CN113919856A - 目标用户选择方法、系统、设备及存储介质 - Google Patents

Abstract

本发明提供了一种目标用户选择方法、系统、设备及存储介质，该方法包括：接收到商户端的广告推送需求信息；根据推送端的第一用户的标识信息和所述商户端的第二用户的标识信息的匹配结果，确定所述第一用户和所述第二用户的重合用户；根据所述重合用户训练第一目标用户预测模型；采用所述第一目标用户预测模型在所述推送端的第一用户中选择目标用户。本发明提高了广告推送时目标用户选择的精准度，从而提高了广告投放流量的利用效率。

Description

目标用户选择方法、系统、设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种目标用户选择方法、系统、设备及存储介质。

背景技术

随着互联网技术以及共享单车和助力车行业的发展，在共享单车服务方的数据库中存储着大量的用户信息。这些用户信息可以用作投放广告的对象。在共享单车服务方提供广告投放服务时，共享单车服务方同时也作为广告推送端，基于自身存储的用户信息，为商户端提供广告服务。

传统的投放广告的方式都是通过DMP(Data Management Platform，数据管理平台)的方式，通过用户已有的标签匹配，选择投放广告的目标用户。但是这种标签通常是来源于其他的业务，对于当前特定要投放的广告精确性不强。这样会造成广告投放流量的浪费。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种目标用户选择方法、系统、设备及存储介质，提高广告推送时目标用户选择的精准度，提高广告投放流量的利用效率。

本发明实施例提供一种目标用户选择方法，包括如下步骤：

接收到商户端的广告推送需求信息；

根据推送端的第一用户的标识信息和所述商户端的第二用户的标识信息的匹配结果，确定所述第一用户和所述第二用户的重合用户；

根据所述重合用户训练第一目标用户预测模型；

采用所述第一目标用户预测模型在所述推送端的第一用户中选择目标用户。

可选地，根据所述推送端的第一用户的标识信息和所述商户端的第二用户的标识信息的匹配结果，确定所述第一用户和所述第二用户的重合用户，包括如下步骤：

生成商户用户匹配请求并推送至第三方平台，所述商户用户匹配请求包括推送端信息和商户端信息，所述第三方平台配置为根据所述商户用户匹配请求，获取所述推送端的第一用户的标识信息和所述商户端的第二用户的标识信息，并进行匹配；

从所述第三方平台获取匹配结果，确定所述第一用户和所述第二用户的重合用户。

可选地，所述确定所述第一用户和所述第二用户的重合用户之后，还包括确定所述重合用户的目标用户标签；

根据所述重合用户训练目标用户预测模型，包括如下步骤：

从所述推送端的用户特征数据库获取所述重合用户的特征数据，加入第一训练集；

根据所述重合用户所对应的目标用户标签，确定所述重合用户属于正样本还是负样本，对所述第一训练集中的特征数据进行正负样本标记；

采用所述第一训练集训练第一目标用户预测模型。

可选地，采用所述第一目标用户预测模型在所述推送端的第一用户中选择目标用户，包括如下步骤：

从所述推送端的用户数据库中获取第一用户的特征数据并输入所述第一目标用户预测模型，得到所述第一目标用户预测模型输出的每个所述第一用户的目标概率值；

选择目标概率值最高的至少一个第一用户作为目标用户。

可选地，所述选择目标概率值最高的至少一个第一用户作为目标用户之后，还包括如下步骤：

在所述推送端向所述目标用户的用户终端推送广告信息之后，从所述用户终端获取已推送用户的反馈信息，根据已推送用户的反馈信息训练第二目标用户预测模型；

采用所述第二目标用户预测模型在所述推送端的第一用户中选择新的目标用户。

可选地，所述第二目标用户预测模型的输入为用户的特征数据，输出为用户的目标概率值；

所述根据已推送用户的反馈信息训练第二目标用户预测模型，包括如下步骤：

从所述推送端的用户特征数据库获取所述已推送用户的特征数据，加入第二训练集；

根据所述已推送用户的反馈信息对所述第二训练集中的特征数据添加正负样本标记；

采用所述第二训练集训练第二目标用户预测模型。

可选地，根据所述已推送用户的反馈信息对所述第二训练集中的特征数据添加正负样本标记，包括如下步骤：

根据所述商户端的正向反馈划分规则，确定所述已推送用户的反馈信息属于正向反馈还是负向反馈，对所述第二训练集中的所对应的特征数据进行正负样本标记。

可选地，所述根据已推送用户的反馈信息训练第二目标用户预测模型之后，还包括如下步骤：

分别采用所述第一目标用户预测模型和所述第二目标用户预测模型在所述推送端的第一用户中选择第一目标用户和第二目标用户；

在所述推送端分别向所述第一目标用户和所述第二目标用户推送广告之后，从所述用户终端获取已推送用户的反馈信息；

根据所述第一目标用户的反馈信息确定所述第一目标用户预测模型的第一预测效果，并根据所述第二目标用户的反馈信息确定所述第二目标用户预测模型的第二预测效果；

选择较优的预测结果所对应的目标用户预测模型作为后续选择新的目标用户时所采用的模型。

本发明实施例还提供一种目标用户选择系统，用于实现所述的目标用户选择方法，所述系统包括：

需求接收模块，用于接收到商户端的广告推送需求信息；

用户匹配模块，用于根据推送端的第一用户的标识信息和所述商户端的第二用户的标识信息的匹配结果，确定所述第一用户和所述第二用户的重合用户；

模型训练模块，用于根据所述重合用户训练第一目标用户预测模型；

用户选择模块，用于采用所述第一目标用户预测模型在所述推送端的第一用户中选择目标用户。

本发明实施例还提供一种目标用户选择设备，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行所述的目标用户选择方法的步骤。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的目标用户选择方法的步骤。

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。

本发明提供了一种更高效的目标用户选择方法、系统、设备及存储介质，通过根据商户端和推送端的用户匹配寻找到种子用户，然后根据种子用户采用目标用户预测模型进行人群扩展，从而获得目标用户，由于目标用户与种子用户之间具有较高的相似度，提高了广告推送时目标用户选择的精准度，从而提高了广告投放流量的利用效率。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。

图1是本发明一实施例的目标用户选择方法的流程图；

图2是本发明一实施例的推送端与商户端交互的示意图；

图3是本发明一实施例的实现模型切换的示意图；

图4是本发明一实施例的目标用户选择系统的结构示意图；

图5是本发明一实施例的目标用户选择设备的结构示意图；

图6是本发明一实施例的计算机可读存储介质的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

如图1所示，本发明实施例提供一种目标用户选择方法，包括如下步骤：

S100：接收到商户端的广告推送需求信息，此处商户端即为需要发布广告的商家；

S200：根据推送端的第一用户的标识信息和所述商户端的第二用户的标识信息的匹配结果，确定所述第一用户和所述第二用户的重合用户；

此处推送端即为提供广告推送服务的一方，可以根据商户端的广告推送需求信息将广告推送给自身已有的用户；

S300：根据所述重合用户训练第一目标用户预测模型；

S400：采用所述第一目标用户预测模型在所述推送端的第一用户中选择目标用户。

该实施例的目标用户选择方法中，首先通过步骤S100接收到商户端发送的广告推送需求信息，然后通过步骤S200根据商户端和推送端的用户匹配寻找到重合用户。此处确定的重合用户满足两个条件：属于推送端的第一用户，即属于广告推送的可选对象；并且属于商户端的第二用户，此处商户端的第二用户是商户端所选择的与其业务相匹配的第一用户，即商户端认为比较有价值的种子用户。

考虑到重合用户的数量有限，往往无法满足商户的广告投放流量需求，因此进一步通过步骤S300根据种子用户训练目标用户预测模型，并采用步骤S400基于目标用户预测模型在推送端的第一用户中进行目标用户选择，从而实现种子用户的人群扩展。由于步骤S400中得到的目标用户与种子用户之间具有较高的相似度，可以保证广告推送给与商户端的广告推送需求最匹配的用户，提高了广告推送时目标用户选择的精准度，从而提高了广告投放流量的利用效率。

在该实施例中，所述步骤S100中，所述商户端发送的广告推送需求信息可以包括商户端信息(例如商户端名称、商户ID等)、广告内容、广告推送要求(例如流量要求、时间要求等)等信息。在接收到所述广告推送需求信息之后，即确定需要选择与商户端相匹配的目标用户。

