CN114117200A - 一种提升用户转化率的资源展示方法、系统和电子设备 - Google Patents
一种提升用户转化率的资源展示方法、系统和电子设备 Download PDFInfo
- Publication number
- CN114117200A CN114117200A CN202111236802.9A CN202111236802A CN114117200A CN 114117200 A CN114117200 A CN 114117200A CN 202111236802 A CN202111236802 A CN 202111236802A CN 114117200 A CN114117200 A CN 114117200A
- Authority
- CN
- China
- Prior art keywords
- resource
- user
- selection data
- data
- matched
- 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.)
- Withdrawn
Links
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明提供了一种提升用户转化率的资源展示方法、系统和电子设备。该方法包括:获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源;获取用户关于第一资源的预选择数据,基于所述预选择数据确定待选的第一资源,并根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源;向用户展示待选的第一资源以及匹配的第二资源。本发明通过用户的基本信息为用户推荐第一资源,根据用户对第一资源的选择情况推荐相应的第二资源,大大提高了第二资源与用户的匹配程度,而且同时展示两种资源,缩短了引导路径,提升了用户转化率。
Description
技术领域
本发明涉及互联网领域,具体而言,涉及一种提升用户转化率的资源展示方法、系统和电子设备。
背景技术
随着互联网、智能手机及5G技术的快速发展,互联网企业能够为用户提供的资源越来越多,这里所称的资源是指任何可被利用的物质、信息、金钱、时间等。
多数资源都分为免费资源和付费资源。对于用户而言,通常会选用免费资源使用,而互联网企业更希望更多的用户使用付费资源。
目前在给用户推荐付费资源时,常常存在推荐的资源与用户的实际需求不匹配的,用户使用的意愿不高。而通过免费资源引导用户使用付费资源的路径过长,导致用户的转化率不高。
发明内容
为了进一步解决用户使用付费资源医院不高,通过免费资源转化为付费资源的转化率低的问题,本发明第一方面提出一种提升用户转化率的资源展示方法,包括:
获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源;
获取用户关于第一资源的预选择数据,基于所述预选择数据确定待选的第一资源,并根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源;
向用户展示待选的第一资源以及匹配的第二资源。
优选地,所述第一资源为免费资源,所述第二资源为付费资源。
优选地,获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源具体包括:
所述用户的基本信息包括用户的身份信息和联系人信息;
将所述用户的基本信息输入第一资源匹配模型,从所述资源平台检索匹配的第一资源,并向用户展示所述第一资源。
优选地,获取用户关于第一资源的预选择数据具体包括:
所述预选择数据包括用户的浏览数据和/或选择数据;
所述浏览数据包括用户浏览所述资源平台展示的第一资源的相关信息及浏览时长;
所述选择数据包括用户选择的第一资源的相关信息。
优选地,基于所述预选择数据确定待选的第一资源具体包括:
当不存在选择数据时,基于预选择数据中的所述浏览数据从所述资源平台确定待选的第一资源;
当存在选择数据时,基于预选择数据中的选择数据从所述资源平台确定待选的第一资源优选地,基于所述预选择数据确定待选的第一资源具体包括:
当存在选择数据时,预先设置浏览数据和选择数据的权重,根据所述权重和预选择数据中的浏览数据和选择数据从所述资源平台确定待选的第一资源。
优选地,根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源具体包括:
将所述待选的第一资源的相关信息输入第二资源匹配模型,从所述资源平台确定第二资源。
优选地,向用户展示待选的第一资源以及匹配的第二资源具体包括:
在显示页面对比展示所述待选的第一资源及匹配的第二资源,并突出显示所述待选的第一资源及匹配的第二资源的区别内容。
本发明第二方面提出一种提升用户转化率的资源展示系统,用于资源平台向用户推荐展示资源,包括:
获取模块,用于获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源;
匹配模块,用于获取用户关于第一资源的预选择数据,基于所述预选择数据确定待选的第一资源,并根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源;
展示模块,用于向用户展示待选的第一资源以及匹配的第二资源。
优选地,所述第一资源为免费资源,所述第二资源为付费资源。
优选地,获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源具体包括:
所述用户的基本信息包括用户的身份信息和联系人信息;
将所述用户的基本信息输入第一资源匹配模型,从所述资源平台检索匹配的第一资源,并向用户展示所述第一资源。
优选地,获取用户关于第一资源的预选择数据具体包括:
所述预选择数据包括用户的浏览数据和/或选择数据;
所述浏览数据包括用户浏览所述资源平台展示的第一资源的相关信息及浏览时长;
所述选择数据包括用户选择的第一资源的相关信息。
优选地,基于所述预选择数据确定待选的第一资源具体包括:
当不存在选择数据时,基于预选择数据中的所述浏览数据从所述资源平台确定待选的第一资源;
当存在选择数据时,基于预选择数据中的选择数据从所述资源平台确定待选的第一资源。
优选地,基于所述预选择数据确定待选的第一资源具体包括:
当存在选择数据时,预先设置浏览数据和选择数据的权重,根据所述权重和预选择数据中的浏览数据和选择数据从所述资源平台确定待选的第一资源。
优选地,根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源具体包括:
将所述待选的第一资源的相关信息输入第二资源匹配模型,从所述资源平台确定第二资源。
优选地,显示模块还包括:
在显示页面对比展示所述待选的第一资源及匹配的第二资源,并突出显示所述待选的第一资源及匹配的第二资源的区别内容。
本发明第三方面提出一种电子设备,其中,该电子设备包括:处理器;以及,存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述的资源展示方法。
本发明第四方面提出一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现所述的资源展示方法。
有益效果
与现有技术相比,本发明通过用户的基本信息为用户推荐第一资源,根据用户对第一资源的选择情况推荐相应的第二资源,大大提高了第二资源与用户的匹配程度,而且同时展示两种资源,缩短了引导路径,提升了用户转化率。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明本发明示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是本发明实施例中提升用户转化率的资源展示方法的流程示意图;
图2是本发明实施例中提升用户转化率的资源展示装置的结构示意图;
图3是根据本发明的一种电子设备的示例性实施例的结构框图。
图4是根据本发明的计算机可读介质的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,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。
应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如,第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
鉴于上述问题,本发明提供了一种提升用户转化率的资源展示方法。需要说明的是,在本发明中,资源平台是一种基于网络架构的平台,并且是一个具有数据存储与处理的系统。其中,资源是指任何可被利用的物质、信息、时间,信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。
图1是本发明一种提升用户转化率的资源展示方法的流程图,如图1所示,本发明方法具有如下步骤:
S101、获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源。
在上述技术方案的基础上进一步地,所述第一资源为免费资源,所述第二资源为付费资源。
在本实施方式中,第一资源和第二资源为保障性资源,资源平台设置有资源库,资源库中存储有多种类型的第一资源,第二资源,不用类型的资源针对用户不同的需求,根据用户的年龄、健康、收入等情况提供不同的第一资源、第二资源。
在上述技术方案的基础上进一步地,获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源具体包括:
所述用户的基本信息包括用户的身份信息和联系人信息;
将所述用户的基本信息输入第一资源匹配模型,从所述资源平台检索匹配的第一资源,并向用户展示所述第一资源。
在本实施方式中,用户的基本信息包括用户的年龄、身高、健康、收入、学历等信息。联系人信息包括联系人的通讯录信息、联系人身份信息、通话频率、通话时长以及第一资源、第二资源的使用情况。第一资源、第二资源的使用情况包括已使用时间,资源种类以及付费情况。
在本实施方式中根据用户的联系人信息构建用户的关系图谱,联系人的通话频率和通话时长决定关系图谱中联系人与用户的距离。
将关系图谱输入第一资源匹配模型。通过用户的联系人为用户筛选接近用户实际需求的第一资源。
所述第一资源匹配模型为图神经网络模型。在机器学习领域,通常接触的是基于深度学习的神经网络模型,比如卷积神经网络(CNN)、长短期记忆(LSTM)和自动编码器等等。这些算法是通过提取欧氏空间数据的特征进行计算获得最终结果,但在实际应用中很多场景的数据是从非欧式空间生成的,比如本方案中用户的联系人关系图谱,包括多个节点,每个节点都有不同数量的相邻的节点。此时使用卷积神经网络(CNN)、长短期记忆(LSTM)和自动编码器等等基于深度学习的神经网络模型已经不能够很好的应对和计算。图神经网络模型就是为了解决这种问题而使用的用于处理图数据的神经网络结构。在图神经网络中主要包括图卷积网络、图注意力网络、图自编码器、图生成网络和图时空网络五种网络模型。
在本实施方式中,使用的图神经网络模型为图卷积网络模型,至少包括图卷积层、图池化层以及输出层,图卷积层从邻域聚合特征信息,当图卷积网络的算法在节点层次运行时,图池化层可以与图卷积层交错,将图粗化为高级子结构,在输出层输出各个节点的图向量。第一资源匹配模型输出第一资源概率值,根据第一资源概率值从资源平台为用户选取匹配的第一资源向用户推荐。
S102、获取用户关于第一资源的预选择数据,基于所述预选择数据确定待选的第一资源,并根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源。
在上述技术方案的基础上进一步地,获取用户关于第一资源的预选择数据具体包括:
所述预选择数据包括用户的浏览数据和/或选择数据;
所述浏览数据包括用户浏览所述资源平台展示的第一资源的相关信息及浏览时长;
所述选择数据包括用户选择的第一资源的相关信息。
在本实施例中,用户选择的第一资源的相关信息可以是第一资源的资源种类或者预设的内容信息,具体的,比如,用户预先选择了一些资源种类,而用户更想要知晓这些资源种类的资源的情况,此时根据用户的需求为用户推荐资源;而预设的内容信息就是用户设定的固定内容,相较于资源种类,用户给出了更具体的要求,即资源中包括该内容信息才需要该资源,保证推荐出的内容更符合用户的需求。
在本实施方式中,资源平台向用户推荐第一资源后,用户会根据自己需求或兴趣选取具体的第一资源进行浏览,对自己确实需要的第一资源会进行点选操作,点选操作包括放入购物车中、加入收藏、打标签等选择操作。
在本实施方式中,在资源展示页面设置打点字段,通过打点字段获取用户的浏览数据和/或选择数据。
在本实施例中,根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源,包括:获取所述待选的第一资源的资源种类,从资源平台中选择与所述资源种类对应的资源作为所述第二资源。
在上述技术方案的基础上进一步地,从资源平台中选择与所述资源种类对应的资源,作为待选资源,并获取各个所述待选资源的用户浏览量,按所述用户浏览量从大至小的顺序对所述待选资源进行排序,并将排名前预设名次的所述待选资源作为所述第二资源。
进一步的,根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源,还可以从第一资源和资源平台内的资源的相关度来得到,比如欧式距离、余弦值相似度、语义相似度、或者资源内容相似度等方式计算第一资源和各个资源的相关度,将相关度较高的资源作为第二资源。
在本实施例中,根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源,包括:获取用户在所述资源平台上对各个资源的资源访问记录,基于所述资源的资源种类,对资源访问记录中用户访问过的资源进行分组,组成资源组;基于所述资源访问记录,获取每组资源组的总访问次数;将总访问次数最大的所述资源组中的资源作为第二资源。
在上述技术方案的基础上进一步地,对资源访问记录中用户访问过的资源进行分组可以通过常规的聚类算法进行,本方案对此不做特别限定。
在上述技术方案的基础上进一步地,每组资源组的总访问次数可以通过将资源组中各个资源的访问次数进行累加得到。
在本实施例中,通过对用户访问过的资源按资源种类进行划分,得到资源组,并进一步确定用户经常访问的资源组,即用户更关心的资源种类,将用户更关心的资源种类对应的资源作为第二资源向用户展示,使得所展示的资源更符合用户的使用需求。
在本实施例中,根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源,包括:
获取所述待选的第一资源的资源种类,从资源平台中选择与所述资源种类对应的资源作为第一待选资源,并对所述第一待选资源添加第一预设权重分;
获取用户在所述资源平台上访问过的资源作为第二待选资源,并获取所述用户对各个所述第二待选资源的访问次数,根据所述访问次数对对应的所述第二待选资源添加第二预设权重分,访问次数与所述第二预设权重分呈正比;
将所述资源平台上的各个资源的第一预设权重分和第二预设权重分相加得到总权重值;
将总权重值大于预设阈值的所述资源作为所述第二资源,或者,将总权重值进行排序,将预设个数总权重值的数值较大的资源作为第二资源。
在本实施例中,本方案中一方面根据待选的第一资源为相符合的资源添加权重分,另一方面又根据用户的浏览记录为用户所关注到的资源添加权重分,综合两项得到用户对于各个资源的总权重值,总权重值可以从侧面用于确定用户的需求情况,此时为用户推荐总权重值较高的资源,进一步保证推荐的资源符合用户的需求,提高用户的转化率。
在上述技术方案的基础上进一步地,基于所述预选择数据确定待选的第一资源具体包括:
当不存在选择数据时,基于预选择数据中的所述浏览数据从所述资源平台确定待选的第一资源。
在本实施方式中,如果用户只有浏览行为而无点选操作,则根据用户浏览时长确定用户最关心的一种或多种第一资源种类,然后基于用户的基本信息使用基于深度学习的TextCNN模型从资源平台匹配待选的第一资源。
在上述技术方案的基础上进一步地,基于所述预选择数据确定待选的第一资源具体包括:
当存在选择数据时,基于预选择数据中的选择数据从所述资源平台确定待选的第一资源。
在上述技术方案的基础上进一步地,基于所述预选择数据确定待选的第一资源具体包括:
当存在选择数据时,基于预选择数据中的浏览数据和选择数据从所述资源平台确定待选的第一资源。
在本实施方式中,选择数据更能体现用户的真实意图,因此可以根据选择数据来确定用户最关心的一种或多种第一资源种类,如果同时参考浏览数据和选择数据,则预先设置两者的权重值,选择数据的权重高于浏览数据的权重,通过计算确定用户最关心的一种或多种第一资源种类,然后基于用户的基本信息使用基于深度学习的TextCNN模型从资源平台匹配待选的第一资源。
在上述技术方案的基础上进一步地,据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源具体包括:
将所述待选的第一资源的相关信息输入第二资源匹配模型,从所述资源平台确定第二资源。
在本实施方式中,通过第一资源匹配第二资源,主要通过两者的语义相似度进行匹配,因此第二资源匹配模型为双向长短时期记忆网络模型。双向长短时期记忆网络模型是循环神经网络的一种,能够更好的对语句的前后词进行考虑,比如“我不觉得今天天气好”,其中“不”是对后面的“天气好”进行限定,表示对天气好的否定,采用双向长短时期记忆网络模型可以更好的捕捉到较长距离的依赖关系,而且双向长短时期记忆网络模型还可以顾及到后面的词对前面的词的限定,比如“今天的天气冷的不行”,其中“不行”是“冷”的修饰和限定。
在本实施方式中,先使用训练集对双向长短时期记忆网络模型进行训练,直至双向长短时期记忆网络模型收敛或者已经达到预期的效果时结束训练。然后使用校验集对双向长短时期记忆网络模型进行校验,如果通过验证则双向长短时期记忆网络模型构训练完成。
在本实施方式中,双向长短时期记忆网络模型包括编码层、匹配层和输出层。编码层用于将输入的句子转化为句向量。匹配层用于句向量之间的匹配计算,采用余弦算法计算第一资源的句向量与第二资源的句向量之间的匹配度。输出层用于输出最终匹配度。设置匹配度阈值,如果超过阈值则通过匹配计算,确定为与待选的第一资源匹配的第二资源。
S103、向用户展示待选的第一资源以及匹配的第二资源。
在上述技术方案的基础上进一步地,向用户展示待选的第一资源以及匹配的第二资源具体包括:
在显示页面对比展示所述待选的第一资源及匹配的第二资源,并突出显示所述待选的第一资源及匹配的第二资源的区别内容。
在本实施方式中,为了突出第二资源的优势,将第一资源及匹配的第二资源同步展示,高亮或突出显示第二资源中存在区别的部分,让用户能够更加简单明了的了解第二资源的优势,提升用户使用第二资源的概率。
在本实施方式中,显示页面对比展示第一资源及匹配的第二资源后,还包括确认激活的步骤,保证用户操作的安全性。如果用户未选择第二资源,仅选择第一资源,则在用户确认激活的步骤中再次展示匹配的第二资源的内容和优势,强化宣传效果,提升用户选择第二资源的概率。
在技术方案中,先确定与用户实际需求接近的第一资源,再通过第一资源匹配相应的第二资源,大大提升了第二资源与用户实际需求的近似度,能够很好的提升用户的转化率。
图2是本发明实施例中提升用户转化率的资源展示系统的结构示意图,如图2所示,本发明提供一种提升用户转化率的资源展示系统的结构示意图200,包括:
获取模块201,用于获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源。
在上述技术方案的基础上进一步地,所述第一资源为免费资源,所述第二资源为付费资源。
在本实施方式中,第一资源和第二资源为保障性资源,资源平台设置有资源库,资源库中存储有多种类型的第一资源,第二资源,不用类型的资源针对用户不同的需求,根据用户的年龄、健康、收入等情况提供不同的第一资源、第二资源。
在上述技术方案的基础上进一步地,获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源具体包括:
所述用户的基本信息包括用户的身份信息和联系人信息;
将所述用户的基本信息输入第一资源匹配模型,从所述资源平台检索匹配的第一资源,并向用户展示所述第一资源。
在本实施方式中,用户的基本信息包括用户的年龄、身高、健康、收入、学历等信息。联系人信息包括联系人的通讯录信息、联系人身份信息、通话频率、通话时长以及第一资源、第二资源的使用情况。第一资源、第二资源的使用情况包括已使用时间,资源种类以及付费情况。
在本实施方式中根据用户的联系人信息构建用户的关系图谱,联系人的通话频率和通话时长决定关系图谱中联系人与用户的距离。
将关系图谱输入第一资源匹配模型。通过用户的联系人为用户筛选接近用户实际需求的第一资源。
所述第一资源匹配模型为图神经网络模型。在机器学习领域,通常接触的是基于深度学习的神经网络模型,比如卷积神经网络(CNN)、长短期记忆(LSTM)和自动编码器等等。这些算法是通过提取欧氏空间数据的特征进行计算获得最终结果,但在实际应用中很多场景的数据是从非欧式空间生成的,比如本方案中用户的联系人关系图谱,包括多个节点,每个节点都有不同数量的相邻的节点。此时使用卷积神经网络(CNN)、长短期记忆(LSTM)和自动编码器等等基于深度学习的神经网络模型已经不能够很好的应对和计算。图神经网络模型就是为了解决这种问题而使用的用于处理图数据的神经网络结构。在图神经网络中主要包括图卷积网络、图注意力网络、图自编码器、图生成网络和图时空网络五种网络模型。
在本实施方式中,使用的图神经网络模型为图卷积网络模型,至少包括图卷积层、图池化层以及输出层,图卷积层从邻域聚合特征信息,当图卷积网络的算法在节点层次运行时,图池化层可以与图卷积层交错,将图粗化为高级子结构,在输出层输出各个节点的图向量。第一资源匹配模型输出第一资源概率值,根据第一资源概率值从资源平台为用户选取匹配的第一资源向用户推荐。
匹配模块202,用于获取用户关于第一资源的预选择数据,基于所述预选择数据确定待选的第一资源,并根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源。
在上述技术方案的基础上进一步地,获取用户关于第一资源的预选择数据具体包括:
所述预选择数据包括用户的浏览数据和/或选择数据;
所述浏览数据包括用户浏览所述资源平台展示的第一资源的相关信息及浏览时长;
所述选择数据包括用户选择的第一资源的相关信息。
在本实施方式中,资源平台向用户推荐第一资源后,用户会根据自己需求或兴趣选取具体的第一资源进行浏览,对自己确实需要的第一资源会进行点选操作,比如放入购物车中。
在本实施方式中,在资源展示页面设置打点字段,通过打点字段获取用户的浏览数据和/或选择数据。
在本实施例中,根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源,包括:获取所述待选的第一资源的资源种类,从资源平台中选择与所述资源种类对应的资源作为所述第二资源。
在上述技术方案的基础上进一步地,从资源平台中选择与所述资源种类对应的资源,作为待选资源,并获取各个所述待选资源的用户浏览量,按所述用户浏览量从大至小的顺序对所述待选资源进行排序,并将排名前预设名次的所述待选资源作为所述第二资源。
进一步的,根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源,还可以从第一资源和资源平台内的资源的相关度来得到,比如欧式距离、余弦值相似度、语义相似度、或者资源内容相似度等方式计算第一资源和各个资源的相关度,将相关度较高的资源作为第二资源。
在本实施例中,根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源,包括:获取用户在所述资源平台上对各个资源的资源访问记录,基于所述资源的资源种类,对资源访问记录中用户访问过的资源进行分组,组成资源组;基于所述资源访问记录,获取每组资源组的总访问次数;将总访问次数最大的所述资源组中的资源作为第二资源。
在上述技术方案的基础上进一步地,对资源访问记录中用户访问过的资源进行分组可以通过常规的聚类算法进行,本方案对此不做特别限定。
在上述技术方案的基础上进一步地,每组资源组的总访问次数可以通过将资源组中各个资源的访问次数进行累加得到。
在本实施例中,通过对用户访问过的资源按资源种类进行划分,得到资源组,并进一步确定用户经常访问的资源组,即用户更关心的资源种类,将用户更关心的资源种类对应的资源作为第二资源向用户展示,使得所展示的资源更符合用户的使用需求。
在上述技术方案的基础上进一步地,基于所述预选择数据确定待选的第一资源具体包括:
当不存在选择数据时,基于预选择数据中的所述浏览数据从所述资源平台确定待选的第一资源。
在本实施方式中,如果用户只有浏览行为而无点选操作,则根据用户浏览时长确定用户最关心的一种或多种第一资源种类,然后基于用户的基本信息使用基于深度学习的TextCNN模型从资源平台匹配待选的第一资源。
在上述技术方案的基础上进一步地,基于所述预选择数据确定待选的第一资源具体包括:
当存在选择数据时,基于预选择数据中的选择数据从所述资源平台确定待选的第一资源。
在上述技术方案的基础上进一步地,基于所述预选择数据确定待选的第一资源具体包括:
当存在选择数据时,基于预选择数据中的浏览数据和选择数据从所述资源平台确定待选的第一资源。
在本实施方式中,选择数据更能体现用户的真实意图,因此可以根据选择数据来确定用户最关心的一种或多种第一资源种类,如果同时参考浏览数据和选择数据,则预先设置两者的权重值,选择数据的权重高于浏览数据的权重,通过计算确定用户最关心的一种或多种第一资源种类,然后基于用户的基本信息使用基于深度学习的TextCNN模型从资源平台匹配待选的第一资源。
在上述技术方案的基础上进一步地,据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源具体包括:
将所述待选的第一资源的相关信息输入第二资源匹配模型,从所述资源平台确定第二资源。
在本实施方式中,通过第一资源匹配第二资源,主要通过两者的语义相似度进行匹配,因此第二资源匹配模型为双向长短时期记忆网络模型。双向长短时期记忆网络模型是循环神经网络的一种,能够更好的对语句的前后词进行考虑,比如“我不觉得今天天气好”,其中“不”是对后面的“天气好”进行限定,表示对天气好的否定,采用双向长短时期记忆网络模型可以更好的捕捉到较长距离的依赖关系,而且双向长短时期记忆网络模型还可以顾及到后面的词对前面的词的限定,比如“今天的天气冷的不行”,其中“不行”是“冷”的修饰和限定。
在本实施方式中,先使用训练集对双向长短时期记忆网络模型进行训练,直至双向长短时期记忆网络模型收敛或者已经达到预期的效果时结束训练。然后使用校验集对双向长短时期记忆网络模型进行校验,如果通过验证则双向长短时期记忆网络模型构训练完成。
在本实施方式中,双向长短时期记忆网络模型包括编码层、匹配层和输出层。编码层用于将输入的句子转化为句向量。匹配层用于句向量之间的匹配计算,采用余弦算法计算第一资源的句向量与第二资源的句向量之间的匹配度。输出层用于输出最终匹配度。设置匹配度阈值,如果超过阈值则通过匹配计算,确定为与待选的第一资源匹配的第二资源。
展示模块203,用于向用户展示待选的第一资源以及匹配的第二资源。
在上述技术方案的基础上进一步地,向用户展示待选的第一资源以及匹配的第二资源具体包括:
在显示页面对比展示所述待选的第一资源及匹配的第二资源,并突出显示所述待选的第一资源及匹配的第二资源的区别内容。
在本实施方式中,为了突出第二资源的优势,将第一资源及匹配的第二资源同步展示,高亮或突出显示第二资源中存在区别的部分,让用户能够更加简单明了的了解第二资源的优势,提升用户使用第二资源的概率。
在本实施方式中,显示页面对比展示第一资源及匹配的第二资源后,还包括确认激活的步骤,保证用户操作的安全性。如果用户未选择第二资源,仅选择第一资源,则在用户确认激活的步骤中再次展示匹配的第二资源的内容和优势,强化宣传效果,提升用户选择第二资源的概率。
在技术方案中,先确定与用户实际需求接近的第一资源,再通过第一资源匹配相应的第二资源,大大提升了第二资源与用户实际需求的近似度,能够很好的提升用户的转化率。
如图3所示,本发明的一个实施例中还公开一种电子设备,图3显示的一种电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
一种电子设备300,包括存储单元320,用于存储计算机可执行程序;处理单元310,用于读取所述存储单元中的计算机可执行程序,以执行本发明各种实施方式的步骤。
在本实施方式中电子设备300还包括,连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
其中,所述存储单元320存储有计算机可读程序,其可以是源程序或都只读程序的代码。所述程序可以被处理单元310执行,使得所述处理单元310执行本发明各种实施方式的步骤。例如,所述处理单元310可以执行如图1所示的步骤。
所述存储单元320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)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205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330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300也可以与一个或多个外部设备370(例如键盘、显示器、网络设备、蓝牙设备等)通信,使得用户能经由这些外部设备370通过输入/输出(I/O)接口350进行与处理单元310进行交互,还可以通过网络适配器360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)进行。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白,尽管图中未示出,电子设备300中可使用其它硬件和/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。
图4是本发明的一个计算机可读介质实施例的示意图。如图4所示,所述计算机程序可以存储于一个或多个计算机可读介质上。计算机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、随机存取存储单元(RAM)、只读存储单元(ROM)、可擦式可编程只读存储单元(EPROM或闪存)、光纤、便携式紧凑盘只读存储单元(CD-ROM)、光存储单元件、磁存储单元件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:
S101、获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源;
S102、获取用户关于第一资源的预选择数据,基于所述预选择数据确定待选的第一资源,并根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源;
S103、向用户展示待选的第一资源以及匹配的第二资源。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
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,本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理单元或者数字信号处理单元(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种提升用户转化率的资源展示方法,用于资源平台向用户推荐展示资源,其特征在于,包括:
获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源;
获取用户关于第一资源的预选择数据,基于所述预选择数据确定待选的第一资源,并根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源;
向用户展示待选的第一资源以及匹配的第二资源。
2.根据权利要求1所述的资源展示方法,其特征在于,获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源具体包括:
所述用户的基本信息包括用户的身份信息和联系人信息;
将所述用户的基本信息输入第一资源匹配模型,从所述资源平台检索匹配的第一资源,并向用户展示所述第一资源。
3.根据权利要求2所述的资源展示方法,其特征在于,获取用户关于第一资源的预选择数据具体包括:
所述预选择数据包括用户的浏览数据和/或选择数据;
所述浏览数据包括用户浏览所述资源平台展示的第一资源的相关信息及浏览时长;
所述选择数据包括用户选择的第一资源的相关信息。
4.根据权利要求3所述的资源展示方法,其特征在于,基于所述预选择数据确定待选的第一资源具体包括:
当不存在选择数据时,基于预选择数据中的所述浏览数据从所述资源平台确定待选的第一资源;
当存在选择数据时,基于预选择数据中的选择数据从所述资源平台确定待选的第一资源。
5.根据权利要求3所述的资源展示方法,其特征在于,基于所述预选择数据确定待选的第一资源具体包括:
当存在选择数据时,预先设置浏览数据和选择数据的权重,根据所述权重和预选择数据中的浏览数据、选择数据从所述资源平台确定待选的第一资源。
6.根据权利要求1-5任一权利要求所述的资源展示方法,其特征在于,根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源具体包括:
将所述待选的第一资源的相关信息输入第二资源匹配模型,从所述资源平台确定第二资源。
7.根据权利要求1-6任一权利要求所述的资源展示方法,其特征在于,向用户展示待选的第一资源以及匹配的第二资源具体包括:
在显示页面对比展示所述待选的第一资源及匹配的第二资源,并突出显示所述待选的第一资源及匹配的第二资源的区别内容。
8.一种提升用户转化率的资源展示系统,用于资源平台向用户推荐展示资源,其特征在于,包括:
获取模块,用于获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源;
匹配模块,用于获取用户关于第一资源的预选择数据,基于所述预选择数据确定待选的第一资源,并根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源;
展示模块,用于向用户展示待选的第一资源以及匹配的第二资源。
9.根据权利要求8所述的资源展示系统,其特征在于,获取用户的基本信息,基于用户的基本信息向用户展示多个第一资源具体包括:
所述用户的基本信息包括用户的身份信息和联系人信息;
将所述用户的基本信息输入第一资源匹配模型,从所述资源平台检索匹配的第一资源,并向用户展示所述第一资源。
10.根据权利要求9所述的资源展示系统,其特征在于,获取用户关于第一资源的预选择数据具体包括:
所述预选择数据包括用户的浏览数据和/或选择数据;
所述浏览数据包括用户浏览所述资源平台展示的第一资源的相关信息及浏览时长;
所述选择数据包括用户选择的第一资源的相关信息。
11.根据权利要求10所述的资源展示系统,其特征在于,基于所述预选择数据确定待选的第一资源具体包括:
当不存在选择数据时,基于预选择数据中的所述浏览数据从所述资源平台确定待选的第一资源;
当存在选择数据时,基于预选择数据中的选择数据从所述资源平台确定待选的第一资源。
12.根据权利要求10所述的资源展示系统,其特征在于,基于所述预选择数据确定待选的第一资源具体包括:
当存在选择数据时,预先设置浏览数据和选择数据的权重,根据所述权重和预选择数据中的浏览数据、选择数据从所述资源平台确定待选的第一资源。
13.根据权利要求8-12任一权利要求所述的资源展示系统,其特征在于,根据待选的第一资源在所述资源平台进行匹配,获得匹配的第二资源具体包括:
将所述待选的第一资源的相关信息输入第二资源匹配模型,从所述资源平台确定第二资源。
14.根据权利要求8-13任一权利要求所述的资源展示系统,其特征在于,显示模块还包括:
在显示页面对比展示所述待选的第一资源及匹配的第二资源,并突出显示所述待选的第一资源及匹配的第二资源的区别内容。
15.一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的资源展示方法。
16.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现权利要求1-7中任一项所述的资源展示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111236802.9A CN114117200A (zh) | 2021-10-23 | 2021-10-23 | 一种提升用户转化率的资源展示方法、系统和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111236802.9A CN114117200A (zh) | 2021-10-23 | 2021-10-23 | 一种提升用户转化率的资源展示方法、系统和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114117200A true CN114117200A (zh) | 2022-03-01 |
Family
ID=80376837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111236802.9A Withdrawn CN114117200A (zh) | 2021-10-23 | 2021-10-23 | 一种提升用户转化率的资源展示方法、系统和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114117200A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115633366A (zh) * | 2022-11-04 | 2023-01-20 | 中国联合网络通信集团有限公司 | 用户离网预测方法、装置及计算机可读存储介质 |
-
2021
- 2021-10-23 CN CN202111236802.9A patent/CN114117200A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115633366A (zh) * | 2022-11-04 | 2023-01-20 | 中国联合网络通信集团有限公司 | 用户离网预测方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110825957B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN107357874B (zh) | 用户分类方法及装置、电子设备、存储介质 | |
CN109871491A (zh) | 论坛帖子推荐方法、系统、设备及存储介质 | |
US11734322B2 (en) | Enhanced intent matching using keyword-based word mover's distance | |
CN111552880A (zh) | 基于知识图谱的数据处理方法、装置、介质及电子设备 | |
CN109447334B (zh) | 货源信息的数据降维方法、装置、电子设备、存储介质 | |
CN111209351B (zh) | 对象关系预测、对象推荐方法及装置、电子设备、介质 | |
CN110796171A (zh) | 机器学习模型的未分类样本处理方法、装置及电子设备 | |
CN111723260A (zh) | 推荐内容的获取方法、装置、电子设备及可读存储介质 | |
CN111598678A (zh) | 基于增量学习的用户金融风险识别方法、装置及电子设备 | |
CN107729473B (zh) | 文章推荐方法及其装置 | |
CN113590945B (zh) | 一种基于用户借阅行为-兴趣预测的图书推荐方法和装置 | |
CN114117200A (zh) | 一种提升用户转化率的资源展示方法、系统和电子设备 | |
CN114065063A (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
CN112100360B (zh) | 一种基于向量检索的对话应答方法、装置和系统 | |
CN113139838A (zh) | 酒店服务评价方法、系统、设备及存储介质 | |
CN113298116A (zh) | 基于注意力权重的图嵌入特征提取方法、装置及电子设备 | |
CN110489563B (zh) | 图结构的表示方法、装置、设备及计算机可读存储介质 | |
CN113094602B (zh) | 酒店推荐方法、系统、设备及介质 | |
CN112328899B (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
CN114897099A (zh) | 基于客群偏差平滑优化的用户分类方法、装置及电子设备 | |
CN115146054A (zh) | 多标签分类方法、装置及可读存储介质 | |
CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
CN113553401A (zh) | 一种文本处理方法、装置、介质和电子设备 | |
CN111695922A (zh) | 潜在用户确定方法及装置、存储介质和电子设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220301 |