CN113918817A - 推送模型构建方法、装置、计算机设备及存储介质 - Google Patents
推送模型构建方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113918817A CN113918817A CN202111224620.XA CN202111224620A CN113918817A CN 113918817 A CN113918817 A CN 113918817A CN 202111224620 A CN202111224620 A CN 202111224620A CN 113918817 A CN113918817 A CN 113918817A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- activity
- user
- activity data
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 328
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000006399 behavior Effects 0.000 claims description 58
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术,本发明提供一种推送模型构建方法,根据样本用户的样本基础数据、样本用户行为数据、样本用户偏好数据和预设的原始权重参数和偏好阈值输入待训练模型中,通过待训练模型输出样本用户对应的多个置信度;将每个置信度与预设偏好阈值进行比对,并将大于偏好阈值的置信度对应的样本活动数据组合定义为对应的样本用户对应的预测样本活动数据组合;根据样本用户的预测样本活动数据组合与其的样本活动数据组合,计算得出偏差值;及基于偏差值,调整原始权重参数和偏好阈值,以得到推送模型。本发明基于用户行为分析对待训练模型进行训练,得到的推送模型的推送准确率高。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种推送模型构建方法、装置、计算机设备及可读存储介质。
背景技术
随着移动互联网技术的高速发展,人们每天都接触到大量的信息。对于信息的发起者而言,如何从各式各样的信息中脱颖而出,把自己的信息精准推送给潜在用户,并追踪其接收的效果,转化为预期的结果,是一项极具挑战的工作。
现有的活动数据推送技术,大多是基于用户分组和信息打标两个维度展开数据推送。然而上述方法多是根据用户分组和信息打标两个维度的数据分析得到预测用户完成活动的概率,并根据预测概率进行数据推送。然而,仅基于用户分组和信息打标两个维度进行数据推送,缺乏对每个用户的针对性分析,导致给用户推送的活动数据不精准,活动转化率低。
发明内容
有鉴于此,本发明实施例提供了一种推送模型构建方法、装置、计算机设备及计算机可读存储介质,用于解决基于用户分组和信息打标两个维度实现数据推送方法,数据推送不精准的问题。
本发明实施例是通过下述技术方案来解决上述技术问题:
本发明的一个方面提出了一种推送模型构建方法,包括:应用于服务端,所述方法包括:
获取样本用户的多个样本用户数据和多个样本活动数据组合;
根据数据类型对所述样本用户数据进行分类,以得到样本基础数据、样本用户行为数据以及样本用户偏好数据;
获取预先设置的原始权重参数和偏好阈值;
将所述样本基础数据、所述样本用户行为数据、所述样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出所述样本用户对应的置信度集合,所述置信度集合包括所述样本用户对于每个样本活动数据组合的置信度,其中,所述样本活动数据组合包括多个样本活动数据和对应的样本活动执行路径;
将所述置信度集合中的每个置信度与预设偏好阈值进行比对,并将所述置信度集合中大于所述偏好阈值的置信度对应的样本活动数据组合定义为所述样本用户的预测样本活动数据组合;
根据所述样本用户的预测样本活动数据组合与其对应的样本活动数据组合,计算得出偏差值;及
基于所述偏差值,调整所述原始权重参数和偏好阈值,以得到推送模型。
可选地,所述获取多个样本用户的多个用户数据和每个样本用户的样本活动数据的步骤,还包括:
预先在所述服务端中各个页面进行数据埋点,以在预设时间周期内获取每个样本用户的多个样本用户实时数据;
分析每个样本用户的多个用户实时数据,以得到多个样本用户的多个样本用户数据。
可选地,活动数据包括主活动数据、多个与所述主活动数据关联的子活动数据以及活动路径;所述方法还包括:预先构建活动数据;
所述预先构建活动数据包括:
预先定义主活动数据的活动内容、活动形式以及活动投放的位置;
根据所述活动内容、所述活动形式以及每个样本用户设置活动推送时间以及活动开展时间;
根据所述活动内容、所述活动形式、所述活动推送时间以及所述活动开展时间,将所述主活动数据与多个子活动数据进行关联,以得到样本活动数据。
可选地,所述将所述多个样本基础数据、所述多个样本用户行为数据、所述多个样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出每个样本用户对应的置信度集合,每个样本用户的置信度集合包括该样本用户对于每个样本活动数据的置信度,包括:
将所述多个样本基础数据、所述多个样本用户行为数据、所述多个样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出每个样本用户对应每个样本活动数据的第一置信度;
基于每个样本活动数据的第一置信度和每个样本活动数据的参考权重,计算得到每个样本用户对应每个样本活动数据组合的置信度。
可选地,所述方法还包括:
获取目标用户的多个用户数据,所述多个用户数据包括多个基础数据、多个用户行为数据以及多个用户偏好数据;
将所述多个基础数据、所述多个用户行为数据以及所述多个用户偏好数据输入至所述推送模型中,以通过所述推送模型输出多个活动数据组合对应的多个置信度;
将每个置信度与预设偏好阈值进行比对,将大于所述偏好阈值的活动数据组合定义为目标活动数据组合,所述目标活动数据组合包括多个目标活动数据和所述多个目标活动数据对应的目标活动执行路径;
将所述多个目标活动数据按照所述目标活动执行路径反馈至客户端;
监控所述目标用户对于所述目标活动路径中每个节点上关联的目标活动数据的交互行为数据;
基于所述交互行为数据,调整所述目标活动路径上每个节点对应的目标活动数据,并按照更新后的目标活动路径将余下的目标活动数据反馈至所述客户端。
可选地,所述方法还包括:
将目标用户的目标活动数据以及更新后的目标活动路径存储于区块链中。
本发明的又一个方面示例性提出了一种推送模型构建装置,包括:第一获取模块,用于获取样本用户的多个样本用户数据和多个样本活动数据组合;
分类模块,用于根据数据类型对所述样本用户数据进行分类,以得到样本基础数据、样本用户行为数据以及样本用户偏好数据;
第二获取模块,用于获取预先设置的原始权重参数和偏好阈值;
模型处理模块,用于将所述样本基础数据、所述样本用户行为数据、所述样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出所述样本用户对应的置信度集合,所述置信度集合包括所述样本用户对于每个样本活动数据组合的置信度,其中,每个样本活动数据组合包括多个样本活动数据和对应的样本活动执行路径;
比对模块,用于将所述置信度集合中的每个置信度与预设偏好阈值进行比对,并将所述置信度集合中大于所述偏好阈值的置信度对应的样本活动数据组合定义为所述样本用户的预测样本活动数据组合;
计算模块,用于根据所述样本用户的预测样本活动数据组合与其对应的样本活动数据组合,计算得出偏差值;及
调整模块,用于基于所述偏差值,调整所述原始权重参数和偏好阈值,以得到推送模型。
可选地,所述装置还包括:
第三获取模块,用于获取目标用户的多个用户数据,所述多个用户数据包括多个基础数据、多个用户行为数据以及多个用户偏好数据;
处理模块,用于将所述多个基础数据、所述多个用户行为数据以及所述多个用户偏好数据输入至所述推送模型中,以通过所述推送模型输出多个活动数据组合对应的多个置信度;
定义模块,用于将每个置信度与预设偏好阈值进行比对,将大于所述偏好阈值的活动数据组合定义为目标活动数据组合,所述目标活动数据组合包括多个目标活动数据和所述多个目标活动数据对应的目标活动执行路径;
反馈模块,用于将所述多个目标活动数据按照所述目标活动执行路径反馈至客户端;
监控模块,用于监控所述目标用户对于所述目标活动路径中每个节点上关联的目标活动数据的交互行为数据;
更新模块,用于基于所述交互行为数据,调整所述目标活动路径上每个节点对应的目标活动数据,并按照更新后的目标活动路径将余下的目标活动数据反馈至所述客户端。
为了实现上述目的,本发明的又一个方面示例性提出了一种推送模型构建装置,包括:
为了实现上述目的,本发明的又一个方面示例性提出了一种计算机设备,所述计算机设备包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述推送模型构建方法的步骤。
为了实现上述目的,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如上所述的推送模型构建方法的步骤。
本发明实施例提供的推送模型构建方法、装置、计算机设备及计算机可读存储介质,根据多个样本用户的多个样本基础数据、多个样本用户行为数据、多个样本用户偏好数据和预设的原始权重参数和偏好阈值输入待训练模型中,通过待训练模型输出每个样本用户对应的多个置信度;将每个置信度与预设偏好阈值进行比对,并将大于偏好阈值的置信度对应的样本活动数据组合定义为对应的样本用户对应的预测样本活动数据组合;根据每个样本用户的预测样本活动数据组合与其对应的样本活动数据组合,计算得出偏差值;及基于偏差值,调整原始权重参数和偏好阈值,以得到推送模型。本发明基于用户行为分析对待训练模型进行训练,得到的推送模型的推送准确率高。
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
附图说明
图1为本发明实施例一之推送模型构建方法的步骤流程图;
图2为本发明实施例一之推送模型构建方法中获取多个样本用户数据的步骤流程图;
图3为本发明实施例一之推送模型构建方法中构建活动数据的步骤流程图;
图4为本发明实施例一之推送模型构建方法中计算置信度的步骤流程图;
图5为本发明实施例一之应用所述推送模型的步骤流程图;
图6为本发明实施例二之推送模型构建装置的程序模块示意图;
图7为本发明实施例三之计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
需要说明的是,在本发明实施例中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
在本发明的描述中,需要理解的是,步骤前的数字标号并不标识执行步骤的前后顺序,仅用于方便描述本发明及区别每一步骤,因此不能理解为对本发明的限制。
实施例一
请参阅图1,示出了本发明实施例之推送模型构建方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以服务端为执行主体进行示例性描述,具体如下:
如图1所示,所述推送模型构建方法可以包括步骤S100~S112,其中:
步骤S100,获取样本用户的多个样本用户数据和多个样本活动数据组合。
在示例性的实施例中,为了更好地训练得到推送模型,以多个样本用户为例,获取多个样本用户的多个样本用户数据和每个样本用户的样本活动数据组合。
结合图3,样本活动数据组合包括多个样本活动数据和所述多个样本活动数据对应的样本活动执行路径。活动数据包括主活动数据、多个与所述主活动数据关联的子活动数据以及活动路径;所述方法还包括:预先构建活动数据;具体操作如下:步骤S300,预先定义主活动数据的活动内容、活动形式以及活动投放的位置;步骤S302,根据所述活动内容、所述活动形式以及每个样本用户设置活动推送时间以及活动开展时间;及步骤S304,根据所述活动内容、所述活动形式、所述活动推送时间以及所述活动开展时间,将所述主活动数据与多个子活动数据进行关联,以得到样本活动数据。
步骤S102,根据数据类型对所述样本用户数据进行分类,以得到样本基础数据、样本用户行为数据以及样本用户偏好数据。
在示例性的实施例中,为了更好地训练得到推送模型,以多个样本用户为例,根据数据类型对每个样本用户的多个样本用户数据进行分类,以得到多个样本基础数据、多个样本用户行为数据以及多个样本用户偏好数据。
在示例性的实施例中,请参阅图2,所述获取多个样本用户的多个用户数据和每个样本用户的样本活动数据还可以进一步包括步骤S200~S202,其中:步骤S200,预先在所述服务端中各个页面进行数据埋点,以在预设时间周期内获取每个样本用户的多个样本用户实时数据;及步骤S202,分析每个样本用户的多个用户实时数据,以得到多个样本用户的多个样本用户数据。在本实施例中,多个样本基础数据包括年龄、性别、地区、工作等,多个样本用户行为数据包括:浏览页面活跃时间段、页面浏览数据,如页面停留时间、页面浏览频次等每日活跃时间段;所述多个样本用户偏好数据包括:用户收藏的活动页面或者用户曾经参与过的活动。
以下示例性说明从三个维度获取样本数据,以构建训练集的操作,具体如下:
a)获取多个样本基础数据:在用户注册登录系统时将多个样本用户的多个基础数据录入数据库中,便于训练模型时获取;
b)获取多个样本用户行为数据:可以通过系统的各个页面进行数据埋点,分析并记录每个样本用户浏览页面时的高频率交互时间区间以获得每个样本用户每日浏览页面的活跃时间段以及页面浏览数据等;
c)获取多个样本用户偏好数据:可以通过对系统的各个页面和用户行为进行数据埋点,分析用户浏览活动页面的次数和停留时间、用户对于活动数据的收藏和交易行为,以获得用户感兴趣的活动数据以及曾经参与过的活动数据。
步骤S104,获取预先设置的原始权重参数和偏好阈值。
在示例性的实施例中,原始权重参数包括与所述多个样本基础数据对应的第一原始权重参数、与所述多个样本用户行为数据对应的第二原始权重参数以及与所述多个样本用户偏好数据对应的第三原始权重参数。
步骤S106,将所述样本基础数据、所述样本用户行为数据、所述样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出所述样本用户对应的置信度集合,所述置信度集合包括所述样本用户对于每个样本活动数据组合的置信度,其中,所述样本活动数据组合包括多个样本活动数据和对应的样本活动执行路径。
在示例性的实施例中,为了更好地训练得到推送模型,以多个样本用户为例,将所述多个样本基础数据、所述多个样本用户行为数据、所述多个样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出每个样本用户对应的置信度集合,每个样本用户的置信度集合包括该样本用户对于每个样本活动数据组合的置信度,其中,每个样本活动数据组合包括多个样本活动数据和所述多个样本活动数据的样本活动执行路径。
示例性的,所述待训练模型的训练通过人工智能技术实现。所述待训练模型可以为深度学习模型。
