CN114549056A - 任务处理方法、装置、电子设备及存储介质 - Google Patents
任务处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114549056A CN114549056A CN202210106914.0A CN202210106914A CN114549056A CN 114549056 A CN114549056 A CN 114549056A CN 202210106914 A CN202210106914 A CN 202210106914A CN 114549056 A CN114549056 A CN 114549056A
- Authority
- CN
- China
- Prior art keywords
- user
- consumption
- probability
- label
- identifying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0222—During e-commerce, i.e. online transactions
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0226—Incentive systems for frequent usage, e.g. frequent flyer miles programs or point systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0253—During e-commerce, i.e. online transactions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种任务处理方法、装置、电子设备及存储介质,涉及人工智能以及信息处理等技术领域。具体实现方案为:基于用户的特征信息,识别用户的消费标签;述消费标签用于标识所述用户针对促销活动的消费敏感度类别;基于所述用户的消费标签,进行相应的任务处理。根据本公开的技术,能够有效地提高任务处理的准确性和任务处理的效率。
Description
技术领域
本公开涉及计算机技术领域,具体涉及人工智能以及信息处理等技术领域,尤其涉及一种任务处理方法、装置、电子设备及存储介质。
背景技术
个性化促销手段在电商领域被普遍使用,如何找到真正的促销敏感人群,将更多的预算投入到可以带来实际收益的用户上,以提升整体营销的投入产出比,成为了精细化运营的关键。
促销敏感人群在经济学的解释是由于价格波动引起消费者对商品需求量的变化,这部分消费者即为促销敏感型用户。消费者对价格的敏感范围越大,则对促销敏感度越小,反之消费者对价格的敏感范围越小,则对促销敏感度越大。
发明内容
本公开提供了一种任务处理方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种任务处理方法,包括:
基于用户的特征信息,识别用户的消费标签;所述消费标签用于标识所述用户针对促销活动的消费敏感度类别;
基于所述用户的消费标签,进行相应的任务处理。
根据本公开的另一方面,提供了一种任务处理装置,包括:
识别模块,用于基于用户的特征信息,识别用户的消费标签;所述消费标签用于标识所述用户针对促销活动的消费敏感度类别;
处理模块,用于基于所述用户的消费标签,进行相应的任务处理。
根据本公开的再一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。
根据本公开的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。
根据本公开的再另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。
根据本公开的技术,能够有效地提高任务处理的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是本公开实施例提供的预设的消费标签的区域分布信息示意图。
图4是本公开的任务处理方法的实现原理示意图;
图5是根据本公开第三实施例的示意图;
图6是根据本公开第四实施例的示意图;
图7是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
需要说明的是,本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant,PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备;显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
传统技术中,电商平台可以对注册的所有用户进行任务处理,如向所有的注册用户推送促销活动相关的信息。现实中确实存在很多的用户,非常乐意收到促销活动信息,以购买心仪产品;但是还存在部分用户,无论是否收到促销活动信息,都无动于衷不会考虑购买。甚至还存在部分用户,非常反感促销活动,在没有促销活动的时候,或许还会购买,但是越是向其推送促销活动,越拒绝购买。现有的向所有的注册用户推送促销活动相关的信息的任务处理方式,会导致任务处理的准确性较差。
图1是根据本公开第一实施例的示意图;如图1所示,本实施例提供一种任务处理方法,可以于任意的任务处理装置如电商的服务器中,具体可以包括如下步骤:
S101、基于用户的特征信息,识别用户的消费标签;该消费标签用于标识用户针对促销活动的消费敏感度类别;
S102、基于用户的消费标签,进行相应的任务处理。
本实施例的任务处理方法的应用场景,可以为促销任务的处理。例如可以应用在电商领域中,实现有效地对促销活动进行下发和推广。
为了准确地进行任务处理,本实施例中,可以基于用户的特征信息,识别用户的消费标签。本实施例的任务处理方法的执行主体可以为电商的服务器。用户的特征信息,可以至少包括用户在电商平台上消费信息,可选地,还可以包括注册信息等,例如用户在注册信息中可以设置用户的购买意向,如期待优惠活动之类的信息。用户作为消费者,在使用电商平台时,会注册、登录以及消费,当然也会授权该电商服务器存储用户的这些相关信息,以方便用户在该电商平台使用,以及接受电商平台推送的相关促销信息。这样,电商平台,可以基于用户授权的这些特征信息,识别用户的消费标签,用户的消费标签可以标识用户针对促销活动的消费敏感度的类别。所以后续可以更加准确地基于用户消费标签,进行相应的促销活动任务处理,提升用户的使用体验。
例如,本实施例的用户的特征信息,可以包括用户在电商平台注册时的各种属性信息、爱好信息等等。还可以包括用户在电商平台上所有消费的信息,如可以包括消费日期、消费的商品的类别、价钱等信息。
本公开实施例中的用户的消费标签,可以根据用户在自然情况下的购买行为和有促销活动下的购买行为,将用户分成敏感型用户、自然转化型用户、无动于衷型用户或者反作用型用户四种不同类别的用户,以标识不同用户针对促销活动的消费敏感度类别。
其中,敏感型用户主要表现为没有促销如不发券就不购买、有促销如发券才会购买的用户。该类用户是营销活动的主力目标人群,需要精准的识别和营销触达。自然转化型用户表现为无论是否有促销如发券,都会购买。针对该类用户无需投入太多的营销经费便可实现自然转化。无动于衷型用户表现为无论是否有促销如发券都不会购买。这类用户实在难以触达到,在营销活动中需要可以放弃。反作用型用户对营销活动比较反感,没有促销如不发券的时候会有购买行为,但有促销如发券后不会再购买,该类用户需要在营销活动时候避开。
本实施例的任务处理方法,基于用户的特征信息,能够精准地识别用户的消费标签,进而可以基于用户的消费标签,进行准确地进行任务处理。因此,本实施例的技术方案,能够有效地提高任务处理的准确性以及任务处理的效率。例如,在促销活动任务推送的时候,可以基于用户的消费标签,准确、高效地进行促销活动任务推送。
在本公开的一个实施例中,上述图1所示实施例中的步骤S101基于用户的特征信息,识别用户的消费标签,至少包括如下两种实现方式:
第一种实现方式,可以基于用户的特征信息,进行统计分析,识别用户的消费标签。例如,具体可以根据用户的注册信息以及所有的消费信息,分析用户的消费行为,是偏向于在促销场景下购买;还是无论是否促销都会购买;还是几乎无购买信息,无论是否促销都无动于衷;或者无促销购买,有促销反而不购买。
第二种实现方式,基于用户的特征信息,并参考预先训练的第一消费预测模型和第二消费预测模型,识别用户的消费标签;第一消费预测模型用于预测参与活动的用户要消费的概率,第二消费预测模型用于预测未参与活动的用户要消费的概率。所以,该第一消费预测模型也可以说是参与活动用户对应的消费预测模型,第二消费模型也可以说是未参与活动用户对应的消费预测模型。
在该种实现方式中,在识别用户的消费标签的时候,并不得知该用户是否参与活动,可以根据用户的特征信息,和第一消费预测模型和第二消费预测模型分别预测的该用户若为参与活动的用户和该用户若为未参与活动的用户分别对应的消费概率,再进一步结合得到的两个消费概率,共同分析并识别该用户的消费标签。
本实施例的该第一消费预测模型,是针对于促销活动参与用户训练的模型。具体地,训练时,可以将促销活动中的参与领取促销活动的优惠信息,并下单的用户作为正样本;促销活动期间参与领取促销活动的优惠信息,但未下单用户作为负样本。采用xgboost模型训练一个分类模型,用来预测促销参与用户的下单概率,可以表示为即p1=(Y|X,T=1)。T=1表示参与促销活动。
本实施例的该第二消费预测模型,是针对于未参与促销活动的用户训练的模型。具体地,训练时,将未参与促销活动,即未领取促销活动的优惠信息,但下单的用户作为正样本;未参与促销活动即未领取促销活动的优惠信息,且未下单用户作为负样本。采用xgboost模型训练一个分类模型,用来预测未参与促销活动的用户的下单概率,可以表示为即P0=(Y|X,T=0)。T=0表示不参与促销活动。
在模型预测阶段,将用户的特征信息分别输入到第一消费预测模型和第二消费预测模型中,分别得到用户的在两个模型下的预测概率,如第一消费概率即为该用户若为参与活动的用户时要消费的概率,第二消费概率即为该用户若为未参与活动的用户时要消费的概率。
例如,可选地,若第一消费预测模型预测该用户参与活动消费的第一消费概率较大,如大于第一预设概率阈值;而第二消费预测模型预测的该用户未参与活动消费的第二消费概率较小,如小于第二预设概率阈值。此时,可以认为该用户偏向于在促销场景下购买,属于敏感型用户。
而若第一消费预测模型预测该用户参与活动消费的第一消费概率较小,如小于第二预设概率阈值;而第二消费预测模型预测的该用户未参与活动消费的第二消费概率较大,如大于第一预设概率阈值。此时,可以认为该用户无促销购买,有促销反而不购买,属于反作用型用户。
而若第一消费预测模型预测该用户参与活动消费的第一消费概率较小,如小于第二预设概率阈值;而第二消费预测模型预测的该用户未参与活动消费的第二消费概率也较小,如小于第二预设概率阈值。此时,可以认为该用户属于无动于衷型用户。
而若第一消费预测模型预测该用户参与活动消费的第一消费概率较大,如大于第一预设概率阈值;而第二消费预测模型预测的该用户未参与活动消费的第二消费概率也较大,如小于第一预设概率阈值。此时,可以认为该用户属于自然转化型用户。
采用上述两种方式,均可以有效地提高获取的用户的消费标签的准确性。
图2是根据本公开第二实施例的示意图;本实施例提供一种任务处理方法,基于上述基于用户的特征信息,识别用户的消费标签的第二种实现方式,进一步更加详细地描述本公开的技术方案。如图2所示,本实施例的任务处理方法,具体可以包括如下步骤:
S201、基于预先训练的第一消费预测模型和用户的特征信息,预测用户若为参与活动的用户时对应的第一消费概率;
S202、基于预先训练的第二消费预测模型以及用户的特征信息,预测用户若为未参与活动的用户时对应的第二消费概率;
S203、基于用户的第一消费概率和第二消费概率,结合预设的消费标签的区域分布信息,识别用户的消费标签;
结合上述实施例的记载,可以将用户的特征信息输入至第一消费预测模型中,可以得到用户的第一消费概率。将用户的特征信息输入至第二消费预测模型中,可以得到用户的第二消费概率。例如,可以采用x表示无促销活动时候用户的第二消费概率,y表示有促销活动的用户的第一消费概率,将所有用户的x和y值在二维坐标面描点。每个(x,y)对应的点表示一个用户。
