CN115115074A - 一种电子资源消耗信息预测方法、装置、设备及存储介质 - Google Patents
一种电子资源消耗信息预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115115074A CN115115074A CN202110288853.XA CN202110288853A CN115115074A CN 115115074 A CN115115074 A CN 115115074A CN 202110288853 A CN202110288853 A CN 202110288853A CN 115115074 A CN115115074 A CN 115115074A
- Authority
- CN
- China
- Prior art keywords
- target
- electronic resource
- account
- node
- sample
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
-
- 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
- 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
- G06Q30/0273—Determination of fees for advertising
-
- 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
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种电子资源消耗信息预测方法、装置、设备及存储介质,可以应用于云计算领域或人工智能领域,用于解决电子资源消耗信息的预测准确性较低的问题。该方法包括:获得目标账号的目标特征矩阵,其中,所述目标特征矩阵是基于所述目标账号的电子资源历史消耗信息获得的;采用已训练的电子资源预测模型,基于所述目标特征矩阵,分别预测所述目标账号针对各个目标服务节点的使用概率,其中,每个目标服务节点对应一种电子资源参考消耗信息;基于获得的各个使用概率,以及所述各个目标服务节点各自对应的电子资源参考消耗信息,获得所述目标账号的电子资源预测消耗信息。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种电子资源消耗信息预测方法、装置、设备及存储介质。
背景技术
随着科技的不断发展,在同一个流量平台中,可以针对不同类型的账号展示不同的线上信息。划分账号类型的方式可以是根据预测出的账号在该流量平台中消耗电子资源的总量进行划分,电子资源消耗总量多的账号为高消耗类型,电子资源消耗总量少的账号为低消耗类型。从而媒体平台可以通过该流量平台向高消耗类型的账号投放高消耗类型对应的线上信息,向低消耗类型的账号投放低消耗类型的线上信息等。
然而,账号消耗电子资源的情况各有不同,如果直接预测账号在流量平台中的电子资源消耗总量,可能会出现低消耗类型的账号频繁执行低消耗操作,使得低消耗类型的账号的电子资源消耗总量较高,造成预测出的低消耗类型的账号的电子资源消耗总量较高的情况,从而将低消耗类型的账号错误的识别为高消耗类型的账号,从而媒体平台无法准确地向各个账号投放线上信息。
发明内容
本申请实施例提供一种电子资源消耗信息预测方法、装置、计算机设备及存储介质,用于解决电子资源消耗信息的预测准确性较低的问题。
第一方面,提供一种电子资源消耗信息预测方法,包括:
获得目标账号的目标特征矩阵,其中,所述目标特征矩阵是基于所述目标账号的电子资源历史消耗信息获得的;
采用已训练的电子资源预测模型,基于所述目标特征矩阵,分别预测所述目标账号针对各个目标服务节点的使用概率,其中,每个目标服务节点对应一种电子资源参考消耗信息;
基于获得的各个使用概率,以及所述各个目标服务节点各自对应的电子资源参考消耗信息,获得所述目标账号的电子资源预测消耗信息。
第二方面,提供一种电子资源消耗信息预测装置,包括:
获取模块:用于获得目标账号的目标特征矩阵,其中,所述目标特征矩阵是基于所述目标账号的电子资源历史消耗信息获得的;
处理模块:用于采用已训练的电子资源预测模型,基于所述目标特征矩阵,分别预测所述目标账号针对各个目标服务节点的使用概率,其中,每个目标服务节点对应一种电子资源参考消耗信息;以及,基于获得的各个使用概率,以及所述各个目标服务节点各自对应的电子资源参考消耗信息,获得所述目标账号的电子资源预测消耗信息。
可选的,所述获取模块还用于:在采用已训练的电子资源预测模型,基于所述目标特征矩阵,分别预测所述目标账号针对各个目标服务节点的使用概率之前,获得初始样本集合,其中,所述初始样本集合包括各个样本账号各自对应的样本特征矩阵,以及所述各个样本账号各自对应的电子资源样本消耗信息;
所述处理模块还用于:基于获得的各个电子资源样本消耗信息,以及设定的各个候选服务节点各自对应的电子资源参考消耗信息,分别确定所述各个样本账号各自对应的目标节点组合;
所述处理模块还用于:采用由各个样本特征矩阵,以及各个目标节点组合组成的训练样本集合,对待训练的电子资源预测模型进行训练,直到所述待训练的电子资源预测模型的训练损失满足预设的收敛条件为止,获得已训练的电子资源预测模型。
可选的,所述处理模块具体用于:
对设定的各个候选服务节点进行随机组合,获得各个候选节点组合,其中,每个候选节点组合包括至少一个候选服务节点;
基于所述各个候选服务节点各自对应的电子资源参考消耗信息,分别确定所述各个候选节点组合各自对应的电子资源参考消耗信息的组合结果;
针对所述各个样本账号,分别执行以下操作:从所述各个候选节点组合中,筛选出组合结果与所述各个样本账号中的一个样本账号对应的电子资源样本消耗信息匹配的候选节点组合,作为所述一个样本账号对应的目标节点组合。
可选的,所述处理模块具体用于:
从所述各个候选节点组合中,筛选出至少一个候选节点组合,其中,所述至少一个候选节点组合中的每个候选节点组合的组合结果,与所述一个样本账号对应的电子资源样本消耗信息之间的误差在预设的误差范围内;
若所述至少一个候选节点组合仅包括一个候选节点组合,则将所述一个候选节点组合确定为所述一个样本账号对应的目标节点组合;
若所述至少一个候选节点组合包括多个候选节点组合,则确定所述多个候选节点组合中每个候选节点组合分别包括的候选服务节点的节点数量,并筛选出所述多个候选节点组合中,节点数量在预设的节点数量范围内的候选节点组合,作为所述一个样本账号对应的目标节点组合。
可选的,所述处理模块还用于:
在分别确定所述各个样本账号各自对应的目标节点组合之后,基于获得的各个目标节点组合,统计每个候选服务节点在所述各个目标节点组合中的出现总次数,获得所述每个候选服务节点的统计结果;
从所述各个候选服务节点中,筛选出统计结果满足预设统计条件的候选服务节点,作为目标服务节点。
可选的,所述获取模块还用于:在采用已训练的电子资源预测模型,基于所述目标特征矩阵,分别预测所述目标账号针对各个目标服务节点的使用概率之前,获得各个样本账号针对各个候选服务节点的历史使用记录;
所述处理模块还用于:基于获得的各个历史使用记录,统计所述各个样本账号在所述各个候选服务节点使用电子资源的使用次数;
所述处理模块还用于:筛选出统计的使用次数在预设的次数范围内的候选服务节点,作为目标服务节点。
可选的,所述处理模块具体用于:
将所述目标账号针对所述各个目标服务节点的使用概率,确定为所述各个目标服务节点各自对应的权重系数;
基于获得的各个权重系数,对所述各个目标服务节点各自对应的电子资源参考消耗信息进行加权融合处理,获得所述目标账号的电子资源预测消耗信息。
第三方面,提供一种计算机设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行如第一方面所述的方法。
第四方面,提供一种存储介质,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如第一方面所述的方法。
本申请实施例中,采用已训练的电子资源预测模型,基于目标账号的目标特征矩阵,分别预测目标账号针对各个目标服务节点的使用概率,从而可以获得目标账号在各个目标服务节点是否消耗电子资源的概率。由于不同的情况下目标账号消耗电子资源的消耗信息是不同的,因此相较于目标账号的消耗信息,目标账号针对各个目标服务节点是否消耗电子资源的情况与目标账号消耗电子资源的特征更具关联性,使得基于目标账号的目标特征矩阵,预测出的目标账号针对各个目标服务节点的使用概率更加准确。从而基于获得的各个使用概率,以及各个目标服务节点各自对应的电子资源参考消耗信息,获得的目标账号的电子资源预测消耗信息,相较于基于目标账号的目标特征矩阵,直接预测的目标账号的电子资源预测消耗信息来说,获得的电子资源预测消耗信息准确性更高,解决电子资源消耗信息的预测准确性较低的问题。
附图说明