举例而言,对于样本主活动A,样本活动数据组合包括A-B-C-D-E、A-C-B-D-E、A-D-C-B-E等多种组合方式,其中B、C、D和E均为子样本活动,每个样本活动数据的样本主活动以及最后一个子样本活动是固定的,将样本主活动和各个子活动串联起来,形成有限状态机。通过待训练模型输出每个样本用户对于每个样本活动数据组合的置信度,即输出每个样本用户对于每个样本活动路径的置信度。
在示例性的实施例中,每个样本活动数据对应有参考权重,所述参考权重基于每个样本活动数据参与人数与所有样本活动数据参与人数的比值计算得到。请参阅图4,每个样本用户的置信度集合包括该样本用户对于每个样本活动数据的置信度;通过所述待训练模型输出每个样本用户对应的置信度集合还可以通过以下操作得到,其中:步骤S400,将所述多个样本基础数据、所述多个样本用户行为数据、所述多个样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出每个样本用户对应每个样本活动数据的第一置信度;及步骤S402,基于每个样本活动数据的第一置信度和每个样本活动数据的参考权重,计算得到每个样本用户对应每个样本活动数据组合的置信度。
步骤S108,将所述置信度集合中的每个置信度与预设偏好阈值进行比对,并将所述置信度集合中大于所述偏好阈值的置信度对应的样本活动数据组合定义为所述样本用户的预测样本活动数据组合。
在示例性的实施例中,为了更好地训练得到推送模型,以多个样本用户为例,将每个置信度集合中的每个置信度与预设偏好阈值进行比对,并将每个置信度集合中大于所述偏好阈值的置信度对应的样本活动数据组合定义为对应的样本用户对应的预测样本活动数据组合。
在示例性的实施例中,置信度可以理解为每个样本活动数据对于每个样本用户的推送概率。
步骤S110,根据所述样本用户的预测样本活动数据组合与其对应的样本活动数据组合,计算得出偏差值。
在示例性的实施例中,为了更好地训练得到推送模型,以多个样本用户为例,根据所述每个样本用户的预测样本活动数据组合与其对应的样本活动数据组合,计算得出偏差值。
示例性的,偏差值可以通过交叉熵损失函数计算得到。
步骤S112,基于所述偏差值,调整所述原始权重参数和偏好阈值,以得到推送模型。
在示例性的实施例中,通过计算得到的偏差值,调整原始权重参数、偏好阈值以及参考权重以后,重复步骤S100-步骤S112,以得到优化后的推送模型。
请参阅图5,所述推送模型的应用可以包括步骤S500~S510,其中:
步骤S500,获取目标用户的多个用户数据,所述多个用户数据包括多个基础数据、多个用户行为数据以及多个用户偏好数据。
步骤S502,将所述多个基础数据、所述多个用户行为数据以及所述多个用户偏好数据输入至所述推送模型中,以通过所述推送模型输出多个活动数据组合对应的多个置信度。
具体的,目标活动路径包括多个节点,每个节点上关联有一个目标活动数据,在目标活动路径中第一个节点对应的是主活动数据,且目标活动路径中第一个节点和最后一个节点关联的目标活动数据不变。
步骤S504,将每个置信度与预设偏好阈值进行比对,将大于所述偏好阈值的活动数据组合定义为目标活动数据组合,所述目标活动数据组合包括多个目标活动数据和所述多个目标活动数据对应的目标活动执行路径。
步骤S506,将所述多个目标活动数据按照所述目标活动执行路径反馈至客户端。
步骤S508,监控所述目标用户对于所述目标活动路径中每个节点上关联的目标活动数据的交互行为数据。
步骤S510,基于所述交互行为数据,调整所述目标活动路径上每个节点对应的目标活动数据,并按照更新后的目标活动路径将余下的目标活动数据反馈至所述客户端。
举例而言,对于线上贷款申请活动,用户收到一条申请链接的推送后,还要完成个人信息输入、实名校验、贷款金额及理由输入、银行审批放款等子活动。通过分析用户行为,假设用户在实名校验环节停留时间较长,不能及时完成校验。即当目标用户进行当前子活动的时间大于预设时间阈值时,即采集当前交互行为数据,根据当前交互行为数据调整目标活动路径。例如,当目标用户输入个人信息后十分钟内还未完成实名,目标活动路径调整为先推送输入贷款金额及理由的子活动数据,再推送实名校验的子活动数据以及预约好银行专员的审批时间,最大限度保证时效性,提高用户完成贷款活动的概率。本发明实施例中,通过实时监控并持续分析用户的行为数据,若分析当前用户完成活动的概率有降低趋势,即不满足预设规则时,则可以通过调整后续子活动内容和开展时间的方式,引导用户重新做出决策,最终完成活动,提高活动的完成效率。
在本实施例中,根据置信度的大小以及交互行为数据,不断针对用户调整后续子活动的顺序,提高整体活动数据的推送力度,还可以适当删除评分过低的选项,最终可以筛选出一条适合该分组用户的活动路径,有效提高整体活动的完成效率。
在示例性的实施例中,所述方法还包括将目标用户的目标活动数据以及更新后的目标活动路径存储于区块链中。
本发明实施例至少具有以下有益效果:
(1)对于客户端用户来说,整个活动行为过程减小了用户完成活动的成本,提升了用户体验,提高了用户留存率,同时增加了业务产量,创造了公司营收。
