CN115619427B - 目标对象质量评估方法及装置、存储介质、电子设备 - Google Patents
目标对象质量评估方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN115619427B CN115619427B CN202211100153.4A CN202211100153A CN115619427B CN 115619427 B CN115619427 B CN 115619427B CN 202211100153 A CN202211100153 A CN 202211100153A CN 115619427 B CN115619427 B CN 115619427B
- Authority
- CN
- China
- Prior art keywords
- stage
- target
- target object
- stages
- quality
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 19
- 238000005266 casting Methods 0.000 claims description 68
- 238000012545 processing Methods 0.000 claims description 31
- 230000009466 transformation Effects 0.000 claims description 28
- 238000013145 classification model Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 26
- 238000009499 grossing Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 230000001932 seasonal effect Effects 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 14
- 238000001303 quality assessment method Methods 0.000 claims description 13
- 238000013501 data transformation Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 235000008694 Humulus lupulus Nutrition 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000027455 binding Effects 0.000 description 1
- 238000009739 binding Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011551 log transformation method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003797 telogen phase Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例是关于一种目标对象质量评估方法及装置、存储介质、电子设备,涉及计算机技术领域,该方法包括:获取多个目标对象在多个阶段的特征,所述多个阶段包括目标阶段以及参考阶段;根据所述目标阶段的特征获取各目标对象在目标阶段的质量分,并将参考阶段的特征输入阶段模型确定所述参考阶段的质量分,以获取各所述目标对象在多个阶段的质量分;根据多个阶段的质量分确定目标质量分,并通过所述目标质量分对各所述目标对象的质量进行评估。本公开能够提高目标对象的质量分的准确性。
Description
技术领域
本公开实施例涉及计算机技术领域,具体而言,涉及一种目标对象质量评估方法、目标对象质量评估装置、计算机可读存储介质以及电子设备。
背景技术
在电子商务应用过程中,可使用优惠券等方式来推动业务发展。其中,为了提高性能,可对目标对象的质量进行评分,获取其优劣程度。
相关技术中,通常通过优惠券历史数据建立机器学习模型预测毛利和投放量等指标,类似评分卡通过划分正负样本,建立监督学习模型得到最终的打分。上述方式中,基于某个优化指标为整个模型建模的目标,具有一定的局限性,且可靠性较低;并且,目标对象质量评估的准确性较低。
需要说明的是,在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种目标对象质量评估方法、目标对象质量评估装置、计算机可读存储介质以及电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的质量分的准确性较差的问题。
根据本公开的一个方面,提供一种目标对象质量评估方法,包括:获取多个目标对象在多个阶段的特征,所述多个阶段包括目标阶段以及参考阶段;根据所述目标阶段的特征获取各目标对象在目标阶段的质量分,并将参考阶段的特征输入阶段模型确定所述参考阶段的质量分,以获取各所述目标对象在多个阶段的质量分;根据多个阶段的质量分确定目标质量分,并通过所述目标质量分对各所述目标对象的质量进行评估。
在本公开的一种示例性实施例中,所述方法还包括:获取历史目标对象在所述目标阶段的特征对应的标签,构建分类模型和回归模型;根据所述分类模型和所述回归模型生成所述参考阶段对应的阶段模型。
在本公开的一种示例性实施例中,所述将参考阶段的特征输入阶段模型确定所述参考阶段的质量分,包括:将目标对象的参考阶段的特征输入至对应的阶段模型中,通过阶段模型中的分类模型对所述目标对象进行分类,确定目标对象的类型是否为预设类型;若所述目标对象的类型不属于预设类型,通过阶段模型中的回归模型将所述目标对象的参考阶段的特征进行拟合,获取所述参考阶段的质量分。
在本公开的一种示例性实施例中,所述获取各所述目标对象在多个阶段的质量分,包括:根据所述目标阶段的特征对应的标签,确定数据变换的变换参数;根据所述变换参数将多个阶段的质量分映射变换为正态分布,得到变换后的质量分并确定边界参数;按照所述边界参数对应的映射函数,将所述边界参数进行变换处理,以使所有变换后的质量分处于预设区间内,优化多个阶段的质量分。
在本公开的一种示例性实施例中,所述方法还包括:分别对多个阶段的质量分进行季节性平滑处理。
在本公开的一种示例性实施例中,所述方法还包括:对所述目标阶段以及与所述目标阶段相邻的参考阶段的质量分进行平滑过渡处理,以将与所述目标阶段相邻的参考阶段的质量分过渡至目标质量分。
在本公开的一种示例性实施例中,所述根据多个阶段的质量分确定目标质量分,包括:按照多个阶段的权重将所述多个阶段的质量分进行加权融合,确定所述目标质量分。
根据本公开的一个方面,提供一种目标对象质量评估装置,包括:特征获取模块,用于获取多个目标对象在多个阶段的特征,所述多个阶段包括目标阶段以及参考阶段;质量分确定模块,用于根据所述目标阶段的特征获取各目标对象在目标阶段的质量分,并将参考阶段的特征输入阶段模型确定所述参考阶段的质量分,以获取各所述目标对象在多个阶段的质量分;质量评估模块,用于根据多个阶段的质量分确定目标质量分,并通过所述目标质量分对各所述目标对象的质量进行评估。
根据本公开的一个方面,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执行时实现上述任意一项所述的目标对象质量评估方法。
根据本公开的一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的目标对象质量评估方法。
本公开实施例中提供的目标对象质量评估方法、目标对象质量评估装置、存储介质以及电子设备中,一方面,通过投放过程将目标对象划分为多个阶段,并分别计算目标对象在多个阶段的质量分,进而根据多个阶段的质量分进行融合,获取每个目标对象的目标质量分,以评估目标对象的质量。由于通过综合考虑多个阶段的状态来综合评估,能够提高质量分的全面性和可靠性。另一方面,可以通过阶段模型来获取参考阶段的质量分,并根据目标阶段的特征来获取目标阶段的质量分,因此能够提高每个阶段的质量分的准确性,且能够提高操作效率。
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。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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的附图。
图1示意性示出本公开实施例的一种目标对象质量评估方法的流程图。
图2示意性示出本公开实施例的季节性波动的示意图。
图3示意性示出本公开实施例中季节性平滑处理的流程示意图。
图4示意性示出本公开实施例中进行季节性平滑处理后的示意图。
图5示意性示出本公开实施例日波动幅度的示意图。
图6示意性示出本公开实施例未进行平滑处理的示意图。
图7示意性示出本公开实施例进行平滑过渡处理后的示意图。
图8示意性示出本公开实施例分阶段的目标对象质量评估方法的具体流程示意图。
图9示意性示出本公开实施例目标对象质量评估装置的框图示意图。
图10示意性示出本公开实施例电子设备的框图示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为了解决相关技术中的问题,本公开实施例中,提供了一种目标对象质量评估方法,可以对任意平台在任意时间段内投放的任何类型的优惠券的质量进行评估。