图1为本申请实施例提供的电子资源消耗信息预测方法的一种应用场景;
图2a为本申请实施例提供的电子资源消耗信息预测方法的一种原理示意图一;
图2b为本申请实施例提供的电子资源消耗信息预测方法的一种流程示意图一;
图3a为本申请实施例提供的电子资源消耗信息预测方法的一种流程示意图二;
图3b为本申请实施例提供的电子资源消耗信息预测方法的一种原理示意图二;
图3c为本申请实施例提供的电子资源消耗信息预测方法的一种原理示意图三;
图3d为本申请实施例提供的电子资源消耗信息预测方法的一种原理示意图四;
图3e为本申请实施例提供的电子资源消耗信息预测方法的一种原理示意图五;
图4a为本申请实施例提供的电子资源消耗信息预测方法的一种原理示意图六;
图4b为本申请实施例提供的电子资源消耗信息预测方法的一种流程示意图三;
图4c为本申请实施例提供的电子资源消耗信息预测方法的一种原理示意图七;
图5为本申请实施例提供的电子资源消耗信息预测装置的结构示意图一;
图6为本申请实施例提供的电子资源消耗信息预测装置的结构示意图二。
具体实施方式
为了使本申请实施例的目的、技术方案和优点更加清楚,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。
下面对本申请实施例中的部分用语进行解释说明,以便于本领域技术人员理解。
(1)在线多媒体信息:
在互联网时代,媒体平台通过向各个账号投放媒体信息来影响账号在媒体平台中执行的操作,例如在线广告,广告主通过广告投放迅速接触消费者,从而影响消费者的行为,从而带来短期内的注册,购买等转换行为。线上广告不再使用线下的合约广告位而是利用媒体的流量和影响力来进行宣。
(2)指向性多媒体信息:
指向性多媒体信息是媒体平台向指定类型的账号投放多媒体信息,例如在广告行业中,竞价广告允许广告主以搜索的形式精准定位目标用户群,从而对目标人群的定向流量进行购买,竞价广告中不再保证出量,广告主需要自行调整效果与流量的平衡。竞价广告还包括实时竞价,实时竞价一般采用按展示次数计费的方式。在这种模式下,媒体平台可以更加灵活的选择指定类型的账号,例如广告主能够更灵活地划分和选择自己的目标受众,也使得更广泛的数据使用和交易迅速发展起来。
(3)基尼系数(Gini coefficient):
基尼系数指绝对公平线(line of equality)和洛伦茨曲线(Lorenz Curve)围成的面积与绝对公平线以下面积的比例。
基尼系数可以用来评判数值预测的序关系准确性,其中更关注较大数值的预测精度。这里的纵轴代表的是正例占正例总量百分比的累计值,横坐标代表的是样本数量的累计值,当正例的数值越大时,Lorenz曲线会越靠近右下角,则对应A的面积会越大,基尼系数也会越大,当预测值的排序关系越准确则会越贴近真实值所产生的曲线从而获得更高的基尼系数。
(4)用户生命周期价值(Life Time Value):
用户生命周期价值通常用来衡量用户在其生命周期内(即从注册到流失)所能提供的收入,由于观测时间的限制,计算LTV一般会设定天数限制,如:LTV1,LTV7分别表示用户从注册起的一天/一周内的付费情况。
(5)零膨胀正态分布和零膨胀对数正态分布:
零膨胀正态分布:在现实数据中存在零值过多的情况,使得大数情况下的正态分布失去预测能力,不能充分刻画数据分布。第一个被提出的零膨胀模型是零膨胀泊松模型,零膨胀泊松模型对应两个组件,第一个过程由生成结构零的二进制分布控制,第二个过程由泊松分布控制。
零膨胀对数正态分布:对数正态分布多用来拟合一些不对称的数据,比如年龄等数据自然就是大于0的数值,对数正态分布是随机变量的对数服从正态分布很好地刻画了这种分布。零膨胀对数正态分布的结构同样类似于零膨胀正态分布,将第二个过程改由对数正态分布进行控制。
本申请实施例涉及云技术(Cloud technology)和人工智能(ArtificialIntelligence,AI)。基于云技术中的云计算(cloud computing)和云存储(cloud storage)等而设计。基于人工智能中的机器学习(Machine Learning,ML)等而设计。
云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
云计算是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。
作为云计算的基础能力提供商,会建立云计算资源池(简称云平台,一般称为基础设施即服务(Infrastructure as a Service,IaaS)平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备、网络设备。
按照逻辑功能划分,在IaaS层上可以部署平台即服务(Platform as a Service,PaaS)层,PaaS层之上再部署软件即服务(Software as a Service,SaaS)层,也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台,如数据库、web容器等。SaaS为各式各样的业务软件,如web门户网站、短信群发器等。一般来说,SaaS和PaaS相对于IaaS是上层。
云存储是在云计算概念上延伸和发展出来的一个新的概念,分布式云存储系统(以下简称存储系统)是指通过集群应用、网格技术以及分布存储文件系统等功能,将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作,共同对外提供数据存储和业务访问功能的一个存储系统。
目前,存储系统的存储方法为:创建逻辑卷,在创建逻辑卷时,就为每个逻辑卷分配物理存储空间,该物理存储空间可能是某个存储设备或者某几个存储设备的磁盘组成。客户端在某一逻辑卷上存储数据,也就是将数据存储在文件系统上,文件系统将数据分成许多部分,每一部分是一个对象,对象不仅包含数据而且还包含数据标识(ID entity,ID)等额外的信息,文件系统将每个对象分别写入该逻辑卷的物理存储空间,且文件系统会记录每个对象的存储位置信息,从而当客户端请求访问数据时,文件系统能够根据每个对象的存储位置信息让客户端对数据进行访问。
存储系统为逻辑卷分配物理存储空间的过程,具体为:按照对存储于逻辑卷的对象的容量估量(该估量往往相对于实际要存储的对象的容量有很大余量)和独立冗余磁盘阵列(Redundant Array of Independent Disk,RAID)的组别,预先将物理存储空间划分成分条,一个逻辑卷可以理解为一个分条,从而为逻辑卷分配了物理存储空间。
人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术主要包括计算机视觉技术、自然语言处理技术、机器学习以及深度学习等几大方向。
随着人工智能技术研究和进步,人工智能在多个领域展开研究和应用,例如常见的智能家居、智能推荐系统、虚拟助理、智能音箱、智能营销、智能翻译、自动驾驶、机器人、智能医疗等,相信随着技术的发展,人工智能将在更多的领域得到应用,并发挥越来越重要的价值。
机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
下面对本申请实施例提供的电子资源消耗信息预测方法的应用领域进行简单介绍。
随着科技的不断发展,向各个账号传递信息的方式不再局限于在线下公众场所投放线下信息的方式,而是可以在线上流量平台投放线上信息,将线上信息显示在每个账号的显示屏上,不仅可以增加获取到线上信息的账号的数量,还可以提高账号获取线上信息的及时性,同时通过虚拟的网络环境投放信息,还降低了投放信息的成本。
在同一个流量平台中,可以针对不同类型的账号展示不同的线上信息。划分账号类型的方式可以是根据预测出的账号在该流量平台中消耗电子资源的总量进行划分,电子资源消耗总量多的账号为高消耗类型,电子资源消耗总量少的账号为低消耗类型。从而媒体平台可以通过该流量平台向高消耗类型的账号投放高消耗类型对应的线上信息,向低消耗类型的账号投放低消耗类型的线上信息等。
例如,在广告投放行业中,广告商可以向各个账号投放广告信息,通过在线广告来影响各个账号使用应用程序或消耗电子资源等行为。为了更加有针对性的向各个账号投放广告信息,在同一个流量平台中,广告商可以通过竞价广告向不同账号投放不同的广告信息。
以游戏领域为例,广告商可以向高消耗类型的账号投放限量款虚拟人物皮肤的广告,向低消耗类型的账号投放最新折扣活动的广告等。从而,针对账号来说,可以减少接收广告信息的数量,针对广告商来说,可以以最少的广告投放成本达到更好的广告投放效果等。
继续以游戏领域为例,实现竞价广告的方式通常是,预测账号在游戏中的电子资源消耗总量,并根据电子资源消耗总量划分各个账号的类别,账号的类别例如包括高消耗类型和低消耗类型。从而广告商可以向高消耗类型的账号投放限量款虚拟人物皮肤的广告,向低消耗类型的账号投放最新折扣活动的广告等。