(2)对于运营人员、客服人员来说,在整个活动完成过程,减少了工作人员的介入,降低了工作人员的投入,减少了公司运营成本。
(3)模型基于用户行为分析进行训练,训练得到的推送模型的准确率更高。
实施例二
请继续参阅图6,示出了本发明推送模型构建装置的程序模块示意图。在本实施例中推送模型构建装置60可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述推送模型构建方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于所述推送模型构建装置60在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能:
第一获取模块600,用于获取多个样本用户的多个样本用户数据和每个样本用户的样本活动数据组合;
分类模块602,用于根据数据类型对每个样本用户的多个样本用户数据进行分类,以得到多个样本基础数据、多个样本用户行为数据以及多个样本用户偏好数据;
第二获取模块604,用于获取预先设置的原始权重参数和偏好阈值;
模型处理模块606,用于将所述多个样本基础数据、所述多个样本用户行为数据、所述多个样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出每个样本用户对应的置信度集合,每个样本用户的置信度集合包括该样本用户对于每个样本活动数据组合的置信度,其中,每个样本活动数据组合包括多个样本活动数据和所述多个样本活动数据的样本活动执行路径;
比对模块608,用于将每个置信度集合中的每个置信度与预设偏好阈值进行比对,并将每个置信度集合中大于所述偏好阈值的置信度对应的样本活动数据组合定义为对应的样本用户对应的预测样本活动数据组合;
计算模块610,用于根据所述每个样本用户的预测样本活动数据组合与其对应的样本活动数据组合,计算得出偏差值;及
调整模块612,用于基于所述偏差值,调整所述原始权重参数和偏好阈值,以得到推送模型。
在示例性的实施例中,所述第一获取模块600,还用于:预先在所述服务端中各个页面进行数据埋点,以在预设时间周期内获取每个样本用户的多个样本用户实时数据;分析每个样本用户的多个用户实时数据,以得到多个样本用户的多个样本用户数据。
在示例性的实施例中,活动数据包括主活动数据、多个与所述主活动数据关联的子活动数据以及活动路径;所述装置还包括:活动数据构建模块(未标识),所述活动数据构建模块,用于预先定义主活动数据的活动内容、活动形式以及活动投放的位置;根据所述活动内容、所述活动形式以及每个样本用户设置活动推送时间以及活动开展时间;及根据所述活动内容、所述活动形式、所述活动推送时间以及所述活动开展时间,将所述主活动数据与多个子活动数据进行关联,以得到样本活动数据。
在示例性的实施例中,所述模型处理模块606,还用于:将所述多个样本基础数据、所述多个样本用户行为数据、所述多个样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出每个样本用户对应每个样本活动数据的第一置信度;及基于每个样本活动数据的第一置信度和每个样本活动数据的参考权重,计算得到每个样本用户对应每个样本活动数据组合的置信度。
在示例性的实施例中,所述装置还包括:
第三获取模块,用于获取目标用户的多个用户数据,所述多个用户数据包括多个基础数据、多个用户行为数据以及多个用户偏好数据;
处理模块,用于将所述多个基础数据、所述多个用户行为数据以及所述多个用户偏好数据输入至所述推送模型中,以通过所述推送模型输出多个活动数据组合对应的多个置信度;
定义模块,用于将每个置信度与预设偏好阈值进行比对,将大于所述偏好阈值的活动数据组合定义为目标活动数据组合,所述目标活动数据组合包括多个目标活动数据和所述多个目标活动数据对应的目标活动执行路径;
反馈模块,用于将所述多个目标活动数据按照所述目标活动执行路径反馈至客户端;
监控模块,用于监控所述目标用户对于所述目标活动路径中每个节点上关联的目标活动数据的交互行为数据;
更新模块,用于基于所述交互行为数据,调整所述目标活动路径上每个节点对应的目标活动数据,并按照更新后的目标活动路径将余下的目标活动数据反馈至所述客户端。
实施例三
参阅图7,是本发明实施例五之计算机设备的硬件架构示意图。本实施例中,所述计算机设备2是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图7所示,所述计算机设备2至少包括,但不限于,可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及推送模型构建装置60。其中:
本实施例中,存储器21至少包括一种类型的计算机可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设备2的内部存储单元,例如该计算机设备2的硬盘或内存。在另一些实施例中,存储器21也可以是计算机设备2的外部存储设备,例如该计算机设备2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件,例如上述实施例的推送模型构建装置60的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行推送模型构建装置60,以实现上述实施例的推送模型构建方法。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如,所述网络接口23用于通过网络将所述计算机设备2与外部终端相连,在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCode Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是,图7仅示出了具有部件21-23、推送模型构建装置60的计算机设备2,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
在本实施例中,存储于存储器21中的所述推送模型构建装置60还可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器21中,并由一个或多个处理器(本实施例为处理器22)所执行,以完成本发明。
例如,图6示出了所述实现推送模型构建装置60实施例二的程序模块示意图,该实施例中,所述推送模型构建装置60可以被划分为第一获取模块500、分类模块502、第二获取模块504、模型处理模块506、比对模块508、计算模块510以及调整模块512。其中,本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述推送模型构建装置60在所述计算机设备2中的执行过程。所述程序模块500-512的具体功能在实施例五中已有详细描述,在此不再赘述。
实施例六
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储推送模型构建装置60,被处理器执行时实现上述实施例的推送模型构建方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种推送模型构建方法,其特征在于,应用于服务端,所述方法包括:
获取样本用户的多个样本用户数据和多个样本活动数据组合;
根据数据类型对所述样本用户数据进行分类,以得到样本基础数据、样本用户行为数据以及样本用户偏好数据;
获取预先设置的原始权重参数和偏好阈值;
将所述样本基础数据、所述样本用户行为数据、所述样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出所述样本用户对应的置信度集合,所述置信度集合包括所述样本用户对于每个样本活动数据组合的置信度,其中,所述样本活动数据组合包括多个样本活动数据和对应的样本活动执行路径;
将所述置信度集合中的每个置信度与预设偏好阈值进行比对,并将所述置信度集合中大于所述偏好阈值的置信度对应的样本活动数据组合定义为所述样本用户的预测样本活动数据组合;
根据所述样本用户的预测样本活动数据组合与其对应的样本活动数据组合,计算得出偏差值;及
基于所述偏差值,调整所述原始权重参数和偏好阈值,以得到推送模型。
2.根据权利要求1所述的推送模型构建方法,其特征在于,所述获取多个样本用户的多个用户数据和每个样本用户的样本活动数据的步骤,还包括:
预先在所述服务端中各个页面进行数据埋点,以在预设时间周期内获取每个样本用户的多个样本用户实时数据;
分析每个样本用户的多个用户实时数据,以得到多个样本用户的多个样本用户数据。
3.根据权利要求1所述的推送模型构建方法,其特征在于,活动数据包括主活动数据、多个与所述主活动数据关联的子活动数据以及活动路径;所述方法还包括:预先构建活动数据;
所述预先构建活动数据包括:
预先定义主活动数据的活动内容、活动形式以及活动投放的位置;
根据所述活动内容、所述活动形式以及每个样本用户设置活动推送时间以及活动开展时间;
根据所述活动内容、所述活动形式、所述活动推送时间以及所述活动开展时间,将所述主活动数据与多个子活动数据进行关联,以得到样本活动数据。
4.根据权利要求1所述的推送模型构建方法,其特征在于,所述将所述多个样本基础数据、所述多个样本用户行为数据、所述多个样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出每个样本用户对应的置信度集合,每个样本用户的置信度集合包括该样本用户对于每个样本活动数据的置信度,包括:
将所述多个样本基础数据、所述多个样本用户行为数据、所述多个样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出每个样本用户对应每个样本活动数据的第一置信度;
基于每个样本活动数据的第一置信度和每个样本活动数据的参考权重,计算得到每个样本用户对应每个样本活动数据组合的置信度。
5.根据权利要求1所述的推送模型构建方法,其特征在于,所述方法还包括:
获取目标用户的多个用户数据,所述多个用户数据包括多个基础数据、多个用户行为数据以及多个用户偏好数据;
将所述多个基础数据、所述多个用户行为数据以及所述多个用户偏好数据输入至所述推送模型中,以通过所述推送模型输出多个活动数据组合对应的多个置信度;
将每个置信度与预设偏好阈值进行比对,将大于所述偏好阈值的活动数据组合定义为目标活动数据组合,所述目标活动数据组合包括多个目标活动数据和所述多个目标活动数据对应的目标活动执行路径;
将所述多个目标活动数据按照所述目标活动执行路径反馈至客户端;
监控所述目标用户对于所述目标活动路径中每个节点上关联的目标活动数据的交互行为数据;
基于所述交互行为数据,调整所述目标活动路径上每个节点对应的目标活动数据,并按照更新后的目标活动路径将余下的目标活动数据反馈至所述客户端。
6.根据权利要求5所述的推送模型构建方法,其特征在于,所述方法还包括:
将目标用户的目标活动数据以及更新后的目标活动路径存储于区块链中。
7.一种推送模型构建装置,其特征在于,包括:
第一获取模块,用于获取样本用户的多个样本用户数据和多个样本活动数据组合;
分类模块,用于根据数据类型对所述样本用户数据进行分类,以得到样本基础数据、样本用户行为数据以及样本用户偏好数据;
第二获取模块,用于获取预先设置的原始权重参数和偏好阈值;
模型处理模块,用于将所述样本基础数据、所述样本用户行为数据、所述样本用户偏好数据以及所述原始权重参数输入至待训练模型中,以通过所述待训练模型输出所述样本用户对应的置信度集合,所述置信度集合包括所述样本用户对于每个样本活动数据组合的置信度,其中,每个样本活动数据组合包括多个样本活动数据和对应的样本活动执行路径;
比对模块,用于将所述置信度集合中的每个置信度与预设偏好阈值进行比对,并将所述置信度集合中大于所述偏好阈值的置信度对应的样本活动数据组合定义为所述样本用户的预测样本活动数据组合;
计算模块,用于根据所述样本用户的预测样本活动数据组合与其对应的样本活动数据组合,计算得出偏差值;及
调整模块,用于基于所述偏差值,调整所述原始权重参数和偏好阈值,以得到推送模型。
8.根据权利要求7所述的推送模型构建装置,其特征在于,还包括:
第三获取模块,用于获取目标用户的多个用户数据,所述多个用户数据包括多个基础数据、多个用户行为数据以及多个用户偏好数据;
处理模块,用于将所述多个基础数据、所述多个用户行为数据以及所述多个用户偏好数据输入至所述推送模型中,以通过所述推送模型输出多个活动数据组合对应的多个置信度;
定义模块,用于将每个置信度与预设偏好阈值进行比对,将大于所述偏好阈值的活动数据组合定义为目标活动数据组合,所述目标活动数据组合包括多个目标活动数据和所述多个目标活动数据对应的目标活动执行路径;
反馈模块,用于将所述多个目标活动数据按照所述目标活动执行路径反馈至客户端;
监控模块,用于监控所述目标用户对于所述目标活动路径中每个节点上关联的目标活动数据的交互行为数据;
更新模块,用于基于所述交互行为数据,调整所述目标活动路径上每个节点对应的目标活动数据,并按照更新后的目标活动路径将余下的目标活动数据反馈至所述客户端。
9.一种计算机设备,所述计算机设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的推送模型构建方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如权利要求1至6中任一项所述的推送模型构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224620.XA CN113918817B (zh) | 2021-10-20 | 2021-10-20 | 推送模型构建方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224620.XA CN113918817B (zh) | 2021-10-20 | 2021-10-20 | 推送模型构建方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113918817A true CN113918817A (zh) | 2022-01-11 |
CN113918817B CN113918817B (zh) | 2024-05-28 |
Family
ID=79241751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111224620.XA Active CN113918817B (zh) | 2021-10-20 | 2021-10-20 | 推送模型构建方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113918817B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444226A (zh) * | 2020-03-25 | 2020-07-24 | 平安医疗健康管理股份有限公司 | 业务预约网点数据的推送方法和系统 |
CN112085565A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于深度学习的信息推荐方法、装置、设备及存储介质 |
CN112784168A (zh) * | 2021-02-25 | 2021-05-11 | 平安健康保险股份有限公司 | 信息推送模型训练方法以及装置、信息推送方法以及装置 |
CN113033090A (zh) * | 2021-03-24 | 2021-06-25 | 平安科技(深圳)有限公司 | 推送模型训练方法、数据推送方法、装置及存储介质 |
-
2021
- 2021-10-20 CN CN202111224620.XA patent/CN113918817B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444226A (zh) * | 2020-03-25 | 2020-07-24 | 平安医疗健康管理股份有限公司 | 业务预约网点数据的推送方法和系统 |
CN112085565A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于深度学习的信息推荐方法、装置、设备及存储介质 |
CN112784168A (zh) * | 2021-02-25 | 2021-05-11 | 平安健康保险股份有限公司 | 信息推送模型训练方法以及装置、信息推送方法以及装置 |
CN113033090A (zh) * | 2021-03-24 | 2021-06-25 | 平安科技(深圳)有限公司 | 推送模型训练方法、数据推送方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113918817B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659318B (zh) | 基于大数据的策略推送方法、系统及计算机设备 | |
CN110222880B (zh) | 业务风险的确定方法、模型训练方法和数据处理方法 | |
CN111680165B (zh) | 信息匹配方法、装置、可读存储介质和电子设备 | |
CN112231533A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111652468A (zh) | 业务流程的生成方法、装置、存储介质及计算机设备 | |
CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN112200459B (zh) | 一种配电网数据质量分析评价方法及系统 | |
CN112597745A (zh) | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 | |
CN113094284A (zh) | 应用故障检测方法及装置 | |
CN110503507B (zh) | 基于大数据的保险产品数据推送方法、系统及计算机设备 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN107644042B (zh) | 软件程序点击率预估排序方法及服务器 | |
WO2019080419A1 (zh) | 标准知识库的构建方法、电子装置及存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN112837140A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN117114901A (zh) | 基于人工智能的投保数据处理方法、装置、设备及介质 | |
CN113918817B (zh) | 推送模型构建方法、装置、计算机设备及存储介质 | |
CN115760486A (zh) | 临建规模评估方法、装置、设备和可读存储介质 | |
CN104376021A (zh) | 文件推荐系统及方法 | |
CN110148011B (zh) | 基于大数据的活跃量下降分析方法、装置、设备及介质 | |
Tsai et al. | Object architected design and efficient dynamic adjustment mechanism of distributed web crawlers | |
CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
CN112163167A (zh) | 基于大数据平台的智能决策方法、系统、设备及介质 | |
CN111027296A (zh) | 基于知识库的报表生成方法及系统 | |
CN112182320B (zh) | 聚类数据处理方法、装置、计算机设备及存储介质 |
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 |