CN115495664A - 基于多目标价值学习模型的素材数据处理方法、装置、电子设备和存储介质 - Google Patents
基于多目标价值学习模型的素材数据处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115495664A CN115495664A CN202211327139.8A CN202211327139A CN115495664A CN 115495664 A CN115495664 A CN 115495664A CN 202211327139 A CN202211327139 A CN 202211327139A CN 115495664 A CN115495664 A CN 115495664A
- Authority
- CN
- China
- Prior art keywords
- preselected
- preselected material
- score
- revenue
- probability
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于多目标价值学习模型的素材数据处理方法、装置、电子设备和存储介质,其中,基于多目标价值学习模型的素材数据处理方法包括:基于多目标学习模型计算每个预选素材的第一营收分数和每个预选素材的第二营收分数;基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率和每个预选素材的点击率,计算每个预选素材的推荐得分;基于每个预选素材的推荐得分确定最优推荐素材等步骤。本申请综合考虑了预选素材对多个业务产品的收益,从而能够更加精确地确定最优素材。
Description
技术领域
本申请涉及计算机领域,具体而言,涉及一种基于多目标价值学习模型的素材数据处理方法、装置、电子设备和存储介质。
背景技术
目前,在向用户终端推荐素材时,通常是基于素材为一种特定的业务产品带来的收益确定最优素材,例如,对于素材A和素材B,如果素材A给业务产品A1带来的收益为2,素材B给业务产品A1带来的收益为4,则素材B为最优素材。
然而上述方式存在以下缺陷:素材可作用于多个业务产品,进而单一业务产品的收益并不能够精确反映该素材为最优素材,例如,素材A和素材B均可以作用于业务产品A2和业务产品A1,此时,如果素材A给业务产品A1带来的收益为2、给业务产品A2带来的收益为4,而素材B给业务产品A1带来的收益为4、给业务产品A2带来的收益为1,此时,素材B就不是最优素材。因此现有技术存在最优素材的计算不准确的缺陷。
发明内容
本申请实施例的目的在于提供一种基于多目标价值学习模型的素材数据处理方法、装置、电子设备和存储介质,用以基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率和每个预选素材的点击率,计算每个预选素材的推荐得分,从而确定最优推荐素材,与现有技术相比,本申请综合考虑了预选素材对多个业务产品的收益,从而能够更加精确地确定最优素材。
第一方面,本发明提供一种基于多目标价值学习模型的素材数据处理方法,其中,所述方法包括:
获取用户数据和若干个预选素材的属性数据;
将所述用户数据和若干个所述预选素材的属性数据输入到多目标学习模型中;
基于所述多目标学习模型计算若干个预选素材中每个所述预选素材的点击率;
基于所述多目标学习模型计算每个所述预选素材的第一价值提升概率和每个所述预选素材的第二价值提升概率,其中,所述第一价值提升概率表征用户点击所述预选素材后,能够提高第一业务产品价值的概率,所述第二价值提升概率表征用户点击所述预选素材后,能够提高第二业务产品价值的概率;
基于所述多目标学习模型计算每个所述预选素材的第一营收分数和每个所述预选素材的第二营收分数;
基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分;
基于每个所述预选素材的推荐得分确定最优推荐素材。
在本申请第一方面中,通过获取用户数据和若干个预选素材的属性数据,进而能够将所述用户数据和若干个所述预选素材的属性数据输入到多目标学习模型中,进而能够基于所述多目标学习模型计算若干个预选素材中每个所述预选素材的点击率,进而能够基于所述多目标学习模型计算每个所述预选素材的第一价值提升概率和每个所述预选素材的第二价值提升概率,其中,所述第一价值提升概率表征用户点击所述预选素材后,能够提高第一业务产品价值的概率,所述第二价值提升概率表征用户点击所述预选素材后,能够提高第二业务产品价值的概率,进而能够基于所述多目标学习模型计算每个所述预选素材的第一营收分数和每个所述预选素材的第二营收分数,进而能够基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分,进而能够基于每个所述预选素材的推荐得分确定最优推荐素材。
与现有技术相比,本申请综合考虑了预选素材对多个业务产品的收益,从而能够更加精确地确定最优素材。
在可选的实施方式中,所述基于所述多目标学习模型计算每个所述预选素材的第一营收分数和每个所述预选素材的第二营收分数,包括:
基于所述多目标学习模型计算每个所述预选素材的第一营收金额和第二营收金额,其中,所述第一营收金额表征所述预选素材为所述第一业务产品带来的实际收入,所述第二营收金额表征所述预选素材为所述第二业务产品带来的实际收入;
基于所述多目标学习模块对所述每个所述预选素材的第一营收金额进行归一化处理,得到每个所述预选素材的第一营收得分;
基于所述多目标学习模块对所述每个所述预选素材的第二营收金额进行归一化处理,得到每个所述预选素材的第二营收得分。
在上述可选的实施方式中,基于所述多目标学习模型能够计算每个所述预选素材的第一营收金额和第二营收金额,进而能够基于所述多目标学习模块对所述每个所述预选素材的第一营收金额进行归一化处理,得到每个所述预选素材的第一营收得分,和能够基于所述多目标学习模块对所述每个所述预选素材的第二营收金额进行归一化处理,得到每个所述预选素材的第二营收得分。
在可选的实施方式中,在所述基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分之前,所述方法还包括:
判断所述第一业务产品的权重和所述第二业务产品的权重是否存在;
当所述第一业务产品的权重和第二业务产品的权重均存在时,则基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率、所述第一业务产品的权重、所述第二业务产品的权重和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分。
在上述可选的实施方式中,当所述第一业务产品的权重和第二业务产品的权重均存在时,能够基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率、所述第一业务产品的权重、所述第二业务产品的权重和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分。
在可选的实施方式中,所述基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率、所述第一业务产品的权重、所述第二业务产品的权重和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分,对应的计算式为:
S=A*(P1*A1*B1+P2*A2*B2);
其中,S表示预选素材的推荐得分,A表示所述预选素材的点击率、P1表示所述第一业务产品的权重,A1表示所述预选素材的第一营收分数,B1表示所述预选素材的第一价值提升概率,P2表示所述第二业务产品的权重,A2表示所述预选素材的第二营收分数,B2表示所述预选素材的第二价值提升概率。
在上述可选的实施方式中,通过上述计算式能够准确计算每个预选素材的得分。
第二方面,本发明提供一种基于多目标价值学习模型的素材数据处理装置,其中,所述装置包括:
获取模块,用于获取用户数据和若干个预选素材的属性数据;
输入模块,用于将所述用户数据和若干个所述预选素材的属性数据输入到多目标学习模型中;
第一计算模块,用于基于所述多目标学习模型计算若干个预选素材中每个所述预选素材的点击率;
第二计算模块,用于基于所述多目标学习模型计算每个所述预选素材的第一价值提升概率和每个所述预选素材的第二价值提升概率,其中,所述第一价值提升概率表征用户点击所述预选素材后,能够提高第一业务产品价值的概率,所述第二价值提升概率表征用户点击所述预选素材后,能够提高第二业务产品价值的概率;
第三计算模块,用于基于所述多目标学习模型计算每个所述预选素材的第一营收分数和每个所述预选素材的第二营收分数;
第四计算模块,用于基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分;
确定模块,用于基于每个所述预选素材的推荐得分确定最优推荐素材。
在本申请第二方面中,通过获取用户数据和若干个预选素材的属性数据,进而能够将所述用户数据和若干个所述预选素材的属性数据输入到多目标学习模型中,进而能够基于所述多目标学习模型计算若干个预选素材中每个所述预选素材的点击率,进而能够基于所述多目标学习模型计算每个所述预选素材的第一价值提升概率和每个所述预选素材的第二价值提升概率,其中,所述第一价值提升概率表征用户点击所述预选素材后,能够提高第一业务产品价值的概率,所述第二价值提升概率表征用户点击所述预选素材后,能够提高第二业务产品价值的概率,进而能够基于所述多目标学习模型计算每个所述预选素材的第一营收分数和每个所述预选素材的第二营收分数,进而能够基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分,进而能够基于每个所述预选素材的推荐得分确定最优推荐素材。
与现有技术相比,本申请综合考虑了预选素材对多个业务产品的收益,从而能够更加精确地确定最优素材。
在可选的实施方式中,所述第三计算模块,包括:
计算子模块,用于基于所述多目标学习模型计算每个所述预选素材的第一营收金额和第二营收金额,其中,所述第一营收金额表征所述预选素材为所述第一业务产品带来的实际收入,所述第二营收金额表征所述预选素材为所述第二业务产品带来的实际收入;
归一化处理模块,用于基于所述多目标学习模块对所述每个所述预选素材的第一营收金额进行归一化处理,得到每个所述预选素材的第一营收得分;
所述归一化处理模块还用于基于所述多目标学习模块对所述每个所述预选素材的第二营收金额进行归一化处理,得到每个所述预选素材的第二营收得分。
在上述可选的实施方式中,基于所述多目标学习模型能够计算每个所述预选素材的第一营收金额和第二营收金额,进而能够基于所述多目标学习模块对所述每个所述预选素材的第一营收金额进行归一化处理,得到每个所述预选素材的第一营收得分,和能够基于所述多目标学习模块对所述每个所述预选素材的第二营收金额进行归一化处理,得到每个所述预选素材的第二营收得分。
在可选的实施方式中,所述装置还包括:
判断模块,用于判断所述第一业务产品的权重和所述第二业务产品的权重是否存在;
以及,所述第四计算模块还用于当所述第一业务产品的权重和第二业务产品的权重均存在时,基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率、所述第一业务产品的权重、所述第二业务产品的权重和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分。
在上述可选的实施方式中,当所述第一业务产品的权重和第二业务产品的权重均存在时,能够基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率、所述第一业务产品的权重、所述第二业务产品的权重和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分。
在可选的实施方式中,所述第四计算模块采用的计算式为:
S=A*(P1*A1*B1+P2*A2*B2);
其中,S表示预选素材的推荐得分,A表示所述预选素材的点击率、P1表示所述第一业务产品的权重,A1表示所述预选素材的第一营收分数,B1表示所述预选素材的第一价值提升概率,P2表示所述第二业务产品的权重,A2表示所述预选素材的第二营收分数,B2表示所述预选素材的第二价值提升概率。
在上述可选的实施方式中,通过上述计算式能够准确计算每个预选素材的得分。
第三方面,本发明提供一种电子设备,包括:
处理器;以及
存储器,配置用于存储机器可读指令,所述指令在由所述处理器执行时,执行如前述实施方式任一项所述的基于多目标价值学习模型的素材数据处理方法。
本申请第三方面的电子设备通过执行基于多目标价值学习模型的素材数据处理方法,能够获取用户数据和若干个预选素材的属性数据,并将所述用户数据和若干个所述预选素材的属性数据输入到多目标学习模型中,进而能够基于所述多目标学习模型计算若干个预选素材中每个所述预选素材的点击率,进而能够基于所述多目标学习模型计算每个所述预选素材的第一价值提升概率和每个所述预选素材的第二价值提升概率,其中,所述第一价值提升概率表征用户点击所述预选素材后,能够提高第一业务产品价值的概率,所述第二价值提升概率表征用户点击所述预选素材后,能够提高第二业务产品价值的概率,进而能够基于所述多目标学习模型计算每个所述预选素材的第一营收分数和每个所述预选素材的第二营收分数,进而能够基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分,进而能够基于每个所述预选素材的推荐得分确定最优推荐素材。
与现有技术相比,本申请综合考虑了预选素材对多个业务产品的收益,从而能够更加精确地确定最优素材。
第四方面,本发明提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行如前述实施方式任一项所述的基于多目标价值学习模型的素材数据处理方法。
本申请第四方面的存储介质通过执行基于多目标价值学习模型的素材数据处理方法,能够获取用户数据和若干个预选素材的属性数据,并将所述用户数据和若干个所述预选素材的属性数据输入到多目标学习模型中,进而能够基于所述多目标学习模型计算若干个预选素材中每个所述预选素材的点击率,进而能够基于所述多目标学习模型计算每个所述预选素材的第一价值提升概率和每个所述预选素材的第二价值提升概率,其中,所述第一价值提升概率表征用户点击所述预选素材后,能够提高第一业务产品价值的概率,所述第二价值提升概率表征用户点击所述预选素材后,能够提高第二业务产品价值的概率,进而能够基于所述多目标学习模型计算每个所述预选素材的第一营收分数和每个所述预选素材的第二营收分数,进而能够基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分,进而能够基于每个所述预选素材的推荐得分确定最优推荐素材。
与现有技术相比,本申请综合考虑了预选素材对多个业务产品的收益,从而能够更加精确地确定最优素材。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1是本申请实施例公开的一种基于多目标价值学习模型的素材数据处理方法的流程示意图;
图2是本申请实施例公开的一种基于多目标价值学习模型的素材数据处理装置的结构示意图;
图3是本申请实施例公开的一种电子设备的结构示意图。
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描述。
实施例一
请参阅图1,图1是本申请实施例公开的一种基于多目标价值学习模型的素材数据处理方法的流程示意图,如图1所示,本申请实施例的方法包括以下步骤:
101、获取用户数据和若干个预选素材的属性数据;
102、将用户数据和若干个预选素材的属性数据输入到多目标学习模型中;
103、基于多目标学习模型计算若干个预选素材中每个预选素材的点击率;
104、基于多目标学习模型计算每个预选素材的第一价值提升概率和每个预选素材的第二价值提升概率,其中,第一价值提升概率表征用户点击预选素材后,能够提高第一业务产品价值的概率,第二价值提升概率表征用户点击预选素材后,能够提高第二业务产品价值的概率;
105、基于多目标学习模型计算每个预选素材的第一营收分数和每个预选素材的第二营收分数;
106、基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率和每个预选素材的点击率,计算每个预选素材的推荐得分;
107、基于每个预选素材的推荐得分确定最优推荐素材。
在本申请实施例中,通过获取用户数据和若干个预选素材的属性数据,进而能够将用户数据和若干个预选素材的属性数据输入到多目标学习模型中,进而能够基于多目标学习模型计算若干个预选素材中每个预选素材的点击率,进而能够基于多目标学习模型计算每个预选素材的第一价值提升概率和每个预选素材的第二价值提升概率,其中,第一价值提升概率表征用户点击预选素材后,能够提高第一业务产品价值的概率,第二价值提升概率表征用户点击预选素材后,能够提高第二业务产品价值的概率,进而能够基于多目标学习模型计算每个预选素材的第一营收分数和每个预选素材的第二营收分数,进而能够基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率和每个预选素材的点击率,计算每个预选素材的推荐得分,进而能够基于每个预选素材的推荐得分确定最优推荐素材。
与现有技术相比,本申请综合考虑了预选素材对多个业务产品的收益,从而能够更加精确地确定最优素材。
在本申请实施例中,针对步骤101,预选素材可以是准备向用户终端推送的信息,例如,预选素材可以是准确向用户终端推送的基金购买广告。
在本申请实施例中,针对步骤101,用户数据包括了用户在使用用户终端时所产生的数据,例如用户在用户终端上预留的商品浏览记录,其中,商品浏览记录包括了商品的类型、数量、价格等信息。进一步地,预选素材的属性数据可以包括预选素材的类型、价格等信息。
在本申请实施例中,针对步骤102,多目标学习模型可以是谷歌提供的开源多任务学习模型MMoE。
在本申请实施例中,针对步骤103,预选素材的点击率是指用户点击预选素材与预选素材的投放次数之比,例如,当预选素材的投放次数为100次,用户点击预选素材的次数为20次,则点击率为20%。进一步地,多目标学习模型可以通过预先的训练,计算预选素材的点击率,例如,针对预选素材A,多目标学习模型可基于用户的数据预测用户的点击次数,从而根据模拟投放次数和点击次数计算点击率。
在本申请实施例中,针对步骤104,多目标学习模型能够计算每个预选素材的第一价值提升概率和每个预选素材的第二价值提升概率,例如,多目标学习模型能够模拟投放预选素材A,进而基于用户的数据预测用户下单价格,而当用户下单价格高于第一业务产品的预设价格时,则认为用户能够给第一业务产品带来更高的价值,其中,多目标学习模型能够基于不同条件预测多个用户下单价格,例如,得到用户下单价格A、用户下单价格B、用户下单价格C、用户下单价格D,进而,如果用户下单价格A、用户下单价格B均高于第一业务产品的预设价格,则第一价值提升概率为50%。
在可选的实施方式中,步骤105:基于多目标学习模型计算每个预选素材的第一营收分数和每个预选素材的第二营收分数,包括以上:
基于多目标学习模型计算每个预选素材的第一营收金额和第二营收金额,其中,第一营收金额表征预选素材为第一业务产品带来的实际收入,第二营收金额表征预选素材为第二业务产品带来的实际收入;
基于多目标学习模块对每个预选素材的第一营收金额进行归一化处理,得到每个预选素材的第一营收得分;
基于多目标学习模块对每个预选素材的第二营收金额进行归一化处理,得到每个预选素材的第二营收得分。
在上述可选的实施方式中,多目标学习模型能够基于多个用户下单价格计算第一营收金额和第二营收金额,例如,针对第一业务产品,则基于用户下单价格A对应的数值和概率、用户下单价格B对应的数值和概率、用户下单价格C对应的数值和概率、用户下单价格D对应的数值和概率,计算得到第一营收金额。
在上述可选的实施方式中,对第一营收金额和第二营收金额进行归一化处理,是为了将第一营收金额和第二营收金额的无量纲化。
在上述可选的实施方式中,基于多目标学习模型能够计算每个预选素材的第一营收金额和第二营收金额,进而能够基于多目标学习模块对每个预选素材的第一营收金额进行归一化处理,得到每个预选素材的第一营收得分,和能够基于多目标学习模块对每个预选素材的第二营收金额进行归一化处理,得到每个预选素材的第二营收得分。
在可选的实施方式中,在步骤:基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率和每个预选素材的点击率,计算每个预选素材的推荐得分之前,本申请实施例方法还包括以下:
判断第一业务产品的权重和第二业务产品的权重是否存在;
当第一业务产品的权重和第二业务产品的权重均存在时,则基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率、第一业务产品的权重、第二业务产品的权重和每个预选素材的点击率,计算每个预选素材的推荐得分。
在上述可选的实施方式中,当第一业务产品的权重和第二业务产品的权重均存在时,能够基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率、第一业务产品的权重、第二业务产品的权重和每个预选素材的点击率,计算每个预选素材的推荐得分。
在上述可选的实施方式中,第一业务产品的权重和第二业务产品的权重可以根据应用场景的需求调整,例如,针对应用场景A,第一业务产品的权重为0.5,而第二业务产品的权重为0.5,另一方面,针对应用场景B,第一业务产品的权重为0.6,而第二业务产品的权重为0.4。
在可选的实施方式中,基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率、第一业务产品的权重、第二业务产品的权重和每个预选素材的点击率,计算每个预选素材的推荐得分,对应的计算式为:
S=A*(P1*A1*B1+P2*A2*B2);
其中,S表示预选素材的推荐得分,A表示预选素材的点击率、P1表示第一业务产品的权重,A1表示预选素材的第一营收分数,B1表示预选素材的第一价值提升概率,P2表示第二业务产品的权重,A2表示预选素材的第二营收分数,B2表示预选素材的第二价值提升概率。
在上述可选的实施方式中,通过上述计算式能够准确计算每个预选素材的得分。
实施例二
请参阅图2,图2是本申请实施例公开的一种基于多目标价值学习模型的素材数据处理装置的结构示意图,如图2所示,本申请实施例的装置包括以下功能模块:
获取模块201,用于获取用户数据和若干个预选素材的属性数据;
输入模块202,用于将用户数据和若干个预选素材的属性数据输入到多目标学习模型中;
第一计算模块203,用于基于多目标学习模型计算若干个预选素材中每个预选素材的点击率;
第二计算模块204,用于基于多目标学习模型计算每个预选素材的第一价值提升概率和每个预选素材的第二价值提升概率,其中,第一价值提升概率表征用户点击预选素材后,能够提高第一业务产品价值的概率,第二价值提升概率表征用户点击预选素材后,能够提高第二业务产品价值的概率;
第三计算模块205,用于基于多目标学习模型计算每个预选素材的第一营收分数和每个预选素材的第二营收分数;
第四计算模块206,用于基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率和每个预选素材的点击率,计算每个预选素材的推荐得分;
确定模块207,用于基于每个预选素材的推荐得分确定最优推荐素材。
在本申请实施例中,通过获取用户数据和若干个预选素材的属性数据,进而能够将用户数据和若干个预选素材的属性数据输入到多目标学习模型中,进而能够基于多目标学习模型计算若干个预选素材中每个预选素材的点击率,进而能够基于多目标学习模型计算每个预选素材的第一价值提升概率和每个预选素材的第二价值提升概率,其中,第一价值提升概率表征用户点击预选素材后,能够提高第一业务产品价值的概率,第二价值提升概率表征用户点击预选素材后,能够提高第二业务产品价值的概率,进而能够基于多目标学习模型计算每个预选素材的第一营收分数和每个预选素材的第二营收分数,进而能够基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率和每个预选素材的点击率,计算每个预选素材的推荐得分,进而能够基于每个预选素材的推荐得分确定最优推荐素材。
与现有技术相比,本申请综合考虑了预选素材对多个业务产品的收益,从而能够更加精确地确定最优素材。
在可选的实施方式中,第三计算模块,包括以下子模块:
计算子模块,用于基于多目标学习模型计算每个预选素材的第一营收金额和第二营收金额,其中,第一营收金额表征预选素材为第一业务产品带来的实际收入,第二营收金额表征预选素材为第二业务产品带来的实际收入;
归一化处理模块,用于基于多目标学习模块对每个预选素材的第一营收金额进行归一化处理,得到每个预选素材的第一营收得分;
归一化处理模块还用于基于多目标学习模块对每个预选素材的第二营收金额进行归一化处理,得到每个预选素材的第二营收得分。
在上述可选的实施方式中,基于多目标学习模型能够计算每个预选素材的第一营收金额和第二营收金额,进而能够基于多目标学习模块对每个预选素材的第一营收金额进行归一化处理,得到每个预选素材的第一营收得分,和能够基于多目标学习模块对每个预选素材的第二营收金额进行归一化处理,得到每个预选素材的第二营收得分。
在可选的实施方式中,本申请实施例的装置还包括一以下功能模块:
判断模块,用于判断第一业务产品的权重和第二业务产品的权重是否存在;
以及,第四计算模块还用于当第一业务产品的权重和第二业务产品的权重均存在时,基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率、第一业务产品的权重、第二业务产品的权重和每个预选素材的点击率,计算每个预选素材的推荐得分。
在上述可选的实施方式中,当第一业务产品的权重和第二业务产品的权重均存在时,能够基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率、第一业务产品的权重、第二业务产品的权重和每个预选素材的点击率,计算每个预选素材的推荐得分。
在可选的实施方式中,第四计算模块采用的计算式为:
S=A*(P1*A1*B1+P2*A2*B2);
其中,S表示预选素材的推荐得分,A表示预选素材的点击率、P1表示第一业务产品的权重,A1表示预选素材的第一营收分数,B1表示预选素材的第一价值提升概率,P2表示第二业务产品的权重,A2表示预选素材的第二营收分数,B2表示预选素材的第二价值提升概率。
在上述可选的实施方式中,通过上述计算式能够准确计算每个预选素材的得分。
实施例三
请参阅图3,图3是本申请实施例公开的一种电子设备的结构示意图,如图3所示,本申请实施例的电子设备包括:
处理器301;以及
存储器302,配置用于存储机器可读指令,指令在由处理器301执行时,执行如前述实施方式任一项的基于多目标价值学习模型的素材数据处理方法。
本申请实施例的电子设备通过执行基于多目标价值学习模型的素材数据处理方法,能够获取用户数据和若干个预选素材的属性数据,并将用户数据和若干个预选素材的属性数据输入到多目标学习模型中,进而能够基于多目标学习模型计算若干个预选素材中每个预选素材的点击率,进而能够基于多目标学习模型计算每个预选素材的第一价值提升概率和每个预选素材的第二价值提升概率,其中,第一价值提升概率表征用户点击预选素材后,能够提高第一业务产品价值的概率,第二价值提升概率表征用户点击预选素材后,能够提高第二业务产品价值的概率,进而能够基于多目标学习模型计算每个预选素材的第一营收分数和每个预选素材的第二营收分数,进而能够基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率和每个预选素材的点击率,计算每个预选素材的推荐得分,进而能够基于每个预选素材的推荐得分确定最优推荐素材。
与现有技术相比,本申请综合考虑了预选素材对多个业务产品的收益,从而能够更加精确地确定最优素材。
实施例四
本申请实施例提供一种存储介质,存储介质存储有计算机程序,计算机程序被处理器执行如前述实施方式任一项的基于多目标价值学习模型的素材数据处理方法。
本申请实施例的存储介质通过执行基于多目标价值学习模型的素材数据处理方法,能够获取用户数据和若干个预选素材的属性数据,并将用户数据和若干个预选素材的属性数据输入到多目标学习模型中,进而能够基于多目标学习模型计算若干个预选素材中每个预选素材的点击率,进而能够基于多目标学习模型计算每个预选素材的第一价值提升概率和每个预选素材的第二价值提升概率,其中,第一价值提升概率表征用户点击预选素材后,能够提高第一业务产品价值的概率,第二价值提升概率表征用户点击预选素材后,能够提高第二业务产品价值的概率,进而能够基于多目标学习模型计算每个预选素材的第一营收分数和每个预选素材的第二营收分数,进而能够基于多目标学习模型、每个预选素材的第一营收分数、每个预选素材的第二营收分数、每个预选素材的第一价值提升概率、每个预选素材的第二价值提升概率和每个预选素材的点击率,计算每个预选素材的推荐得分,进而能够基于每个预选素材的推荐得分确定最优推荐素材。
与现有技术相比,本申请综合考虑了预选素材对多个业务产品的收益,从而能够更加精确地确定最优素材。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是,功能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,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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于多目标价值学习模型的素材数据处理方法,其中,所述方法包括:
获取用户数据和若干个预选素材的属性数据;
将所述用户数据和若干个所述预选素材的属性数据输入到多目标学习模型中;
基于所述多目标学习模型计算若干个预选素材中每个所述预选素材的点击率;
基于所述多目标学习模型计算每个所述预选素材的第一价值提升概率和每个所述预选素材的第二价值提升概率,其中,所述第一价值提升概率表征用户点击所述预选素材后,能够提高第一业务产品价值的概率,所述第二价值提升概率表征用户点击所述预选素材后,能够提高第二业务产品价值的概率;
基于所述多目标学习模型计算每个所述预选素材的第一营收分数和每个所述预选素材的第二营收分数;
基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分;
基于每个所述预选素材的推荐得分确定最优推荐素材。
2.如权利要求1所述的方法,其特征在于,所述基于所述多目标学习模型计算每个所述预选素材的第一营收分数和每个所述预选素材的第二营收分数,包括:
基于所述多目标学习模型计算每个所述预选素材的第一营收金额和第二营收金额,其中,所述第一营收金额表征所述预选素材为所述第一业务产品带来的实际收入,所述第二营收金额表征所述预选素材为所述第二业务产品带来的实际收入;
基于所述多目标学习模块对所述每个所述预选素材的第一营收金额进行归一化处理,得到每个所述预选素材的第一营收得分;
基于所述多目标学习模块对所述每个所述预选素材的第二营收金额进行归一化处理,得到每个所述预选素材的第二营收得分。
3.如权利要求1所述的方法,其特征在于,在所述基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分之前,所述方法还包括:
判断所述第一业务产品的权重和所述第二业务产品的权重是否存在;
当所述第一业务产品的权重和第二业务产品的权重均存在时,则基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率、所述第一业务产品的权重、所述第二业务产品的权重和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分。
4.如权利要求3所述的方法,其特征在于,所述基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率、所述第一业务产品的权重、所述第二业务产品的权重和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分,对应的计算式为:
S=A*(P1*A1*B1+P2*A2*B2);
其中,S表示预选素材的推荐得分,A表示所述预选素材的点击率、P1表示所述第一业务产品的权重,A1表示所述预选素材的第一营收分数,B1表示所述预选素材的第一价值提升概率,P2表示所述第二业务产品的权重,A2表示所述预选素材的第二营收分数,B2表示所述预选素材的第二价值提升概率。
5.一种基于多目标价值学习模型的素材数据处理装置,其中,所述装置包括:
获取模块,用于获取用户数据和若干个预选素材的属性数据;
输入模块,用于将所述用户数据和若干个所述预选素材的属性数据输入到多目标学习模型中;
第一计算模块,用于基于所述多目标学习模型计算若干个预选素材中每个所述预选素材的点击率;
第二计算模块,用于基于所述多目标学习模型计算每个所述预选素材的第一价值提升概率和每个所述预选素材的第二价值提升概率,其中,所述第一价值提升概率表征用户点击所述预选素材后,能够提高第一业务产品价值的概率,所述第二价值提升概率表征用户点击所述预选素材后,能够提高第二业务产品价值的概率;
第三计算模块,用于基于所述多目标学习模型计算每个所述预选素材的第一营收分数和每个所述预选素材的第二营收分数;
第四计算模块,用于基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分;
确定模块,用于基于每个所述预选素材的推荐得分确定最优推荐素材。
6.如权利要求5所述的装置,其特征在于,所述第三计算模块,包括:
计算子模块,用于基于所述多目标学习模型计算每个所述预选素材的第一营收金额和第二营收金额,其中,所述第一营收金额表征所述预选素材为所述第一业务产品带来的实际收入,所述第二营收金额表征所述预选素材为所述第二业务产品带来的实际收入;
归一化处理模块,用于基于所述多目标学习模块对所述每个所述预选素材的第一营收金额进行归一化处理,得到每个所述预选素材的第一营收得分;
所述归一化处理模块还用于基于所述多目标学习模块对所述每个所述预选素材的第二营收金额进行归一化处理,得到每个所述预选素材的第二营收得分。
7.如权利要求1所述的装置,其特征在于,所述装置还包括:
判断模块,用于判断所述第一业务产品的权重和所述第二业务产品的权重是否存在;
以及,所述第四计算模块还用于当所述第一业务产品的权重和第二业务产品的权重均存在时,基于所述多目标学习模型、每个所述预选素材的第一营收分数、每个所述预选素材的第二营收分数、每个所述预选素材的第一价值提升概率、每个所述预选素材的第二价值提升概率、所述第一业务产品的权重、所述第二业务产品的权重和每个所述预选素材的点击率,计算每个所述预选素材的推荐得分。
8.如权利要求7所述的装置,其特征在于,所述第四计算模块采用的计算式为:
S=A*(P1*A1*B1+P2*A2*B2);
其中,S表示预选素材的推荐得分,A表示所述预选素材的点击率、P1表示所述第一业务产品的权重,A1表示所述预选素材的第一营收分数,B1表示所述预选素材的第一价值提升概率,P2表示所述第二业务产品的权重,A2表示所述预选素材的第二营收分数,B2表示所述预选素材的第二价值提升概率。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,配置用于存储机器可读指令,所述指令在由所述处理器执行时,执行如权利要求1-4任一项所述的基于多目标价值学习模型的素材数据处理方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行如权利要求1-4任一项所述的基于多目标价值学习模型的素材数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211327139.8A CN115495664A (zh) | 2022-10-26 | 2022-10-26 | 基于多目标价值学习模型的素材数据处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211327139.8A CN115495664A (zh) | 2022-10-26 | 2022-10-26 | 基于多目标价值学习模型的素材数据处理方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115495664A true CN115495664A (zh) | 2022-12-20 |
Family
ID=85115124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211327139.8A Pending CN115495664A (zh) | 2022-10-26 | 2022-10-26 | 基于多目标价值学习模型的素材数据处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115495664A (zh) |
-
2022
- 2022-10-26 CN CN202211327139.8A patent/CN115495664A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10699349B2 (en) | Computerized system and method for data field pre-filling and pre-filling prevention | |
CN108133013B (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
US20180047071A1 (en) | System and methods for aggregating past and predicting future product ratings | |
WO2017190610A1 (zh) | 目标用户定向方法、装置和计算机存储介质 | |
CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN105678587A (zh) | 一种推荐特征确定方法、信息推荐方法及装置 | |
JP5253519B2 (ja) | スマートテキストを生成するための方法、装置、及び記憶媒体 | |
CA3070612A1 (en) | Click rate estimation | |
KR20070002741A (ko) | 광고 수수료를 결정하는 방법 및 광고 수수료 결정 시스템 | |
CN109213936B (zh) | 商品搜索方法和装置 | |
CN112204610A (zh) | 基于神经网络的电子内容 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
US20180182030A1 (en) | Determination device, determination method, and non-transitory computer-readable recording medium | |
CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN107330709B (zh) | 确定目标对象的方法及装置 | |
US20170345096A1 (en) | Method and system for providing a dashboard for determining resource allocation for marketing | |
CN111858686B (zh) | 数据显示方法、装置、终端设备及存储介质 | |
JP2007034761A (ja) | 事業価値評価支援装置及び事業価値評価支援プログラム | |
CN107357847B (zh) | 数据处理方法及其装置 | |
CN115827994A (zh) | 一种数据处理方法、装置、设备、存储介质 | |
CN115495664A (zh) | 基于多目标价值学习模型的素材数据处理方法、装置、电子设备和存储介质 | |
CN115271866A (zh) | 一种产品推荐方法、装置、电子设备及可读存储介质 | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
CN114119168A (zh) | 一种信息推送方法及装置 | |
CN113362141A (zh) | 一种关联商品的推荐方法、装置、介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |