CN114996575A - 资源信息推送方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开提供一种资源信息推送方法、装置、电子设备和存储介质。所述资源信息推送方法可包括：基于与待推送的资源信息相关联的信息确定第一对象集，并且向第一对象集中的目标对象发送资源信息；基于第一对象集中的目标对象对资源信息的交互数据来确定是否满足扩大第一对象集的预设条件；在满足预设条件的情况下，确定第二对象集并且向第二对象集中的目标对象发送资源信息。

Description

资源信息推送方法、装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种资源信息推送方法、资源信息推送装置、电子设备、存储介质以及程序产品。

背景技术

随着互联网业务的发展，人们开始越来越多地借助网络平台进行生活娱乐和各类交易等。如何将资源信息(诸如商品或服务信息)通过网络曝光给客户或潜在客户，成为各方关注的问题。

常见的资源信息(诸如广告)系统中会有一个复杂的定向系统来帮助进行资源信息的召回，资源信息提供者(诸如广告主)可以从年龄、地域、性别、平台、行为兴趣、人群包、商业行为等多个定向条件中筛选合适的标签，刻画用户群体，作为资源信息的推广/投放目标。当一个用户访问平台时，系统会根据该用户的用户画像信息，判断该用户符合哪些资源信息的投放条件，将资源信息的定向标签和用户的标签进行匹配，去掉不符合标签的资源信息，从而在第一步缩小候选资源信息的范围。然后通过多路模型召回，计算判断该用户与哪些资源信息更加匹配，从第一步的候选资源信息中再挑选合适数量的资源信息，从而完成基本的资源信息召回流程。由此可见，资源信息提供者能否选择合适的定向条件直接决定了资源信息的推广/投放效果。如果选定的条件太狭窄，则会导致触达不到合适的人群，资源信息投放不出去或者投放的量非常少。如果选定的条件太宽泛，则会导致资源信息的投放不准确，无法获得较好的资源信息转化。

发明内容

本公开提供一种资源信息推送方法、资源信息推送装置、电子设备和存储介质，以至少解决上述提及的问题。

根据本公开实施例的第一方面，提供一种资源信息推送方法，可包括：基于与待推送的资源信息相关联的信息确定第一对象集，并且向第一对象集中的目标对象发送所述资源信息；基于第一对象集中的目标对象对所述资源信息的交互数据来确定是否满足扩大第一对象集的预设条件；在满足所述预设条件的情况下，确定第二对象集并且向第二对象集中的目标对象发送所述资源信息。

可选地，基于第一对象集中的目标对象对所述资源信息的交互数据来确定是否满足扩大第一对象集的预设条件，包括：基于所述资源信息和第一对象集中的目标对象对所述资源信息的第一交互率和第二交互率来确定第一预测模型和第二预测模型是否满足评价指标；在第一预测模型和第二预测模型满足所述评价指标时，确定满足所述预设条件；在第一预测模型和第二预测模型不满足所述评价指标时，确定不满足所述预设条件。

可选地，在满足所述预设条件的情况下，确定第二对象集，包括：利用第一预测模型和第二预测模型来预测用户账户对所述资源信息的第一交互率和第二交互率；基于预测的第一交互率和第二交互率确定符合条件的用户账户并且由所述符合条件的用户账户形成第二对象集。

可选地，基于预测的第一交互率和第二交互率确定符合条件的用户账户，包括：通过对预测的第一交互率和第二交互率的乘积与预设阈值进行比较，将与大于或等于所述阈值的所述乘积对应的用户账户确定为所述符合条件的用户账户，其中，所述阈值基于所述资源信息的推广成本数据被确定。

可选地，在第一预测模型不满足所述评价指标时，第一预测模型的参数基于以下方式被更新：获取第一对象集中的目标对象的账户信息和所述资源信息，其中，所述资源信息包括资源信息相关特征以及与所述资源信息相关的第一交互标签；基于所述账户信息和所述资源信息相关特征，利用第一预测模型来预测所述资源信息的第一交互标签；基于获取的第一交互标签和预测的第一交互标签来更新第一预测模型的参数，直到第一预测模型满足所述评价指标。

可选地，在第二预测模型不满足所述评价指标时，第二预测模型的参数基于以下方式被更新：获取第一对象集中的目标对象的账户信息和所述资源信息，其中，所述资源信息包括资源信息相关特征以及与所述资源信息相关的第二交互标签；基于所述账户信息和所述资源信息相关特征，利用第二预测模型来预测所述资源信息的第二交互标签；基于获取的第二交互标签和预测的第二交互标签来更新第二预测模型的参数，直到第二预测模型满足所述评价指标。

根据本公开实施例的第二方面，提供一种资源信息推送装置，可包括：第一推送模块，被配置为基于与待推送的资源信息相关联的信息确定第一对象集，并且向第一对象集中的目标对象发送所述资源信息；第二推送模块，被配置为：基于第一对象集中的目标对象对所述资源信息的交互数据来确定是否满足扩大第一对象集的预设条件；并且在满足所述预设条件的情况下，确定第二对象集并且向第二对象集中的目标对象发送所述资源信息。

可选地，第二推送模块可被配置为：基于所述资源信息和第一对象集中的目标对象对所述资源信息的第一交互率和第二交互率来确定第一预测模型和第二预测模型是否满足评价指标；在第一预测模型和第二预测模型满足所述评价指标时，确定满足所述预设条件；在第一预测模型和第二预测模型不满足所述评价指标时，确定不满足所述预设条件。

可选地，在满足所述预设条件的情况下，第二推送模块可被配置为：利用第一预测模型和第二预测模型来预测用户账户对所述资源信息的第一交互率和第二交互率；基于预测的第一交互率和第二交互率确定符合条件的用户账户并且由所述符合条件的用户账户形成第二对象集。

可选地，第二推送模块可被配置为：通过对预测的第一交互率和第二交互率的乘积与预设阈值进行比较，将与大于或等于所述阈值的所述乘积对应的用户账户确定为所述符合条件的用户账户，其中，所述阈值基于所述资源信息的推广成本数据被确定。

可选地，在第一预测模型不满足所述评价指标时，第一预测模型的参数基于以下方式被更新：获取第一对象集中的目标对象的账户信息和所述资源信息，其中，所述资源信息包括资源信息相关特征以及与所述资源信息相关的第一交互标签；基于所述账户信息和所述资源信息相关特征，利用第一预测模型来预测所述资源信息的第一交互标签；基于获取的第一交互标签和预测的第一交互标签来更新第一预测模型的参数，直到第一预测模型满足所述评价指标。

可选地，在第二预测模型不满足所述评价指标时，第二预测模型的参数基于以下方式被更新：获取第一对象集中的目标对象的账户信息和所述资源信息，其中，所述资源信息包括资源信息相关特征以及与所述资源信息相关的第二交互标签；基于所述账户信息和所述资源信息相关特征，利用第二预测模型来预测所述资源信息的第二交互标签；基于获取的第二交互标签和预测的第二交互标签来更新第二预测模型的参数，直到第二预测模型满足所述评价指标。

根据本公开实施例的第三方面，提供一种电子设备，所述电子设备可包括：至少一个处理器；至少一个存储计算机可执行指令的存储器，其中，所述计算机可执行指令在被所述至少一个处理器运行时，促使所述至少一个处理器执行如上所述的资源信息推送方法。

根据本公开实施例的第四方面，提供一种存储指令的计算机可读存储介质，当所述指令被至少一个处理器运行时，促使所述至少一个处理器执行如上所述的资源信息推送方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，所述计算机程序产品中的指令被电子装置中的至少一个处理器运行以执行如上所述的资源信息推送方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

通过将推送资源信息的过程划分为两个阶段(即确定第一对象集和确定第二对象集)，可使资源信息提供者和资源平台更好地掌握资源信息的推送情况和效果，实现从资源信息的冷启动阶段稳定过渡到扩量阶段，以达到最佳的资源信息投放效果。此外，在资源信息的冷启动阶段，通过基于待推送的资源信息精细化地确定资源信息将被推送到的用户账户，可降低资源信息提供者使用资源信息系统的复杂度，提供了用户便利性。此外，为了使资源信息获得更多的用户流量，使用不同的交互率预测模型相结合来预估用户账户对资源信息的交互情况，通过考虑资源信息提供者的成本信号来动态调整阈值，从而能够智能平滑地控制资源信息提供者的扩量节奏，保证资源信息提供者的投放成本，同时扩大资源信息的触达。另外，通过考虑不同的交互预测模型的评价指标来启动对资源信息的扩量，使得在扩量阶段对资源信息的预估分数更加准确，从而更加精准地定位到匹配的用户账户。

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。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据本公开的实施例的资源信息推送方法的流程图；

图2是根据本公开的实施例的确定第一对象集的流程图；

图3是根据本公开的另一实施例的资源信息推送方法的流程图；

图4是根据本公开的实施例的扩量阶段的对象集的示意图；

图5是根据本公开的实施例的操作率预测模型的示意图；

图6是根据本公开的实施例的转化率预测模型的示意图；

图7是根据本公开的实施例的资源信息推送装置的框图；

图8是根据本公开的实施例的资源信息推送设备的结构示意图；

图9是根据本公开的实施例的电子设备的框图。

在整个附图中，应注意，相同的参考标号用于表示相同或相似的元件、特征和结构。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

提供参照附图的以下描述以帮助对由权利要求及其等同物限定的本公开的实施例的全面理解。包括各种特定细节以帮助理解，但这些细节仅被视为是示例性的。因此，本领域的普通技术人员将认识到在不脱离本公开的范围和精神的情况下，可对描述于此的实施例进行各种改变和修改。此外，为了清楚和简洁，省略对公知的功能和结构的描述。

以下描述和权利要求中使用的术语和词语不限于书面含义，而仅由发明人用来实现本公开的清楚且一致的理解。因此，本领域的技术人员应清楚，本公开的各种实施例的以下描述仅被提供用于说明目的而不用于限制由权利要求及其等同物限定的本公开的目的。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在相关技术中，目前资源信息提供者在投放资源信息的过程中通过选择系统画像标签或人群包的形式来完成人群定向功能。然而，为了保证人群画像多样性进而辅助资源信息提供者的人群圈层，系统中的标签体系与数量往往比较大，因此对于资源信息提供者而言其学习成本很高，并且需要较多的预算成本进行组合优化才能达到相对较好的投放效果。

另一方面，资源信息提供者对于投放资源信息的生命周期往往把控较差，例如对于新的资源信息如何精细化选择用户人群度过冷启动期进而稳定起量，资源信息何时从冷启动期过渡进入扩量期，资源信息何时能够稳定通投，资源信息提供者对这些因素都难以把握，从而无法达到最优的资源信息投放效果。

针对当前资源信息定向系统的复杂度高、使用门槛高的问题，本公开旨在提供一种智能解决人群触达的定向工具，降低使用门槛，同时利用投放平台以及三方数据，合理优化资源信息的投放人群，从新建资源信息开始，针对资源信息的不同投放阶段，设计不同的模型和策略，优化资源信息提供者的投放效率，进而提高资源信息系统的变现能力。

在下文中，根据本公开的各种实施例，将参照附图对本公开的方法、装置进行详细描述。

图1是根据本公开的实施例的资源信息推送方法的流程图。根据本公开的资源信息推送方法可应用于各种资源信息推送平台、系统等。

根据本公开的资源信息推送方法可由任意电子设备执行。电子设备可以是智能手机、平板电脑、便携式计算机和台式计算机等中的至少一种。电子设备可安装有目标应用，用于实现本公开的资源信息推送方法。

参照图1，在步骤S101，基于与待推送的资源信息相关联的信息确定第一对象集，并且向第一对象集中的目标对象发送资源信息。资源信息可包括关于商品的信息、关于服务/应用的信息等。资源信息可由资源信息提供者(诸如广告主)提供。例如，资源信息可指广告。第一对象集可包括多个用户账户。

与资源信息相关联的信息可包括诸如资源信息的类型、相关行业信息、资源关键词、相关的用户行为兴趣标签、用户画像信息和服务类别信息。上述示例仅是示例性的，本公开不限于此。

对于待推送的资源信息，可确定该资源信息的类型、资源所属行业和关键词等信息。例如，可基于资源信息提供者推送该资源信息的推送目的将资源信息的类型分类为应用激活类型、表单提交类型等。应用激活类型可表示用户在获取资源信息后能够激活与该资源信息对应的应用。表单提交类型可表示用户在获取资源信息后能够填写并提交注册信息。资源信息所属行业可包括游戏行业、电商行业等。然而，上述示例仅是示例性的，本公开不限于此。

这里，关于资源信息的类型和所属行业的信息可由资源信息提供者提供。可从资源信息的标题和描述提取资源信息的关键词。

可基于资源信息确定用户行为兴趣标签、用户画像信息和服务类别信息中的至少一种信息。用户画像信息可表示不同的人群包。服务类别可表示不同的应用APP定向。

作为示例，可基于与资源信息相关的推送目标、行业和关键词来确定用户行为兴趣标签。可从资源信息的提供者账户下的用户画像和同类行业下的用户画像中确定与资源信息对应的用户画像。可基于与资源信息对应的服务的相似度信息和服务推荐列表信息来确定与资源信息对应的服务类别。

下面将参照图2来详细描述如何确定第一对象集。图2是根据本公开的实施例的确定第一对象集的流程图。下面以资源信息为广告为例进行阐述。

参照图2，可基于广告创意分类、广告主账户的其他定向广告的创意分类、广告主同类行业关键词标签(类目)来确定与广告相关的类目标签。类目标签可来源于行为兴趣定向的类目树。

可基于广告创意关键词的提取/扩展、广告投放端创意标签的提取、广告主账户的其他定向广告的关键词标签和广告主同类行业关键词标签来确定与广告相关的关键词。

可基于广告主账户其他定向广告的一方人群包、广告主同类行业一方人群包以及第三方人群包来确定与广告相关的人群包，即垂直行业人群包。

对于APP定向，仅针对与APP广告有效。可基于对APP相似度的获取来确定APP推荐列表。

可基于广告主账户的其他定向广告以及广告主同类行业等确定已有定向数据。

接下来，可基于确定的与广告相关的类目标签、关键词和已有定向数据来确定用户的行为兴趣标签。

可从垂直行业人群包中选择与广告相关的人群包。

可基于APP推荐列表确定APP定向。APP定向可表示基于用户的APP的安装与使用情况，判断用户对各类APP的兴趣与需求，从而可利用APP名称或者APP分类对用户进行精准定位，使得广告精准触达符合推送需求的目标人群。

基于确定的与待推荐资源相关联的信息来确定第一对象集。例如，参照图2，可基于确定的行为兴趣标签、人群包和APP定向来确定出第一对象集。通过针对将被推送的资源信息计算出行为兴趣标签、人群包和APP定向，使得广告主即使没有进行精准定向，也可更好地控制广告的投放范围，从而给广告主投放广告带来了便利。

在确定第一对象集后，可向第一对象集中的目标对象发送资源信息。

此外，根据本公开的实施例，在确定第一对象集时，除了基于确定的与资源信息相关联的信息之后，还可考虑由资源信息提供者设置的不可突破因素，诸如资源信息将被推送到的地域和服务系统、资源信息将被推送给的用户的年龄和性别这些因素。也就是说，可基于由资源信息提供者设置的不可突破因素以及基于资源信息推导出的因素来定向第一对象集。

上面关于图1和图2的资源信息推送方法可被应用于资源信息推送的冷启动阶段，为了获得更多的用户流量，在步骤S102，基于第一对象集中的目标对象对资源信息的交互数据来确定是否满足扩大第一对象集的预设条件。

具体地，可基于资源信息和第一对象集中的目标对象对资源信息的第一交互率和第二交互率来确定第一预测模型和第二预测模型是否满足评价指标，在第一预测模型和第二预测模型满足评价指标时，确定满足预设条件，在第一预测模型和第二预测模型不满足评价指标时，确定不满足预设条件。这里，预设条件可以是第一预测模型和第二预测模型两者是否满足模型评价指标。

例如，第一预测模型可被实现为操作率预测模型，第二预测模型可被实现为转化率预测模型。例如，操作率预测模型可预判用户对一条广告点击的概率，对每次广告的点击情况做出预测。转化率预测模型可例如预估用户在观察到曝光商品进而点击到资源详情页之后购买此商品的概率。在本公开中，使用两个预测模型的原因是模型训练为流式在线学习的方式，资源信息提供者回传的交互监督信息时间较长，一条展现样本不会等待交互回传。因此，针对不同的交互率，使用不同的数据来训练不同的预测模型。

可通过模型评价指标来判断模型对于当前资源信息是否已经获得了比较好的学习效果，进而将该资源信息添加至扩量广告索引中；反之，如果模型对于该资源信息的评价指标低于考核阈值，则该资源信息不会被扩量，表示此时不满足扩大第一对象集的条件。

在步骤S103，在满足预设条件的情况下，可确定第二对象集并且向第二对象集中的目标对象发送资源信息。

在第一预测模型和第二预测模型满足模型评价指标(即满足预设条件)的情况下，可使用第一预测模型和第二预测模型来确定第二对象集。

作为示例，可利用第一预测模型和第二预测模型来预测用户账户对资源信息的第一交互率和第二交互率，基于预测的第一交互率和第二交互率确定符合条件的用户账户并且由符合条件的用户账户形成第二对象集。

在第一预测模型不满足评价指标时，第一预测模型的参数可基于以下方式被更新，直到第一预测模型满足评价指标：获取第一对象集中的目标对象的账户信息和资源信息，其中，资源信息包括资源信息相关特征以及与资源信息相关的第一交互标签；基于账户信息和资源信息相关特征，利用第一预测模型来预测资源信息的第一交互标签；基于获取的第一交互标签和预测的第一交互标签来更新第一预测模型的参数。例如，在第一预测模型是点击率预测模型时，可预测用户对资源信息的点击率。

在第二预测模型不满足评价指标时，第二预测模型的参数可基于以下方式被更新，直到第二预测模型满足评价指标：获取第一对象集中的目标对象的账户信息和资源信息，其中，资源信息包括资源信息相关特征以及与资源信息相关的第二交互标签；基于账户信息和资源信息相关特征，利用第二预测模型来预测资源信息的第二交互标签；基于获取的第二交互标签和预测的第二交互标签来更新第二预测模型的参数。例如，在第二预测模型是转化率预测模型时，可预测用户对资源信息的转化率。

下面将参照图3来详细描述如何确定第二对象集。

图3是根据本公开的另一实施例的资源信息推送方法的流程图。

参照图3，在步骤S301，获取待推送的资源信息。

在步骤S302，基于获取的资源信息确定与资源信息相关联的信息，诸如用户行为兴趣标签、用户画面和服务类别等。

在步骤S303，基于确定与资源信息相关联的信息来确定第一对象集。例如，可采用图2示出的方式确定第一对象集。

在步骤S304，向第一对象集中的目标对象发送资源信息。这里，目标对象可以是第一对象集中的每个对象或者至少一部分对象。

步骤S301至步骤S304可被看作是资源信息的冷启动阶段的操作。在冷启动阶段，通过算法计算出来的用户行为兴趣标签、用户画像和服务类别等信息可使资源信息提供者即使没有选择精准定向，也可以较好地控制资源信息的投放范围，并且给到将在后面使用的预测模型时间和数据来进行学习，从而转入下一个阶段，即扩量阶段。

根据本公开的实施例，资源信息将被发送给的用户不仅包括第一对象集中的用户账户，为了获得更多的流量，可在满足资源信息的提供者所设置的不可突破条件的对象集中选择更多的用户账户，并且向这些用户账户发送资源信息。

扩量阶段主要承担资源信息稳定期起量功能。因此首先需要确定资源信息何时能够进入扩量阶段。在本公开中，可通过扩量预测模型是否已经具备学习能力来进行判断。这里，扩量预测模型可包括例如操作率预测模型和转化率预测模型。

在本公开中，扩量预测模型分别被拆分为操作率预测模型和转化率预测模型，两个模型单独训练。拆分两个模型的原因是模型训练为流式在线学习的方式，资源信息提供者回传的转化监督信息时间较长，一条展现样本不会等待转化回传。操作率预测模型可预判用户对一条广告点击的概率，对每次广告的点击情况做出预测。转化率预测模型可例如预估用户在观察到曝光商品进而点击到资源详情页之后购买此商品的概率。

作为示例，关于扩量预测模型学习能力的监控时间窗可以为一天，即按照天级别来决策是否开启资源信息的扩量。扩量预测模型学习能力可以基于资源信息投放的冷启动时期收集到的曝光日志作为测试集数据，通过模型评价指标来判断模型对于当前资源信息是否已经获得了比较好的学习效果，进而将该资源信息添加至扩量广告索引中；反之，如果模型对于该资源信息的评价指标低于考核阈值，则该资源信息不会进行扩量。

下面描述的步骤S305至S309可被看作是资源信息的扩量阶段的操作。

在步骤S305，可基于资源信息和第一对象集中的用户对资源信息的操作率和转换率来确定操作率预测模型和转化率预测模型是否满足预设条件。在模型验证时，可使用在冷启动阶段的第一对象集中的用户对资源信息的操作率和转化率数据来验证操作率预测模型和转化率预测模型的预测准确率。例如，可基于第一对象集的用户账户信息和将被扩量的资源信息，利用操作率预测模型和转化率预测模型来分别预测用户对该资源信息的操作率和转换率，然后与对应的实际操作率和转换率进行对比，如果预测操作率与实际的操作率的误差在预设范围内，则可认为操作率预测模型满足预设条件，即可用于扩量阶段，否则认为操作率预测模型不满足预设条件。如果预测转化率与实际的转化率的误差在预设范围内，则可认为转化率预测模型满足预设条件，即可用于扩量阶段，否则认为转化率预测模型不满足预设条件。上述示例仅是示例性的，本公开不限于此。

在扩量阶段，资源信息可以突破在冷启动阶段计算出的诸如行为兴趣标签、用户画像信息、和服务类别等与该资源信息相关联的信息定向。在扩量阶段可在所有用户账户下进行扩量。或者，可基于由资源信息将被推送到的地域和服务系统、资源信息将被推送给的用户的年龄和性别这些因素(可被称为不可突破条件)所确定的对象集中进行资源信息的扩量。

作为示例，如图4所示，在资源信息的提供者设置不可突破条件后，通过这些不可突破条件可确定对象集C，通过上述冷启动阶段的预设规则可确定第一对象集A，因此，在向第一对象集A的用户发送资源信息后，可继续在对象集C中除去第一对象集A的对象集(C-A)中选择满足条件的用户账户来向这些用户账户发送资源信息。

根据本公开的另一示例，在用户扩量阶段，除了在对象集(C-A)中的用户账户，还可在从第一对象集A中已使用资源信息的用户账户扩展的对象集B中寻找满足条件的对象集B。也就是说，可在对象集(C-A)和对象集B中选择满足条件的用户账户，继续向这些用户账户发送资源信息，以获得更多的流量。

此外，在用户扩量阶段，还可包括资源信息的提供者所设置的目标对象集。

在步骤S306，当操作率预测模型和转化率预测模型满足预设条件时，可利用操作率预测模型和转化率预测模型来预测用户账户对资源信息的操作率和转化率。

在步骤S307，当操作率预测模型和/或转化率预测模型不满足预设条件时，可更新操作率预测模型和/或转化率预测模型。

当操作率预测模型不满足预设条件时，操作率预测模型可基于以下方式被更新：获取第一对象集的账户信息和资源信息，其中，资源信息可包括资源信息相关特征以及资源信息是否被下发的下发标签、资源信息是否被展示的展示标签、资源信息是否被操作的操作标签中的至少一个真实标签；基于账户信息和资源信息相关特征，利用操作率预测模型来预测资源信息的下发标签、展示标签和操作标签中的至少一个预测标签；基于至少一个真实标签和至少一个预测标签来更新操作率预测模型的参数。

例如，参照图5所示，账户信息可包括用户的基本特征、用户的兴趣行为等信息。资源信息相关特征可包括资源信息的播放率、行业信息、资源信息ID、曝光率、展示次数、转化次数等。然而，上述示例仅是示例性的，本公开不限于此。

操作率预测模型使用的数据流可包括资源信息下发、展现、操作的监督信息。

在图5中，操作率预测模型使用双塔模型，底层共享向量(share embedding)，上层采用多任务(multi task)的方式，并在不同的网络层对不同样本进行了运算。可利用操作率预测模型分别预测资源信息是否被下发、资源信息是否被展示以及用户是否点击资源信息。然后，利用预测数据和真实数据分别构造损失函数，从而更新操作率预测模型的参数。

如图5所示，在训练阶段，可利用多个激活函数(SeLU)对账户信息进行映射，得到维度减小的与账户信息对应的嵌入向量，并且可利用多个SeLU对资源信息相关特征进行特征映射，得到维度减小的与资源信息相关特征对应的嵌入向量。然后，可使用多个操作标签来训练操作率预测模型的参数。例如，可使用用于生成下发标签的嵌入向量进行点乘(Dot)，然后对点乘后的嵌入向量应用Sigmoid函数，得到下发标签。可使用用于生成展示标签的嵌入向量进行点乘，然后对点乘后的嵌入向量应用Sigmoid函数，得到展示标签。可使用用于生成操作(点击)标签的嵌入向量进行点乘，然后对点乘后的嵌入向量应用Sigmoid函数，得到操作标签。最后，利用预测得到的标签与真实标签构建损失函数，通过使各个损失函数(诸如图5中的损失函数1、2、3)计算得到的损失最小化来调整操作率预测模型的参数。

图5所示的模型中的各个模块的形式和数量仅是示例性的，本公开不限于此。。

当转化率预测模型不满足预设条件时，转化率预测模型可基于以下方式被更新：获取第一对象集的账户信息和资源信息，其中，资源信息可包括资源信息相关特征以及资源信息的浅度转化标签、资源信息的深度转化标签中的至少一个真实标签；基于账户信息和资源信息相关特征，利用转化率预测模型来预测资源信息的浅度转化标签和深度转化标签中的至少一个预测标签；基于至少一个真实标签和至少一个预测标签来更新转化率预测模型的参数。

例如，参照图6所示，账户信息可包括用户的基本特征、用户的兴趣等信息。资源信息相关特征可包括资源信息的播放率、行业信息、资源信息ID、曝光率、展示次数、转化次数等。然而，上述示例仅是示例性的，本公开不限于此。

转化率预测模型使用的数据流是后链路数据流，其可包括浅度转化和深度转化监督信息。例如，对于APP广告，浅度转化监督信息可表示用户是否激活了APP，深度转化监督信息可表示用户是否在APP发生了付费行为。

在图6中，转化率预测模型使用双塔模型，底层共享向量(share embedding)，上层采用多任务(multi task)的方式，并在不同的网络层对不同样本进行了运算。可利用转化率预测模型分别预测资源信息的浅度转化数据和深度转化数据。然后，利用预测数据和真实数据分别构造损失函数，从而更新转化率预测模型的参数。

如图6所示，在训练阶段，可利用多个激活函数(SeLU)对账户信息进行映射，得到维度减小的与账户信息对应的嵌入向量，并且可利用多个SeLU对资源信息相关特征进行特征映射，得到维度减小的与资源信息相关特征对应的嵌入向量。然后，可使用多个转化标签来训练转化率预测模型的参数。例如，可使用用于生成浅度转化标签的嵌入向量进行点乘(Dot)，然后对点乘后的嵌入向量应用Sigmoid函数，得到浅度转化标签。可使用用于生成深度转化标签的嵌入向量进行点乘，然后对点乘后的嵌入向量应用Sigmoid函数，得到深度转化标签。最后，利用预测得到的标签与真实标签构建损失函数，通过使各个损失函数(诸如图6中的损失函数1、2)计算得到的损失最小化来调整操作率预测模型的参数。

图6所示的模型中的各个模块的形式和数量仅是示例性的，本公开不限于此。

在步骤S308，基于预测的操作率和转化率确定符合条件的用户账户以形成第二对象集。

可从一定范围的用户账户集合中来确定第二对象集。例如，可由资源信息提供者设置的若干不可突破条件来确定一个范围较大的用户账户集合。

例如，可由资源信息提供者设置的基于资源信息将被推送到的地域和服务系统、资源信息将被推送给的用户的年龄和性别确定来确定一个较大的用户账户集合，然后基于预测的操作率和转化率从这个较大的用户账户集合中确定第二对象集，如图4所示。

此外，该范围较大的用户账户集合还可包括从第一对象集中已使用资源信息的用户扩展的对象集和资源信息的提供者设置的目标对象集中的至少一个。

针对该范围较大的用户账户集合中的每个用户，可预测用户对资源信息的操作率和转换率，然后对预测的操作率和转化率的乘积与阈值进行比较，将与大于或等于阈值的乘积对应的用户确定为符合条件的用户账户。

这里，阈值可基于资源信息的推送成本信息被确定。例如，可根据资源信息是否超成本来动态调整阈值，在超成本的情况下将阈值调大，在欠成本的情况下降阈值调小。调整的范围可被预先设置，或者可根据实际需求来适应性地设置调大和调小的值。

在步骤S309，向第二对象集的目标对象发送资源信息。这里，目标对象可以是第二对象集中的每个对象或者至少一部分对象。

这样，在扩量阶段精准控制广告主的投放成本效果，逐步从冷启动阶段平滑过渡到扩量阶段，帮助广告主在成本可控的情况下扩量，最终达到稳定投放的效果。

根据本公开的实施例，将智能定向广告的投放分为两个阶段：冷启动阶段和扩量阶段。针对冷启动阶段，通过多种挖掘方案，先把广告的定向人群限定在一个较窄的程度，进行数据的积累，模型的学习。然后在扩量阶段，使用操作率预测模型和转化率预测模型进行广告的预估，通过一个反馈调价的触发算法框架，动态的调整阈值，从而能够智能平滑的控制广告主的扩量节奏，保证广告主的投放成本，扩大广告的触达。

图7是根据本公开的实施例的资源信息推送装置的框图。

参照图7，资源信息推送装置700可包括第一推送模块701和第二推送模块702。资源信息推送装置700中的每个模块可由一个或多个模块来实现，并且对应模块的名称可根据模块的类型而变化。在各种实施例中，可省略资源信息推送装置700中的一些模块，或者还可包括另外的模块。此外，根据本公开的各种实施例的模块/元件可被组合以形成单个实体，并且因此可等效地执行相应模块/元件在组合之前的功能。

第一推送模块701可基于与待推送的资源信息相关联的信息确定第一对象集，并且向第一对象集中的目标对象发送资源信息。

第二推送模块702可基于第一对象集中的目标对象对资源信息的交互数据来确定是否满足扩大第一对象集的预设条件；并且在满足预设条件的情况下，确定第二对象集并且向第二对象集中的目标对象发送资源信息。

可选地，第二推送模块702可基于资源信息和第一对象集中的目标对象对资源信息的第一交互率和第二交互率来确定第一预测模型和第二预测模型是否满足评价指标；在第一预测模型和第二预测模型满足评价指标时，确定满足预设条件；在第一预测模型和第二预测模型不满足评价指标时，确定不满足预设条件。

可选地，在满足预设条件的情况下，第二推送模块702可利用第一预测模型和第二预测模型来预测用户账户对资源信息的第一交互率和第二交互率；基于预测的第一交互率和第二交互率确定符合条件的用户账户并且由符合条件的用户账户形成第二对象集。

可选地，第二推送模块702可通过对预测的第一交互率和第二交互率的乘积与预设阈值进行比较，将与大于或等于阈值的乘积对应的用户账户确定为符合条件的用户账户，其中，阈值基于资源信息的推广成本数据被确定。

可选地，在第一预测模型不满足评价指标时，第一预测模型的参数可基于以下方式被更新：获取第一对象集中的目标对象的账户信息和资源信息，其中，资源信息包括资源信息相关特征以及与资源信息相关的第一交互标签；基于账户信息和资源信息相关特征，利用第一预测模型来预测资源信息的第一交互标签；基于获取的第一交互标签和预测的第一交互标签来更新第一预测模型的参数，直到第一预测模型满足评价指标。

可选地，在第二预测模型不满足评价指标时，第二预测模型的参数可基于以下方式被更新：获取第一对象集中的目标对象的账户信息和资源信息，其中，资源信息包括资源信息相关特征以及与资源信息相关的第二交互标签；基于账户信息和资源信息相关特征，利用第二预测模型来预测资源信息的第二交互标签；基于获取的第二交互标签和预测的第二交互标签来更新第二预测模型的参数，直到第二预测模型满足评价指标。

第一推送模块701可获取待推送的资源信息，基于资源信息确定用户行为兴趣标签、用户画像信息和服务类别中的至少一种信息作为与该资源信息相关联的信息，并且基于至少一种信息确定第一对象集，可向第一对象集中的目标对象发送该资源信息。

可选地，第一推送模块701可基于与资源信息相关的推送目标、行业和关键词来确定用户行为兴趣标签；从资源信息的提供者账户下的用户画像信息和同类行业下的用户画像信息中确定与资源信息对应的用户画像信息；基于与资源信息对应的服务的相似度信息和服务推荐列表信息来确定与资源信息对应的服务类别。

可选地，第一预测模型可以是操作率预测模型，第二预测模型可以是转化率预测模型。

可选地，第二推送模块702可基于资源信息和第一对象集中的目标对象对资源信息的操作率和转换率来确定操作率预测模型和转化率预测模型是否满足预设条件；当操作率预测模型和转化率预测模型满足预设条件时，利用操作率预测模型和转化率预测模型来预测用户账户对资源信息的操作率和转化率；基于预测的操作率和转化率确定符合条件的用户账户。

第二推送模块702可向符合条件的用户发送资源信息。

可选地，第二对象集可基于资源信息将被推送到的地域和服务系统、资源信息将被推送给的用户的年龄和性别确定，并且第二对象集可不包括第一对象集的用户账户。

可选地，第二对象集可包括从第一对象集中已使用资源信息的用户扩展的对象集和资源信息的提供者设置的目标对象集中的至少一个。

可选地，第一对象集可基于资源信息将被推送到的地域和服务系统、资源信息将被推送给的用户的年龄和性别以及用户行为兴趣标签、用户画像信息和服务类别中的至少一种信息被确定。

可选地，第二推送模块702可通过对预测的操作率和转化率的乘积与阈值进行比较，将与大于或等于阈值的乘积对应的用户确定为符合条件的用户，其中，所述阈值基于资源信息的推送成本信息被确定。

可选地，当操作率预测模型不满足预设条件时，操作率预测模型可基于以下方式被更新：获取第一对象集的账户信息和资源信息，其中，资源信息包括资源信息相关特征以及资源信息是否被下发的下发标签、资源信息是否被展示的展示标签、资源信息是否被操作的操作标签中的至少一个真实标签；基于账户信息和资源信息相关特征，利用操作率预测模型来预测资源信息的下发标签、展示标签和操作标签中的至少一个预测标签；基于至少一个真实标签和至少一个预测标签来更新操作率预测模型的参数。

可选地，当转化率预测模型不满足预设条件时，转化率预测模型可基于以下方式被更新：获取第一对象集的账户信息和资源信息，其中，资源信息包括资源信息相关特征以及资源信息的浅度转化标签、资源信息的深度转化标签中的至少一个真实标签；基于账户信息和资源信息相关特征，利用转化率预测模型来预测资源信息的浅度转化标签和深度转化标签中的至少一个预测标签；基于至少一个真实标签和至少一个预测标签来更新转化率预测模型的参数。

上面已根据图1至图6详细描述了资源信息推送的方式，这里不再进行描述。

图8是本公开实施例的硬件运行环境的资源信息推送设备的结构示意图。

如图8所示，资源信息推送设备500可包括：处理组件501、通信总线502、网络接口503、输入输出接口504、存储器505以及电源组件506。其中，通信总线502用于实现这些组件之间的连接通信。输入输出接口504可以包括视频显示器(诸如，液晶显示器)、麦克风和扬声器以及用户交互接口(诸如，键盘、鼠标、触摸输入装置等)，可选地，输入输出接口504还可包括标准的有线接口、无线接口。网络接口503可选的可包括标准的有线接口、无线接口(如无线保真接口)。存储器505可以是高速的随机存取存储器，也可以是稳定的非易失性存储器。存储器505可选的还可以是独立于前述处理组件501的存储装置。

本领域技术人员可以理解，图8中示出的结构并不构成对资源信息推送设备500的限定，可包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图8所示，作为一种存储介质的存储器505中可包括操作系统(诸如MAC操作系统)、数据存储模块、网络通信模块、用户接口模块、资源信息推送程序以及数据库。

在图8所示的资源信息推送设备500中，网络接口503主要用于与外部电子设备/终端进行数据通信；输入输出接口504主要用于与用户进行数据交互；资源信息推送设备500中的处理组件501、存储器505可被设置在资源信息推送设备500中，资源信息推送设备500通过处理组件501调用存储器505中存储的程序以及由操作系统提供的各种API，执行本公开实施例提供的资源信息推送方法。

处理组件501可以包括至少一个处理器，存储器505中存储有计算机可执行指令集合，当计算机可执行指令集合被至少一个处理器执行时，执行根据本公开实施例的资源信息推送方法。然而，上述示例仅是示例性的，本公开不限于此。

处理组件501可通过执行程序来实现对资源信息推送设备500所包括的组件的控制。

作为示例，资源信息推送设备500可以是PC计算机、平板装置、个人数字助理、智能手机、或其他能够执行上述指令集合的装置。这里，资源信息推送设备500并非必须是单个的电子设备，还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。资源信息推送设备500还可以是集成控制系统或系统管理器的一部分，或者可以被配置为与本地或远程(例如，经由无线传输)以接口互联的便携式电子设备。

在资源信息推送设备500中，处理组件501可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制，处理组件501还可以包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。

处理组件501可运行存储在存储器中的指令或代码，其中，存储器505还可以存储数据。指令和数据还可以经由网络接口503而通过网络被发送和接收，其中，网络接口503可以采用任何已知的传输协议。

存储器505可以与处理组件501集成为一体，例如，将RAM或闪存布置在集成电路微处理器等之内。此外，存储器505可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可以使用的其他存储装置。存储器和处理组件501可以在操作上进行耦合，或者可以例如通过I/O端口、网络连接等互相通信，使得处理组件501能够读取存储在存储器505中的数据。

根据本公开的实施例，可提供一种电子设备。图9是根据本公开实施例的电子设备的框图，该电子设备600可包括至少一个存储器602和至少一个处理器601，所述至少一个存储器602存储有计算机可执行指令集合，当计算机可执行指令集合被至少一个处理器601执行时，执行根据本公开实施例的资源信息推送方法。

处理器601可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制，处理器601还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。

作为一种存储介质的存储器602可包括操作系统、数据存储模块、网络通信模块、用户接口模块、用于执行本公开的资源信息推送方法的程序以及数据库。

存储器602可与处理器601集成为一体，例如，可将RAM或闪存布置在集成电路微处理器等之内。此外，存储器602可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储器602和处理器601可在操作上进行耦合，或者可例如通过I/O端口、网络连接等互相通信，使得处理器601能够读取存储在存储器602中的文件。

此外，电子设备600还可包括视频显示器(诸如，液晶显示器)和用户交互接口(诸如，键盘、鼠标、触摸输入装置等)。电子设备600的所有组件可经由总线和/或网络而彼此连接。

本领域技术人员可理解，图6中示出的结构并不构成对的限定，可包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

根据本公开的实施例，还可提供一种存储指令的计算机可读存储介质，其中，当指令被至少一个处理器运行时，促使至少一个处理器执行根据本公开的资源信息推送方法。这里的计算机可读存储介质的示例包括：只读存储器(ROM)、随机存取可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)、随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、闪存、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、蓝光或光盘存储器、硬盘驱动器(HDD)、固态硬盘(SSD)、卡式存储器(诸如，多媒体卡、安全数字(SD)卡或极速数字(XD)卡)、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置，所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行，此外，在一个示例中，计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上，使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。

根据本公开的实施例中，还可提供一种计算机程序产品，该计算机程序产品中的指令可由计算机设备的处理器执行以完成上述资源信息推送方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种资源信息推送方法，其特征在于，包括：

基于与待推送的资源信息相关联的信息确定第一对象集，并且向第一对象集中的目标对象发送所述资源信息；

基于第一对象集中的目标对象对所述资源信息的交互数据来确定是否满足扩大第一对象集的预设条件；

在满足所述预设条件的情况下，确定第二对象集并且向第二对象集中的目标对象发送所述资源信息。

2.根据权利要求1所述的资源信息推送方法，其中，基于第一对象集中的目标对象对所述资源信息的交互数据来确定是否满足扩大第一对象集的预设条件，包括：

基于所述资源信息和第一对象集中的目标对象对所述资源信息的第一交互率和第二交互率来确定第一预测模型和第二预测模型是否满足评价指标；

在第一预测模型和第二预测模型满足所述评价指标时，确定满足所述预设条件；

在第一预测模型和第二预测模型不满足所述评价指标时，确定不满足所述预设条件。

3.根据权利要求2所述的资源信息推送方法，其中，在满足所述预设条件的情况下，确定第二对象集，包括：

利用第一预测模型和第二预测模型来预测用户账户对所述资源信息的第一交互率和第二交互率；

基于预测的第一交互率和第二交互率确定符合条件的用户账户并且由所述符合条件的用户账户形成第二对象集。

4.根据权利要求3所述的资源信息推送方法，其中，基于预测的第一交互率和第二交互率确定符合条件的用户账户，包括：

通过对预测的第一交互率和第二交互率的乘积与预设阈值进行比较，将与大于或等于所述阈值的所述乘积对应的用户账户确定为所述符合条件的用户账户，

其中，所述阈值基于所述资源信息的推广成本数据被确定。

5.根据权利要求2所述的资源信息推送方法，其中，在第一预测模型不满足所述评价指标时，第一预测模型的参数基于以下方式被更新：

获取第一对象集中的目标对象的账户信息和所述资源信息，其中，所述资源信息包括资源信息相关特征以及与所述资源信息相关的第一交互标签；

基于所述账户信息和所述资源信息相关特征，利用第一预测模型来预测所述资源信息的第一交互标签；

基于获取的第一交互标签和预测的第一交互标签来更新第一预测模型的参数，直到第一预测模型满足所述评价指标。

6.根据权利要求2所述的资源信息推送方法，其特征在于，在第二预测模型不满足所述评价指标时，第二预测模型的参数基于以下方式被更新：

获取第一对象集中的目标对象的账户信息和所述资源信息，其中，所述资源信息包括资源信息相关特征以及与所述资源信息相关的第二交互标签；

基于所述账户信息和所述资源信息相关特征，利用第二预测模型来预测所述资源信息的第二交互标签；

基于获取的第二交互标签和预测的第二交互标签来更新第二预测模型的参数，直到第二预测模型满足所述评价指标。

7.一种资源信息推送装置，其特征在于，包括：

第一推送模块，被配置为基于与待推送的资源信息相关联的信息确定第一对象集，并且向第一对象集中的目标对象发送所述资源信息；

第二推送模块，被配置为：基于第一对象集中的目标对象对所述资源信息的交互数据来确定是否满足扩大第一对象集的预设条件；并且在满足所述预设条件的情况下，确定第二对象集并且向第二对象集中的目标对象发送所述资源信息。

8.一种电子设备，其特征在于，包括：

至少一个处理器；

至少一个存储计算机可执行指令的存储器，

其中，所述计算机可执行指令在被所述至少一个处理器运行时，促使所述至少一个处理器执行如权利要求1到6中的任一项权利要求所述的资源信息推送方法。

9.一种存储指令的计算机可读存储介质，其特征在于，当所述指令被至少一个处理器运行时，促使所述至少一个处理器执行如权利要求1到6中的任一项权利要求所述的资源信息推送方法。

10.一种计算机程序产品，所述计算机程序产品中的指令被电子装置中的至少一个处理器运行以执行如权利要求1到6中的任一项权利要求所述的资源信息推送方法。

Images