然而,账号消耗电子资源的情况各有不同,如果直接预测账号在流量平台中的电子资源消耗总量,可能会出现低消耗类型的账号频繁执行低消耗操作,使得低消耗类型的账号的电子资源消耗总量较高,造成预测出的低消耗类型的账号的电子资源消耗总量较高的情况,从而将低消耗类型的账号错误的识别为高消耗类型的账号,从而媒体平台无法准确地向各个账号投放线上信息。
继续以游戏领域为例,有的账号在游戏中喜欢消耗电子资源换取限量款虚拟人物皮肤,而有的账号在游戏中喜欢消耗电子资源换取折扣商品。实际上,限量款虚拟人物皮肤的推出时间和折扣活动的时间是不确定的,那么就会出现例如在折扣活动退出时期,将喜欢消耗电子资源换取限量款虚拟人物皮肤的账号,确定为低消耗类型的账号,将喜欢消耗电子资源换取折扣商品的账号,确定为高消耗类型的账号的情况等,从而在向这些账号投放广告时,就会出现投放不准确的问题。
例如,现有用户生命周期预测方法主要分为两大类:基于回归模型与基于分类模型。
基于回归模型的方法把LTV预测问题建模成把试图直接预测LTV值,三个代表性方法分别是朴素回归、两阶段方法和对数回归方法。
朴素回归方法采用最原始的基于最小二乘法的回归模型,基于用户的特征对其生命价值进行回归。然而根据最小二乘原理的法则,响应变量需要满足正态分布。但是,在实际的游戏场景中,绝大多数用户(80~90%)在游戏生命周期内的支出为0,即属于不付费玩家。因此,在实际情况中,用户的付费分布在零处有一个很高的峰值,这与正态分布有显著的差异。
两阶段方法基于用户付费为零膨胀正态分布,试图通过引入两阶段预测方法来代替解决该问题。第一个阶段采用二分类模型,判断用户是否会付费,如果用户付费,则进行第二阶段的朴素回归模型,估计用户的付费金额。尽管两阶段方法通过引入第一阶段的二分类模型实现了对无付费用户分布的建模,与真实情形更为吻合,但是零膨胀正态分布假设仍然存在问题,即正态分布是对称分布的,而现实情况往往是付费金额越多付费的用户数量越少,即呈现长尾分布的特点。
ziln方法引入零膨胀对数正态分布的假设,试图对长度分布进行建模。该方法采用了一种新的损失函数计算方法,通过预测对数正态分布的均值和方差实现对用户生命价值的估计。
基于回归模型的方法对用户价值分布的假设与实际情况不符合,导致结果差强人意。虽然基于回归的方法不断地修正分布假设,从正态分布到零膨胀正态分布,再到零膨胀对数正态分布,试图使之与实际情况更加吻合,但是用户真实的付费值并不是连续的,而是离散地分布于一些付费点位上。因此,采用连续分布假设的回归方法无论如何都难以适合离散的付费情形。
多分类方法虽然看似将连续的回归问题转化为了离散的分类问题,但本质上属于分位点回归,因此依然存在与实际情况不符合的问题,导致效果难以令人满意。而且不同类别之间存在着严重的类别不平衡问题,即大量用户属于低用户价值的档位,少量用户属于高价值用户的档位,这会导致分类模型严重倾向于预测低价值的档位,进而影响模型的效果。除此之外,如何合理地对用户价值分档也是个困难的问题。
可见,仅根据各个样本账号在游戏中的电子资源样本消耗总量训练得到的预测模型,很难准确地预测出目标账号在游戏中的电子资源预测消耗总量,从而无法准确地向目标账号投放广告。在其他领域中,也存在类似的问题。
为了解决电子资源消耗信息的预测准确性较低的问题,本申请提供一种电子资源消耗信息预测方法。该方法在获得目标账号的目标特征矩阵之后,采用已训练的电子资源预测模型,基于目标特征矩阵,分别预测目标账号针对各个目标服务节点的使用概率。在获得各个使用概率之后,基于获得的各个使用概率,以及各个目标服务节点各自对应的电子资源参考消耗信息,获得目标账号的电子资源预测消耗信息。
本申请实施例中,采用已训练的电子资源预测模型,基于目标账号的目标特征矩阵,分别预测目标账号针对各个目标服务节点的使用概率,从而可以获得目标账号在各个目标服务节点是否消耗电子资源的概率。由于不同的情况下目标账号消耗电子资源的消耗信息是不同的,因此相较于目标账号的消耗信息,目标账号针对各个目标服务节点是否消耗电子资源的情况与目标账号消耗电子资源的特征更具关联性,使得基于目标账号的目标特征矩阵,预测出的目标账号针对各个目标服务节点的使用概率更加准确。从而基于获得的各个使用概率,以及各个目标服务节点各自对应的电子资源参考消耗信息,获得的目标账号的电子资源预测消耗信息,相较于基于目标账号的目标特征矩阵,直接预测的目标账号的电子资源预测消耗信息来说,获得的电子资源预测消耗信息准确性更高,解决电子资源消耗信息的预测准确性较低的问题。
下面对本申请提供的电子资源消耗信息预测方法的应用场景进行说明。
请参考图1,为本申请提供的电子资源消耗信息预测方法的一种应用场景。该应用场景中包括客户端101和服务端102。客户端101和服务端102之间可以通信,通信方式可以是采用有线通信技术进行通信,例如通过连接网线或串口线进行通信;也可以是采用无线通信技术进行通信,例如通过蓝牙或无线保真(wireless fidelity,WIFI)等技术进行通信,具体不做限制。
客户端101泛指可以为服务端102提供目标账号的设备,例如,终端设备、终端设备可以访问的第三方应用程序或终端设备可以访问的网页等。终端设备例如是手机、平板电脑或个人计算机等。服务端102泛指可以获得目标账号的电子资源预测消耗信息的设备,例如,例如,终端设备或服务器等。服务器例如是云服务器或本地服务器等。客户端101和服务端102均可以采用云计算,以减少本地计算资源的占用;同样也可以采用云存储,以减少本地存储资源的占用。
作为一种实施例,客户端101和服务端102可以是同一个设备,具体不做限制。本申请实施例中,以客户端101和服务端102分别为不同的设备为例进行介绍。
在对本申请实施例提供的电子资源消耗信息预测方法进行介绍之前,先对训练待训练的电子资源预测模型的方法进行介绍。请参考图2a,为训练待训练的电子资源预测模型的方法的一种原理示意图。服务端102基于初始样本集合,获得各个目标节点组合,并基于目标节点组合,获得各个目标服务节点,以及训练样本集合,并基于训练样本集合对待训练的电子资源预测模型进行训练。
请参考图2b,为训练待训练的电子资源预测模型的方法的一种流程示意图。
服务端102可以针对不同的电子资源消耗场景训练不同的电子资源预测模型。如果每个电子资源消耗场景可以具有类型标签,服务端102还可以对不同类型标签的电子资源消耗场景训练不同的电子资源预测模型等,具体不做限制。确定电子资源消耗场景的类型标签的方法有多种,第一种方法可以是依据场景类型确定的,例如游戏类型;第二种方法可以是依据电子资源消耗场景中设定的账号操作方法确定的,例如双手操作、单手操作、滑动操作或点击操作等;第三种方法可以是依据电子资源消耗场景中设定的功能选项确定的,例如换装功能、增加体力功能或通关道具选择功能等。本申请实施例中,以服务端102对不同电子资源消耗场景训练不同的电子资源预测模型为例进行介绍。
S201,获得初始样本集合。
初始样本集合包括各个样本账号各自对应的样本特征矩阵,以及各个样本账号各自对应的电子资源样本消耗信息。服务端102获得初始样本集合的方法包括多种,例如,第一种方法可以是服务端102读取预先存储的初始样本集合,第二种方法可以是服务端102接收其他设备发送的初始样本集合,第三种方法可以是服务端102从网络资源中下载初始样本集合等,具体不做限制。
样本账号的样本特征矩阵用于表征样本账号消耗电子资源的特征,服务端102可以通过样本账号的用户画像确定样本账号的样本特征矩阵,服务端102也可以对存储的样本账号的电子资源历史消耗信息进行特征提取,获得样本账号的样本特征矩阵等。例如,样本账号的电子资源历史消耗信息可以是样本账号在最近一个月内,在每个游戏中的支付记录等;样本账号的用户画像可以是样本账号的账号信息、登录游戏的时间或充值记录等。
样本账号的电子资源样本消耗信息可以是样本账号针对当前电子资源消耗场景,消耗电子资源的电子资源样本消耗信息;样本账号的电子资源样本消耗信息还可以是样本账号针对多个电子资源消耗场景,消耗电子资源的电子资源样本消耗信息,具体不做限制。其中,多个电子资源消耗场景可以包括当前电子资源消耗场景,或与当前电子资源消耗场景相关的电子资源消耗场景,或样本账号关联的电子资源消耗场景等。
S202,基于获得的各个电子资源样本消耗信息,以及设定的各个候选服务节点各自对应的电子资源参考消耗信息,分别确定各个样本账号各自对应的目标节点组合。
由于初始样本集合中包括各个样本账号各自对应的样本特征矩阵,以及各个样本账号各自对应的电子资源样本消耗信息,因此基于初始样本集合训练的预测模型仅能够基于目标账号的目标特征矩阵,直接预测出目标账号的总的电子资源消耗信息。那么,以游戏场景为例,推送限量款虚拟人物皮肤的广告信息的时间段和推送折扣商品的广告信息的时间段可能不同,因此,在推送折扣商品的广告信息的时间段内,容易出现将喜欢针对折扣商品消耗电子信息的目标账号,预测为高消耗类型的账号,将喜欢针对送限量款虚拟人物皮肤消耗电子信息的目标账号,预测为低消耗类型的账号,然而实际上,由于限量款虚拟人物皮肤的单价相较于折扣商品来说要高得多,因此喜欢针对送限量款虚拟人物皮肤消耗电子信息的目标账号才应该是高消耗类型的账号,可见,直接预测出目标账号的总的电子资源消耗信息的方式,预测准备性较低。
鉴于此,服务端102在获得初始样本集合之后,可以基于获得的初始样本集合,确定各个样本账号各自对应的目标节点组合,结合各个样本账号各自对应的目标节点组合,对电子资源预测模型进行训练,使得训练出的电子资源预测模型可以针对目标账号在每个目标服务节点是否消耗电子资源进行预测,那么即使在推送折扣商品的广告信息的时间段内,也不会将喜欢针对折扣商品消耗电子信息的目标账号,预测为高消耗类型的账号,提高了预测准确性。
请参考图3a,为确定各个样本账号各自对应的目标节点组合的一种流程示意图。
S301,对设定的各个候选服务节点进行随机组合,获得各个候选节点组合。
当前电子资源消耗场景中可以包括多个设定的候选服务节点,服务端102可以获取当前电子资源消耗场景中各个候选服务节点。候选服务节点可以对应一种电子资源参考消耗信息,例如,当前电子资源消耗场景中,不同电子资源消耗节点可以作为不同的候选服务节点;又例如,相同电子资源消耗量的节点可以作为一个候选服务节点;又例如,电子资源消耗量属于同一个电子资源消耗区间的节点,可以作为一个候选服务节点等。
例如,在游戏中,10块钱的付费点可以作为一个候选服务节点,50块钱的付费点可以作为一个候选服务节点;又例如,金额在[0,10]区间的付费点可以作为一个候选服务节点,金额在[10,50]区间的付费点可以作为一个候选服务节点等。
服务端102在获得各个候选服务节点之后,可以对各个候选服务节点进行随机组合,获得各个候选节点组合。例如,将每个候选服务节点作为一个候选节点组合;将每两个候选服务节点进行组合,将两个候选服务节点的组合作为一个候选节点组合,以此类推,获得所有可能的候选节点组合。
服务端102还可以预先设定候选节点组合包括的候选服务节点的节点数量,按照预设的节点数量,对各个候选服务节点进行随机组合,获得所有符合节点数量要求的候选节点组合,其中,预设的节点数量可以是用户自定义的,还可以是服务端102根据候选服务节点的总数按比例确定的,还可以是训练电子资源预测模型时学习的一个模型参数等,具体不做限制。
服务端102还可以预先设定指定的候选服务节点,将各个候选服务节点与指定的候选服务节点进行随机组合,获得所有包含指定的候选服务节点的候选节点组合等,其中,预先设定指定的候选服务节点可以是用户自定义的,还可以是服务端102根据候选服务节点的总数按比例随机选定的,还可以是训练电子资源预测模型时学习得到的等,具体不做限制。
例如,候选服务节点包括第一候选服务节点、第二候选服务节点和第三候选服务节点,那么对第一候选服务节点、第二候选服务节点和第三候选服务节点进行随机组合,请参考图3b,可以获得七个候选节点组合,以向量形式表示包括(1,0,0)、(0,1,0)、(0,0,1)、(1,1,0)、(1,0,1)、(0,1,1)和(1,1,1)。
S302,基于各个候选服务节点各自对应的电子资源参考消耗信息,分别确定各个候选节点组合各自对应的电子资源参考消耗信息的组合结果。
服务端102在获得各个候选节点组合之后,可以基于各个候选服务节点各自对应的电子资源参考消耗信息,分别确定各个候选节点组合各自对应的电子资源参考消耗信息的组合结果。在候选节点组合中仅包括一个候选服务节点时,可以将该一个候选服务节点的电子资源参考消耗信息,作为该候选节点组合的组合结果。在候选节点组合中包括多个候选服务节点时,可以将多个候选服务节点各自对应的电子资源参考消耗信息进行信息融合处理,获得候选节点组合的组合结果。
电子资源参考消耗信息包括的内容不同时,信息融合处理方法也不同。例如,电子资源参考消耗信息包括电子资源参考消耗量时,信息融合处理方法为对多个候选服务节点各自对应的电子资源参考消耗量求和,将求和结果作为组合结果。电子资源参考消耗信息包括电子资源参考消耗区间时,信息融合处理方法为在每个候选服务节点各自对应的电子资源参考消耗区间中随机选择一消耗值,将从各个候选服务节点中选择出的消耗值进行求和,获得所有求和结果,将包括所有求和结果的区间作为组合结果等。
继续参照前述例子,例如,第一候选服务节点对应的电子资源参考消耗信息为10,第二候选服务节点对应的电子资源参考消耗信息为50,第三候选服务节点对应的电子资源参考消耗信息为60。那么请参考图3c,第一候选节点组合(1,0,0)的组合结果为10,第二候选节点组合(0,1,0)的组合结果为50,第三候选节点组合(0,0,1)的组合结果为60,第四候选节点组合(1,1,0)的组合结果为60,第五候选节点组合(1,0,1)的组合结果为70,第六候选节点组合(0,1,1)的组合结果为110,第七候选节点组合(1,1,1)的组合结果为120。
S303,确定各个样本账号各自对应的目标节点组合。
服务端102在获得各个候选节点组合各自对应的电子资源参考消耗信息的组合结果之后,可以确定各个样本账号各自对应的目标节点组合。下面针对各个样本账号中的一个账号为例,介绍确定该一个样本账号对应的目标节点组合的方法,其他样本账号各自对应的目标节点组合的确定过程与之相同。
服务端102可以从各个候选节点组合中,筛选出组合结果与样本账号对应的电子资源样本消耗信息匹配的候选节点组合,作为样本账号对应的目标节点组合。组合结果与样本账号对应的电子资源样本消耗信息匹配可以是组合结果与样本账号对应的电子资源样本消耗信息相同;组合结果与样本账号对应的电子资源样本消耗信息匹配也可以是组合结果与样本账号对应的电子资源样本消耗信息之间的误差在预设的误差范围内等。
服务端102可以分别确定各个候选节点组合各自对应的组合结果,与样本账号的电子资源样本消耗信息之间的误差。在电子资源参考消耗信息包括的内容不同时,确定误差的方法也不同。例如,电子资源参考消耗信息包括电子资源参考消耗量时,候选节点组合对应的组合结果为电子资源参考消耗量总和,电子资源样本消耗信息为电子资源样本消耗量,确定误差的方法为确定电子资源参考消耗量总和,与电子资源样本消耗量之间的差值,将该差值作为组合结果,与样本账号的电子资源样本消耗信息之间的误差。电子资源参考消耗信息包括电子资源参考消耗区间时,候选节点组合对应的组合结果也为一个数值区间,电子资源样本消耗信息为电子资源样本消耗区间,确定误差的方法为确定组合结果对应的数值区间与电子资源样本消耗区间之间的并集,以及组合结果对应的数值区间与电子资源样本消耗区间之间的交集,将除去交集后的并集作为组合结果与样本账号的电子资源样本消耗信息之间的误差等。
服务端102可以基于各个候选节点组合各自对应的组合结果,与样本账号的电子资源样本消耗信息之间的误差,筛选出误差在预设的误差范围内的至少一个候选节点组合。例如,筛选出误差小于预设误差阈值的至少一个候选节点组合等。
其中,预设的误差范围可以是用户自定义的,还可以是服务端102根据候选服务节点的电子资源参考消耗信息的平均值确定的,还可以是训练电子资源预测模型时学习的一个模型参数等,具体不做限制。
在确定出的误差包括的内容不同时,预设的误差范围也不同,在确定出的误差为数值时,预设的误差范围可以是数量级与电子资源参考消耗量总和,与电子资源样本消耗量之间的差值相对应的一个数值区间;在确定出的误差为除去交集后的并集时,预设的误差范围可以是数量级与交集与除去交集后的并集之间的比值相对应的一个数值区间等。例如,电子资源参考消耗量总和,与电子资源样本消耗量之间的差值为10,那么预设的误差范围可以是[0,12]的数值区间。又例如,交集为[5,12],并集为[0,24],除去交集的并集为[0,5]和[12,24],那么交集与除去交集后的并集之间的比值为7/17,那么预设的误差范围可以是[0,1]的数值区间等。
如果仅筛选出一个候选节点组合,那么将该候选节点组合作为样本账号对应的目标节点组合。如果筛选出多个候选节点组合,那么服务端102可以确定多个候选节点组合中的每个候选节点组合包括的候选服务节点的节点数量。服务端102可以将节点数量在预设的节点数量范围内的候选节点组合,作为样本账号对应的目标节点组合。例如,将节点数量最少的候选节点组合作为样本账号对应的目标节点组合;又例如,将节点数量最多的候选节点组合作为样本账号对应的目标节点组合;又例如,将节点数量较为平均的候选节点组合作为样本账号对应的目标节点组合等。如果存在多个候选节点组合包括的候选服务节点的节点数量相同,那么可以根据候选服务节点在所有候选节点组合中的出现总次数,确定每个候选节点组合包括的所有候选服务节点的出现总次数之和,将出现总次数之和最大的候选服务节点作为目标服务节点。
继续参照前述例子,请参考图3d,例如,如果样本账号的电子资源样本消耗信息为10,那么在七个候选节点组合中,确定出组合结果与电子资源样本消耗信息10之间的误差最小的第一候选节点组合,作为目标节点组合。如果样本账号的电子资源样本消耗信息为60,那么在七个候选节点组合中,确定出组合结果与电子资源样本消耗信息60之间的误差最小的第三候选节点组合和第四候选节点组合。确定第三候选节点组合和第四候选节点组合分别包括的节点数量,第三候选节点组合包括一个候选服务节点,第四候选节点组合包括两个候选服务节点,将节点数量最少的第三节点组合作为目标节点组合。
S203,采用由各个样本特征矩阵,以及各个目标节点组合组成的训练样本集合,对待训练的电子资源预测模型进行训练,直到待训练的电子资源预测模型的训练损失满足预设的收敛条件为止,获得已训练的电子资源预测模型。其中,预设的收敛条件可以是用户自定义的,还可以是服务端102根据训练样本集合的数据量确定的等,具体不做限制。预设的收敛条件用于使电子资源预测模型的训练损失稳定在一个范围内,从而使得电子资源预测模型的输出准确性更加稳定。
在对待训练的电子资源预测模型进行训练的过程中,可以将各个目标节点组合包括的候选服务节点作为目标服务节点,训练待训练的电子资源预测模型;作为一种实施例,也可以将各个目标节点组合包括的候选服务节点中的部分候选服务节点作为目标服务节点,训练待训练的电子资源预测模型。
将各个目标节点组合包括的候选服务节点中的部分候选服务节点作为目标服务节点的方式可以是,基于各个目标节点组合,统计每个候选服务节点在各个目标节点组合中的出现总次数,获得每个候选服务节点的统计结果。从各个候选服务节点中,筛选出统计结果满足预设统计条件的候选服务节点,作为目标服务节点。预设统计条件可以是用户自定义的,还可以是服务端102根据候选服务节点所服务的用户数量确定的等,具体不做限制。
筛选出统计结果满足预设统计条件的候选服务节点的方式可以是,筛选出出现总次数大于预设总次数阈值的候选服务节点,作为目标服务节点。其中,预设总次数阈值可以是用户自定义的,还可以是服务端102根据候选服务节点所服务的用户数量确定的等,具体不做限制。
筛选出统计结果满足预设统计条件的候选服务节点的方式还可以是,先按照从大到小的顺序,对出出现总次数进行排序,筛选出排在预设序号之前的候选服务节点,作为目标服务节点等,具体不做限制。其中,预设序号可以是用户自定义的,还可以是服务端102根据候选服务节点所服务的用户数量确定的等,具体不做限制。
例如,请参考图3e,目标节点组合包括第一目标节点组合(1,0,0)和第二目标节点组合为(1,1,0),统计第一候选服务节点的出现总次数为2,第二候选服务节点的出现总次数为1,第三候选服务节点的出现总次数为0,将出现总次数大于0的候选服务节点,作为目标服务节点,即将第一候选服务节点和第二候选服务节点确定为目标服务节点。
作为一种实施例,服务端102可以以包括不同数量的目标服务节点,对待训练的电子资源预测模型进行训练,并对每个已训练的电子资源预测模型进行预测评分,将评分最高的已训练的电子资源预测模型作为最终用于预测电子资源消耗信息的已训练的电子资源预测模型。其中预测评分可以采用基尼系数等评价标准,用于评价电子资源预测模型的预测准确性,具体不做限制。
作为一种实施例,如果服务端102能够获取到各个样本账号针对各个候选服务节点的历史使用记录,那么可以基于获得的各个历史使用记录,统计各个样本账号在各个候选服务节点使用电子资源的使用次数。筛选出统计的使用次数在预设的次数范围内的候选服务节点,作为目标服务节点等。基于各个样本账号针对各个候选服务节点的历史使用记录可以更加准确的确定各个目标服务节点,然而,有些情况下,由于对账号信息的保护,避免账号信息的泄露等情况的发生,需要基于更少的数据,获得更加准确的目标服务节点的方法,因此采用前文介绍的基于目标节点组合确定目标服务节点的方法,可以提高账号信息的安全性,在实际使用过程中,可以根据实际场景对确定目标服务节点的方法进行选择。
对待训练的电子资源预测模型进行训练的方法有多种,下面以其中的两种为例进行介绍。
训练方法一:
服务端102在获得各个样本账号各自对应的样本特征矩阵,以及,各个样本账号各自对应的目标节点组合之后,根据获得的各个样本特征矩阵和各个目标节点组合,获得训练样本集合。每个训练样本包括一个样本账号对应的样本特征矩阵和该样本账号对应的目标节点组合。
服务端102在获得各个样本账号各自对应的目标节点组合之后,可以基于获得的各个目标节点组合,在各个候选服务节点中,确定各个目标服务节点。服务端102可以统计获得的各个目标节点组合中,每个候选服务节点的出现总次数,获得每个候选服务节点的统计结果。服务端102可以从各个候选服务节点中,筛选出统计结果满足预设统计条件的候选服务节点,作为目标服务节点。筛选出统计结果满足预设统计条件的候选服务节点的方法例如是,筛选出出现总次数大于预设出现次数阈值的候选服务节点;又例如是,先按照由大到小的顺序,对各个候选服务节点的统计结果进行排序,将排列顺序在预设序号之前的候选服务节点,作为目标服务节点等。
作为一种实施例,如果服务端102可以获取各个样本账号针对各个候选服务节点的历史使用记录,那么服务端102可以基于各个历史使用记录确定目标服务节点。服务端102在获得各个样本账号针对各个候选服务节点的历史使用记录之后,可以基于获得的各个历史使用记录,统计各个样本账号在各个候选服务节点消耗电子资源的使用次数,获得各个候选服务节点的统计结果。服务端102可以筛选出统计的使用次数在预设的次数范围内的候选服务节点,作为目标服务节点。筛选出统计的使用次数在预设的次数范围内的候选服务节点例如是,筛选出统计的使用次数大于预设使用次数阈值的候选服务节点;又例如是,先按照由大到小的顺序,对统计的各个候选服务节点使用次数进行排序,将排列顺序在预设序号之前的候选服务节点,作为目标服务节点等。
服务端102可以采用训练样本集合中的各个训练样本,对待训练的电子资源预测模型进行训练。基于待训练的电子资源预测模型输出的针对各个目标服务节点的使用概率,与目标节点组合中包括的候选服务节点之间的误差,确定待训练的电子资源预测模型的训练损失。如果待训练的电子资源预测模型的训练损失不收敛,那么调整待训练的电子资源预测模型的模型参数,继续对待训练的电子资源预测模型进行训练,直到待训练的电子资源预测模型的训练损失收敛为止,获得已训练的电子资源预测模型。
训练方法二:
服务端102在获得各个样本账号各自对应的样本特征矩阵,以及,各个样本账号各自对应的目标节点组合之后,根据获得的各个样本特征矩阵、各个目标节点组合和各个电子资源样本消耗信息,获得训练样本集合。每个训练样本包括一个样本账号对应的样本特征矩阵、该样本账号对应的目标节点组合和该样本账号对应的电子资源样本消耗信息。
服务端102可以采用训练样本集合中的各个训练样本,对待训练的电子资源预测模型进行训练。下面以针对一个训练样本进行一次训练的过程为例进行介绍。将样本账号的样本特征矩阵输入待训练的电子资源预测模型,获得待训练的电子资源预测模型输出的针对各个目标服务节点的使用概率。将针对各个目标服务节点的使用概率确定为各个目标服务节点各自对应的权重系数。基于获得的各个权重系数,对各个目标服务节点各自对应的电子资源参考消耗信息进行加权融合处理,获得样本账号的电子资源训练消耗信息。
服务端102在获得样本账号的电子资源训练消耗信息之后,确定电子资源训练消耗信息与样本账号的电子资源样本消耗信息之间的误差,确定待训练的电子资源预测模型的训练损失。如果待训练的电子资源预测模型的训练损失不收敛,那么调整电子资源预测模型的模型参数,继续对待训练的电子资源预测模型进行训练,直到待训练的电子资源预测模型的训练损失收敛为止,获得已训练的电子资源预测模型。
对各个目标服务节点各自对应的电子资源参考消耗信息进行加权融合处理的方法与S302中将多个候选服务节点各自对应的电子资源参考消耗信息进行信息融合处理的过程类似,在此不再赘述。确定目标服务节点的方法与训练方法一中介绍的确定目标服务节点的方法类似,在此不再赘述。
请参考图4a,为电子资源消耗信息预测方法的一种原理示意图。服务端102获得目标账号的目标特征矩阵,采用已训练的电子资源预测模型,基于目标特征矩阵,以及各个目标服务节点各自对应的电子资源参考消耗信息,获得目标账号的电子资源预测消耗信息。
请参考图4b,为电子资源消耗信息预测方法的一种流程示意图。
S401,获得目标账号的目标特征矩阵。
服务端102获得目标账号的目标特征矩阵的时机有多种,例如在目标账号通过客户端101进入当前电子资源消耗场景时,又例如在目标账号通过客户端101注册成功之后,又例如在目标账号通过客户端101消耗了电子资源之后等,服务端102获得目标账号的目标特征矩阵的时机不做具体限制。
服务端102获得目标账号的目标特征矩阵的方法有多种,例如服务端102获取目标账号的用户画像,根据目标账号的用户画像,提取出目标账号的目标特征矩阵;又例如,可以从数据库或其他设备获取目标账号的电子资源历史消耗信息,对目标账号的电子资源历史消息进行特征提取,获得目标账号的目标特征矩阵;又例如,可以从数据库或其他设备直接获取目标账号的目标特征矩阵等。其中的用户画像可以是基于目标账号的电子资源历史消耗信息确定的,还可以是基于目标账号的账号信息等确定的,用户画像可以用于表征目标账号的行为特征。服务端102获得目标账号的目标特征矩阵的过程与S201介绍的服务端102获得样本账号的样本特征矩阵的过程类似,在此不再赘述。
S402,采用已训练的电子资源预测模型,基于目标特征矩阵,分别预测目标账号针对各个目标服务节点的使用概率。
在获得目标账号的目标特征矩阵之后,服务端102可以采用已训练的电子资源预测模型,基于目标特征矩阵,分别预测目标账号针对各个目标服务节点的使用概率。目标账号针对各个目标服务节点的使用概率可以用于表征目标账号在各个目标服务节点消耗电子资源的可能性。例如,目标账号在目标服务节点A的使用概率为0.8时,表示目标账号在目标服务节点A消耗电子资源的可能性为0.8。
每个目标服务节点对应一种电子资源参考消耗信息,可以是每个目标服务节点对应一种电子资源区间,以游戏场景为例,第一目标服务节点对应电子资源区间[0,20],第二目标服务节点对应电子资源区间[50,80],那么游戏中,需要消耗0~20电子资源的位置,均属于第一目标服务节点,需要消耗50~80电子资源的位置,均属于第二目标服务节点等。
每个目标服务节点对应一种电子资源参考消耗信息还可以是每个目标服务节点对应一种电子资源消耗值,以游戏场景为例,第一目标服务节点对应电子资源消耗值10,第二目标服务节点对应电子资源消耗值50,那么游戏中,需要消耗10电子资源的位置,均属于第一目标服务节点,需要消耗50电子资源的位置,均属于第二目标服务节点等。电子资源参考消耗信息还可以是兑换券消耗张数,虚拟任务完成次数等,在此不再一一介绍。
S403,基于获得的各个使用概率,以及各个目标服务节点各自对应的电子资源参考消耗信息,获得目标账号的电子资源预测消耗信息。
在获得各个使用概率之后,服务端102可以基于获得的各个使用概率,以及各个目标服务节点各自对应的电子资源参考消耗信息,获得目标账号的电子资源预测消耗信息。服务端102可以将获得的各个使用概率作为各个目标服务节点各自对应的权重系数。服务端102基于各个权重系数,对各个目标服务节点各自对应的电子资源参考消耗信息进行加权融合处理,获得目标账号的电子资源预测消耗信息。对各个目标服务节点各自对应的电子资源参考消耗信息进行加权融合处理的过程与S303中介绍的信息融合处理的过程类似,在此不再赘述。
例如,目标账号针对第一目标服务节点、第二目标服务节点和第三目标服务节点的使用概率为0.1,0.2和0.5,第一目标服务节点、第二目标服务节点和第三目标服务节点各自对应的电子资源参考消耗信息分别为10、50和100。那么,请参考图4c,目标账号的电子资源预测消耗信息为0.1×10+0.2×50.0.5×100=61。
下面以游戏场景为例,对本申请实施例提供的电子资源消耗信息预测方法进行示例介绍。其中,各个消耗信息以消耗量为例。
服务端102获得初始样本集合D={(xi,yi)},其中,i表示第i个样本账号,xi表示第i个样本账号的样本特征矩阵,yi表示第i个样本账号的电子资源样本消耗信息。
服务端102基于样本账号的电子资源样本消耗信息,按照从大大小的顺序对初始样本集合D中的各个初始样本进行排序,依次确定每个样本账号各自对应的目标节点组合。
以候选服务节点Z={z1=1,z2=2,z3=3,z3=4}为例,对确定样本账号对应的目标节点组合进行示例介绍。其中,候选节点组合以向量形式表示。
如果样本账号的电子资源样本消耗信息为10,那么从各个候选节点组合中,确定出组合结果为10的候选节点组合(1,1,1,1),作为目标节点组合,候选节点组合的组合结果1+2+3+4=10。
如果样本账号的电子资源样本消耗信息为11,各个候选节点组合中没有节点组合为10的候选节点组合,那么从各个候选节点组合中,确定出组合结果与11之间的误差最小的候选节点组合,作为目标节点组合,即组合结果为10的候选节点组合(1,1,1,1)。
如果样本账号的电子资源样本消耗信息为3,各个候选节点组合中包括节点组合为3的两种候选节点组合,即(1,1,0,0)和(0,0,1,0),那么确定(1,1,0,0)和(0,0,1,0)中分别包含候选服务节点的节点数量,将节点数量最少的候选节点组合,即(0,0,1,0),作为目标节点组合。
如果样本账号的电子资源样本消耗信息为5,各个候选节点组合中包括节点组合为5的两种候选节点组合,即(1,0,0,1)和(0,1,1,0),那么确定z1和z4在所有候选节点组合中的出现总次数之和,以及,z2和z3在所有候选节点组合中的出现总次数之和,如果z1和z4在所有候选节点组合中的出现总次数之和更大,那么将(1,0,0,1),作为目标节点组合。
服务端102在确定了每个样本账号对应的目标节点组合之后,可以基于各个目标节点组合,确定各个目标服务节点,例如目标服务节点的数量为k,那么服务端102统计每个候选服务节点在所有目标节点组合中的出现总次数,按照出现总次数从大到小对各个候选服务节点进行排序,选择前k个作为目标服务节点,获得目标服务节点Z=(z1,z2,……,zk),k的取值一般可以是5~15之间的值。
服务端102在获得目标节点组合之后,可以基于各个样本账号各自对应的样本特征矩阵,以及各个样本账号各自对应的目标节点组合组成的训练样本集合,对待训练的电子资源预测模型进行训练,获得已训练的电子资源预测模型。在训练过程中,电子资源预测模型可以获得针对每个目标服务节点,是否消耗电子资源的分类[0,1]k对应的使用概率,0表示在第k个目标服务节点,账号不会消耗电子资源,1表示在第k个目标服务节点,账号会消耗电子资源。
服务端102可以获得针对所有目标服务节点的分类结果,针对所有目标服务节点的分类结果可以以0-1组合的形式记录,并根据每个目标服务节点各自对应的电子资源参考消耗信息,获得每个0-1组合对应的电子资源训练消耗信息。服务端102可以基于电子资源训练消耗信息与电子资源样本消耗信息之间的误差,确定待训练的电子资源预测模型的训练损失,并根据训练损失调整待训练的电子资源预测模型的模型参数,直到训练损失收敛为止,获得已训练的电子资源预测模型。
在获得已训练的电子资源预测模型之后,服务端102可以对目标账号的电子资源使用情况进行预测,将目标账号的目标特征矩阵输入已训练的电子资源预测模型,获得目标账号针对各个目标服务节点是否消耗电子资源的使用概率,例如,以向量像是表示针对各个目标服务节点的使用概率,即(0.1,0.2,0.1,0.3)。服务端102可以基于各个使用概率,以及各个目标服务节点各自对应的电子资源参考消耗信息,确定目标账号的电子资源预测消耗信息,即y^=1×0.1+0.2×2+3×0.1+4×0.3=2。
在真实的游戏场景中,以本申请实施例提供的电子资源消耗信息预测方法进行预测,基于该游戏中连续7天的初始样本数据,对待训练的电子资源预测模型进行训练,基于该游戏中接下来的1天作为训练数据,用到约50个结构化的数值型特征,其中包括已玩游戏数量,付费游戏数量等。
例如,目标服务节点对应的金额(参考消耗信息)分别是6、12、28、30、68、88、98、108,如果服务端102在获得目标账号的目标特征矩阵之后,采用已训练的电子资源预测模型,基于目标特征矩阵,确定目标账号针对各个目标服务节点的使用概率分别是(0.1,0.2,0.1,0.3,0.1,0.1,0.8,0.2),那么服务端102基于获得的各个使用概率,确定目标账号的电子资源预测消耗信息为6×0.1+12×0.2+28×0.1+30×0.3+68×0.1+88×0.1+98×0.8+108×0.2=124.4。
以Bi-dnn和Ziln作为参考模型,比较本申请实施例中的电子资源预测模型Mbi-dnn的预测准确性。Bi-dnn是基于三层全连接深度神经网络的二分类模型,该模型相当于把账号的消耗信息分类了两个档位,即消耗电子资源或不消耗电子资源。Ziln是基于三层全连接深度神经网络的ziln损失回归模型。电子资源预测模型Mbi-dnn,基于三层全连接深度神经网络。
最后采用基尼系数来评价对电子资源预测模型,越高的基尼系数意味着电子资源预测模型可以将每次消耗电子资源较多的账号确定为高消耗账号,每次消耗电子资源较少的账号确定为低消耗账号,这样可以优化在线广告的出价,进而提升广告投放的ROI。
一种基于基尼系数的评价结果如表1所示。
表1
可见,本申请实施例中的电子资源预测模型Mbi-dnn的预测准确性远远优于另外两个模型,提升了5~10%左右。
基于同一发明构思,本申请实施例提供一种电子资源消耗信息预测装置,该装置相当于前文论述的服务端102,能够实现前述启动应用程序的方法对应的功能。请参考图5,该装置包括获取模块501和处理模块502,其中:
获取模块501:用于获得目标账号的目标特征矩阵,其中,目标特征矩阵是基于目标账号的电子资源历史消耗信息获得的;
处理模块502:用于采用已训练的电子资源预测模型,基于目标特征矩阵,分别预测目标账号针对各个目标服务节点的使用概率,其中,每个目标服务节点对应一种电子资源参考消耗信息;以及,基于获得的各个使用概率,以及各个目标服务节点各自对应的电子资源参考消耗信息,获得目标账号的电子资源预测消耗信息。
在一种可能的实施例中,获取模块501还用于:在采用已训练的电子资源预测模型,基于目标特征矩阵,分别预测目标账号针对各个目标服务节点的使用概率之前,获得初始样本集合,其中,初始样本集合包括各个样本账号各自对应的样本特征矩阵,以及各个样本账号各自对应的电子资源样本消耗信息;
处理模块502还用于:基于获得的各个电子资源样本消耗信息,以及设定的各个候选服务节点各自对应的电子资源参考消耗信息,分别确定各个样本账号各自对应的目标节点组合;
处理模块502还用于:采用由各个样本特征矩阵,以及各个目标节点组合组成的训练样本集合,对待训练的电子资源预测模型进行训练,直到待训练的电子资源预测模型的训练损失满足预设的收敛条件为止,获得已训练的电子资源预测模型。
在一种可能的实施例中,处理模块502具体用于:
对设定的各个候选服务节点进行随机组合,获得各个候选节点组合,其中,每个候选节点组合包括至少一个候选服务节点;
基于各个候选服务节点各自对应的电子资源参考消耗信息,分别确定各个候选节点组合各自对应的电子资源参考消耗信息的组合结果;
针对各个样本账号,分别执行以下操作:从各个候选节点组合中,筛选出组合结果与各个样本账号中的一个样本账号对应的电子资源样本消耗信息匹配的候选节点组合,作为一个样本账号对应的目标节点组合。
在一种可能的实施例中,处理模块502具体用于:
从各个候选节点组合中,筛选出至少一个候选节点组合,其中,至少一个候选节点组合中的每个候选节点组合的组合结果,与一个样本账号对应的电子资源样本消耗信息之间的误差在预设的误差范围内;
若至少一个候选节点组合仅包括一个候选节点组合,则将一个候选节点组合确定为一个样本账号对应的目标节点组合;
若至少一个候选节点组合包括多个候选节点组合,则确定多个候选节点组合中每个候选节点组合分别包括的候选服务节点的节点数量,并筛选出多个候选节点组合中,节点数量在预设的节点数量范围内的候选节点组合,作为一个样本账号对应的目标节点组合。
在一种可能的实施例中,处理模块502还用于:
在分别确定各个样本账号各自对应的目标节点组合之后,基于获得的各个目标节点组合,统计每个候选服务节点在各个目标节点组合中的出现总次数,获得每个候选服务节点的统计结果;
从各个候选服务节点中,筛选出统计结果满足预设统计条件的候选服务节点,作为目标服务节点。
在一种可能的实施例中,获取模块501还用于:在采用已训练的电子资源预测模型,基于目标特征矩阵,分别预测目标账号针对各个目标服务节点的使用概率之前,获得各个样本账号针对各个候选服务节点的历史使用记录;
处理模块502还用于:基于获得的各个历史使用记录,统计各个样本账号在各个候选服务节点使用电子资源的使用次数;
处理模块502还用于:筛选出统计的使用次数在预设的次数范围内的候选服务节点,作为目标服务节点。
在一种可能的实施例中,处理模块502具体用于:
将目标账号针对各个目标服务节点的使用概率,确定为各个目标服务节点各自对应的权重系数;
基于获得的各个权重系数,对各个目标服务节点各自对应的电子资源参考消耗信息进行加权融合处理,获得目标账号的电子资源预测消耗信息。
基于同一发明构思,本申请实施例提供一种计算机设备,下面对该计算机设备600进行介绍。
请参照图6,上述电子资源消耗信息预测装置可以运行在计算机设备600上,电子资源消耗信息预测程序的当前版本和历史版本以及电子资源消耗信息预测程序对应的应用软件可以安装在计算机设备600上,该计算机设备600包括显示单元640、处理器680以及存储器620,其中,显示单元640包括显示面板641,用于显示由用户交互操作界面等。
在一种可能的实施例中,可以采用液晶显示器(Liquid Crystal Display,LCD)或有机发光二极管OLED(Organic Light-Emitting Diode)等形式来配置显示面板641。
处理器680用于读取计算机程序,然后执行计算机程序定义的方法,例如处理器680读取电子资源消耗信息预测程序或文件等,从而在该计算机设备600上运行电子资源消耗信息预测程序,在显示单元640上显示对应的界面。处理器680可以包括一个或多个通用处理器,还可包括一个或多个DSP(Digital Signal Processor,数字信号处理器),用于执行相关操作,以实现本申请实施例所提供的技术方案。
存储器620一般包括内存和外存,内存可以为随机存储器(RAM),只读存储器(ROM),以及高速缓存(CACHE)等。外存可以为硬盘、光盘、USB盘、软盘或磁带机等。存储器620用于存储计算机程序和其他数据,该计算机程序包括各客户端对应的应用程序等,其他数据可包括操作系统或应用程序被运行后产生的数据,该数据包括系统数据(例如操作系统的配置参数)和用户数据。本申请实施例中程序指令存储在存储器620中,处理器680执行存储其中620中的程序指令,实现前文图论述的任意的一种电子资源消耗信息预测方法。
上述显示单元640用于接收输入的数字信息、字符信息或接触式触摸操作/非接触式手势,以及产生与计算机设备600的用户设置以及功能控制有关的信号输入等。具体地,本申请实施例中,该显示单元640可以包括显示面板641。显示面板641例如触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在显示面板641上或在显示面板641的操作),并根据预先设定的程式驱动相应的连接装置。
在一种可能的实施例中,显示面板641可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测玩家的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器680,并能接收处理器680发来的命令并加以执行。
其中,显示面板641可以采用电阻式、电容式、红外线以及表面声波等多种类型实现。除了显示单元640,计算机设备600还可以包括输入单元630,输入单元630可以包括图形输入设备631和其他输入设备632,其中其他输入设备可以但不限于包括物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
除以上之外,计算机设备600还可以包括用于给其他模块供电的电源690、音频电路660、近场通信模块670和RF电路610。计算机设备600还可以包括一个或多个传感器650,例如加速度传感器、光传感器、压力传感器等。音频电路660具体包括扬声器661和麦克风662等,例如计算机设备600可以通过麦克风662采集用户的声音,进行相应的操作等。
作为一种实施例,处理器680的数量可以是一个或多个,处理器680和存储器620可以是耦合设置,也可以是相对独立设置。
作为一种实施例,图6中的处理器680可以用于实现如图5中的获取模块501和处理模块502的功能。
作为一种实施例,图6中的处理器680可以用于实现前文论述的测试设备103对应的功能。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种电子资源消耗信息预测方法,其特征在于,包括:
获得目标账号的目标特征矩阵,其中,所述目标特征矩阵是基于所述目标账号的电子资源历史消耗信息获得的;
采用已训练的电子资源预测模型,基于所述目标特征矩阵,分别预测所述目标账号针对各个目标服务节点的使用概率,其中,每个目标服务节点对应一种电子资源参考消耗信息;
基于获得的各个使用概率,以及所述各个目标服务节点各自对应的电子资源参考消耗信息,获得所述目标账号的电子资源预测消耗信息。
2.根据权利要求1所述的方法,其特征在于,在采用已训练的电子资源预测模型,基于所述目标特征矩阵,分别预测所述目标账号针对各个目标服务节点的使用概率之前,还包括:
获得初始样本集合,其中,所述初始样本集合包括各个样本账号各自对应的样本特征矩阵,以及所述各个样本账号各自对应的电子资源样本消耗信息;
基于获得的各个电子资源样本消耗信息,以及设定的各个候选服务节点各自对应的电子资源参考消耗信息,分别确定所述各个样本账号各自对应的目标节点组合;
采用由各个样本特征矩阵,以及各个目标节点组合组成的训练样本集合,对待训练的电子资源预测模型进行训练,直到所述待训练的电子资源预测模型的训练损失满足预设的收敛条件为止,获得已训练的电子资源预测模型。
3.根据权利要求2所述的方法,其特征在于,基于获得的各个电子资源样本消耗信息,以及设定的各个候选服务节点各自对应的电子资源参考消耗信息,分别确定所述各个样本账号各自对应的目标节点组合,包括:
对设定的各个候选服务节点进行随机组合,获得各个候选节点组合,其中,每个候选节点组合包括至少一个候选服务节点;
基于所述各个候选服务节点各自对应的电子资源参考消耗信息,分别确定所述各个候选节点组合各自对应的电子资源参考消耗信息的组合结果;
针对所述各个样本账号,分别执行以下操作:从所述各个候选节点组合中,筛选出组合结果与所述各个样本账号中的一个样本账号对应的电子资源样本消耗信息匹配的候选节点组合,作为所述一个样本账号对应的目标节点组合。
4.根据权利要求3所述的方法,其特征在于,从所述各个候选节点组合中,筛选出组合结果与所述各个样本账号中的一个样本账号对应的电子资源样本消耗信息匹配的候选节点组合,作为所述一个样本账号对应的目标节点组合,包括:
从所述各个候选节点组合中,筛选出至少一个候选节点组合,其中,所述至少一个候选节点组合中的每个候选节点组合的组合结果,与所述一个样本账号对应的电子资源样本消耗信息之间的误差在预设的误差范围内;
若所述至少一个候选节点组合仅包括一个候选节点组合,则将所述一个候选节点组合确定为所述一个样本账号对应的目标节点组合;
若所述至少一个候选节点组合包括多个候选节点组合,则确定所述多个候选节点组合中每个候选节点组合分别包括的候选服务节点的节点数量,并筛选出所述多个候选节点组合中,节点数量在预设的节点数量范围内的候选节点组合,作为所述一个样本账号对应的目标节点组合。
5.根据权利要求2~4任一项所述的方法,其特征在于,在分别确定所述各个样本账号各自对应的目标节点组合之后,还包括:
基于获得的各个目标节点组合,统计每个候选服务节点在所述各个目标节点组合中的出现总次数,获得所述每个候选服务节点的统计结果;
从所述各个候选服务节点中,筛选出统计结果满足预设统计条件的候选服务节点,作为目标服务节点。
6.根据权利要求1~4任一项所述的方法,其特征在于,在采用已训练的电子资源预测模型,基于所述目标特征矩阵,分别预测所述目标账号针对各个目标服务节点的使用概率之前,还包括:
获得各个样本账号针对各个候选服务节点的历史使用记录;
基于获得的各个历史使用记录,统计所述各个样本账号在所述各个候选服务节点使用电子资源的使用次数;
筛选出统计的使用次数在预设的次数范围内的候选服务节点,作为目标服务节点。
7.根据权利要求1~4任一项所述的方法,其特征在于,基于获得的各个使用概率,以及所述各个目标服务节点各自对应的电子资源参考消耗信息,获得所述目标账号的电子资源预测消耗信息,包括:
将所述目标账号针对所述各个目标服务节点的使用概率,确定为所述各个目标服务节点各自对应的权重系数;
基于获得的各个权重系数,对所述各个目标服务节点各自对应的电子资源参考消耗信息进行加权融合处理,获得所述目标账号的电子资源预测消耗信息。
8.一种电子资源消耗信息预测装置,其特征在于,包括:
获取模块:用于获得目标账号的目标特征矩阵,其中,所述目标特征矩阵是基于所述目标账号的电子资源历史消耗信息获得的;
处理模块:用于采用已训练的电子资源预测模型,基于所述目标特征矩阵,分别预测所述目标账号针对各个目标服务节点的使用概率,其中,每个目标服务节点对应一种电子资源参考消耗信息;以及,基于获得的各个使用概率,以及所述各个目标服务节点各自对应的电子资源参考消耗信息,获得所述目标账号的电子资源预测消耗信息。
9.一种计算机设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行如权利要求1~7中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110288853.XA CN115115074A (zh) | 2021-03-18 | 2021-03-18 | 一种电子资源消耗信息预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110288853.XA CN115115074A (zh) | 2021-03-18 | 2021-03-18 | 一种电子资源消耗信息预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115074A true CN115115074A (zh) | 2022-09-27 |
Family
ID=83324249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110288853.XA Pending CN115115074A (zh) | 2021-03-18 | 2021-03-18 | 一种电子资源消耗信息预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115074A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115858719A (zh) * | 2023-02-21 | 2023-03-28 | 四川邕合科技有限公司 | 一种基于大数据分析的sim卡活跃度预测方法及系统 |
CN116431347A (zh) * | 2023-04-14 | 2023-07-14 | 北京达佳互联信息技术有限公司 | 用于资源处理的方法、装置、电子设备及存储介质 |
-
2021
- 2021-03-18 CN CN202110288853.XA patent/CN115115074A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115858719A (zh) * | 2023-02-21 | 2023-03-28 | 四川邕合科技有限公司 | 一种基于大数据分析的sim卡活跃度预测方法及系统 |
CN115858719B (zh) * | 2023-02-21 | 2023-05-23 | 四川邕合科技有限公司 | 一种基于大数据分析的sim卡活跃度预测方法及系统 |
CN116431347A (zh) * | 2023-04-14 | 2023-07-14 | 北京达佳互联信息技术有限公司 | 用于资源处理的方法、装置、电子设备及存储介质 |
CN116431347B (zh) * | 2023-04-14 | 2024-03-26 | 北京达佳互联信息技术有限公司 | 用于资源处理的方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200327449A1 (en) | User retention platform | |
Agarwal et al. | An interdisciplinary review of research in conjoint analysis: Recent developments and directions for future research | |
KR20200123015A (ko) | 정보를 추천하는 방법, 장치, 기기 및 저장 매체 | |
US20220284327A1 (en) | Resource pushing method and apparatus, device, and storage medium | |
CN105493057B (zh) | 利用精确性控制的内容选择 | |
CN109902708A (zh) | 一种推荐模型训练方法及相关装置 | |
CN110956505B (zh) | 一种广告库存的预估方法以及相关装置 | |
CN107947951A (zh) | 用户群组推荐方法、装置及存储介质和服务器 | |
CN111709810A (zh) | 基于推荐模型的对象推荐方法及装置 | |
CN109636490A (zh) | 广告转化率的实时预测方法、广告评价方法与系统 | |
CN109299356A (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
CN109190028A (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
CN112148992A (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
CN115115074A (zh) | 一种电子资源消耗信息预测方法、装置、设备及存储介质 | |
WO2020258773A1 (zh) | 确定推送用户群的方法、装置、设备及存储介质 | |
CN115239356A (zh) | 一种推荐内容的管理方法以及相关装置 | |
CN113034168B (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
KR102223640B1 (ko) | 클라우드 기반 개인화 콘텐츠 구독 서비스 제공 시스템 및 방법 | |
CN107077455A (zh) | 釆用基于事件的流量评分确定流量质量 | |
CN115935185A (zh) | 一种推荐模型的训练方法及装置 | |
CN112529604A (zh) | 物料投放方法、装置、电子设备和存储介质 | |
CN113379511A (zh) | 用于输出信息的方法和装置 | |
CN116975426A (zh) | 业务数据处理方法、装置、设备以及介质 | |
CN109636083A (zh) | 黑名单分析方法、装置、设备及计算机可读存储介质 | |
CN117829936A (zh) | 推荐方法及装置、设备和介质 |
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 |