在该实施例中，为了保障用户的数据隐私安全，所述步骤S200中，将所述推送端的第一用户的标识信息与所述商户端的第二用户的标识信息进行匹配需要在第三方平台上实现，对于本发明来说，需要向第三方平台发送匹配请求并获取匹配结果。

具体地，所述步骤S200包括如下步骤：

生成商户用户匹配请求，并将所述商户用户匹配请求推送至第三方平台，所述商户用户匹配请求包括推送端信息(例如推送端ID、推送端名称等)和商户端信息(例如商户端ID、商户名称等)；

从所述第三方平台获取匹配结果，确定所述第一用户和所述第二用户的重合用户。

其中，所述第三方平台配置为接收到所述商户用户匹配请求之后，获取所述推送端的第一用户的标识信息(第三方平台中预先存储或从推送端的用户特征数据库中获取)和所述商户端的第二用户的标识信息(第三发平台中预先存储或从商户端获取)，并进行匹配。

例如，所述第三方平台可以通过加密的手机号码将所述推送端中的第一用户群体和所述商户端的第二用户群体，从而得到两个用户群体的重合用户。其中，第一用户的标识信息可以包括第一用户的姓名、ID、手机号码、身份证号码等个人信息，第二用户的标识信息可以包括第二用户的姓名、ID、手机号码、身份证号码等个人信息。此处采用的第三方平台为得到商户端的用户和推送端的用户均认可的可以获取到用户信息的平台，可以在充分保障用户数据隐私的前提下，实现重合用户的匹配。

如图2所示，示出了商户端H100、推送端H200、第三方平台H300和用户终端H400之间的交互关系。本发明中的目标用户选择方法可以在推送端H200的服务器上实现，在选择目标用户之后，由推送端H200将广告推送给目标用户的用户终端H400。在其他可替代的实施方式中，所述目标用户选择方法也可以在其他的服务器上实现，可以与推送端H200进行通信，选择目标用户后，将目标用户信息发送给推送端H200，由推送端H200将广告推送给目标用户的用户终端H400。用户终端H400指的是用户使用的终端设备，包括但不限于手机、平板电脑、笔记本电脑等，用户终端H400可以在推送端H200提供的APP或网页上看到推送的广告，并且推送端H200可以进一步获取到用户在用户终端H400上的操作数据，例如用户终端H400中广告的点击数据、产品购买数据等等。

下面以所述商户端为银行端，所述推送端为共享单车服务方为例具体说明步骤S100和S200的实施方式。首先，对应于步骤S100，银行端将最新业务的广告推送需求信息推送给推送端，对应于步骤S200，推送端根据银行端信息和自身信息生成商户用户匹配请求，并将所述商户用户匹配请求推送至第三方平台。第三方平台将银行端的银行用户数据(对应于第二用户)和推送端的骑行用户数据(对应于第一用户)进行撞库。此处，银行端的银行用户数据优选为银行端预先筛选的银行端种子用户。第三方平台可以得到属于银行端种子用户又属于骑行用户的重合用户。

在该实施例中，所述商户端的第二用户不仅可以包括匹配程度比较高的种子用户，还可以包括非种子用户，用于后面训练模型时的正负样本选择。具体地，所述第二用户的标识信息还包括所述第二用户的目标用户标签，该目标用户标签可以表示所述第二用户是否为所述商户端的种子用户，如果是种子用户，则将该目标用户标签设为第一数值，如果是非种子用户，则将该目标用户标签设为第二数值。此目标用户标签为商户端预先在第二用户的标识信息中添加的。所述确定所述第一用户和所述第二用户的重合用户之后，还包括确定所述重合用户的目标用户标签，可以是从第三方平台获取的。

所述步骤S300：根据所述重合用户训练目标用户预测模型，包括如下步骤：

从所述推送端的用户特征数据库获取所述重合用户的特征数据，加入第一训练集；此处用户的特征数据的具体内容根据推送端的服务模式而定义。例如，推送端是共享单车服务方时，用户的特征数据可以包括用户的基本信息和骑行属性，基本信息可以包括用户的年龄、性别、所属地域等，骑行属性可以包括用户的骑行时间属性、骑行时长属性、骑行位置属性等；又例如，推送端是旅游平台时，用户的特征数据可以包括用户的基本信息和旅游属性，旅游属性可以包括用户的旅游地点、旅游时间、旅游团体类型等；

根据所述重合用户所对应的目标用户标签，确定所述重合用户属于正样本还是负样本，对所述第一训练集中的特征数据进行正负样本标记，具体地，如果一个用户对应的目标用户标签为第一数值，则将其对应的特征数据作为正样本，如果一个用户对应的目标用户标签为第二数值，则将其对应的特征数据作为负样本；

采用所述第一训练集训练第一目标用户预测模型，例如可以采用梯度下降法或其他训练方法，得到训练好的第一目标用户预测模型，可以用于步骤S400中在第一用户群体中进行目标用户数量的扩展。

其中，所述第一目标用户预测模型可以为基于机器学习树形模型训练得到的二分类模型，例如LightGBM(一种基于决策树算法的梯度提升框架)模型、决策树模型、随机森林模型等等。在其他可替代的实施方式中，所述第一目标用户预测模型也可以采用其他类型的机器学习模型，能够实现用户分类即可，而不限于此处列举的模型类型。

在该实施例中，所述第一目标用户预测模型的输入为用户的特征数据，输出为用户的目标概率值，所述步骤S400中，可以根据所述第一目标用户预测模型输出的用户的目标概率值在第一用户中选择目标用户。

具体地，所述步骤S400中，采用所述第一目标用户预测模型在所述推送端的第一用户中选择目标用户，包括如下步骤：

从所述推送端的用户数据库中获取所有第一用户的特征数据并输入所述第一目标用户预测模型，得到每个所述第一用户的目标概率值，这个目标概率值即表示一个用户是目标用户的概率分，可以是一个介于0到1之间的数值；

根据每个所述第一用户的目标概率值选择目标用户，选择目标概率值最高的至少一个第一用户作为目标用户，例如，可以将第一用户按照目标概率值从高到低进行排序，根据商户端的广告推送需求确定目标用户数量n，选择n个目标概率值最高的第一用户作为目标用户。

进一步地，在该实施例中，在根据所述第一目标用户预测模型得到了第一批的目标用户之后，可以实现在冷启动的时候有效地找到推送端的第一用户中与商户端匹配的目标用户。在推送端将广告推送给目标用户之后，即可以从用户终端获取到目标用户的反馈信息，此处反馈信息即用户是否点击广告、用户是否接受了广告中的产品等。在接收到目标用户的反馈信息之后，即可以进一步根据目标用户的反馈信息来对第一目标用户预测模型进行优化修正，或基于已推送广告的用户的反馈信息来训练心得目标用户预测模型，从而可以基于真实场景信息来获得更优的目标用户。

如图3所示，具体地，所述步骤S400：选择目标概率值最高的至少一个第一用户作为目标用户之后，还包括如下步骤：

所述推送端配置为向所述步骤S400中选择的目标用户推送广告信息；

S510：在所述推送端向所述目标用户的用户终端推送广告信息之后，将步骤S400中选择的目标用户作为已推送用户，从所述用户终端获取已推送用户的反馈信息，根据已推送用户的反馈信息训练第二目标用户预测模型；

S520：采用所述第二目标用户预测模型在所述推送端的第一用户中选择新的目标用户，此第二目标用户预测模型即为基于真实投放数据进行训练得到的目标用户预测模型。

在该实施例中，所述第二目标用户预测模型的输入为用户的特征数据，输出为用户的目标概率值。所述步骤S520中，采用所述第二目标用户预测模型在所述推送端的第一用户中选择新的目标用户，即为将所述推送端的第一用户的特征数据输入所述第二目标用户预测模型中，获取所述第二目标用户预测模型输出的每个用户的目标概率值，根据目标概率值从高到低选择新的目标用户，作为下一轮广告投放的目标用户。

在该实施例中，所述步骤S510：根据已推送用户的反馈信息训练第二目标用户预测模型，包括如下步骤：

从所述推送端的用户特征数据库获取所述已推送用户的特征数据，加入第二训练集，在所述已推送用户的特征数据较少的情况下，所述第二训练集中还可以进一步包括所述步骤S200中得到的重合用户的特征数据，通过增加的已推送用户的特征数据进行模型优化训练，在所述已推送用户的特征数据足够多的情况下，所述第二训练集中可以只包括所述已推送用户的特征数据，完全基于真实投放场景数据重新训练模型；

根据所述已推送用户的反馈信息对所述第二训练集中的特征数据添加正负样本标记，例如，一个用户的反馈信息为已接受广告内容，则该用户的特征数据为正样本，一个用户的反馈信息为未接受广告内容，则该用户的特征数据为负样本；

采用所述第二训练集训练第二目标用户预测模型，所述第二目标用户预测模型可以采用与第一目标用户预测模型相同类型的模型，例如上述的LightGBM、决策树、随机森林等二分类模型。所述第二目标用户预测模型可以是采用第二训练集在第一目标用户预测模型的基础上训练得到的优化目标用户预测模型，也可以是采用第二训练集重新训练的一个目标用户预测模型。

进一步地，根据所述已推送用户的反馈信息对所述第二训练集中的特征数据添加正负样本标记，包括如下步骤：

根据所述商户端的正向反馈划分规则，确定所述已推送用户的反馈信息属于正向反馈还是负向反馈，对所述第二训练集中的所对应的特征数据进行正负样本标记。

此处，所述商户端的正向反馈划分规则即为标识用户的反馈信息是正向反馈还是负向反馈的判断规则，例如，对于一个商户端来说，其定义用户点击广告为接受广告，则在接收到一个用户的点击操作时，将该用户的反馈信息作为正向反馈，该用户的特征数据作为正样本，在未接收到一个用户的点击操作时，将该用户的反馈信息作为负向反馈，该用户的特征数据作为负样本。又例如，对于另一个商户端来说，其定义用户购买广告产品为接受广告，则只有接收到用户的购买数据，才将该用户的反馈信息作为正向反馈，该用户的特征数据作为正样本。

如图3所示，在该实施例中，还可以进一步控制模型切换的时间，即只有第二目标用户预测模型的预测效果比第一目标用户预测模型的预测效果好了才切换到第二目标用户预测模型，否则继续采用第一目标用户预测模型。对所述预测效果的对比可以采用广告流量切分的方式，即将广告流量切分成两部分，一部分通过第一目标用户预测模型选择第一目标用户，另一部分通过第二目标用户预测模型选择第二目标用户。

具体地，所述步骤S510：根据已推送用户的反馈信息训练第二目标用户预测模型之后，还包括如下步骤：

S511：分别采用所述第一目标用户预测模型和所述第二目标用户预测模型在所述推送端的第一用户中选择第一目标用户和第二目标用户；

所述推送端配置为将广告流量在所述第一目标用户和所述第二目标用户之间进行分配，例如，一共推送1000个用户的广告，采用所述第一目标用户预测模型选择800个第一目标用户，采用所述第二目标用户预测模型选择200个第二目标用户；

S512：在所述推送端分别向所述第一目标用户和所述第二目标用户推送广告之后，从所述用户终端获取已推送用户的反馈信息，此处已推送用户指的是步骤S511中选择的第一目标用户和第二目标用户；

S513：根据所述第一目标用户的反馈信息确定所述第一目标用户预测模型的第一预测效果，并根据所述第二目标用户的反馈信息确定所述第二目标用户预测模型的第二预测效果；

S514：比较所述第一预测效果和所述第二预测效果；

所述第一预测效果可以采用第一目标用户中正向反馈用户数量和第一目标用户总数量的比值来表征，第二预测效果可以采用第二目标用户中正向反馈用户数量和第二目标用户总数量的比值来表征。

如果所述第一预测效果优于所述第二预测效果，则继续所述步骤S400，即继续选择所述第一目标用户预测模型从所述第一用户中选择后续新的目标用户，并且在所述推送端向新的目标用户推送广告后，可以继续步骤S510，获取最新的反馈信息，并优化训练所述第二目标用户预测模型；

如果所述第二预测效果优于所述第一预测效果，则继续所述步骤S520，即选择所述第二目标用户预测模型从所述第一用户中选择后续新的目标用户，并且在所述推送端向新的目标用户推送广告后，可以继续步骤S510，获取最新的反馈信息，并不断优化训练所述第二目标用户预测模型。

在其他可替代的实施方式中，如果所述第二预测效果优于所述第一预测效果，也可以逐渐将流量切换到第二目标用户预测模型中，即增大第二目标用户在所有目标用户之间的比例，例如，一共推送1000个用户的广告，采用所述第一目标用户预测模型选择200个第一目标用户，采用所述第二目标用户预测模型选择800个第二目标用户，到第二预测效果达到预设标准(例如第二目标用户中正向反馈用户数量和第二目标用户总数量的比值高于预设阈值)之后，再将所有的流量都切换到第二目标用户预测模型中。

如图4所示，本发明实施例还提供一种目标用户选择系统，用于实现所述的目标用户选择方法，所述系统包括：

需求接收模块M100，用于接收到商户端的广告推送需求信息；

用户匹配模块M200，用于根据推送端的第一用户的标识信息和所述商户端的第二用户的标识信息的匹配结果，确定所述第一用户和所述第二用户的重合用户；

模型训练模块M300，用于根据所述重合用户训练第一目标用户预测模型；

用户选择模块M400，用于采用所述第一目标用户预测模型在所述推送端的第一用户中选择目标用户。

该实施例的目标用户选择系统中，首先通过需求接收模块M100接收到商户端发送的广告推送需求信息，然后通过用户匹配模块M200根据商户端和推送端的用户匹配寻找到重合用户，此重合用户即为最符合商户端需求的种子用户，然后通过模型训练模块M300根据种子用户训练目标用户预测模型，并采用用户选择模块M400基于目标用户预测模型在推送端的第一用户中进行目标用户选择，从而实现种子用户的人群扩展。由于用户选择模块M400得到的目标用户与种子用户之间具有较高的相似度，可以保证广告推送给与商户端的广告推送需求最匹配的用户，提高了广告推送时目标用户选择的精准度，从而提高了广告投放流量的利用效率。

本发明的目标用户选择系统中，各个模块的功能均可以采用上述目标用户选择方法中各个步骤的具体实施方式来实现，具体地，需求接收模块M100可以采用上述步骤S100的具体实施方式来接收广告推送需求信息，用户匹配模块M200可以采用上述步骤S200的具体实施方式得到重合用户，模型训练模块M300可以采用上述步骤S300的具体实施方式得到目标用户预测模型，用户选择模块M400可以采用上述步骤S400的具体实施方式来选择目标用户。

进一步地，在该实施例中，所述模型训练模块M300还可以用于在所述推送端向所述目标用户的用户终端推送广告信息之后，从所述用户终端获取已推送用户的反馈信息，根据已推送用户的反馈信息训练第二目标用户预测模型，在该实施例中，所述第二目标用户预测模型的输入为用户的特征数据，输出为用户的目标概率值。

所述用户选择模块M400还可以用于采用所述第二目标用户预测模型在所述推送端的第一用户中选择目标用户。

进一步地，所述用户选择模块M400还可以采用上述步骤S511～S514的方法来进行第一目标用户预测模型和第二目标用户预测模型的预测效果之间的比较，从而来确定所述第一目标用户预测模型和第二目标用户预测模型的流量切分，并且在第二目标用户预测模型的第二预测效果达到预设标准时，完全采用所述第二目标用户预测模型在所述推送端的第一用户中选择目标用户。

本发明实施例还提供一种目标用户选择设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的目标用户选择方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。

下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述目标用户选择方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的目标用户选择方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上执行时，所述程序代码用于使所述终端设备执行本说明书上述目标用户选择方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上执行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，本发明提供了一种更高效的目标用户选择方法、系统、设备及存储介质，通过根据商户端和推送端的用户匹配寻找到种子用户，然后根据种子用户采用目标用户预测模型进行人群扩展，从而获得目标用户，由于目标用户与种子用户之间具有较高的相似度，提高了广告推送时目标用户选择的精准度，从而提高了广告投放流量的利用效率。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (11)

1.一种目标用户选择方法，其特征在于，包括如下步骤：

接收到商户端的广告推送需求信息；

根据推送端的第一用户的标识信息和所述商户端的第二用户的标识信息的匹配结果，确定所述第一用户和所述第二用户的重合用户；

根据所述重合用户训练第一目标用户预测模型；

采用所述第一目标用户预测模型在所述推送端的第一用户中选择目标用户。

2.根据权利要求1所述的目标用户选择方法，其特征在于，根据所述推送端的第一用户的标识信息和所述商户端的第二用户的标识信息的匹配结果，确定所述第一用户和所述第二用户的重合用户，包括如下步骤：

生成商户用户匹配请求并推送至第三方平台，所述商户用户匹配请求包括推送端信息和商户端信息，所述第三方平台配置为根据所述商户用户匹配请求，获取所述推送端的第一用户的标识信息和所述商户端的第二用户的标识信息，并进行匹配；

从所述第三方平台获取匹配结果，确定所述第一用户和所述第二用户的重合用户。

3.根据权利要求1所述的目标用户选择方法，其特征在于，所述确定所述第一用户和所述第二用户的重合用户之后，还包括确定所述重合用户的目标用户标签；

根据所述重合用户训练目标用户预测模型，包括如下步骤：

从所述推送端的用户特征数据库获取所述重合用户的特征数据，加入第一训练集；

根据所述重合用户所对应的目标用户标签，确定所述重合用户属于正样本还是负样本，对所述第一训练集中的特征数据进行正负样本标记；

采用所述第一训练集训练第一目标用户预测模型。

4.根据权利要求1所述的目标用户选择方法，其特征在于，采用所述第一目标用户预测模型在所述推送端的第一用户中选择目标用户，包括如下步骤：

从所述推送端的用户数据库中获取第一用户的特征数据并输入所述第一目标用户预测模型，得到所述第一目标用户预测模型输出的每个所述第一用户的目标概率值；

选择目标概率值最高的至少一个第一用户作为目标用户。

5.根据权利要求1所述的目标用户选择方法，其特征在于，所述选择目标概率值最高的至少一个第一用户作为目标用户之后，还包括如下步骤：

在所述推送端向所述目标用户的用户终端推送广告信息之后，从所述用户终端获取已推送用户的反馈信息，根据已推送用户的反馈信息训练第二目标用户预测模型；

采用所述第二目标用户预测模型在所述推送端的第一用户中选择新的目标用户。

6.根据权利要求5所述的目标用户选择方法，其特征在于，所述第二目标用户预测模型的输入为用户的特征数据，输出为用户的目标概率值；

所述根据已推送用户的反馈信息训练第二目标用户预测模型，包括如下步骤：

从所述推送端的用户特征数据库获取所述已推送用户的特征数据，加入第二训练集；

根据所述已推送用户的反馈信息对所述第二训练集中的特征数据添加正负样本标记；

采用所述第二训练集训练第二目标用户预测模型。

7.根据权利要求6所述的目标用户选择方法，其特征在于，根据所述已推送用户的反馈信息对所述第二训练集中的特征数据添加正负样本标记，包括如下步骤：

根据所述商户端的正向反馈划分规则，确定所述已推送用户的反馈信息属于正向反馈还是负向反馈，对所述第二训练集中的所对应的特征数据进行正负样本标记。

8.根据权利要求6所述的目标用户选择方法，其特征在于，所述根据已推送用户的反馈信息训练第二目标用户预测模型之后，还包括如下步骤：

分别采用所述第一目标用户预测模型和所述第二目标用户预测模型在所述推送端的第一用户中选择第一目标用户和第二目标用户；

在所述推送端分别向所述第一目标用户和所述第二目标用户推送广告之后，从所述用户终端获取已推送用户的反馈信息；

根据所述第一目标用户的反馈信息确定所述第一目标用户预测模型的第一预测效果，并根据所述第二目标用户的反馈信息确定所述第二目标用户预测模型的第二预测效果；

选择较优的预测结果所对应的目标用户预测模型作为后续选择新的目标用户时所采用的模型。

9.一种目标用户选择系统，用于实现权利要求1至8中任一项所述的目标用户选择方法，其特征在于，所述系统包括：

需求接收模块，用于接收到商户端的广告推送需求信息；

用户匹配模块，用于根据推送端的第一用户的标识信息和所述商户端的第二用户的标识信息的匹配结果，确定所述第一用户和所述第二用户的重合用户；

模型训练模块，用于根据所述重合用户训练第一目标用户预测模型；

用户选择模块，用于采用所述第一目标用户预测模型在所述推送端的第一用户中选择目标用户。

10.一种目标用户选择设备，其特征在于，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至8中任一项所述的目标用户选择方法的步骤。

11.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至8中任一项所述的目标用户选择方法的步骤。

Images