图3是本公开实施例提供的预设的消费标签的区域分布信息示意图。如图3所示,根据x和y的值,可以将二维平面内的用户采用三条直线划分成四个区域,不同区域内的用户分别对应敏感型、自然转化型、无动于衷型、以及反作用型等四种不同的消费标签类型。使用直线y=x将平面划分成为两部分,其中直线的下部分为y<x,即无营销时候的第二消费概率大于有营销时候的第一消费概率,该类用户为反作用型用户。在y>x区域内,使用直线y=x+1/2将区域划分成y-x>1/2和y-x<1/2两部分,y-x>1/2的区域表示有营销活动时候的第一消费概率相比较无营销时的第二消费概率有超过0.5的提升,即为面对营销比较敏感的敏感型用户。在y>x和y-x<1/2的重叠区域内,采用直线y=0.5将区域划分成y>0.5和y<0.5两个部分,y>0.5的区域内,有营销活动时候第一消费概率,相对于无营销活动时候的第二消费概率,有幅度较小的提升。这个区域的用户即为自然转化型用户。y<0.5的区域内,表示在无营销活动时候的第二消费概率小,且通过营销活动提升的幅度小的用户,即为无动于衷型用户。整体的切分直线和区域定义如图3所示。在用户分类阶段,根据营销敏感人群的四象限原理,根据x和y值的不同,将用户分成敏感型用户、无动于衷型用户、反作用型用户和自然转化型用户等四个不同类别的消费标签,并将用户打上相关的标签标识;例如可以将各类别的用户的消费标签分类用0,1,2,3等数值类型的枚举值表示,并存储在hive表中。
可选地,在本实施例中,以y=0.5为例,实际应用中,可以为其他值,如0.55、0.6、0.65等基于经验设置的其他值,在此不做限定。
本实施例中,结合上述预设的消费标签的区域分布信息,基于用户的第一消费概率和第二消费概率,可以准确地识别到该用户的消费标签。杉树预设的消费标签的区域分布信息设置合理,客观,识别的用户的消费标签精准,能够清晰地标识用户针对促销活动的消费敏感度类别。
S204、检测用户的消费标签是否为反作用型和无动于衷型;若不是,执行步骤S205;若是,执行步骤S206;
S205、向用户对应账户推送促销任务相关的信息;结束。
本实施例中,是以敏感型用户和自然转化型用户都推送促销任务信息为例,实际应用中,营销活动的主力和目标人群往往是敏感型用户,也可以检测用户的消费标签是敏感型用户时,优先向用户对应的账户推送促销任务相关的信息。针对于用户的消费标签为反作用型的用户,不能向用户对应账户推送促销任务相关的信息,避免刺激用户不消费,反而影响营销的效果。而对于无动于衷型用户,不用向用户对应账户推送促销任务相关的信息,避免资源浪费。
S206、确定用户对应的账户不需要推送促销任务相关的信息,结束。
可选地,在本公开的一个实施例中,在步骤S205之前,还可以包括如下步骤:
(1)检测用户的消费标签是否为敏感型;若是,执行步骤(2);若不是,执行步骤(3);
(2)将用户对应的账户设置在第一推送梯度集合中;
(3)检测用户的消费标签是否为自然转化型;若是,执行步骤(4);
(4)将用户对应的账户设置在第二推送梯度集合中。
具体地,此时对应地,向用户对应账户推送促销任务相关的信息时,具体可以基于第一推送梯度集合、和第二推送梯度集合的优先级由高到低的顺序,按照时间先后的顺序依次向各集合中的用户的账户推送任务相关的信息。该方案中,以集合的方式,将敏感型用户的账户和自然转化型用户的账户分别设置在相应的第一推送梯度集合和第二推送梯度集合中,以实现按照集合的方式向同一消费标签类型的用户统一推送促销相关的任务消息。且更乐意收到促销任务消息的敏感型用户更先收到,以最大化地实现个性化营销。
采用本实施例的上述技术方案,基于上述量化分析,可以精准地识别到所有用户的消费标签,进而可以基于用户的消费标签,进行促销相关的任务处理。例如,对于敏感型用户,可以及时地向其推送促销活动的信息。而对于反作用型用户和无动于衷型用户,可以不推送促销相关的任务消息。而对于自然转化型用户,也可以推送促销相关的任务消息。因此,可以基于用户的消费标签,精准地进行任务处理,不仅能够提高任务处理的准确性性,而且能够实现个性化地营销,灵活性非常强、通用性非常好。
需要说明的是,本公开实施例中,任务处理方法的执行主体如电商平台的服务器可以通过用户的授权,获取用户的特征信息,进而实现精准地识别用户的消费标签,进而基于用户的消费标签,进行任务处理,该过程符合相关法律法规。
图4是本公开的任务处理方法的实现原理示意图;如图4所示,基于本公开的上述实施例的详细记载,可以将本公开的任务处理方法总结为:采集领取优惠券的用户组的样本数据,将下单用户的消费概率标识为1,未下单用户的消费概率标识为0,训练第一消费预测模型。另外,采集无优惠券领取用户组的样本数据,即该用户组中的用户均未领取优惠券,同理,将下单用户的消费概率标识为1,未下单用户的消费概率标识为0,训练第二消费预测模型。在应用时,对于任一用户,可以基于训练的第一消费预测模型和第二消费预测模型,预测该用户的第一消费概率和第二消费概率。然后基于用户的第一消费概率和第二消费概率,识别用户的消费标签。具体地,可以采用上述实施例的任一方式,如可以结合预设的消费标签的区域分布信息,识别用户的消费标签。最后,基于用户的消费标签,进行任务处理。如该用户的消费标签为敏感型用户时,可以及时向该用户的账户推送促销活动消息。而若该用户的消费标签为自然转化型,也可以向该用户的账户推送促销活动消息。而若用户的消费标签为反作用型,一定不能向该用户的账户推送促销活动消息,以免影响营销。而用户的消费标签为无动于衷型,可以不用向该用户的账户推送促销活动消息,避免资源浪费。
采用本实施例的上述方式,通过量化地方式,能够精准地识别用户的消费标签,进而可以基于用户的消费标签,精准地进行任务处理,能够有效地提高任务处理的准确性和任务处理的效率,高效地实现个性化营销。而且该方案的灵活性非常强,可以适用于任何领域。
图5是根据本公开第三实施例的示意图;如图5所示,本实施例提供一种任务处理装置500,可以应用在电商平台的服务器中,包括:
识别模块501,用于基于用户的特征信息,识别用户的消费标签;消费标签用于标识用户针对促销活动的消费敏感度类别;
处理模块502,用于基于用户的消费标签,进行相应的任务处理。
本实施例的任务处理装置500,通过采用上述模块实现任务处理的实现原理以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
图6是根据本公开第四实施例的示意图;如图6所示,本实施例提供一种任务处理装置600,包括:上述图5所示的同名同功能模块,识别模块601和处理模块602。
如图6所示,识别模块601,用于:
基于用户的特征信息,并参考预先训练的第一消费预测模型和第二消费预测模型,识别用户的消费标签;第一消费预测模型用于预测参与活动的用户要消费的概率,第二消费预测模型用于预测未参与活动的用户要消费的概率。
如图6所示,在本公开的一个实施例中,识别模块601,包括:
预测单元6011,用于基于第一消费预测模型和用户的特征信息,预测用户若为未参与活动的用户时对应的第一消费概率;
预测单元6011,还用于基于第二消费预测模型以及用户的特征信息,预测用户若为未参与活动的用户时对应的第二消费概率;
识别单元6012,用于基于用户的第一消费概率和第二消费概率,识别用户的消费标签。
在本公开的一个实施例中,识别单元6012,用于:
基于用户的第一消费概率和第二消费概率,并结合第一预设概率阈值和第二预设概率阈值,识别用户的消费标签;或者
基于用户的第一消费概率和第二消费概率,并结合预设的消费标签的区域分布信息,识别用户的消费标签。
在本公开的一个实施例中,用户的消费标签的标签包括敏感型、自然转化型、无动于衷型或者反作用型。
如图6所示,在本公开的一个实施例中,处理模块602,包括:
检测单元6021,用于检测用户的消费标签是否为反作用型和无动于衷型;
发送单元6022,用于若不是,向用户对应账户推送任务相关的信息。
如图6所示,在本公开的一个实施例中,处理模块602,还包括设置单元6023;
检测单元6021,还用于检测用户的消费标签是否为敏感型;
设置单元6023,用于若是,将用户对应的账户设置在第一推送梯度集合中;
检测单元6021,还用于检测用户的消费标签是否为自然转化型;
设置单元6023,用于若是,将用户对应的账户设置在第二推送梯度集合中。
进一步地,发送单元6022,用于:
基于第一推送梯度集合和第二推送梯度集合的优先级由高到低的顺序,按照时间先后的顺序依次向各集合中的用户的账户推送任务相关的信息。
本实施例的任务处理装置600,通过采用上述模块实现任务处理的实现原理以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如本公开的上述方法。例如,在一些实施例中,本公开的上述方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的本公开的上述方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开的上述方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种任务处理方法,包括:
基于用户的特征信息,识别用户的消费标签;所述消费标签用于标识所述用户针对促销活动的消费敏感度类别;
基于所述用户的消费标签,进行相应的任务处理。
2.根据权利要求1所述的方法,其中,基于用户的特征信息,识别用户的消费标签,包括:
基于所述用户的特征信息,并参考预先训练的第一消费预测模型和第二消费预测模型,识别所述用户的消费标签;所述第一消费预测模型用于预测参与活动的用户要消费的概率,所述第二消费预测模型用于预测未参与活动的用户要消费的概率。
3.根据权利要求2所述的方法,其中,基于所述用户的特征信息,并参考预先训练的第一消费预测模型和第二消费预测模型,识别所述用户的消费标签,包括:
基于所述第一消费预测模型和所述用户的特征信息,预测所述用户若为参与活动的用户时对应的第一消费概率;
基于所述第二消费预测模型以及所述用户的特征信息,预测所述用户若为未参与活动的用户时对应的第二消费概率;
基于所述用户的所述第一消费概率和所述第二消费概率,识别所述用户的消费标签。
4.根据权利要求3所述的方法,其中,基于所述用户的所述第一消费概率和所述第二消费概率,识别所述用户的消费标签,包括:
基于所述用户的所述第一消费概率和所述第二消费概率,并结合第一预设概率阈值和第二预设概率阈值,识别所述用户的消费标签;或者
基于所述用户的所述第一消费概率和所述第二消费概率,结合预设的消费标签的区域分布信息,识别所述用户的消费标签。
5.根据权利要求1-4所述的方法,其中,基于所述用户的消费标签,进行相应的任务处理,包括:
检测所述用户的消费标签是否为反作用型和无动于衷型;
若不是,向所述用户对应账户推送任务相关的信息。
6.根据权利要求5所述的方法,其中,向所述用户对应账户推送任务相关的信息之前,包括:
检测所述用户的消费标签是否为敏感型;
若是,将所述用户对应的账户设置在第一推送梯度集合中;
检测所述用户的消费标签是否为自然转化型;
若是,将所述用户对应的账户设置在第二推送梯度集合中。
7.根据权利要求6所述的方法,其中,向所述用户对应账户推送任务相关的信息,包括:
基于所述第一推送梯度集合和所述第二推送梯度集合的优先级由高到低的顺序,按照时间先后的顺序依次向各集合中的用户的账户推送任务相关的信息。
8.一种任务处理装置,包括:
识别模块,用于基于用户的特征信息,识别用户的消费标签;所述消费标签用于标识所述用户针对促销活动的消费敏感度类别;
处理模块,用于基于所述用户的消费标签,进行相应的任务处理。
9.根据权利要求8所述的装置,其中,所述识别模块,用于:
基于所述用户的特征信息,并参考预先训练的第一消费预测模型和第二消费预测模型,识别所述用户的消费标签;所述第一消费预测模型用于预测参与活动的用户的消费概率,所述第二消费预测模型用于预测未参与活动的用户的消费概率。
10.根据权利要求9所述的装置,其中,所述识别模块,包括:
预测单元,用于基于所述第一消费预测模型和所述用户的特征信息,预测所述用户若为参与活动的用户时对应的第一消费概率;
所述预测单元,还用于基于所述第二消费预测模型以及所述用户的特征信息,预测所述用户若为未参与活动的用户时对应的第二消费概率;
识别单元,用于基于所述用户的所述第一消费概率和所述第二消费概率,识别所述用户的消费标签。
11.根据权利要求10所述的装置,其中,所述识别单元,用于:
基于所述用户的所述第一消费概率和所述第二消费概率,并结合第一预设概率阈值和第二预设概率阈值,识别所述用户的消费标签;或者
基于所述用户的所述第一消费概率和所述第二消费概率,并结合预设的消费标签的区域分布信息,识别所述用户的消费标签。
12.根据权利要求8-11任一所述的装置,其中,所述处理模块,包括:
检测单元,用于检测所述用户的消费标签是否为反作用型和无动于衷型;
发送单元,用于若不是,向所述用户对应账户推送任务相关的信息。
13.根据权利要求12所述的装置,其中,所述处理模块,还包括设置单元;
所述检测单元,还用于检测所述用户的消费标签是否为敏感型;
所述设置单元,用于若是,将所述用户对应的账户设置在第一推送梯度集合中;
所述检测单元,还用于检测所述用户的消费标签是否为自然转化型;
所述设置单元,用于若是,将所述用户对应的账户设置在第二推送梯度集合中。
14.根据权利要求13所述的装置,其中,所述发送单元,用于:
基于所述第一推送梯度集合和所述第二推送梯度集合的优先级由高到低的顺序,按照时间先后的顺序依次向各集合中的用户的账户推送任务相关的信息。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106914.0A CN114549056A (zh) | 2022-01-28 | 2022-01-28 | 任务处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106914.0A CN114549056A (zh) | 2022-01-28 | 2022-01-28 | 任务处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114549056A true CN114549056A (zh) | 2022-05-27 |
Family
ID=81673963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210106914.0A Pending CN114549056A (zh) | 2022-01-28 | 2022-01-28 | 任务处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549056A (zh) |
-
2022
- 2022-01-28 CN CN202210106914.0A patent/CN114549056A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104951428A (zh) | 用户意图识别方法及装置 | |
CN104750745A (zh) | 一种智能体处理信息的方法及智能体 | |
CN112925973B (zh) | 数据处理方法和装置 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN113434755A (zh) | 页面的生成方法、装置、电子设备及存储介质 | |
CN111091409B (zh) | 客户标签的确定方法、装置和服务器 | |
CN115358392A (zh) | 深度学习网络的训练方法、文本检测方法及装置 | |
CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN113592293A (zh) | 风险识别处理方法、电子设备及计算机可读存储介质 | |
CN114549056A (zh) | 任务处理方法、装置、电子设备及存储介质 | |
CN115713384A (zh) | 推荐物品的方法、装置、存储介质及电子设备 | |
CN117829936A (zh) | 推荐方法及装置、设备和介质 | |
CN113762994B (zh) | 用户运营管理的方法和装置 | |
CN114996574A (zh) | 画像标签的构建方法、装置及电子设备 | |
US20200286104A1 (en) | Platform for In-Memory Analysis of Network Data Applied to Profitability Modeling with Current Market Information | |
CN113379511A (zh) | 用于输出信息的方法和装置 | |
CN113742564A (zh) | 目标资源的推送方法和装置 | |
CN111738789A (zh) | 一种物品信息推送方法、装置、设备和存储介质 | |
CN113051472B (zh) | 点击通过率预估模型的建模方法、装置、设备以及存储介质 | |
CN114549018A (zh) | 反欺诈策略的确定方法、装置及电子设备 | |
CN113570467B (zh) | 资源特享信息推送方法、装置及电子设备 | |
CN116503136A (zh) | 一种数据分析方法、装置、设备及存储介质 | |
CN115935054A (zh) | 一种信息推送方法、装置、电子设备和存储介质 | |
CN115964081A (zh) | 一种代码规模确定方法、装置、设备及存储介质 | |
CN117056730A (zh) | 数据预测的方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |