CN115082095A - 转化率预测模型训练方法、装置、电子设备及存储介质 - Google Patents
转化率预测模型训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115082095A CN115082095A CN202110260215.7A CN202110260215A CN115082095A CN 115082095 A CN115082095 A CN 115082095A CN 202110260215 A CN202110260215 A CN 202110260215A CN 115082095 A CN115082095 A CN 115082095A
- Authority
- CN
- China
- Prior art keywords
- target
- conversion rate
- objects
- advertisement
- prediction model
- 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
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06Q30/0254—Targeted advertisements based on statistics
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种转化率预测模型训练方法、装置、电子设备及计算机可读存储介质。该转化率预测模型训练方法包括:获取目标被传达对象的第一转化率和目标未传达对象的第二转化率,其中,所述目标未传达对象是与所述目标被传达对象特征匹配的未传达对象;根据所述第一转化率和所述第二转化率,确定参考样本对象的最终转化率;根据所述最终转化率和所述匹配特征数据,拟合得到转化率预测模型,其中,所述转化率预测模型用于根据目标对象的特征数据预测目标对象的广告转化率。本申请中可以从大量的用户数据中,有效筛选出广告转化率相对较高的用户数据,进而降低进行广告推送时的信息传达成本。
Description
技术领域
本申请涉及大数据技术领域,具体涉及一种转化率预测模型训练方法、装置、电子设备及计算机可读存储介质。
背景技术
广告推送,例如电话访问、线下拜访、公众号推文推送、短信通知等是服务提供方向用户传达信息的重要方式,一般来说,广告推送是直接针对所有用户的,通过广告推送可以在一定程度上提高用户转化率。然而,不同的用户对广告推送的态度不同,例如有的用户是敏感人群(即只有在进行广告推送的情况下才会转化)、有的是自然转化人群(即无论进行广告推送与否都会转化)、有的是无动于衷人群(即无论进行广告推送与否都不会转化)、有的是反作用人群(即在不进行广告推送的情况下会转化,在进行广告推送的情况下反而不会转化)。
倘若针对所有用户均进行广告推送来传达信息,由于广告推送的对象不够精准,导致了信息的传达成本较高。因此,如何从大量的用户数据中提取出广告转化率相对较高(即敏感人群)的用户数据,以降低信息的传达成本,仍是亟待解决的问题。
发明内容
本申请提供一种转化率预测模型训练方法、装置、电子设备及计算机可读存储介质,旨在解决难以从大量的用户数据中提取广告转化率较高的用户数据,而导致信息的传达成本较高的问题。
第一方面,本申请提供一种转化率预测模型训练方法,所述方法包括:
获取目标被传达对象的第一转化率和目标未传达对象的第二转化率,其中,所述目标未传达对象是与所述目标被传达对象特征匹配的未传达对象;
根据所述第一转化率和所述第二转化率,确定参考样本对象的最终转化率,其中,所述参考样本对象是具有所述目标被传达对象与所述目标未传达对象之间的匹配特征数据的对象;
根据所述最终转化率和所述匹配特征数据,拟合得到转化率预测模型,其中,所述转化率预测模型用于根据目标对象的特征数据预测目标对象的广告转化率,所述广告转化率用于指示是否对目标对象进行广告推送。
在本申请一种可能的实现方式中,所述根据所述第一转化率和所述第二转化率,确定参考样本对象的最终转化率,包括:
获取所述第一转化率与所述第二转化率之间的差值;
将所述差值作为所述最终转化率。
在本申请一种可能的实现方式中,所述获取目标被传达对象的第一转化率和目标未传达对象的第二转化率,包括:
根据预设的样本对象的数据集合,获取目标被传达对象的数据和目标未传达对象的数据,其中,所述目标被传达对象的数据包括在预设时段内的目标被传达对象总数、所述目标被传达对象的转化数,所述目标未传达对象的数据包括在所述预设时段内的目标未传达对象总数、所述目标未传达对象的转化数;
获取所述目标被传达对象的转化数与所述目标被传达对象总数之间的比值,以作为所述第一转化率;
获取所述目标未传达对象的转化数与所述目标未传达对象总数之间的比值,以作为所述第二转化率。
在本申请一种可能的实现方式中,所述样本对象的数据集合包括每个样本对象的用户特征数据和指示标签,所述指示标签用于指示所述样本对象在预设时段内是否已被进行广告推送、以及是否已转化,所述根据预设的样本对象的数据集合,获取目标被传达对象的数据和目标未传达对象的数据,包括:
根据所述用户特征数据和所述指示标签,获取所述目标被传达对象总数以及所述目标被传达对象的转化数,得到所述目标被传达对象的数据,其中,目标被传达对象总数是在预设时段内已被进行广告推送且具有同一类型特征的样本对象的总数;
获取所述目标被传达对象的属性特征;
调用预设的倾向评分匹配算法,根据所述用户特征数据,确定与所述属性特征匹配的目标样本对象;
根据所述目标样本对象的所述指示标签,获取所述目标未传达对象总数以及所述目标未传达对象的转化数,得到所述目标未传达对象的数据,其中,目标未传达对象总数是在预设时段内已被进行广告推送的目标样本对象的总数。
在本申请一种可能的实现方式中,所述方法还包括:
获取目标对象的目标特征数据;
调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率。
在本申请一种可能的实现方式中,所述目标对象包括多个,所述调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率,之后还包括:
根据所述目标广告转化率,从多个所述目标对象中确定待传达对象,其中,所述待传达对象是目标广告转化率大于预设阈值的目标对象,或者所述待传达对象是目标广告转化率最大的N个目标对象;
发送目标信息至所述待传达对象。
在本申请一种可能的实现方式中,所述调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率,之后还包括:
根据所述目标广告转化率和预设的分类策略,对所述目标对象进行分类,得到所述目标对象的对象类别,其中,所述对象类别用于指示是否对所述目标对象进行广告推送。
第二方面,本申请提供一种转化率预测模型训练装置,所述转化率预测模型训练装置包括:
获取单元,用于获取目标被传达对象的第一转化率和目标未传达对象的第二转化率,其中,所述目标未传达对象是与所述目标被传达对象特征匹配的未传达对象;
确定单元,用于根据所述第一转化率和所述第二转化率,确定参考样本对象的最终转化率,其中,所述参考样本对象是具有所述目标被传达对象与所述目标未传达对象之间的匹配特征数据的对象;
拟合单元,用于根据所述最终转化率和所述匹配特征数据,拟合得到转化率预测模型,其中,所述转化率预测模型用于根据目标对象的特征数据预测目标对象的广告转化率,所述广告转化率用于指示是否对目标对象进行广告推送。
在本申请一种可能的实现方式中,所述确定单元具体用于:
获取所述第一转化率与所述第二转化率之间的差值;
将所述差值作为所述最终转化率。
在本申请一种可能的实现方式中,所述获取单元具体用于:
根据预设的样本对象的数据集合,获取目标被传达对象的数据和目标未传达对象的数据,其中,所述目标被传达对象的数据包括在预设时段内的目标被传达对象总数、所述目标被传达对象的转化数,所述目标未传达对象的数据包括在所述预设时段内的目标未传达对象总数、所述目标未传达对象的转化数;
获取所述目标被传达对象的转化数与所述目标被传达对象总数之间的比值,以作为所述第一转化率;
获取所述目标未传达对象的转化数与所述目标未传达对象总数之间的比值,以作为所述第二转化率。
在本申请一种可能的实现方式中,所述样本对象的数据集合包括每个样本对象的用户特征数据和指示标签,所述指示标签用于指示所述样本对象在预设时段内是否已被进行广告推送、以及是否已转化,所述获取单元具体用于:
根据所述用户特征数据和所述指示标签,获取所述目标被传达对象总数以及所述目标被传达对象的转化数,得到所述目标被传达对象的数据,其中,目标被传达对象总数是在预设时段内已被进行广告推送且具有同一类型特征的样本对象的总数;
获取所述目标被传达对象的属性特征;
调用预设的倾向评分匹配算法,根据所述用户特征数据,确定与所述属性特征匹配的目标样本对象;
根据所述目标样本对象的所述指示标签,获取所述目标未传达对象总数以及所述目标未传达对象的转化数,得到所述目标未传达对象的数据,其中,目标未传达对象总数是在预设时段内已被进行广告推送的目标样本对象的总数。
在本申请一种可能的实现方式中,所述转化率预测模型训练装置还包括预测单元,所述预测单元具体用于:
获取目标对象的目标特征数据;
调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率。
在本申请一种可能的实现方式中,所述转化率预测模型训练装置还包括发送单元,所述目标对象包括多个,在所述调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率的步骤之后,所述发送单元具体用于:
根据所述目标广告转化率,从多个所述目标对象中确定待传达对象,其中,所述待传达对象是目标广告转化率大于预设阈值的目标对象,或者所述待传达对象是目标广告转化率最大的N个目标对象;
发送目标信息至所述待传达对象。
在本申请一种可能的实现方式中,所述转化率预测模型训练装置还包括分类单元,在所述调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率的步骤之后,所述分类单元具体用于:
根据所述目标广告转化率和预设的分类策略,对所述目标对象进行分类,得到所述目标对象的对象类别,其中,所述对象类别用于指示是否对所述目标对象进行广告推送。
第三方面,本申请还提供一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行本申请提供的任一种转化率预测模型训练方法中的步骤。
第四方面,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的转化率预测模型训练方法中的步骤。
本申请通过根据被传达对象的第一转化率与目标未传达对象的第二转化率,确定参考样本对象的最终转化率;再根据参考样本对象的最终转化率、以及被传达对象与未传达对象之间的匹配特征数据,拟合得到转化率预测模型;由于结合了同一用户在进行广告推送的情况下会转化的概率、以及在不进行广告推送的情况下会转化的概率拟合转化率预测模型,使得转化率预测模型在预测用户的广告转化率时,可以有效地区分高转化率的自然转化人群、与高转化率的敏感人群,进而可以从大量的用户数据中,有效筛选出广告转化率相对较高的用户数据,进而降低进行广告推送时的信息传达成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例所提供的转化率预测模型训练系统的场景示意图;
图2是本申请实施例中提供的转化率预测模型训练方法的一种流程示意图;
图3是本申请实施例中提供的步骤201的一个实施例流程示意图;
图4是本申请实施例中指示标签的一种说明示意图;
图5是本申请实施例中提供的发送目标信息至待传达对象的流程说明示意图;
图6是本申请实施例中提供的对目标对象进行分类的流程说明示意图;
图7是本申请实施例中提供的转化率预测模型训练装置的一个实施例结构示意图;
图8是本申请实施例中提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请实施例的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示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一个或者更多个所述特征。在本申请实施例的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
为了使本领域任何技术人员能够实现和使用本申请,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实例中,不会对公知的过程进行详细阐述,以避免不必要的细节使本申请实施例的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请实施例所公开的原理和特征的最广范围相一致。
本申请实施例提供一种转化率预测模型训练方法、装置、电子设备和计算机可读存储介质。其中,该转化率预测模型训练装置可以集成在电子设备中,该电子设备可以是服务器,也可以是终端等设备。
