营销场景的情形,采用单个场景独立营销活动推荐,每个场景活动之间独立进行,然而,用户可能存在于多个场景,从而造成了资源过度浪费,也容易造成对用户的骚扰,降低了用户对服务营销活动的体验;由于用户可能同时出现在多个运营场景,多重干预下,难以区分每个营销场景方案和模型的效果,存在严重的效果叠加问题,另外相关技术中的营销推荐方案不能确定用户处于产品生命周期五个阶段中的哪一个阶段,因此不能为产品营销活动选出最优的活动方案。
基于相关技术中的营销推荐方案,本申请实施例将模型应用于产品生命周期管理的营销场景融合中,通过机器学习模型得到目标用户及对应的场景得分后,再使用协同过滤模型得到用户在产品生命周期管理的各个环节场景下的概率得分,从而为用户提供最优的场景营销推荐方案,提高推荐精度。
下面说明本申请实施例提供的计算机设备的示例性应用,本申请实施例提供的计算机设备可以实施为笔记本电脑,平板电脑,车载终端,台式计算机,机顶盒,移动设备(例如,移动电话,便携式音乐播放器,个人数字助理,专用消息设备,便携式游戏设备)等各种类型的用户终端,也可以实施为服务器。下面,将说明设备实施为服务器时示例性应用。
参见图2,图2是本申请实施例提供的推荐系统100的架构示意图,如图2所示,该推荐系统包括终端200(在图2中示例性地示出终端200-1和终端200-2)、网络300和服务器400,其中,终端200-1和终端200-2分别通过网络300连接服务器400,网络300可以是广域网或者局域网,又或者是二者的组合。
终端200中可以安装有各种各样的应用程序,例如即时通讯应用程序、第三方支付应用程序、视频观看应用程序、购物应用程序等。终端200可以通过即时通讯应用程序与亲朋好友或者同事进行生活或工作上的即时通讯,可以通过第三方支付应用程序实现电子支付,通过购物应用程序进行网上购物等等。在本申请实施例中,即时通讯应用程序或者第三方支付应用程序还可以嵌入实现其他业务功能的小程序,例如可以是线上打车小程序、外卖小程序、加油小程序等等。
由于对于完成某种业务功能的产品来说,针对不同的营销场景可以有不同的推荐信息,而一个用户可能对应有多个营销场景,如果针对每个营销场景都进行推荐,不仅推荐成本高,还容易对用户带来推荐信息过多的困扰。在本申请实施例中,服务器400在获取到多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的用户特征数据之后,将用户特征数据分别输入各个推荐模型,得到各个营销场景类型对应的预测向量;进而再基于各个营销场景类型对应的预测向量构建多场景融合矩阵;之后基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型,并在确定达到推荐时机时,向所述各个目标用户标识对应的用户终端发送目标营销场景类型对应的推荐信息。如此,通过营销场景融合,为用户确定出最优的营销场景类型,进而提高营销推荐的精准度,并且还能够降低营销推荐成本。
在一些实施例中,服务器400可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、智慧交通、智能网联汽车、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
参见图3,图3是本申请实施例提供的服务器400的结构示意图,图3所示的服务器400包括:至少一个处理器410、存储器450、至少一个网络接口420和用户接口430。服务器400中的各个组件通过总线系统440耦合在一起。可理解,总线系统440用于实现这些组件之间的连接通信。总线系统440除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图3中将各种总线都标为总线系统440。
处理器410可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的处理器等。
用户接口430包括使得能够呈现媒体内容的一个或多个输出装置431,包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口430还包括一个或多个输入装置432,包括有助于用户输入的用户接口部件,比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
存储器450可以是可移除的,不可移除的或其组合。示例性的硬件设备包括固态存储器,硬盘驱动器,光盘驱动器等。存储器450可选地包括在物理位置上远离处理器 410的一个或多个存储设备。
存储器450包括易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM,Read Only Memory),易失性存储器可以是随机存取存储器(RAM,Random Access Memory)。本申请实施例描述的存储器450旨在包括任意适合类型的存储器。
在一些实施例中,存储器450能够存储数据以支持各种操作,这些数据的示例包括程序、模块和数据结构或者其子集或超集,下面示例性说明。
操作系统451,包括用于处理各种基本系统服务和执行硬件相关任务的系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务;
网络通信模块452,用于经由一个或多个(有线或无线)网络接口420到达其他计算设备,示例性的网络接口420包括:蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB,Universal Serial Bus)等;
输入处理模块453,用于对一个或多个来自一个或多个输入装置432之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
在一些实施例中,本申请实施例提供的装置可以采用软件方式实现,图3示出了存储在存储器450中的推荐装置454,其可以是程序和插件等形式的软件,包括以下软件模块:第一获取模块4541、预测模块4542、场景融合模块4543、第一确定模块4544和第一发送模块4545,这些模块是逻辑上的,因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
在另一些实施例中,本申请实施例提供的装置可以采用硬件方式实现,作为示例,本申请实施例提供的装置可以是采用硬件译码处理器形式的处理器,其被编程以执行本申请实施例提供的推荐方法,例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Complex ProgrammableLogic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
将结合本申请实施例提供的服务器的示例性应用和实施,说明本申请实施例提供的推荐方法。
参见图4,图4是本申请实施例提供的推荐方法的一种实现流程示意图,将结合图4示出的步骤进行说明。
步骤S101,获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的多个用户特征数据。
在本申请实施例中,营销场景类型可以包括拉新场景类型、流失预警场景类型、流失挽回场景类型、付费拉新场景类型、付费回流场景类型等。不同的营销场景类型对应有不同的训练好的推荐模型,推荐模型可以是神经网络模型,例如可以是卷积神经网络模型,还可以是深度学习神经网络模型。不同的训练好的推荐模型可以是模型结构相同而模型参数不同,也可以是模型结构不同且模型参数不同。
用户标识可以是用户的注册ID,不同于账号,该用户标识具有唯一性。用户特征数据可以包括身份特征数据、消费特征数据、活跃特征数据等等。其中,身份特征数据可以包括:年龄,性别、所在地区等,消费特征数据可以包括充值金额、消费金额、充值次数、充值天数、首次充值距离当前时间天数间隔等;活跃特征数据包括:活跃天数、活跃时长、活跃功能数量、注册时间距离当前时间天数间隔。
步骤S102,将所述用户特征数据分别输入各个训练好的推荐模型,得到各个营销场景类型对应的预测向量。
在本申请实施例中,是将多个用户标识对应的用户特征数据分别输入各个训练好的推荐模型,以对用户标识对应的场景进行预测,得到各个营销场景类型对应的预测向量。预测向量的维度与用户数量相同,例如有100个用户,则该预测向量为1*100,某一营销场景类型对应的预测向量中的各个预测值表征各个用户为该营销场景的概率。
步骤S103,基于各个营销场景类型对应的预测向量构建多场景融合矩阵。
其中,多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率,该预测概率可以是预测向量中的预测值,还可以是基于协同过滤算法预测出来的。
该步骤在实现时,可以首先基于各个营销场景类型对应的预测向量确定出各个营销场景类型的目标用户标识,然后基于目标用户标识和各个目标用户标识在预测向量中的预测值构建带缺失值的概率矩阵,进而再利用训练好的协同过滤模型对概率矩阵中的缺失值进行预测,得到多场景融合矩阵。
步骤S104,基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型。
该多场景融合矩阵的每一行可以是一个目标用户标识隶属各个营销场景类型的概率。该步骤在实现时,可以将目标用户标识隶属于各个营销场景类型的概率中的最高值对应的营销场景类型确定为该目标用户标识的目标营销场景类型。
举例来说,有五个营销场景类型,分别为拉新场景类型、流失预警场景类型、流失挽回场景类型、付费拉新场景类型,某一目标用户标识在这五个营销场景类型的概率分别为0.6、0.3、0.2、0.3、0.2,由于0.6为最高值,因此将0.6对应的拉新场景类型确定为该目标用户标识的目标营销场景类型。
步骤S105,在确定达到推荐时机时,向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。
在实现时,可以是在确定有新的推荐信息发布,也即确定推荐信息更新时或者达到预设的推荐间隔时长时,或者确定用户登录时,确定达到推荐时机。
由于不同的营销场景类型对应有不同的推荐信息,比如,对于拉新场景类型,推荐信息可以是首单优惠信息,对于流失预警场景类型,推荐信息可以是消费打折优惠信息,还可以是推荐好友优惠信息等。
步骤S105在实现时,可以是服务器在监测到用户打开应用程序或者打开小程序后,向用户发送的,还可以是通过短消息的方式向用户推送的。
在本申请实施例提供的推荐方法中,在确定达到推荐时机时,首先获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的用户特征数据;然后将用户特征数据分别输入各个推荐模型,得到各个营销场景类型对应的预测向量;进而再基于各个营销场景类型对应的预测向量构建多场景融合矩阵,所述多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率;之后基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型,并向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。如此,通过营销场景融合,为用户确定出最优的营销场景类型,进而提高营销推荐的精准度,并且还能够降低营销推荐成本。
在一些实施例中,上述步骤S103“基于各个营销场景类型对应的预测向量构建多场景融合矩阵”可以通过以下步骤实现:
步骤S1031,基于各个营销场景类型对应的预测向量确定所述各个营销场景类型对应的多个目标用户标识。
该步骤在实现时,可以是将各个营销场景类型对应的预测向量中,大于预设阈值的预测值对应的用户标识确定为目标用户标识。例如预设阈值为0.5,那么依次从各个营销场景类型对应的预测向量中选择出预测值大于0.5的用户标识,也即得到了各个营销场景类型对应的目标用户标识。
不同的营销场景类型中包含的多个目标用户标识可能有部分是相同的,也可能是完全相同的。
步骤S1032,基于所述各个营销场景类型对应的预测向量获取各个目标用户标识在至少一个营销场景类型下的预测概率。
在该步骤中得到的预测概率是预测向量中的预测值,且该预测概率是大于预设阈值的。举例来说,用户1仅为拉新场景类型的目标用户,在该拉新场景类型中的预测概率为0.8,用户2为流失预警和付费拉新两个营销场景类型的目标用户,那么此时从流失预警场景类型对应的预测向量中获取用户2对应的预测概率,假设为0.65,从付费拉新场景类型对应的预测向量中获取用户2对应的预测概率,假设为0.8。用户3为流失预警、流失挽回及付费回流的目标用户,对应的预测概率分别为0.75、0.83、0.87。
步骤S1033,基于所述各个目标用户标识在至少一个营销场景类型下的预测概率,构建多场景融合矩阵。
在本申请实施例中,该步骤在实现时,首先基于所述各个目标用户标识在至少一个营销场景类型下的预测概率,生成带有缺失值的概率矩阵;其中,所述概率矩阵的第i行第j列为第i个目标用户标识在第j个营销场景类型下的预测概率,i=1,2,…,M,j=1,2,…,N,其中M为目标用户标识总数,N为营销场景类型总数,当第p个目标用户标识不为第q个营销场景类型下的目标用户时,所述概率矩阵的第p行第q列为缺失值。然后将所述概率矩阵输入训练好的协同过滤模型进行缺失值预测,得到多场景融合矩阵。
承接上述的举例,假设构建概率矩阵时,营销场景类型的排序为:拉新场景、流失预警场景、流失挽回场景、付费回流场景和付费拉新场景,目标用户包括用户1、用户2和用户3,此时基于上述概率值信息,能够构建出下面的概率矩阵:
由于用户1仅为拉新场景的目标用户,因此第1行第2列至第5列均为缺失值,在该概率矩阵中以0代表缺失值,但实际是没有值的,由于用户2为流失预警和付费拉新两个营销场景类型的目标用户,因此第2行的第一列、第三列、第四列为缺失值,由于用户3为流失预警、流失挽回及付费回流的目标用户,因此第3行的第1列和第5列为缺失值。
之后将该概率矩阵输入训练好的协同过滤模型中,对概率矩阵中的缺失值进行预测,得到多场景融合矩阵,也即多场景融合矩阵是没有缺失值的,缺失值基于用户在其他场景中的概率值进行预测得到。
通过上述的步骤S1031至步骤S1033,通过目标用户标识在各个营销场景类型对应的预测向量中的预测值,构建概率矩阵,从而再利用协同过滤矩阵对概率矩阵中的缺失值进行预测,至此得到了多场景融合矩阵,如此为后续确定用户的营销推荐信息提供数据基础,并且能够避免用户处于多个营销场景时的推荐资源的过度浪费。
在一些实施例中,上述步骤S104“基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型”,可以通过下述步骤S1041至步骤S1043实现,下面对各个步骤进行说明。
步骤S1041,基于所述多场景融合矩阵确定所述各个目标用户标识对应的场景排序向量。
所述场景排序向量为目标用户标识对应的场景概率向量的排序结果,该排序结果可以是从大到小排序得到的,也可以是从小到大排序得到的。举例来说,在多场景融合矩阵中,用户2对应的场景概率向量为0.35、0.65、0.23、0.47、0.8,按照从大到小的顺序进行排序,那么用户2对应的场景排序向量为0.8、0.65、0.47、0.35、0.23。
步骤S1042,基于所述各个目标用户标识对应的场景排序向量确定所述各个目标用户标识的最高场景概率。
在实现时,如果场景排序向量是按照从小到大的顺序排列的,那么在该步骤中,是获取场景排序向量中的最后一个概率值,从而得到最高场景概率,如果场景排序向量是按照从大到小的顺序排列的,那么在该步骤中,是获取场景排序向量中的第一个概率值,从而得到最高场景概率。承接上述举例,用户2的最高场景概率为0.8。
步骤S1043,将所述最高场景概率对应的营销场景类型确定为目标营销场景类型。
在得到最高场景概率之后,即可对应得到最高场景概率对应的营销场景类型。承接上述举例,用户2中最高场景概率0.8对应的营销场景类型为付费拉新场景类型。
通过上述的步骤S1041至步骤S1043,在得到多场景融合矩阵之后,可以确定各个目标用户标识的场景排序向量,再基于场景排序向量,确定各个目标用户标识的目标营销场景类型,如此,即便用户本身处于多个营销场景中,也能够从中选择一个最佳的目标营销场景类型,从而为用户提供更加精准有效的推荐信息。
在本申请实施中,在步骤S101之前,还可以通过图5A所示的各个步骤得到各个营销场景类型对应的训练好的推荐模型,以下结合图5A进行说明。
步骤S001,获取各个用户标识对应的日志数据,基于所述日志数据确定训练数据。
各个用户标识对应的日志数据可以是预设时长内的日志数据,例如可以是从当前时刻起之前一周的日志数据,还可以是从当前时刻起之前五天的日志数据,该日志数据基于各个用户标识在该预设时长内登录以及使用对应应用程序或者小程序所产生的数据。
在本申请实施例中,在得到日志数据之后,首先对日志数据进行数据处理,得到各个用户标识的历史特征数据和营销场景标签,进而,将各个用户标识对应的历史特征数据营销场景标签进行划分,分为训练特征数据和测试特征数据。其中,所述训练数据包括多个训练特征数据和各个训练特征数据对应的营销场景标签。
步骤S002,获取所述各个营销场景类型对应的训练特征数据和所述各个营销场景类型对应的预设推荐模型。
在该步骤中,是利用营销场景标签,对训练特征数据进行划分,得到每个营销场景类型对应的训练特征数据。
各个营销场景类型对应的预设推荐模型,为初始的未进行训练的推荐模型,各个预设推荐模型可以是相同的模型结构,相同的初始参数,也可以是不同的模型结构,不同的初始参数,在本申请实施例中,不进行限定。
步骤S003,利用所述各个营销场景类型对应的训练特征数据分别对所述各个营销场景类型对应的预设推荐模型进行训练,得到各个营销场景类型对应的训练好的推荐模型。
在该步骤中,将每个营销场景类型对应的训练特征数据输入到对应的预设推荐模型中,得到各个用户标识的预测结果,然后利用用户标识的营销场景标签和所述预测结果对预设推荐模型进行反向传播训练,从而对预设推荐模型的参数进行调整,直至达到预设的训练结束条件,此时得到的是初步训练好的推荐模型。在一些实施例中,还可以是利用梯度下降法对各个营销场景类型对应的预设推荐模型进行迭代训练,在达到迭代结束条件时,磁道初步训练好的推荐模型。之后还需要利用测试数据对初步训练好的推荐模型的预测性能进行测试,直至确定得到满足预设指标的推荐模型,此时得到最终训练好的推荐模型。
在一些实施例中,上述步骤S001中的“基于所述日志数据确定训练数据”可以通过以下步骤实现:
步骤S0011,基于所述日志数据确定各个用户标识对应的历史特征数据和营销场景标签。
该步骤S0011,可以通过以下步骤实现:
步骤S0111,基于所述各个用户标识对应的日志数据,确定所述各个用户标识对应的身份特征数据、所述各个用户标识在第(K-1)个时间周期的消费特征数据和活跃特征数据。
在本申请实施例中,获取的日志数据是包括从用户注册后的所有日志数据还可以是多个时间周期的数据,例如至少包括三个时间周期,可以是五个时间周期,还可以是十个时间周期。
其中一个时间周期可以为预设时长,例如可以为24个小时,可以为12个小时、三天、五天等。假设当前时间周期为第K期,K为大于2的整数,那么第(K-1)个时间周期为当前时间周期的上一个时间周期。用户标识对应的身份特征数据可以包括用户标识、性别、年龄、所在区域等。在第(K-1)个时间周期的消费特征数据可以包括:在第(K-1)个时间周期内的充值金额、消费金额、充值次数、充值天数、首次充值距离当前时间天数间隔等;在第(K-1)个时间周期的活跃特征数据包括:在第(K-1)个时间周期内的活跃天数、活跃时长、活跃功能数量、注册时间距离当前时间天数间隔。
步骤S0112,基于用户标识对应的日志数据,如果确定在第K个时间周期之前未进行过登陆,确定所述用户标识的营销场景标签为拉新场景。
在该步骤中,如果在第K个时间周期之前为进行过登陆,说明用户还从未使用过该应用程序的各项业务功能,为新用户,因此此时确定该用户标识的营销场景标签为拉新场景。
步骤S0113,如果确定在第(K-1)个时间周期进行过登陆,在所述第K个时间周期未进行登录,确定所述用户标识的营销场景标签为流失预警场景。
如果在第(K-1)个时间周期进行过登陆,而第K个时间周期未进行登录,那么说明用户可能会存在流失风险,因此将该用户标识的营销场景标签确定为流失预警场景。
步骤S0114,如果确定在第(K-2)个时间周期进行过登陆,在所述第(K-1)个时间周期未进行登录,在所述第K个时间周期进行登录,确定所述用户标识的营销场景标签为流失挽回场景。
如果在第(K-2)个时间周期进行过登陆,而在第(K-1)个时间周期未进行登录,在第K个时间周期又进行了登录,说明用户可能会流失,但是又没有流失,因此确定该用户标识的营销场景标签为流失挽回场景。
步骤S0115,如果确定在第K个时间周期之前进行过登陆但未消费,在第K个时间周期进行登录并消费,确定所述用户标识的营销场景标签为付费新增场景。
步骤S0116,如果确定在第(K-2)个时间周期进行过登陆并消费,在第(K-1)个时间周期进行登录未消费,在第K个时间周期进行登录并消费,确定所述用户标识的营销场景标签为付费回流场景。
步骤S0012,基于所述营销场景标签确定各个营销场景类型对应的历史特征数据。
本申请实施例中,可以首先将各个用户标识对应的历史特征数据分为稀疏型特征和稠密型特征,其中稀疏型特征可以是ID类、标识类的特征,此时对该稀疏型特征进行独热(onehot)处理,能够通过标记特征所在位置,从而增加识别度;稠密性特征主要是连续性的数值特征,一般采用主成分分析(PCA,Principal Component Analysis)去相关性处理、归一化(标准化)处理、特征离散化处理等,能够消除量纲的影响,同样也是为了提高模型的识别度。
在对稀疏型特征和稠密型特征进行相应处理之后,按照营销场景标签将处理的的历史特征数据进行分类,从而得到各个营销场景类型对应的历史特征数据。
步骤S0013,将所述各个营销场景类型对应的历史特征数据进行划分,得到各个营销场景类型对应的训练特征数据和各个营销场景类型对应的测试数据。
该步骤在实现时,可以是将各个营销场景类型对应的历史特征数据分别按一定比例随机切分,从而得到各个营销场景类型对应的训练特征数据和各个营销场景类型对应的测试数据。例如,可以是将训练数据和测试数据按照8:2的比例随机划分,从而得到各个营销场景对应的训练特征数据和测试数据。
其中,训练特征数据用于对推荐模型进行训练,而测试数据用于对初步训练好的推荐模型进行评估,以确定初步训练好的推荐模型是否满足评估标准,如果不满足则继续训练,从而使得最终训练好的推荐模型是满足评估标准的,从而保证最终训练好的推荐模型的预测结果的准确性。
在一些实施例中,上述步骤S003“利用所述各个营销场景类型对应的训练特征数据分别对所述各个营销场景类型对应的预设推荐模型进行训练,得到各个营销场景类型对应的训练好的推荐模型”可以通过图5B所示的步骤S0031至步骤S0039实现,以下结合图5B对各个步骤进行说明。
步骤S0031,将所述各个营销场景类型对应的训练特征数据分别输入所述各个营销场景类型对应的预设推荐模型进行迭代训练。
步骤S0032,确定是否达到迭代结束条件。
这里,迭代结束条件可以是是达到预设的迭代次数,还可以是达到目标函数的最小值。在确定达到迭代结束条件时,进入步骤S0033,在确定未达到训练结束条件时,进入步骤S0031,继续训练。
步骤S0033,获取初步训练好的各个推荐模型。
步骤S0034,获取各个营销场景类型对应的测试数据。
其中,该测试数据包括测试特征数据和测试场景标签。
步骤S0035,将所述各个营销场景类型对应的测试特征数据对应输入初步训练好的各个推荐模型,得到各个推荐模型对应的预测场景信息。
步骤S0036,基于所述测试场景标签和各个推荐模型对应的预测场景信息确定是否达到训练结束条件。
这里,步骤S0036在实现时,可以是基于所述测试场景标签和各个推荐模型对应的预测场景信息确定各个推荐模型的评估指标值,评估指标可以包括查全率、查准率、曲线下面积(AUC,Area Under Curve)中的至少之一,然后分别确定各个推荐模型的评估指标值是否达到预设的指标阈值,当某一推荐模型的评估指标值达到指标阈值时,确定该初步训练好的推荐模型达到训练结束条件,此时进入步骤S0037;当存在某一推荐模型的评估指标值未达到指标阈值时,确定存在未达到训练结束条件的目标推荐模型,此时进入步骤S0038。
步骤S0037,将所述初步训练好的各个推荐模型确定为训练好的各个推荐模型。
步骤S0038,再次获取所述目标推荐模型对应的新的训练数据。
该目标推荐模型也即未达到训练结束条件的推荐模型。该步骤在实现时,是获取营销场景标签为目标推荐模型对应的营销场景类型的训练数据。
步骤S0039,利用所述新的训练数据对所述目标推荐模型继续进行训练,直至达到训练结束条件,得到训练好的目标推荐模型。
步骤S0039在实现时,是利用新的训练数据中的训练特征数据对初步训练好的目标推荐模型继续训练,直至达到迭代结束条件,然后再次获取测试数据,对目标推荐模型模型进行指标评估以确定是否达到训练结束条件,在达到训练结束条件时,得到训练好的目标推荐模型,在未达到训练结束条件时,继续重复步骤S0038和步骤S0039,直至得到训练好的目标推荐模型。
基于前述的实施例,本申请实施例再提供一种推荐方法,应用于图2所示的网络架构,图6为本申请实施例提供的推荐方法的再一种实现流程示意图,在本申请实施例中,以推荐方法应用于出行服务应用程序为例进行说明。以下结合图6对各个步骤进行说明。
步骤S601,服务器获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的多个用户特征数据。
这里,该多个用户标识可以是注册该出行服务应用程序的所有用户标识,也可以是目前处于登录状态的用户标识。该用户特征数据可以包括身份特征数据、当前时间周期的消费特征数据、当前时间周期的活跃特征数据,在一些实施例中,消费特征数据还可以包括用户领取礼包/礼券类型(数量、次数、价值)、使用礼包/礼券类型(数量、价值)、过期礼包/礼券类型(数量、价值)等信息。
步骤S602,服务器将所述用户特征数据分别输入各个训练好的推荐模型,得到各个营销场景类型对应的预测向量。
这里,不同的营销场景类型对应有不同的训练好的推荐模型,推荐模型可以是神经网络模型,例如可以是卷积神经网络模型,还可以是深度学习神经网络模型。不同的训练好的推荐模型可以是模型结构相同而模型参数不同,也可以是模型结构不同且模型参数不同。
步骤S603,服务器基于各个营销场景类型对应的预测向量确定所述各个营销场景类型对应的多个目标用户标识。
这里,在实现时,将各个营销场景类型对应的预测向量中预测值大于预设阈值的用户标识确定为该影响场景类型对应的目标用户标识。不同营销场景类型对应的目标用户标识集合一般是不同的。
步骤S604,服务器基于所述各个营销场景类型对应的预测向量获取各个目标用户标识在至少一个营销场景类型下的预测概率。
步骤S605,服务器基于所述各个目标用户标识在至少一个营销场景类型下的预测概率,构建多场景融合矩阵。
该步骤在实现时,基于所述各个目标用户标识在至少一个营销场景类型下的预测概率,生成概率矩阵。在实际实现过程中,由于不是每个目标用户标识都存在于所有的营销场景中,因此该概率矩阵是带有缺失值的,为了保证预测结果的准确性,在得到概率矩阵之后,可以将该概率矩阵输入训练好的协同过滤模型进行缺失值预测,得到多场景融合矩阵。
在本申请实施例中,训练好的协同过滤模型可以是神经网络模型,例如可以是深度学习神经网络模型,还可以是循环神经网络模型等等。
步骤S606,服务器基于所述多场景融合矩阵确定所述各个目标用户标识对应的场景排序向量。
其中,场景排序向量为目标用户标识对应的场景概率向量的排序结果,该排序结果可以是按照从大到小的顺序进行排序后得到的结果,也可以是按照从小到大的顺序进行排序得到的结果。
步骤S607,服务器基于所述各个目标用户标识对应的场景排序向量确定所述各个目标用户标识的最高场景概率。
在得到各个目标用户标识对应的场景排序向量后也即能够得到各个目标用户标识的最高场景概率。
步骤S608,服务器将所述各个目标用户标识的最高场景概率对应的营销场景类型确定为各个目标用户标识对应的目标营销场景类型。
步骤S609,终端响应于接收到的启动指令,启动出行服务应用程序。
在启动指令可以是用户点击出行服务应用程序的图标触发的,还可以是用户做出启动出行服务应用程序的手势触发的,还可以是基于用户发出的启动出行服务应用程序的语音触发的。
步骤S610,服务器在监测到终端启动应用程序并登陆时,获取该终端对应的用户标识。
该终端对应的用户标识可以是用户注册该出行服务应用程序时,服务器分配的,该用户标识可以是用户的电话号码,还可以是用户的邮箱地址,还可以是用户即时通讯的账号标识等等。
步骤S611,服务器在确定该终端对应的用户标识为目标用户标识时,确定达到推荐时机。
在该步骤中,服务器将该终端对应的用户标识与多个目标用户标识进行匹配,若匹配成功,则确定该终端对应的用户标识为目标用户标识,此时确定达到推荐时机。
步骤S612,服务器向该终端发送目标营销场景类型对应的推荐信息。
步骤S613,终端呈现接收到的推荐信息。
在实现时,终端可以在自身的显示界面上加载浮层,并在该浮层呈现接收到的推荐信息。在本申请实施例中,推荐信息可以是优惠券信息,还可以是邀请好友领取优惠券信息等等。
步骤S614,终端响应于接受该推荐信息提供的优惠券信息时,更新终端所持有的优惠信息。
在本申请实施例提供的推荐方法中,服务器在获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的用户特征数据;然后将用户特征数据分别输入各个推荐模型,得到各个营销场景类型对应的预测向量;进而再基于各个营销场景类型对应的预测向量确定所述各个营销场景类型对应的多个目标用户标识;并基于所述各个营销场景类型对应的预测向量获取各个目标用户标识在至少一个营销场景类型下的预测概率;再基于所述各个目标用户标识在至少一个营销场景类型下的预测概率,构建多场景融合矩阵;之后基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型,并在确定用户终端启动并登陆出行服务应用程序时,确定终端对应的用户标识是否为目标用户标识,如果是则确定达到推荐时机,此时服务器向终端发送目标营销场景类型对应的推荐信息,终端接收到推荐信息后呈现该推荐信息。如此,通过营销场景融合,为用户确定出最优的营销场景类型,进而提高营销推荐的精准度,不仅能够降低对用户频繁打扰,并且还能够降低营销推荐成本。
下面,将说明本申请实施例在一个实际的应用场景中的示例性应用。
在本申请实施例中,以车企数字化营销场景作为例进行说明。车企数字化营销场景可以包括打车业务、加油业务等等。优惠加油业务是车企数字化营销的一个典型案例,该业务产品模块可以是嵌入在即时通讯应用程序或者在数字支付应用程序中的小程序中,还可以是单独的应用程序。
车主在该优惠加油产品中会涉及其生命周期的初创阶段、成长阶段、成熟阶段、衰退阶段、退出阶段。因此,企业通过优惠加油业务模块对车主进行拉新活动、流失预警活动、流失挽回活动、付费拉新活动、付费回流活动等营销方案活动。如果单独对每位车主进行各种营销活动的推荐,会大幅增加营销成本,同时也对车主多次骚扰干预,容易引起车主的反感,降低了车主对出行产品的体验。
图7是本申请实施例提供的推荐方法的整体架构示意图,由于每个车主群中的车主都有可能是对应有多个营销场景,因此如图7所示,对于每个车主群中的车主,进行了营销场景融合,确定各个车主在各自的场景营销方案的分类预测得分,构建车主与场景运营方案的带缺失值的协同过滤得分矩阵,并采用协同过滤方法填充车主所缺失的营销场景概率值,得到得分矩阵。在本申请实施例中,是对车主群中各个车主对每个营销场景的营销方案进行排序,从而得到每个车主群中各个车主所在产品生命周期的优先顺序,根据营销方案的优先顺序对车主进行对应的营销策略。
需要说明的是,以图7中701为例,在图7中仅示例性示出了车主群中第一个车主的营销场景排序,在本申请实施例中,会确定出各个车主的营销场景排序,从而根据排序结果对车主进行相应的营销推荐。
在本申请实施例中,采用协同过滤的营销场景选择方案,通过协同过滤方法对场景进行打分排序,并且每次对得分最高的营销场景进行活动干预,能够有效降低成本,达到营销活动目标,同时也减少了营销活动对车主的骚扰,提高车主的产品体验。
图8是本申请实施例提供的基于协同过滤的多营销场景融合推荐方法的实现流程示意图,如图8所示,该流程包括以下九个阶段:数据处理阶段801、单场景模型训练测试阶段802、单场景预测打分阶段803、单场景车主分类阶段804、多场景融合矩阵构建阶段805、协同过滤多场景(CF,Collaborative Filtering)模型训练阶段806、模型预测得分阶段807、多场景得分排序阶段808、场景推荐阶段809。以下对各个阶段的实现过程进行说明。
在数据处理阶段801中,首先获取车主日志数据,然后将车主日志数据分别处理成车主场景标签和车主特征数据,从而基于车主场景标签和车主特征数据构建各个场景下的训练样本、测试样本、预测样本。
其中,车主场景标签包括:拉新场景、流失预警场景、流失挽回场景、付费拉新场景、付费回流场景等,其中:
拉新场景标签构建如下:K期之前车主从没有登录过优惠加油功能模块,K期登录该模块,表示该车主为优惠加油模块的新增车主,标记为1;否则,标记为0。
流失预警场景标签构建如下:K-1期车主登录优惠加油功能模块,K期没有登录该模块,表示该车主为第K期在优惠加油模块的流失车主,标记为1;否则,K-1期车主登录优惠加油功能模块,K期也登录该模块,表示该车主为第K期在优惠加油模块的留存车主,标记为0。
流失挽回场景标签构建如下:K-2期车主登录优惠加油功能模块,K-1期没有登录该模块,K期登录该模块,表示该车主为第K期在优惠加油模块的回流车主,标记为1;否则,K-2期车主登录优惠加油功能模块,K-1期没有登录该模块,K期也没有登录该模块,表示该车主为第K期在优惠加油模块的流失车主,标记为0。
付费拉新场景标签构建如下:K期之前车主登录优惠加油功能模块但没有支付订单,K期登录该模块且有支付订单,表示该车主为优惠加油模块的付费新增车主,标记为1;否则,标记为0。
付费回流场景标签构建如下:K-2期车主登录优惠加油功能模块且有支付订单,K-1期登录该模块但没有支付订单,K期登录该模块且支付订单,表示该车主为第K期在优惠加油模块的付费回流车主,标记为1;否则,K-2期车主登录优惠加油功能模块且有支付订单,K-1期登录该模块但没有支付订单,K期登录该模块但没支付订单,表示该车主为第K期在优惠加油模块的付费流失车主,标记为0。
在训练及测试样本的构建过程中,使用K-1时期的车主特征、item特征、车主场景标签构建车主样本数据,并将构建出的车主样本数据(训练+测试)进行区分,得到稀疏型特征和稠密型特征。其中,对稀疏型特征进行onehot处理,对稠密型特征进行PCA去相关性处理、归一化(标准化)处理、特征离散化处理等。将处理后的稀疏特征和稠密特征及车主场景标签,按一定比例随机切分为训练样本(比例为а)和测试样本(比例为1-а),例如,按照通用经验将样本随机切分为训练样本:测试样本=8:2(即按8:2的比例随机切分训练样本和测试样本)。
在构建预测样本时,使用K时期的user特征、item特征、车主场景标签构建车主预测样本数据,并对预测样本进行区分,同样分为为稀疏型特征和稠密型特征。其中,稀疏型特征进行onehot处理,稠密型特征进行PCA去相关性处理、归一化(标准化)处理、特征离散化处理等。
其中,K-1期的车主特征(feature)主要包括:车主性别、年龄、地域等基础属性数据;活跃天数、活跃时长、活跃功能数量、注册时间距离当前时间天数间隔等活跃属性数据;充值金额、消费金额、充值次数、充值天数、首次充值距离当前时间天数间隔等充值属性数据;车主功能点击、车主领取礼包/礼券类型(数量、次数、价值)、使用礼包/礼券类型(数量、价值)、过期礼包/礼券类型(数量、价值)等优惠券属性。
最后输出各个场景下的训练样本、测试样本、预测样本。
在单场景模型训练测试阶段802中,将上述五个场景(拉新场景、流失预警场景、流失挽回场景、付费拉新场景、付费回流场景)的训练样本、测试样本输入LR二分类模型,从而利用对每个场景的训练样本和测试样本进行模型训练和测试。其中利用训练样本对LR二分类模型进行测试,在达到测试结束条件之后,利用测试样本对训练得到的LR二分类模型进行测试,如果测评指标(查全率、查准率、AUC等指标)达到测评效果,则分别保存上述模型权重向量,,,,。其中,表示拉新场景的模型权重向量;表示流失预警场景的模型权重向量;表示流失挽回场景的模型权重向量;表示付费拉新场景的模型权重向量;表示付费回流场景的模型权重向量。
在单场景预测打分阶段803中,输入各个场景的模型权重向量,,,,及各场景对应的预测样本,采用LR算法进行预测,得到各个场景下的概率得分向量,,,,。其中,表示拉新场景的概率得分向量;表示流失预警场景的概率得分向量;表示流失挽回场景的概率得分向量;表示付费拉新场景的概率得分向量;表示付费回流场景的概率得分向量。
在单场景车主分类阶段804,给定每个场景的阈值,,,,,然后将在单场景预测打分阶段803得到的五个场景的概率得分向量,,,,中的各个车主概率得分与对应的场景阈值进行比较,如果车主概率得分大于场景阈值,则标记为1,否则标记为0。例如,对于场景1下的车主概率得分大于,则该车主标记为1,表示该车主为场景1下的新增车主(目标车主)。在该阶段中得到各个场景下的目标车主集,,,,。其中,表示拉新场景的目标车主集,表示拉新场景分类为1的概率得分向量;表示流失预警场景的目标车主集,表示流失预警场景分类为1的概率得分向量;表示流失挽回场景的目标车主集,表示流失挽回场景分类为1的概率得分向量;表示付费拉新场景的目标车主集,表示付费拉新场景分类为1的概率得分向量;表示付费回流场景的目标车主集,表示付费回流场景分类为1的概率得分向量。
在多场景融合矩阵构建阶段805,基于单场景车主分类阶段804得到的各个场景的目标车主集,构建带缺失数据的协同过滤矩阵。该矩阵每一行表示每个目标车主在五个场景下的得分向量,每一列表示该场景下所有目标车主的得分向量,缺失值表示有部分用户在某些场景下没有得分或者没有出现在该场景下或者该用户并不是该场景的目标用户。
图9是本申请实施例提供的协同过滤矩阵的示意图,如图9所示,按照行数来看,用户u 1为场景1、场景2和场景5的目标用户,u 2为场景1、场景2、场景3、场景4和场景5的目标用户,u 3为场景3和场景4的目标用户,u 4为场景1、场景2、场景4和场景5的目标用户,u 5为场景2、场景4和场景5的目标用户,u 6为场景1、场景3和场景4的目标用户,对应的,按照列数来说,场景1的目标用户有u 1、u 2、u 4和u 6;场景2的目标用户有u 1、u 2、u 4和u 5;场景3的目标用户有u 2、u 3和u 6;场景4的目标用户有u 1、u 2 、u 3、u 4、u 5和u 6;场景5的目标用户有u 2、u 4和u 5。
通过图9可以看出,此时的协同过滤矩阵是带有缺失值的。
在协同过滤多场景模型预测阶段807,利用协同过滤模型(CF)对带有缺失值的协同过滤矩阵,进行预测填充缺失值,得到如图10所示的填充后的得分矩阵。
其中,矩阵中斜线填充的圆圈表示通过CF模型得到的预测值。从而得到所有目标车主在每个场景下的得分矩阵。
在多场景得分排序阶段808,基于协同过滤多场景模型预测阶段807经过CF模型填充后的得分矩阵,对每个目标用户在每一个场景按场景得分进行从大到小排序,得到每个车主在五个场景的得分排序向量,即:,其中,表示第i个用户,排序最高的场景得分,如此类推。
场景推荐阶段809,基于各个车主排序后的得分向量,为每个车主选择得分排序最高的场景进行营销活动推荐,从而得到每个车主最优的营销活动场景方案。
在本申请实施例提供的推荐方法中,实现场景级别下对每个用户的“千人千面”推荐,通过融合营销场景的方式,解决了每个用户因所处于产品生命周期不同,而导致的独立营销活动问题,对每个用户进行最优营销活动推荐,能够有效降低成本浪费,实现精准推荐,同时有效降低营销推荐活动对用户的骚扰,提高用户的营销活动体验,有针对性地提高营销推荐效果,并且还能够解决相关技术中因用户存在多个场景而进行多个场景营销活动的效果叠加问题,也能够有效确定用户所在产品的生命周期阶段,能够有效分析出对用户最有效果的推荐方案。
下面继续说明本申请实施例提供的推荐装置454的实施为软件模块的示例性结构,在一些实施例中,如图3所示,存储在存储器450的推荐装置454中的软件模块可以包括:
第一获取模块4541,用于在确定达到推荐时机时,获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的用户特征数据;
预测模块4542,用于将所述用户特征数据分别输入各个推荐模型,得到各个营销场景类型对应的预测向量;
场景融合模块4543,用于基于各个营销场景类型对应的预测向量构建多场景融合矩阵,所述多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率;
第一确定模块4544,用于基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型;
第一发送模块4545,用于向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。
在一些实施例中,该场景融合模块,还用于:
基于各个营销场景类型对应的预测向量确定所述各个营销场景类型对应的多个目标用户标识;
基于所述各个营销场景类型对应的预测向量获取各个目标用户标识在至少一个营销场景类型下的预测概率;
基于所述各个目标用户标识在至少一个营销场景类型下的预测概率,构建多场景融合矩阵。
在一些实施例中,该场景融合模块,还用于:
基于所述各个目标用户标识在至少一个营销场景类型下的预测概率,生成带有缺失值的概率矩阵;
其中,所述概率矩阵的第i行第j列为第i个目标用户标识在第j个营销场景类型下的预测概率,i=1,2,…,M,j=1,2,…,N,其中M为目标用户标识总数,N为营销场景类型总数,当第p个目标用户标识不为第q个营销场景类型下的目标用户时,所述概率矩阵的第p行第q列为缺失值;
将所述概率矩阵输入训练好的协同过滤模型进行缺失值预测,得到多场景融合矩阵。
在一些实施例中,该第一确定模块,还用于:
基于所述多场景融合矩阵确定所述各个目标用户标识对应的场景排序向量,所述场景排序向量为目标用户标识对应的场景概率向量的排序结果;
基于所述各个目标用户标识对应的场景排序向量确定所述各个目标用户标识的最高场景概率;
将所述最高场景概率对应的营销场景类型确定为目标营销场景类型。
在一些实施例中,该装置还包括:
第二确定模块,用于在确定达到预设的推荐间隔时长时,确定达到推荐时机;或者,第三确定模块,用于在确定推荐信息更新时,确定达到推荐时机;或者,第四确定模块,用于在确定用户登录时,确定达到推荐时机。
在一些实施例中,该装置还包括:
第二获取模块,用于获取各个用户标识对应的日志数据,基于所述日志数据确定训练数据,所述训练数据包括多个训练特征数据和各个训练特征数据对应的营销场景标签;
第三获取模块,用于获取所述各个营销场景类型对应的训练特征数据和所述各个营销场景类型对应的预设推荐模型;
第一训练模块,用于利用所述各个营销场景类型对应的训练特征数据分别对所述各个营销场景类型对应的预设推荐模型进行训练,得到各个营销场景类型对应的训练好的推荐模型。
在一些实施例中,该第二获取模块,还用于:
基于所述日志数据确定各个用户标识对应的历史特征数据和营销场景标签;
基于所述营销场景标签确定各个营销场景类型对应的历史特征数据;
将所述各个营销场景类型对应的历史特征数据进行划分,得到各个营销场景类型对应的训练特征数据和各个营销场景类型对应的测试数据。
在一些实施例中,该第二获取模块,还用于:
基于所述各个用户标识对应的日志数据,确定所述各个用户标识对应的身份特征数据、所述各个用户标识在第(K-1)个时间周期的消费特征数据和活跃特征数据,其中,所述第(K-1)个时间周期为当前时间周期的上一个时间周期,K为大于2的整数;
基于用户标识对应的日志数据,如果确定在第K个时间周期之前未进行过登陆,确定所述用户标识的营销场景标签为拉新场景;
如果确定在第(K-1)个时间周期进行过登陆,在所述第K个时间周期未进行登录,确定所述用户标识的营销场景标签为流失预警场景;
如果确定在第(K-2)个时间周期进行过登陆,在所述第(K-1)个时间周期未进行登录,在所述第K个时间周期进行登录,确定所述用户标识的营销场景标签为流失挽回场景;
如果确定在第K个时间周期之前进行过登陆但未消费,在第K个时间周期进行登录并消费,确定所述用户标识的营销场景标签为付费新增场景;
如果确定在第(K-2)个时间周期进行过登陆并消费,在第(K-1)个时间周期进行登录未消费,在第K个时间周期进行登录并消费,确定所述用户标识的营销场景标签为付费回流场景。
在一些实施例中,该第一训练模块,还用于:
将所述各个营销场景类型对应的训练特征数据分别输入所述各个营销场景类型对应的预设推荐模型进行迭代训练;
在确定达到迭代结束条件时,获取初步训练好的各个推荐模型;
获取各个营销场景类型对应的测试数据,所述测试数据包括测试特征数据和测试场景标签;
将所述各个营销场景类型对应的测试特征数据对应输入初步训练好的各个推荐模型,得到各个推荐模型对应的预测场景信息;
当基于所述测试场景标签和各个推荐模型对应的预测场景信息确定达到训练结束条件时,将所述初步训练好的各个推荐模型确定为训练好的各个推荐模型。
在一些实施例中,该装置还包括:
第四获取模块,用于当基于所述测试场景标签和所述预测场景信息确定达到存在未达到训练结束条件的目标推荐模型时,再次获取所述目标推荐模型对应的新的训练数据;
第二训练模块,用于利用所述新的训练数据对所述目标推荐模型继续进行训练,直至达到训练结束条件,得到训练好的推荐模型。
这里需要指出的是:以上推荐装置实施例项的描述,与上述方法描述是类似的,具有同方法实施例相同的有益效果。对于本申请推荐装置实施例中未披露的技术细节,本领域的技术人员请参照本申请方法实施例的描述而理解。
本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本申请实施例上述的推荐方法。
本申请实施例提供一种存储有可执行指令的计算机可读存储介质,其中存储有可执行指令,当可执行指令被处理器执行时,将引起处理器执行本申请实施例提供的推荐方法,例如,如图4和图6示出的推荐方法。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述,仅为本申请的实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本申请的保护范围之内。
Claims (14)
1.一种推荐方法,其特征在于,所述方法包括:
获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的多个用户特征数据;
将所述用户特征数据分别输入各个推荐模型,得到各个营销场景类型对应的预测向量;
基于各个营销场景类型对应的预测向量构建多场景融合矩阵,所述多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率;
基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型;
在确定达到推荐时机时,向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。
2.根据权利要求1中所述的方法,其特征在于,所述基于各个营销场景类型对应的预测向量构建多场景融合矩阵,包括:
基于各个营销场景类型对应的预测向量确定所述各个营销场景类型对应的多个目标用户标识;
基于所述各个营销场景类型对应的预测向量获取各个目标用户标识在至少一个营销场景类型下的预测概率;
基于所述各个目标用户标识在至少一个营销场景类型下的预测概率,构建多场景融合矩阵。
3.根据权利要求2中所述的方法,其特征在于,所述基于所述各个目标用户标识在至少一个营销场景类型下的预测概率,构建多场景融合矩阵,包括:
基于所述各个目标用户标识在至少一个营销场景类型下的预测概率,生成带有缺失值的概率矩阵;
其中,所述概率矩阵的第i行第j列为第i个目标用户标识在第j个营销场景类型下的预测概率,i=1,2,…,M,j=1,2,…,N,其中M为目标用户标识总数,N为营销场景类型总数,当第p个目标用户标识不为第q个营销场景类型下的目标用户时,所述概率矩阵的第p行第q列为缺失值;
将所述概率矩阵输入训练好的协同过滤模型进行缺失值预测,得到多场景融合矩阵。
4.根据权利要求1中所述的方法,其特征在于,所述基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型,包括:
基于所述多场景融合矩阵确定所述各个目标用户标识对应的场景排序向量,所述场景排序向量为目标用户标识对应的场景概率向量的排序结果;
基于所述各个目标用户标识对应的场景排序向量确定所述各个目标用户标识的最高场景概率;
将所述最高场景概率对应的营销场景类型确定为目标营销场景类型。
5.根据权利要求1中所述的方法,其特征在于,所述方法还包括:
在确定达到预设的推荐间隔时长时,确定达到推荐时机;或者,
在确定推荐信息更新时,确定达到推荐时机;或者,
在确定用户登录时,确定达到推荐时机。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述方法还包括:
获取各个用户标识对应的日志数据,基于所述日志数据确定训练数据,所述训练数据包括多个训练特征数据和各个训练特征数据对应的营销场景标签;
获取所述各个营销场景类型对应的训练特征数据和所述各个营销场景类型对应的预设推荐模型;
利用所述各个营销场景类型对应的训练特征数据分别对所述各个营销场景类型对应的预设推荐模型进行训练,得到各个营销场景类型对应的训练好的推荐模型。
7.根据权利要求6中所述的方法,其特征在于,所述基于所述日志数据确定训练数据,包括:
基于所述日志数据确定各个用户标识对应的历史特征数据和营销场景标签;
基于所述营销场景标签确定各个营销场景类型对应的历史特征数据;
将所述各个营销场景类型对应的历史特征数据进行划分,得到各个营销场景类型对应的训练特征数据和各个营销场景类型对应的测试数据。
8.根据权利要求7中所述的方法,其特征在于,所述基于所述各个用户标识日志数据确定各个用户标识对应的历史特征数据和营销场景标签,包括:
基于所述各个用户标识对应的日志数据,确定所述各个用户标识对应的身份特征数据、所述各个用户标识在第(K-1)个时间周期的消费特征数据和活跃特征数据,其中,所述第(K-1)个时间周期为当前时间周期的上一个时间周期,K为大于2的整数;
基于用户标识对应的日志数据,如果确定在第K个时间周期之前未进行过登陆,确定所述用户标识的营销场景标签为拉新场景;
如果确定在第(K-1)个时间周期进行过登陆,在所述第K个时间周期未进行登录,确定所述用户标识的营销场景标签为流失预警场景;
如果确定在第(K-2)个时间周期进行过登陆,在所述第(K-1)个时间周期未进行登录,在所述第K个时间周期进行登录,确定所述用户标识的营销场景标签为流失挽回场景;
如果确定在第K个时间周期之前进行过登陆但未消费,在第K个时间周期进行登录并消费,确定所述用户标识的营销场景标签为付费新增场景;
如果确定在第(K-2)个时间周期进行过登陆并消费,在第(K-1)个时间周期进行登录未消费,在第K个时间周期进行登录并消费,确定所述用户标识的营销场景标签为付费回流场景。
9.根据权利要求7中所述的方法,其特征在于,所述利用所述各个营销场景类型对应的训练特征数据分别对所述各个营销场景类型对应的预设推荐模型进行训练,得到各个营销场景类型对应的训练好的推荐模型,包括:
将所述各个营销场景类型对应的训练特征数据分别输入所述各个营销场景类型对应的预设推荐模型进行迭代训练;
在确定达到迭代结束条件时,获取初步训练好的各个推荐模型;
获取各个营销场景类型对应的测试数据,所述测试数据包括测试特征数据和测试场景标签;
将所述各个营销场景类型对应的测试特征数据对应输入初步训练好的各个推荐模型,得到各个推荐模型对应的预测场景信息;
当基于所述测试场景标签和各个推荐模型对应的预测场景信息确定达到训练结束条件时,将所述初步训练好的各个推荐模型确定为训练好的各个推荐模型。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
当基于所述测试场景标签和所述预测场景信息确定达到存在未达到训练结束条件的目标推荐模型时,再次获取所述目标推荐模型对应的新的训练数据;
利用所述新的训练数据对所述目标推荐模型继续进行训练,直至达到训练结束条件,得到训练好的推荐模型。
11.一种推荐装置,其特征在于,所述装置包括:
第一获取模块,用于获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的用户特征数据;
预测模块,用于将所述用户特征数据分别输入各个推荐模型,得到各个营销场景类型对应的预测向量;
场景融合模块,用于基于各个营销场景类型对应的预测向量构建多场景融合矩阵,所述多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率;
第一确定模块,用于基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型;
第一发送模块,用于在确定达到推荐时机时,向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。
12.一种推荐设备,其特征在于,所述推荐设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至10任一项所述的方法。
13.一种计算机可读存储介质,存储有可执行指令,其特征在于,所述可执行指令被处理器执行时实现权利要求1至10任一项所述的方法。
14.一种计算机程序产品,包括计算机程序或指令,其特征在于,所述计算机程序或指令被处理器执行时实现权利要求1至10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111246496.7A CN113688326B (zh) | 2021-10-26 | 2021-10-26 | 推荐方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111246496.7A CN113688326B (zh) | 2021-10-26 | 2021-10-26 | 推荐方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688326A true CN113688326A (zh) | 2021-11-23 |
CN113688326B CN113688326B (zh) | 2022-02-08 |
Family
ID=78587996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111246496.7A Active CN113688326B (zh) | 2021-10-26 | 2021-10-26 | 推荐方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688326B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919893A (zh) * | 2021-12-14 | 2022-01-11 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、电子设备和可读介质 |
CN113935788A (zh) * | 2021-12-17 | 2022-01-14 | 腾讯科技(深圳)有限公司 | 模型评估方法、装置、设备及计算机可读存储介质 |
CN114329339A (zh) * | 2021-12-02 | 2022-04-12 | 泰康保险集团股份有限公司 | 用户流失预警方法、装置、电子设备和存储介质 |
CN114399352A (zh) * | 2021-12-22 | 2022-04-26 | 中国电信股份有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN114662006A (zh) * | 2022-05-23 | 2022-06-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 端云协同推荐系统、方法以及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897282A (zh) * | 2015-12-17 | 2017-06-27 | 阿里巴巴集团控股有限公司 | 一种用户群的分类方法和设备 |
CN110008973A (zh) * | 2018-11-23 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、基于模型确定目标用户的方法及装置 |
CN110111158A (zh) * | 2019-05-16 | 2019-08-09 | 创络(上海)数据科技有限公司 | 生命周期或成长特征的营销设计方法、装置和存储介质 |
CN110413769A (zh) * | 2018-04-25 | 2019-11-05 | 北京京东尚科信息技术有限公司 | 场景分类方法、装置、存储介质及其电子设备 |
CN112070310A (zh) * | 2020-09-10 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 基于人工智能的流失用户预测方法、装置及电子设备 |
CN112669084A (zh) * | 2020-12-31 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 策略确定方法、设备及计算机可读存储介质 |
CN112686448A (zh) * | 2020-12-31 | 2021-04-20 | 重庆富民银行股份有限公司 | 基于属性数据的流失预警方法及系统 |
-
2021
- 2021-10-26 CN CN202111246496.7A patent/CN113688326B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897282A (zh) * | 2015-12-17 | 2017-06-27 | 阿里巴巴集团控股有限公司 | 一种用户群的分类方法和设备 |
CN110413769A (zh) * | 2018-04-25 | 2019-11-05 | 北京京东尚科信息技术有限公司 | 场景分类方法、装置、存储介质及其电子设备 |
CN110008973A (zh) * | 2018-11-23 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、基于模型确定目标用户的方法及装置 |
CN110111158A (zh) * | 2019-05-16 | 2019-08-09 | 创络(上海)数据科技有限公司 | 生命周期或成长特征的营销设计方法、装置和存储介质 |
CN112070310A (zh) * | 2020-09-10 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 基于人工智能的流失用户预测方法、装置及电子设备 |
CN112669084A (zh) * | 2020-12-31 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 策略确定方法、设备及计算机可读存储介质 |
CN112686448A (zh) * | 2020-12-31 | 2021-04-20 | 重庆富民银行股份有限公司 | 基于属性数据的流失预警方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329339A (zh) * | 2021-12-02 | 2022-04-12 | 泰康保险集团股份有限公司 | 用户流失预警方法、装置、电子设备和存储介质 |
CN113919893A (zh) * | 2021-12-14 | 2022-01-11 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、电子设备和可读介质 |
CN113935788A (zh) * | 2021-12-17 | 2022-01-14 | 腾讯科技(深圳)有限公司 | 模型评估方法、装置、设备及计算机可读存储介质 |
CN114399352A (zh) * | 2021-12-22 | 2022-04-26 | 中国电信股份有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN114662006A (zh) * | 2022-05-23 | 2022-06-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 端云协同推荐系统、方法以及电子设备 |
CN114662006B (zh) * | 2022-05-23 | 2022-09-02 | 阿里巴巴达摩院(杭州)科技有限公司 | 端云协同推荐系统、方法以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113688326B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113688326B (zh) | 推荐方法、装置、设备及计算机可读存储介质 | |
CN110263244B (zh) | 内容推荐方法、装置、存储介质和计算机设备 | |
US10958748B2 (en) | Resource push method and apparatus | |
US10178197B2 (en) | Metadata prediction of objects in a social networking system using crowd sourcing | |
CN111444428A (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
CN106462565A (zh) | 在文档内更新文本 | |
CN112328909B (zh) | 信息推荐方法、装置、计算机设备及介质 | |
EP4083857A1 (en) | Information prediction model training method and apparatus, information prediction method and apparatus, storage medium, and device | |
CN111177473B (zh) | 人员关系分析方法、装置和可读存储介质 | |
CN103246690A (zh) | 标签继承 | |
CN111143684B (zh) | 基于人工智能的泛化模型的训练方法及装置 | |
CN112256537B (zh) | 模型运行状态的展示方法、装置、计算机设备和存储介质 | |
CN112734068B (zh) | 会议室的预定方法、装置、计算机设备和存储介质 | |
CN112528147A (zh) | 内容推荐方法和装置、训练方法、计算设备和存储介质 | |
CN112070310A (zh) | 基于人工智能的流失用户预测方法、装置及电子设备 | |
CN113935788B (zh) | 模型评估方法、装置、设备及计算机可读存储介质 | |
CN114741423A (zh) | 基于人工智能的内容推荐方法及装置 | |
CN113761193A (zh) | 日志分类方法、装置、计算机设备和存储介质 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN117132323A (zh) | 推荐内容的分析方法、装置、设备、介质及程序产品 | |
CN114329231A (zh) | 对象特征处理方法、装置、电子设备及存储介质 | |
CN113705072A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN111414538A (zh) | 基于人工智能的文本推荐方法、装置及电子设备 | |
CN114417944B (zh) | 识别模型训练方法及装置、用户异常行为识别方法及装置 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40055359 Country of ref document: HK |