本申请实施例转化率预测模型训练方法的执行主体可以为本申请实施例提供的转化率预测模型训练装置,或者集成了该转化率预测模型训练装置的服务器设备、物理主机或者用户设备(User Equipment,UE)等不同类型的电子设备,其中,转化率预测模型训练装置可以采用硬件或者软件的方式实现,UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(Personal Digital Assistant,PDA)等终端设备。
该电子设备可以采用单独运行的工作方式,或者也可以采用设备集群的工作方式,通过应用本申请实施例提供的转化率预测模型训练方法,可以从大量的用户数据中,有效筛选出广告转化率相对较高的用户数据,进而降低进行广告推送时的信息传达成本。
参见图1,图1是本申请实施例所提供的转化率预测模型训练系统的场景示意图。其中,该转化率预测模型训练系统可以包括电子设备100,电子设备100中集成有转化率预测模型训练装置。例如,该电子设备可以获取目标被传达对象的第一转化率和目标未传达对象的第二转化率,其中,所述目标未传达对象是与所述目标被传达对象特征匹配的未传达对象;根据所述第一转化率和所述第二转化率,确定参考样本对象的最终转化率,其中,所述参考样本对象是具有所述目标被传达对象与所述目标未传达对象之间的匹配特征数据的对象;根据所述最终转化率和所述匹配特征数据,拟合得到转化率预测模型,其中,所述转化率预测模型用于根据目标对象的特征数据预测目标对象的广告转化率,所述广告转化率用于指示是否对目标对象进行广告推送。
另外,如图1所示,该转化率预测模型训练系统还可以包括存储器200,用于存储数据,如存储样本对象的数据。
需要说明的是,图1所示的转化率预测模型训练系统的场景示意图仅仅是一个示例,本申请实施例描述的转化率预测模型训练系统以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着转化率预测模型训练系统的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
下面,开始介绍本申请实施例提供的转化率预测模型训练方法,本申请实施例中以电子设备作为执行主体,为了简化与便于描述,后续方法实施例中将省略该执行主体。
参照图2,图2是本申请实施例提供的转化率预测模型训练方法的一种流程示意图。需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。该转化率预测模型训练方法包括步骤201~203,其中:
201、获取目标被传达对象的第一转化率和目标未传达对象的第二转化率。
其中,所述目标未传达对象是与所述目标被传达对象特征匹配的未传达对象。所述目标被传达对象是指同一特征类型的被传达对象。
本申请实施例中,广告推送的方式可以有多种,例如电话访问、线下拜访、公众号推文推送、短信通知等。广告推送的内容也可以有多种,例如线上红包、优惠券、文章等等,具体可以根据实际业务场景需求而调整,不以此为限。
其中,被传达对象是指进行了广告推送的用户。根据实际业务场景的不同,被传达对象可以有多种表现形式,比如,在广告推送是通过公众号推送的场景下,被传达对象可以是该公众号的关注账号;又如,在广告推送是通过线下拜访推送的场景下,被传达对象可以是人。
未传达对象是指未进行广告推送的用户。与被传达对象类似,根据实际业务场景的不同,未传达对象也可以有多种表现形式。
与目标被传达对象特征匹配是指与目标被传达对象的用户特征数据相同或相近,即目标未传达对象是指未传达对象中,用户特征数据与目标被传达对象的用户特征数据相同或相近的对象。其中,用户特征数据可以根据具体场景需求而设置。例如,目标被传达对象是某物流公司公众号的关注账号A,关注账号A的用户特征数据可以是关注账号A的收寄件量特征、线上活跃特征、地域特征、会员信息等数据。
在一些实施例中,目标被传达对象和目标未传达对象可以是同一用户。在另一些实施例中,目标被传达对象和目标未传达对象是用户特征数据相同或相近的不同用户。
本申请实施例中,用户转化是指用户存在预设的特定行为。其中,预设的特定行为可以根据具体的业务场景需求而设置,此处不作限定;例如,广告推送是进行寄件优惠推文,以促使用户寄件,则用户转化是指用户寄件。
第一转化率用于指示具有某种特征的用户在进行广告推送的情况下会转化的概率。例如,收寄件量特征、线上活跃特征、地域特征、会员信息相同或相近的用户,在进行广告推送的情况下会转化的概率。
第二转化率用于指示具有某种特征的用户在不进行广告推送的情况下会转化的概率。例如,收寄件量特征、线上活跃特征、地域特征、会员信息相同或相近的用户,在不进行广告推送的情况下会转化的概率。
202、根据所述第一转化率和所述第二转化率,确定参考样本对象的最终转化率。
其中,所述参考样本对象是具有所述目标被传达对象与所述目标未传达对象之间的匹配特征数据的对象。匹配特征数据是指所述目标被传达对象与所述目标未传达对象之间相同或相近的用户特征数据。
其中,最终转化率用于指示由于进行广告推送而造成参考样本对象转化的概率,最终转化率是根据第一转化率和第二转化率确定得到。步骤203中确定最终转化率的方式有多种,示例性地,包括:
(1)获取所述第一转化率与所述第二转化率之间的差值;将所述差值作为所述最终转化率。例如,第一转化率为80%、第二转化率为10%,则最终转化率为:80%-10%=70%。
(2)根据所述第一转化率、所述第二转化率以及所述第一转化率和所述第二转化率与最终转化率的预设关系式,确定所述最终转化率。例如,第一转化率和第二转化率与最终转化率的预设关系式为y=a*x1-b*x2,其中,y表示最终转化率,x1、x2分别表示第一转化率、第二转化率,a、b分别表示第一转化率、第二转化率的权重系数。若a、b分别为1.2、1,第一转化率为80%、第二转化率为10%,则最终转化率为:80%*1.2-10%*1=86%。
203、根据所述最终转化率和所述匹配特征数据,拟合得到转化率预测模型。
其中,所述转化率预测模型用于根据目标对象的特征数据预测目标对象的广告转化率。目标对象是具有某种特征的用户。如下公式(1)所式,拟合得到的转化率预测模型可以指示用户的特征数据与用户的广告转化率之间的关系。
y=f(x) 公式(1)
其中,y表示目标对象的广告转化率,x表示目标对象的特征数据,f(x)可以根据具体需求而设置,此处不做限定,例如,y=f(x)=A*x2+B*x+C,A、B、C为常数。
本申请实施例中,广告转化率用于指示由于进行广告推送而造成用户转化的概率,具体可以用于指示用户是敏感人群(即只有在进行广告推送的情况下才会转化)的可能性。根据目标对象的特征数据预测目标对象的广告转化率之后,所述广告转化率可以用于指示是否对目标对象进行广告推送,以实现对广告转化率相对较高用户(即敏感人群)进行广告推送。
如下公式(2)所示,可以通过预测目标对象在被进行广告推送的情况下会转化的概率是多少,然后选取转化率高的目标对象进行广告推送。
P1=G(Yi|Xi,T=1) 公式(2)
其中,P1表示目标对象在被进行广告推送的情况下会转化的概率,G表示转化的概率,Xi表示用户i的用户特征数据,Yi表示用户i是否转化,T表示是否进行广告推送(此处,T=1表示进行了广告推送、T=0表示不进行广告推送)。
但是,由于有的用户是敏感人群(即只有在进行广告推送的情况下才会转化)、有的用户是自然转化人群(即无论进行广告推送与否都会转化)、有的用户是无动于衷人群(即无论进行广告推送与否都不会转化)、有的用户是反作用人群(即在不进行广告推送的情况下会转化,在进行广告推送的情况下反而不会转化)。依据直接预测目标对象在进行广告推送的情况下会转化的概率进行广告推送,可以筛选出敏感人群进行广告推送,但势必包含了自然转化人群,会造成资源浪费。
因此,本申请实施例中,结合同一用户在进行广告推送的情况下会转化的概率、以及在不进行广告推送的情况下会转化的概率,确定用户的广告转化率,以避免筛选出高转化率的自然转化人群进行广告推送,从而造成资源浪费。
如下公式(3)所示,同一用户在进行广告推送的情况下会转化的概率、与在不进行广告推送的情况下会转化的概率之间的差值,可以作为该用户的广告转化率。该用户的广告转化率越大,表明该用户越有可能是敏感人群。
P2=G(Yi|Xi,T=1)-G(Yi|Xi,T=0) 公式(3)
其中,P2表示用户的广告转化率,G表示转化的概率,Xi表示用户i的用户特征数据,Yi表示用户i是否转化,T表示是否进行广告推送(此处,T=1表示进行了广告推送、T=0表示不进行广告推送)。
可见,通过根据目标被传达对象的第一转化率与目标未传达对象的第二转化率,确定参考样本对象的最终转化率;再根据参考样本对象的最终转化率、以及目标被传达对象与目标未传达对象之间的匹配特征数据,拟合得到转化率预测模型;由于结合了同一用户在进行广告推送的情况下会转化的概率、以及在不进行广告推送的情况下会转化的概率拟合转化率预测模型,使得转化率预测模型在预测用户的广告转化率时,可以有效地区分高转化率的自然转化人群、与高转化率的敏感人群,进而可以从大量的用户数据中,有效筛选出广告转化率相对较高的用户数据,进而降低进行广告推送时的信息传达成本。
上述步骤202中,通过获取所述第一转化率与所述第二转化率之间的差值作为参考样本对象的最终转化率,再根据参考样本对象的最终转化率和匹配特征数据拟合得到转化率预测模型,由于第一转化率与第二转化率之间的差值可以综合自然转化人群的转化概率、敏感人群的转化概率,使得拟合得到的转化率预测模型可以有效地区分高转化率的自然转化人群、与高转化率的敏感人群。
上述步骤201中,“获取目标被传达对象的第一转化率和目标未传达对象的第二转化率”的方式有多种,示例性地,在一些实施例中,步骤201具体可以包括:获取在预设时段内的目标被传达对象总数、所述目标被传达对象的转化数在所述预设时段内的目标未传达对象总数、和所述目标未传达对象的转化数;并根据目标被传达对象的转化数、目标被传达对象总数与转化率之间的第一预设关系,确定目标被传达对象的第一转化率。根据目标未传达对象的转化数、目标未传达对象总数与转化率之间的第二预设关系,确定目标未传达对象的第二转化率。
其中,第一预设关系可以根据具体业务场景而设置,例如,第一预设关系是:目标被传达对象的转化数与目标被传达对象总数之间的比值,作为第一转化率。与第一预设关系类似,第二也可以根据具体业务场景而设置,例如,第一预设关系是:目标被传达对象的转化数与目标被传达对象总数之间的比值,作为第一转化率。如图3所示,此时,步骤201具体包括以下步骤2011A~2013A:
2011A、根据预设的样本对象的数据集合,获取目标被传达对象的数据和目标未传达对象的数据。
其中,所述目标被传达对象的数据包括在预设时段内的目标被传达对象总数、所述目标被传达对象的转化数,所述目标未传达对象的数据包括在所述预设时段内的目标未传达对象总数、所述目标未传达对象的转化数。
其中,预设时段可以是过去的一天、一个星期、一个月、一年等等,具体可以根据实际需求而设置,此处不作限制。
样本对象的数据集合可以包括预设的多个样本对象的数据,具体可以包括每个样本对象的用户特征数据、是否已被进行广告推送、进行广告推送的时间、是否转化等信息。
样本对象可以根据具体的业务场景而设置,例如,样本对象可以是某物流公司公众号的关注用户,此时,样本对象的数据集合是该物流公司公众号的关注用户的数据集合,样本对象的数据集合具体可以是每个关注用户的用户特征数据、是否已被进行广告推送、进行广告推送的时间、是否转化等信息;其中,用户转化是指用户领取寄件红包并完成寄件任务。
从该物流公司公众号的关注用户的数据中,可以获得该物流公司公众号的关注用户包括a1、a2、a3、...、a20共20个,其中,a1~a10是同一特征类型的关注用户、且在过去一个月内对a1~a10进行了公众号推文(即a1~a10是同一特征类型的被传达对象,也即a1~a10是目标被传达对象),a11~a20是与目标被传达对象a1~a10特征匹配的同一特征类型的关注用户、且在过去一个月内没有对a11~a20进行公众号推文(即a11~a20是目标未传达对象)。即目标被传达对象总数为10,目标未传达对象总数为10。
目标被传达对象a1~a10中共有6用户领取寄件红包并完成寄件任务,即目标被传达对象的转化数为6;目标未传达对象a11~a20中共有3用户领取寄件红包并完成寄件任务,即目标未传达对象的转化数为3。
2012A、获取所述目标被传达对象的转化数与所述目标被传达对象总数之间的比值,以作为所述第一转化率。
为了方便理解,接以上步骤2021A的例子继续说明,目标被传达对象的第一转化率为:目标被传达对象的转化数/目标被传达对象总数=6/10。
2013A、获取所述目标未传达对象的转化数与所述目标未传达对象总数之间的比值,以作为所述第二转化率。
为了方便理解,接以上步骤2021A的例子继续说明,目标未传达对象的第二转化率为:目标未传达对象的转化数/目标未传达对象总数=3/10。
又如,第一预设关系如下公式(4)所示、第二预设关系如下公式(5)所示:
其中,G1表示第一转化率,n1、n2分别表示目标被传达对象的转化数、目标被传达对象总数,a为比例系数。
其中,G2表示第二转化率,n3、n4分别表示目标未传达对象的转化数、目标未传达对象总数,b为比例系数。
则,此时,步骤201具体包括以下步骤2011B~2013B:
2011B、根据预设的样本对象的数据集合,获取目标被传达对象的数据和目标未传达对象的数据。
其中,所述目标被传达对象的数据包括在预设时段内的目标被传达对象总数、所述目标被传达对象的转化数,所述目标未传达对象的数据包括在所述预设时段内的目标未传达对象总数、所述目标未传达对象的转化数。
步骤2011B和步骤2011A的具体实现类似,具体可以参考2011A部分的说明,此处不再赘述。
2012B、获取所述目标被传达对象的转化数与所述目标被传达对象总数之间的第一比值,并获取所述第一比值与预设的第一比例系数之间的乘积作为所述第一转化率。其中,预设的第一比例系数可以根据实际需求而设置,此处不作限制。
2013B、获取所述目标未传达对象的转化数与所述目标未传达对象总数之间的第二比值,并获取所述第二比值与预设的第二比例系数之间的乘积作为所述第二转化率。其中,预设的第二比例系数可以根据实际需求而设置,此处不作限制。
进一步地,在一些实施例中,上述步骤2011A具体可以包括如下步骤a~d,其中:
a、根据所述用户特征数据和所述指示标签,获取所述目标被传达对象总数以及所述目标被传达对象的转化数,得到所述目标被传达对象的数据。
其中,所述样本对象的数据集合包括每个样本对象的用户特征数据和指示标签。所述指示标签用于指示所述样本对象在预设时段内是否已被进行广告推送、以及是否已转化。
其中,目标被传达对象总数是在预设时段内已被进行广告推送且具有同一类型特征的样本对象的总数。
例如,样本对象可以是某物流公司公众号的关注用户,样本对象的数据集合是该物流公司公众号的关注用户的数据集合,具体可以是每个关注用户的用户特征数据、是否已被进行广告推送、进行广告推送的时间、是否转化等信息。对关注用户进行广告推送是指向关注用户进行公众号推文,用户转化是指关注用户领取寄件红包并完成寄件任务。
如图4所示,指示标签为“2”表示样本对象在预设时段内已被进行广告推送、且样本对象已转化。指示标签为“-2”表示样本对象在预设时段内未被进行广告推送、但样本对象已转化。指示标签为“0”表示其他情况,比如样本对象在预设时段内已被进行广告推送、但样本对象未转化,或者样本对象在预设时段内未被进行广告推送、但样本对象已转化。
具体地,根据该物流公司公众号的关注用户的数据集合,可以统计在预设时段内已被进行广告推送且具有同一类型特征,如收寄件量特征、线上活跃特征、地域特征、会员信息均相同的关注用户(即样本对象)的总数,以作为目标被传达对象总数。然后,统计指示标签为“2”(即在预设时段内已被进行广告推送、且已转化)的关注用户的总数,以作为目标被传达对象的转化数。
此处,指示标签仅为举例,具体可以根据实际需求而调整,不以此为限。
b、获取所述目标被传达对象的属性特征。
其中,属性特征是指目标被传达对象的用户特征数据。
c、调用预设的倾向评分匹配算法,根据所述用户特征数据,确定与所述属性特征匹配的目标样本对象。
由于存在反事实现象,当对用户进行广告推送以确定该用户在进行广告推送时的转化概率,就无法得知该用户在不进行广告推送时的转化概率。例如,在广告推送是公众号推文的场景下,对用户进行公众号推文和对用户不进行公众号推文不可能同时发生。为此,本申请的一些实施例中,通过预设的倾向评分匹配算法从预设的样本对象中,查找出在数据特征上与目标被传达对象表现一致的目标样本对象,从而避免由于反事实现象而导致的第一转化率和第二转化率的可靠性低的问题,在一定程度上提高了第一转化率和第二转化率的可靠性。
例如,本申请实施例中,采用预设的倾向评分匹配算法(Propensity ScoreMatching,PSM)根据所述用户特征数据,确定与所述属性特征匹配的目标样本对象。
PSM算法是一种统计学方法,用于处理观察研究的数据。在观察研究中,由于种种原因,数据偏差(bias)和混杂变量(confounding variable)较多,PSM算法正是为了减少这些偏差和混杂变量的影响,以便对实验组和对照组进行更合理的比较。从统计学角度分析原因,这是因为观察研究并未采用随机分组的方法,无法基于大数定理的作用,在实验组和对照组之间削弱混杂变量的影响,很容易产生系统性的偏差。倾向评分匹配就是用来解决这个问题,消除组别之间的干扰因素。其中,本申请实施例中,目标被传达对象可以视为实验组,目标未传达对象可以视为对照组。
d、根据所述目标样本对象的所述指示标签,获取所述目标未传达对象总数以及所述目标未传达对象的转化数,得到所述目标未传达对象的数据。
其中,目标未传达对象总数是在预设时段内已被进行广告推送的目标样本对象的总数。
为了方便理解,接以上步骤a中的例子继续说明。例如,在确定目标样本对象(如该物流公司公众号的关注用户1、2、3、...、10)之后,根据目标样本对象的指示标签(如关注用户1、2、3、...、10是否已被进行广告推送、进行广告推送的时间、是否转化等信息),可以统计出目标样本对象的总数,以作为目标未传达对象总数。然后,统计目标样本对象中指示标签为“-2”(即在预设时段内未被进行广告推送、但已转化)的关注用户的总数,以作为目标未传达对象的转化数。
在拟合得到转化率预测模型之后,所述转化率预测模型训练方法还包括步骤501~502,其中:
501、获取目标对象的目标特征数据。
502、调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率。其中,目标特征数据是指目标对象的用户特征数据。
由于结合了同一用户在进行广告推送的情况下会转化的概率、以及在不进行广告推送的情况下会转化的概率拟合转化率预测模型,通过调用上述步骤203中拟合得到的转化率预测模型根据目标对象的用户特征数据进行预测,得到目标对象的目标广告转化率,使得转化率预测模型在预测用户的广告转化率时,可以有效地区分高转化率的自然转化人群、与高转化率的敏感人群,进而可以从大量的用户数据中,有效筛选出广告转化率相对较高的用户数据,进而降低进行广告推送时的信息传达成本。
进一步地,目标对象可以有多个,可以调用转化率预测模型分别根据每个目标对象的目标特征数据,预测每个目标对象的目标广告转化率。然后,再根据每个目标对象的目标广告转化率,例如目标广告转化率是否大于阈值阈值、广告转化率是否处于多个目标对象中的前N名,确定是否对目标对象进行广告推送。若确定对目标对象进行广告推送,则可以自动匹配对应的目标对象进行广告推送。
如图5所示,即在本申请的一些实施例中,所述目标对象包括多个,所述调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率的步骤之后还包括503~504,其中:
503、根据所述目标广告转化率,从多个所述目标对象中确定待传达对象;
504、发送目标信息至所述待传达对象。其中,所述待传达对象是目标广告转化率大于预设阈值的目标对象,或者所述待传达对象是目标广告转化率最大的N个目标对象。
例如,待传达对象是目标广告转化率大于预设阈值,如80%的目标对象,当预测出多个目标对象,如公众号的关注用户1、2、3、4的目标广告转化率分别为20%、40%、85%、90%时,则确定待传达对象为关注用户3和4,并分别发送目标信息,如公众号推文至关注用户3和4。
又如,待传达对象是目标广告转化率最大的N个,如2个目标对象,当预测出多个目标对象,如公众号的关注用户1、2、3、4、5的目标广告转化率分别为95%、40%、85%、90%、10%时,则确定待传达对象为关注用户1和4,并分别发送目标信息,如公众号推文至关注用户1和4。
进一步,为了便于确定是敏感人群、自然转化人群、无动于衷人群、反作用人群中的哪一种,在确定目标对象的目标广告转化率之后,还可以对目标对象进一步分类,以确定是否对目标对象进行广告推送。进而便于从大量的用户数据中提取出广告转化率相对较高(即敏感人群)的用户数据,降低信息的传达成本。
如图6所示,即所述调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率,之后还包括步骤505:
505、根据所述目标广告转化率和预设的分类策略,对所述目标对象进行分类,得到所述目标对象的对象类别。其中,所述对象类别用于指示是否对所述目标对象进行广告推送。
例如,预设的对象类别包括敏感人群、自然转化人群、无动于衷人群、反作用人群四种类别,预设的分类策略为:目标广告转化率<10%、10%≤目标广告转化率<50%、50%≤目标广告转化率<70%、70%≤目标广告转化率<100%的对象分别归类为反作用人群、无动于衷人群、自然转化人群、敏感人群。当预测出多个目标对象,如公众号的关注用户1、2、3、4的目标广告转化率分别为9%、40%、68%、90%时,则可以将关注用户1、2、3、4的分别归类为反作用人群、无动于衷人群、自然转化人群、敏感人群。
此处,预设的分类策略、对象类别仅为举例,具体可以根据实际需求而设置,不以此为限。
可以理解的是,为了方便理解,本文中采用了“广告推送”进行了表述,事实上,本文中所描述的“广告推送”不应当理解上狭义意义上的广告推送,其可以包括文章推送、消息推送等等。
为了更好实施本申请实施例中转化率预测模型训练方法,在转化率预测模型训练方法基础之上,本申请实施例中还提供一种转化率预测模型训练装置,如图7所示,为本申请实施例中转化率预测模型训练装置的一个实施例结构示意图,该转化率预测模型训练装置700包括:
获取单元701,用于获取目标被传达对象的第一转化率和目标未传达对象的第二转化率,其中,所述目标未传达对象是与所述目标被传达对象特征匹配的未传达对象;
确定单元702,用于根据所述第一转化率和所述第二转化率,确定参考样本对象的最终转化率,其中,所述参考样本对象是具有所述目标被传达对象与所述目标未传达对象之间的匹配特征数据的对象;
拟合单元703,用于根据所述最终转化率和所述匹配特征数据,拟合得到转化率预测模型,其中,所述转化率预测模型用于根据目标对象的特征数据预测目标对象的广告转化率,所述广告转化率用于指示是否对目标对象进行广告推送。
在本申请一种可能的实现方式中,所述确定单元702具体用于:
获取所述第一转化率与所述第二转化率之间的差值;
将所述差值作为所述最终转化率。
在本申请一种可能的实现方式中,所述获取单元701具体用于:
根据预设的样本对象的数据集合,获取目标被传达对象的数据和目标未传达对象的数据,其中,所述目标被传达对象的数据包括在预设时段内的目标被传达对象总数、所述目标被传达对象的转化数,所述目标未传达对象的数据包括在所述预设时段内的目标未传达对象总数、所述目标未传达对象的转化数;
获取所述目标被传达对象的转化数与所述目标被传达对象总数之间的比值,以作为所述第一转化率;
获取所述目标未传达对象的转化数与所述目标未传达对象总数之间的比值,以作为所述第二转化率。
在本申请一种可能的实现方式中,所述样本对象的数据集合包括每个样本对象的用户特征数据和指示标签,所述指示标签用于指示所述样本对象在预设时段内是否已被进行广告推送、以及是否已转化,所述获取单元701具体用于:
根据所述用户特征数据和所述指示标签,获取所述目标被传达对象总数以及所述目标被传达对象的转化数,得到所述目标被传达对象的数据,其中,目标被传达对象总数是在预设时段内已被进行广告推送且具有同一类型特征的样本对象的总数;
获取所述目标被传达对象的属性特征;
调用预设的倾向评分匹配算法,根据所述用户特征数据,确定与所述属性特征匹配的目标样本对象;
根据所述目标样本对象的所述指示标签,获取所述目标未传达对象总数以及所述目标未传达对象的转化数,得到所述目标未传达对象的数据,其中,目标未传达对象总数是在预设时段内已被进行广告推送的目标样本对象的总数。
在本申请一种可能的实现方式中,所述转化率预测模型训练装置700还包括预测单元(图中未示出),所述预测单元具体用于:
获取目标对象的目标特征数据;
调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率。
在本申请一种可能的实现方式中,所述转化率预测模型训练装置700还包括发送单元(图中未示出),所述目标对象包括多个,在所述调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率的步骤之后,所述发送单元具体用于:
根据所述目标广告转化率,从多个所述目标对象中确定待传达对象,其中,所述待传达对象是目标广告转化率大于预设阈值的目标对象,或者所述待传达对象是目标广告转化率最大的N个目标对象;
发送目标信息至所述待传达对象。
在本申请一种可能的实现方式中,所述转化率预测模型训练装置700还包括分类单元(图中未示出),在所述调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率的步骤之后,所述分类单元具体用于:
根据所述目标广告转化率和预设的分类策略,对所述目标对象进行分类,得到所述目标对象的对象类别,其中,所述对象类别用于指示是否对所述目标对象进行广告推送。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由于该转化率预测模型训练装置可以执行本申请如图1至图6对应任意实施例中转化率预测模型训练方法中的步骤,因此,可以实现本申请如图1至图6对应任意实施例中转化率预测模型训练方法所能实现的有益效果,详见前面的说明,在此不再赘述。
此外,为了更好实施本申请实施例中转化率预测模型训练方法,在转化率预测模型训练方法基础之上,本申请实施例还提供一种电子设备,参阅图8,图8示出了本申请实施例电子设备的一种结构示意图,具体的,本申请实施例提供的电子设备包括处理器801,处理器801用于执行存储器802中存储的计算机程序时实现如图1至图6对应任意实施例中转化率预测模型训练方法的各步骤;或者,处理器801用于执行存储器802中存储的计算机程序时实现如图7对应实施例中各单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器802中,并由处理器801执行,以完成本申请实施例。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。
电子设备可包括,但不仅限于处理器801、存储器802。本领域技术人员可以理解,示意仅仅是电子设备的示例,并不构成对电子设备的限定,可以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,例如电子备还可以包括输入输出设备、网络接入设备、总线等,处理器801、存储器802、输入输出设备以及网络接入设备等通过总线相连。
处理器801可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
存储器802可用于存储计算机程序和/或模块,处理器801通过运行或执行存储在存储器802内的计算机程序和/或模块,以及调用存储在存储器802内的数据,实现计算机装置的各种功能。存储器802可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、视频数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的转化率预测模型训练装置、电子设备及其相应单元的具体工作过程,可以参考如图1至图6对应任意实施例中转化率预测模型训练方法的说明,具体在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请如图1至图6对应任意实施例中转化率预测模型训练方法中的步骤,具体操作可参考如图1至图6对应任意实施例中转化率预测模型训练方法的说明,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请如图1至图6对应任意实施例中转化率预测模型训练方法中的步骤,因此,可以实现本申请如图1至图6对应任意实施例中转化率预测模型训练方法所能实现的有益效果,详见前面的说明,在此不再赘述。
以上对本申请实施例所提供的一种转化率预测模型训练方法、装置、电子设备及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种转化率预测模型训练方法,其特征在于,所述方法包括:
获取目标被传达对象的第一转化率和目标未传达对象的第二转化率,其中,所述目标未传达对象是与所述目标被传达对象特征匹配的未传达对象;
根据所述第一转化率和所述第二转化率,确定参考样本对象的最终转化率,其中,所述参考样本对象是具有所述目标被传达对象与所述目标未传达对象之间的匹配特征数据的对象;
根据所述最终转化率和所述匹配特征数据,拟合得到转化率预测模型,其中,所述转化率预测模型用于根据目标对象的特征数据预测目标对象的广告转化率,所述广告转化率用于指示是否对目标对象进行广告推送。
2.根据权利要求1所述的转化率预测模型训练方法,其特征在于,所述根据所述第一转化率和所述第二转化率,确定参考样本对象的最终转化率,包括:
获取所述第一转化率与所述第二转化率之间的差值;
将所述差值作为所述最终转化率。
3.根据权利要求1所述的转化率预测模型训练方法,其特征在于,所述获取目标被传达对象的第一转化率和目标未传达对象的第二转化率,包括:
根据预设的样本对象的数据集合,获取目标被传达对象的数据和目标未传达对象的数据,其中,所述目标被传达对象的数据包括在预设时段内的目标被传达对象总数、所述目标被传达对象的转化数,所述目标未传达对象的数据包括在所述预设时段内的目标未传达对象总数、所述目标未传达对象的转化数;
获取所述目标被传达对象的转化数与所述目标被传达对象总数之间的比值,以作为所述第一转化率;
获取所述目标未传达对象的转化数与所述目标未传达对象总数之间的比值,以作为所述第二转化率。
4.根据权利要求3所述的转化率预测模型训练方法,其特征在于,所述样本对象的数据集合包括每个样本对象的用户特征数据和指示标签,所述指示标签用于指示所述样本对象在预设时段内是否已被进行广告推送、以及是否已转化,所述根据预设的样本对象的数据集合,获取目标被传达对象的数据和目标未传达对象的数据,包括:
根据所述用户特征数据和所述指示标签,获取所述目标被传达对象总数以及所述目标被传达对象的转化数,得到所述目标被传达对象的数据,其中,目标被传达对象总数是在预设时段内已被进行广告推送且具有同一类型特征的样本对象的总数;
获取所述目标被传达对象的属性特征;
调用预设的倾向评分匹配算法,根据所述用户特征数据,确定与所述属性特征匹配的目标样本对象;
根据所述目标样本对象的所述指示标签,获取所述目标未传达对象总数以及所述目标未传达对象的转化数,得到所述目标未传达对象的数据,其中,目标未传达对象总数是在预设时段内已被进行广告推送的目标样本对象的总数。
5.根据权利要求1所述的转化率预测模型训练方法,其特征在于,所述方法还包括:
获取目标对象的目标特征数据;
调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率。
6.根据权利要求5所述的转化率预测模型训练方法,其特征在于,所述目标对象包括多个,所述调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率,之后还包括:
根据所述目标广告转化率,从多个所述目标对象中确定待传达对象,其中,所述待传达对象是目标广告转化率大于预设阈值的目标对象,或者所述待传达对象是目标广告转化率最大的N个目标对象;
发送目标信息至所述待传达对象。
7.根据权利要求5所述的转化率预测模型训练方法,其特征在于,所述调用所述转化率预测模型,根据所述目标特征数据预测所述目标对象的目标广告转化率,之后还包括:
根据所述目标广告转化率和预设的分类策略,对所述目标对象进行分类,得到所述目标对象的对象类别,其中,所述对象类别用于指示是否对所述目标对象进行广告推送。
8.一种转化率预测模型训练装置,其特征在于,所述转化率预测模型训练装置包括:
获取单元,用于获取目标被传达对象的第一转化率和目标未传达对象的第二转化率,其中,所述目标未传达对象是与所述目标被传达对象特征匹配的未传达对象;
确定单元,用于根据所述第一转化率和所述第二转化率,确定参考样本对象的最终转化率,其中,所述参考样本对象是具有所述目标被传达对象与所述目标未传达对象之间的匹配特征数据的对象;
拟合单元,用于根据所述最终转化率和所述匹配特征数据,拟合得到转化率预测模型,其中,所述转化率预测模型用于根据目标对象的特征数据预测目标对象的广告转化率,所述广告转化率用于指示是否对目标对象进行广告推送。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的转化率预测模型训练方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至7任一项所述的转化率预测模型训练方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110260215.7A CN115082095A (zh) | 2021-03-10 | 2021-03-10 | 转化率预测模型训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110260215.7A CN115082095A (zh) | 2021-03-10 | 2021-03-10 | 转化率预测模型训练方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082095A true CN115082095A (zh) | 2022-09-20 |
Family
ID=83240908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110260215.7A Pending CN115082095A (zh) | 2021-03-10 | 2021-03-10 | 转化率预测模型训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082095A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115934809A (zh) * | 2023-03-08 | 2023-04-07 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置和电子设备 |
-
2021
- 2021-03-10 CN CN202110260215.7A patent/CN115082095A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115934809A (zh) * | 2023-03-08 | 2023-04-07 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105427129B (zh) | 一种信息的投放方法及系统 | |
US11023823B2 (en) | Evaluating content for compliance with a content policy enforced by an online system using a machine learning model determining compliance with another content policy | |
CN109087163B (zh) | 信用评估的方法及装置 | |
CN106570718B (zh) | 信息的投放方法及投放系统 | |
US20190303709A1 (en) | Feature information extraction method, apparatus, server cluster, and storage medium | |
CN110599263A (zh) | 用户互动数据处理方法、装置、存储介质和计算机设备 | |
WO2023272852A1 (zh) | 通过决策树模型对用户进行分类的方法、装置、设备和存储介质 | |
US20190155864A1 (en) | Method and apparatus for recommending business object, electronic device, and storage medium | |
US11695717B2 (en) | Dynamic email content engine | |
CN110750658A (zh) | 一种媒体资源的推荐方法、服务器及计算机可读存储介质 | |
CN107656918A (zh) | 获取目标用户的方法及装置 | |
CN110838043A (zh) | 商品推荐方法及装置 | |
CN115082095A (zh) | 转化率预测模型训练方法、装置、电子设备及存储介质 | |
CN112788351B (zh) | 一种目标直播间的识别方法、装置、设备和存储介质 | |
CN109450963B (zh) | 消息推送方法及终端设备 | |
TW201020968A (en) | System, method, and computer program product for preventing display of unwanted content stored in a frame buffer | |
CN110717653A (zh) | 风险识别方法及装置和电子设备 | |
WO2022237477A1 (zh) | 一种数据校准方法、装置、计算机设备以及可读存储介质 | |
CN114022246B (zh) | 一种产品信息的推送方法、装置、终端设备和存储介质 | |
CN115564578B (zh) | 欺诈识别模型生成方法 | |
CN110719506B (zh) | 用户对视频的兴趣度确定方法、装置、服务器及存储介质 | |
WO2023016085A1 (zh) | 一种业务数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
CN108510071B (zh) | 数据的特征提取方法、装置及计算机可读存储介质 | |
CN110046911A (zh) | 消费合约处理方法及其系统 | |
CN112667892B (zh) | 一种信息推荐方法、装置、服务器和存储介质 |
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 |