接下来,参考图1中所示,对目标对象质量评估方法的各个步骤进行详细说明。
在步骤S110中,获取多个目标对象在多个阶段的特征,所述多个阶段包括目标阶段以及参考阶段。
本公开实施例中,目标对象可以为优惠券,例如可以为各种平台发放的任何类型的优惠券,此处不作具体限定。目标对象的数量可以为多个,具体根据实际需求而确定。举例而言,优惠券可以为满减类优惠券、折扣类优惠券以及其他类型优惠券等等。对于目标对象而言,可以根据其投放周期存在多个阶段。示例性地,可从投放周期将目标对象的投放过程分为多个阶段,以使得目标对象存在多个阶段。多个阶段可以包括但不限于投前阶段、投中阶段,投后阶段。多个阶段中目标对象的状态不同。在投前阶段,可对即将要投放的目标对象的优劣提前预知,以指导对目标对象的投放操作。在投中阶段,可对在投的目标对象的优劣进行评估,具体可对在投的目标对象做横向对比,根据对比结果使用不同策略补救可以减少损失,并和其他同类目同渠道等投前券做参考。在投后阶段,对投后的目标对象做质量评估,可以复盘已投的目标对象的合理性,为后续的投放方式进行指导。
多个阶段的特征也可以随着目标对象在多个阶段的状态而不同。示例性地,投前阶段的特征可以为目标对象的属性特征,属性特征可包括但不限于历史平行券特征、券特征、SKU特征、券对应top类目、券绑品的品池等。其中,券特征可以由SKU特征聚合到券。投前阶段的特征还可以包括投后各指标的标签label作为训练使用,投后各指标的标签可以根据投后GMV确定,即根据投后阶段的特征确定。投中阶段的特征可以为目标对象的属性特征以及用户行为特征,其中属性特征可以与投前阶段的属性特征的类型相同,但是具体数值可能相同或不同。投中阶段的特征还可以包含投后各指标的标签label作为训练使用。用户行为特征可以为投中阶段用户对目标对象关联的对象执行的行为特征,关联的对象例如可以为商品或者是物品等等。用户行为特征可以包括但不限于下单、浏览、加购、搜索、用券等行为特征。投后阶段的特征可以为目标对象投后的指标,具体可以为一个统计周期内的指标参数。指标参数可以为GMV(Gross Merchandise Volume,商品交易总额)。在一些实施例中,指标参数GMV指的是支付数据和未支付数据表示的交易数据的总和,通过交易数据可用于研究用户意向,从而确定用户粘度。因此,投后阶段的特征可以为投后GMV。
在得到多个阶段的特征后,可以将投后阶段作为目标阶段,将除投后阶段之外的剩余阶段作为参考阶段,即将投前阶段和投中阶段作为参考阶段,以便于后续根据多个阶段的特征对目标对象进行处理。
在步骤S120中,根据所述目标阶段的特征获取各目标对象在目标阶段的质量分,并将参考阶段的特征输入阶段模型确定所述参考阶段的质量分,以获取各所述目标对象在多个阶段的质量分。
本公开实施例中,在确定多个阶段的特征之后,可基于多个阶段中目标阶段的特征确定目标阶段的标签,即将目标阶段的特征转换为目标阶段的标签,例如图8中所示,将投后GMV转换为投后标签label。并根据目标阶段的标签来构建阶段模型,以确定目标对象在多个阶段的质量分。具体地,可以根据多个历史目标对象来构建阶段模型。历史目标对象指的是参考时长内投放的优惠券,例如一个月内投放的所有优惠券等等。
在进行模型训练时,为了提高数据的准确性,可对所有目标对象在目标阶段的特征进行合理性校验。示例性地,可对所有目标对象在投后阶段的特征对应的指标参数GMV进行判断,以确定目标对象在目标阶段的特征是否小于0,并且可以获取目标阶段的特征小于0的比例。在一些实施例中,若存在部分目标对象在目标阶段的特征小于0,则直接将该部分目标对象在目标阶段的特征确定为0,即进行置0处理。如果目标对象在目标阶段的特征小于0的比例大于比例阈值,可认为数据存在异常,需要对数据源进行重新校验。比例阈值可以为70%,具体根据实际需求而确定。
除此之外,在建立阶段模型前为了防止极大值的影响,可以针对于用于建立阶段模型的目标阶段的标签进行数据变换。数据变换例如可以为log变换。进一步地,为得到原值需要做逆变换,同时通常可能会出现整体预测值(阶段模型输出的预测GMV)与真实值(投后阶段的真实GMV)间存在成倍的差异,因此需要进行缩放,乘上一个系数。该系数可以根据实际需求而确定。基于此,可以将数据变换后的多个阶段的特征用于后续的模型建立。
在建立阶段模型时,由于指标参数GMV在优惠券的投放过程中存在大量未转化的优惠券,从而导致目标阶段的特征存在较多的0值。为了避免这种情况,可以针对指标参数GMV为预设值的优惠券单独建模,以将指标参数GMV为预设值的优惠券先预测区分出来。预设值可以为0值。具体地,针对指标参数GMV中的预设值的优惠券单独建模,以将指标参数GMV为预设值的优惠券先预测区分出来。进一步对目标阶段的特征所表示的指标参数为非预设值的优惠券进行建模,以对非预设值的优惠券进行拟合预测。
在一些实施例中,可针对于参考阶段分别建立一个阶段模型。在建立阶段模型时,可通过分段建模方式建立阶段模型。阶段模型可以包括分类模型和回归模型。示例性地,分类模型可以为xgboost等各种类型的分类模型,可用于对目标对象进行分类,识别出目标对象的类型。目标对象的类型可以为属于预设类型,或者是不属于预设类型。预设类型指的是目标阶段的特征为预设值的类型。目标阶段的特征可以通过指标参数GMV来表示。预设值可以为0。回归模型可以为逻辑回归logistic model等各种类型的回归模型。投前阶段和投中阶段的阶段模型均可以包含分类模型和回归模型,但是多个阶段的分类模型和回归模型的模型参数可以相同或不同,具体根据实际训练过程而确定。
示例性地,可获取历史目标对象在目标阶段的特征对应的标签(即目标阶段的标签)来构建阶段模型。具体地,可根据历史目标对象中,目标阶段的标签为预设值(目标阶段的特征或指标参数GMV为预设值)的部分历史目标对象进行单独建模得到分类模型,以便于通过分类模型将指标参数为预设值的历史目标对象区分出来。进一步可以对目标阶段的标签不为预设值的部分历史目标对象进行建模得到回归模型。在一些实施例中,可根据分类模型对目标阶段的特征为预设值的历史目标对象进行分类,根据预测值和真实值更新分类模型的参数,得到分类模型。可根据回归模型对目标阶段的特征不为预设值的历史目标对象的指标参数进行预测,将预测值与真实值对比,以更新回归模型的模型参数得到回归模型,从而得到分类模型和回归模型组合成的阶段模型。
在构建阶段模型之后,对于多个目标对象而言,可以获取每个目标对象的质量分。质量分可以结合目标阶段的标签、阶段模型以及每个阶段的特征来确定,质量分可用于对每个目标对象的质量进行评估。质量分越高,则目标对象的质量越好。
示例性地,投后阶段仅针对目标对象的投放效果进行统计处理得到质量分。因此可以将目标对象在目标阶段的特征作为其在目标阶段的质量分。例如,目标阶段包括三天,目标对象1在目标阶段中,每天的质量分为A、B、C。
在一些实施例中,可以通过阶段模型,对每个目标对象在参考阶段的质量分进行预测。具体可以对投前阶段以及投后阶段的质量分进行预测。示例性地,将目标对象在参考阶段的特征分别输入至每个参考阶段对应的阶段模型中,通过阶段模型中的分类模型确定目标对象的类型是否为预设类型;若所述目标对象的类型不属于预设类型,通过阶段模型中的回归模型将所述目标对象的参考阶段的特征进行拟合,获取所述参考阶段的质量分。示例性地,为了提高处理效率,可以对多个目标对象进行批量预测。在批量预测过程中,首先可以通过分类模型对所有目标对象在参考阶段的特征进行识别,确定出目标对象的类型是否为预设类型,以识别出属于预设类型的目标对象。如果目标对象属于预设类型,则不经过回归模型进行处理。如果确定出目标对象的类型不属于预设类型,则可以继续通过回归模型对目标对象在参考阶段的特征进行拟合,以预测目标对象在参考阶段的质量分。即,将不属于预设类型的所有目标对象的参考阶段的特征输入至回归模型进行预测,以得到在参考阶段的质量分。需要说明的是,投前阶段和投后阶段的预测过程完全相同,因此不再赘述。
举例而言,多个目标对象包含优惠券1、优惠券2以及优惠券3,可通过分类模型对所有的目标对象进行分类,例如确定优惠券1属于预设类型、优惠券2和优惠券3不属于预设类型。进一步地,可以通过回归模型对优惠券2和优惠券3的参考阶段的特征进行拟合预测,得到优惠券2和优惠券3在投前阶段的质量分,以及在投中阶段的质量分。
在获取到多个阶段的质量分后,由于表示质量分的指标参数GMV预测容易在大促期间因为特征的过大波动导致整体预测值出现偏差。参考图2中所示,曲线1表示的GMV预测在x=80附近有跳变,x=80附近实际对应某个大型促销期间的数值。曲线2表示的为两天滑动平均。
由其中可以看出,GMV预测在大型促销附近有跳变(跟最近一月,最近一季度相关特征跳变有关)。为了解决上述问题,可采用优化后的Holt平滑方法,对多个阶段的质量分进行季节性平滑处理,以解决季节性过大波动问题,具体过程参考图3中所示,主要包括以下步骤:
在步骤S301中,获取预测日期之前的时间跨度。例如,取dt={预测日期}之前的366*2为时间跨度。
在步骤S302中,获取跨度内每个点的GMV指标参数,跨度内每个点为其对应的前366天GMV总和,从而得到图4的曲线2。
在步骤S303中,计算预测日期之后的趋势。例如,使用平滑算法Holt算法预测dt={预测日期}之后366天的趋势,取预测的最后一点,即第366天预测holt_today(图4中曲线1最右边的点。)
Holt指数平滑法估计当前时间的水平和斜率。其平滑水平是由两个参数控制,alpha用于估计当前点水平;beta用于估计当前点趋势部分斜率。两个参数都介于0-1之间。
在步骤S304中,计算预测日期前一天之后的趋势,例如对dt={预测日期-1},使用平滑算法Holt预测得到holt_yestday(图4中曲线3最右边的点)。
在步骤S305中,计算日波动幅度,可根据公式(1)进行控制波幅:
验证日波动幅度如图5所示,从其中可以看出优化后的Holt算法平滑后的效果较好。
需要说明的是,可以对多个阶段的质量分均进行季节性平滑处理,例如对目标阶段、参考阶段分别进行季节性平滑处理。通过对质量分进行季节性处理,能够避免出现较大波动的问题,减小了预测误差,提高了准确性和真实性。
在得到目标阶段和参考阶段的质量分后,可以对多个阶段的质量分进行进一步处理,以将每个阶段的质量分映射转换到正态分布,从而获取多个阶段的质量分。此处的获取多个阶段的质量分可以理解为获取优化后的多个阶段的质量分。对多个阶段的质量分进行进一步处理以获取多个阶段的质量分具体包括以下步骤:
根据所述目标阶段的特征对应的标签,确定数据变换的变换参数;
根据所述变换参数将多个阶段的质量分映射变换为正态分布,得到变换后的质量分并确定边界参数;
按照边界参数对应的映射函数,将所述边界参数进行变换处理,以使所有变换后的质量分处于预设区间内,优化多个阶段的质量分。
示例性地,根据上述步骤中数据变换后的标签label(目标阶段的标签),通过映射方式对每个阶段的质量分表示的原始值做映射转换到正态分布。进行映射变换时,可获取变换参数。变换参数可以为lambda参数。当取不同lambda参数时,其对应的就是不同的转化方式。lambda参数可以根据最大似然估计或Bayes方法来计算。
在确定变换参数后,可根据变换参数对预测得到的质量分GMV变换为正态分布,得到变换后的质量分。
在变换到正态分布后,可获取正态分布的指标参数的边界参数。边界参数可以为正态分布的左右边界。与此同时,还可以获取最大值和最小值min-max,并通过映射函数处理边界参数之外的质量分,即处理左右边界外的记录,使得所有优惠券间都具备区分性。
具体而言,以投后阶段的质量分为例进行说明。可通过映射方式将边界参数区间的质量分进行映射变换为正态分布。映射方式可以为box-cox。box-cox变换是一种广义幂变换方法,用于连续的响应变量不满足正态分布的情况。box-cox变换之后,可以一定程度上减小不可观测的误差和预测变量的相关性。box-cox可引入一个参数,通过数据本身估计该参数进而确定应采取的数据变换形式。一般而言,需要截断左右边界,取出中间部分进行变换,主要关注大部分优惠券进行变换,使得98%以上的优惠券数据分布尽可能呈正态分布,优惠券的值之间区分性较强。因此可以先剔除左右边界后再取最大值max和最小值min。在处理左右边界的记录时,可以千分之一作为截断点为例截断左右边界。
映射函数可用于处理左右边界外的记录,使得所有券间都具备区分性。用于将边界值进行变换映射,具体可以包含第一边界和第二边界的映射。假设最终将所有质量分表示的原始值缩放到预设区间内,预设区间可以为[scale_min,scale_max]。其中,第一边界的数值scale_min小于第二边界的数值scale_max。对于边界参数而言,第一边界的指标参数可不做任何处理直接置为第一边界的数值scale_min,因此第一边界的映射函数可以为第一边界的数值;第二边界的映射函数可以为边界函数,第二边界的指标参数可以根据边界函数进行计算,边界函数可以表示为公式(2)所示:
其中,n为系数,经验值可取100-300之间,视具体分布而定,log(i)指的是GMV的具体数值。
需要说明的是,对于投前阶段而言,是对投前阶段的质量分进行映射变换,其质量分变换逻辑以及使用的函数与投后阶段相同,目的是为了贴近投后阶段中优惠券的质量分的分布,且计算box-cox的变换参数lambda参数及min-max参数均与投后阶段所使用的参数相同。
对于投中阶段而言,是对投中阶段的质量分进行映射变换。其质量分映射变换逻辑以及使用的函数也与投后阶段相同,目的是为了贴近投后阶段中优惠券的质量分的分布,且计算box-cox的变换参数lambda参数及min-max参数均与投后阶段所使用的参数相同。
本公开实施例中,通过分隔左右边界,采用多段式函数映射转换每个阶段的质量分,得到区分度强,区间合理的质量分结果。
进一步地,可以对目标阶段以及与目标阶段相邻的参考阶段的质量分进行平滑过渡处理。具体地,可以将目标阶段相邻的参考阶段(投中阶段)的质量分进行调整,将与所述目标阶段相邻的参考阶段的质量分过渡至目标质量分。其中,质量分和目标质量分均可以根据目标阶段相邻的参考阶段(投中阶段)的质量分以及另一参考阶段(投前阶段)的质量分融合得到。具体地,可对目标阶段相邻的参考阶段的质量分以及与另一参考阶段的质量分进行加权求和,得到质量分以及目标质量分。但是质量分和目标质量分中,目标阶段相邻的参考阶段的质量分和另一参考阶段的质量分所占的比例不同,投中阶段的质量分的比例增加,投前阶段的质量分的比例减小。
如表1所示的平滑过渡前例如从2022-05-01开始创建优惠券,2022-05-04开始投放2022-05-09投放结束,2022-05-10投后的质量分。参考图6中所示,可以看到若不进行平滑处理则3个阶段间会出现较大的跳跃。
表1
dt | 0501 | 0502 | 0503 | 0504 | 0505 | 0506 | 0507 | 0508 | 0509 | 0510 |
GMV | 188 | 200 | 201 | 288 | 291 | 302 | 303 | 304 | 305 | 400 |
通过预测2022-05-04~2022-05-08的投前指标参数GMV,随着时间推移,投中阶段的质量分从(投前GMV*4/10+投中GMV*6/10)过渡到目标质量分(投前GMV*0/10+投中GMV*10/10),由此可见投中占比递增,投前递减。参考表2和图7所示,对比平滑前,平滑后的3个阶段间跳跃性降低,提高了可靠性。
表2
dt | 0501 | 0502 | 0503 | 0504 | 0505 | 0506 | 0507 | 0508 | 0509 | 0510 |
GMV | 188 | 200 | 201 | 253.2 | 264 | 281.8 | 292.8 | 304 | 305 | 362 |
本公开实施例中,对投前阶段,投中阶段和投后阶段等多个阶段的质量分进行平滑处理及季节性处理,优化质量分的准确性,避免了不同阶段之间存在跳跃性变化的情况,提高了稳定性。
除此之外,还可以计算多个阶段的相关性。具体可采用皮尔森系数或L1距离等对质量分进行处理,计算投前阶段、投中阶段与投后阶段之间的相似性来确定相关性,以通过相关性辅助阶段模型优化的方向。皮尔森系数用来反映两个变量线性相关程度的统计量。相关系数用r表示,其中n为样本量,分别为两个变量的观测值和均值。r描述的是两个变量间线性相关强弱的程度。r的绝对值越大表明相关性越强。另外,还可以采用rmse(RootMean Square Error,均方根误差)、加权平均绝对百分误差wmape等计算投前阶段、投中阶段与投后阶段的准确性,以根据准确性标识的度量指标对阶段模型的准确性进行定量评估。均方根误差可衡量观测值与真实值之间的偏差。加权平均绝对百分误差可以考虑产品之间或时间上可能存在的优先级差异,用于对优先项目进行加权,从而使预测误差偏向优先项目。可通过准确性对比模型预测的效果,即同一个优惠券在多个阶段间的质量分的变化。
接下来,在步骤S130中,根据多个阶段的质量分确定目标质量分,并通过所述目标质量分对各所述目标对象的质量进行评估。
本公开实施例中,在得到多个阶段的质量分之后,可以对多个阶段的质量分进行融合,获取每个目标对象的目标质量分。目标质量分用于表示目标对象的整体质量分,可对不同阶段的质量分进行综合得到。
示例性地,可按照多个阶段的权重将所述多个阶段的质量分进行加权求和,确定所述目标质量分。每个阶段的权重可以相同或不同,具体根据每个阶段是否包含促销状态而确定。权重可以根据输入的特征数据紧密关联。并且,多个阶段的质量分之间也互相关联。例如,投后阶段的质量分大,则投前阶段的质量分以及投中阶段的质量分也比较大。若某个阶段中包含促销状态,则该阶段的质量分的权重最大。举例而言,在投后阶段中的某几天包含某个大型促销活动或者是秒杀活动等等,可认为该阶段包含促销状态,则投后阶段的质量分的权重最大。目标质量分与目标对象的质量正相关,目标质量分越大,则质量越好。
本公开实施例中,通过投放过程将目标对象划分为多个阶段,并分别计算在多个阶段的质量分,进而根据多个阶段的质量分进行融合,获取每个目标对象的目标质量分,以评估目标对象的质量。由于通过综合考虑多个阶段的状态来综合评估,能够提高质量分的全面性和可靠性。并且,可以通过阶段模型来获取参考阶段的质量分,并根据目标阶段的特征来获取目标阶段的质量分,因此能够提高每个阶段的质量分的准确性,且能够提高操作效率。
不同阶段分别出不同的质量分,其中投前阶段分数由于特征变化小,质量分较稳定;投中阶段的第一天需要结合投前阶段的分数做平滑过渡处理,而后每一天会随着券投放周期变长,涉及的特征的数值越大,置信度越高,准确率也越高;投后仅针对券投放效果进行统计处理得到质量分。
基于此,图8中示意性示出了目标对象质量评估的具体流程图,参考图8中所示,主要包括以下步骤:
在步骤S801中,获取多个阶段的特征。
示例性地,获取投前阶段的特征、投中阶段的特征以及投后阶段的特征。
在步骤S802中,模型构建。
示例性地,通过目标阶段的投后标签结合投前特征构建阶段模型,并结合投中特征构建阶段模型。阶段模型均包括分类模型和回归模型。并且,可以对阶段模型输出的质量分进行季节性后处理和数据变换处理。
在步骤S803中,质量分计算。
示例性地,可进行投后质量分计算、投中质量分计算以及投前质量分计算。投后质量分计算时,可以根据处理后的各个标签label,计算映射转换的转换参数以及最大值、最小值,并对质量分进行优化处理,使得所有优惠券间都具备区分性。
对于投中阶段而言,根据投后阶段得到的box-cox的lambda参数及min-max参数计算投中阶段的各个指标。
对于投前阶段而言,根据投后阶段得到的box-cox的lambda参数及min-max参数计算投前阶段的各个指标。
在步骤S804中,投中投后平滑过渡处理。示例性地,投中阶段的质量分过渡至目标质量分。
在步骤S805中,相关性和准确性检验。具体采用皮尔森系数或L1距离等计算投前阶段、投中阶段与投后阶段之间的相关性。采用rmse(Root Mean Square Error,均方根误差)、加权平均绝对百分误差wmape等计算投前阶段、投中阶段与投后阶段的准确性。
本公开实施例中提供的技术方案,综合考虑到优惠券投放过程中不同阶段的状态,并对不同阶段进行质量分计算,提高了准确性。综合考虑了多个阶段的质量分来综合评估目标对象的质量,能够提高全面性和准确性。在构建阶段模型时,通过对训练目标考虑投放过程中投放方式,分阶段的构建阶段模型,能够提高阶段模型的可靠性和置信度。对每个阶段的质量分进行了映射优化处理以及平滑过渡处理,考虑到了具体指标的数据分布影响,对投前,投中和投后多个阶段的质量分做平滑处理及季节性处理,能够减小不同阶段的质量分的波动幅度,提高准确性。
通过优惠券*SKU粒度的微观模型建模,并聚合到券粒度模型;通过投后指标采用贝叶斯公式借助先验知识预处理,并对投前、投中建模,使得投前投中的预测结果具有更高的置信度,并对多个阶段的预测结果做平滑处理及季节性处理优化预测结果的准确性和用户体验。通过分隔左右边界,采用多段式函数映射转换各个阶段的质量分,得到区分度强,区间合理的质量分结果,使得质量分的分布更合理,进一步对后续的目标对象的投放方式提供辅助指导,提高用户体验和提高转化率。
本公开还提供了一种目标对象质量评估装置。参考图9所示,该目标对象质量评估方法900主要包括以下模块:
特征获取模块901,用于获取多个目标对象在多个阶段的特征,所述多个阶段包括目标阶段以及参考阶段;
质量分确定模块902,用于根据所述目标阶段的特征获取各目标对象在目标阶段的质量分,并将参考阶段的特征输入阶段模型确定所述参考阶段的质量分,以获取各所述目标对象在多个阶段的质量分;
质量评估模块903,用于根据多个阶段的质量分确定目标质量分,并通过所述目标质量分对各所述目标对象的质量进行评估。
在本公开的一种示例性实施例中,所述方法还包括:获取历史目标对象在所述目标阶段的特征对应的标签,构建分类模型和回归模型;根据所述分类模型和所述回归模型生成所述参考阶段对应的阶段模型。
在本公开的一种示例性实施例中,所述将参考阶段的特征输入阶段模型确定所述参考阶段的质量分,包括:将目标对象的参考阶段的特征输入至对应的阶段模型中,通过阶段模型中的分类模型对所述目标对象进行分类,确定目标对象的类型是否为预设类型;若所述目标对象的类型不属于预设类型,通过阶段模型中的回归模型将所述目标对象的参考阶段的特征进行拟合,获取所述参考阶段的质量分。
在本公开的一种示例性实施例中,所述获取各所述目标对象在多个阶段的质量分,包括:根据所述目标阶段的特征对应的标签,确定数据变换的变换参数;根据所述变换参数将多个阶段的质量分映射变换为正态分布,得到变换后的质量分并确定边界参数;按照所述边界参数对应的映射函数,将所述边界参数进行变换处理,以使所有变换后的质量分处于预设区间内,优化多个阶段的质量分。
在本公开的一种示例性实施例中,所述方法还包括:分别对多个阶段的质量分进行季节性平滑处理。
在本公开的一种示例性实施例中,所述方法还包括:对所述目标阶段以及与所述目标阶段相邻的参考阶段的质量分进行平滑过渡处理,以将与所述目标阶段相邻的参考阶段的质量分过渡至目标质量分。
在本公开的一种示例性实施例中,所述根据多个阶段的质量分确定目标质量分,包括:按照多个阶段的权重将所述多个阶段的质量分进行加权融合,确定所述目标质量分。
需要说明的是,上述目标对象质量评估装置中各模块的具体细节已经在对应的目标对象质量评估方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于:上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030以及显示单元1040。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1010执行,使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元1010可以执行如图1中所示的步骤。
存储单元1020可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202,还可以进一步包括只读存储单元(ROM)10203。
存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204,这样的程序模块10205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1000交互的设备通信,和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且,电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者电子设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
根据本公开的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本公开的其他实施例。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发明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权利要求指出。
Claims (8)
1.一种目标对象质量评估方法,其特征在于,包括:
获取多个目标对象在多个阶段的特征,所述多个阶段包括目标阶段以及参考阶段;所述目标对象为优惠券,所述目标阶段为投后阶段,所述参考阶段为投前阶段以及投中阶段;
根据所述目标阶段的特征获取各目标对象在目标阶段的质量分,获取历史目标对象在所述目标阶段的特征对应的标签,构建分类模型和回归模型,根据所述分类模型和所述回归模型生成所述参考阶段对应的阶段模型;将目标对象的参考阶段的特征输入至对应的阶段模型中,通过阶段模型中的分类模型对所述目标对象进行分类,确定目标对象的类型是否为预设类型;若所述目标对象的类型不属于预设类型,通过阶段模型中的回归模型将所述目标对象的参考阶段的特征进行拟合,确定所述参考阶段的质量分,将每个阶段的质量分映射转换到正态分布,以获取各所述目标对象在多个阶段的质量分;所述参考阶段的特征包括投前阶段的特征以及投中阶段的特征,投前阶段的特征包括目标对象的属性特征,投中阶段的特征包括目标对象的属性特征以及用户行为特征;
根据多个阶段的质量分进行融合确定目标质量分,并通过所述目标质量分对各所述目标对象的质量进行评估。
2.根据权利要求1所述的目标对象质量评估方法,其特征在于,所述获取各所述目标对象在多个阶段的质量分,包括:
根据所述目标阶段特征对应的标签,确定数据变换的变换参数;
根据所述变换参数将多个阶段的质量分映射变换为正态分布,得到变换后的质量分并确定边界参数;
按照所述边界参数对应的映射函数,将所述边界参数进行变换处理,以使所有变换后的质量分处于预设区间内,优化多个阶段的质量分。
3.根据权利要求1所述的目标对象质量评估方法,其特征在于,所述方法还包括:
分别对多个阶段的质量分进行季节性平滑处理。
4.根据权利要求1所述的目标对象质量评估方法,其特征在于,所述方法还包括:
对所述目标阶段以及与所述目标阶段相邻的参考阶段的质量分进行平滑过渡处理,以将与所述目标阶段相邻的参考阶段的质量分过渡至目标质量分。
5.根据权利要求1所述的目标对象质量评估方法,其特征在于,所述根据多个阶段的质量分确定目标质量分,包括:
按照多个阶段的权重将所述多个阶段的质量分进行加权融合,确定所述目标质量分。
6.一种目标对象质量评估装置,其特征在于,包括:
特征获取模块,用于获取多个目标对象在多个阶段的特征,所述多个阶段包括目标阶段以及参考阶段;所述目标对象为优惠券,所述目标阶段为投后阶段,所述参考阶段为投前阶段以及投中阶段;
质量分确定模块,用于根据所述目标阶段的特征获取各目标对象在目标阶段的质量分,获取历史目标对象在所述目标阶段的特征对应的标签,构建分类模型和回归模型,根据所述分类模型和所述回归模型生成所述参考阶段对应的阶段模型;将目标对象的参考阶段的特征输入至对应的阶段模型中,通过阶段模型中的分类模型对所述目标对象进行分类,确定目标对象的类型是否为预设类型;若目标对象的类型不属于预设类型,通过阶段模型中的回归模型将目标对象的参考阶段的特征进行拟合,确定所述参考阶段的质量分,将每个阶段的质量分映射转换到正态分布,以获取各所述目标对象在多个阶段的质量分;所述参考阶段的特征包括投前阶段的特征以及投中阶段的特征,投前阶段的特征包括目标对象的属性特征,投中阶段的特征包括目标对象的属性特征以及用户行为特征;
质量评估模块,用于根据多个阶段的质量分进行融合确定目标质量分,并通过所述目标质量分对各所述目标对象的质量进行评估。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-5任意一项所述的目标对象质量评估方法。
8. 一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至5中任一项所述的目标对象质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211100153.4A CN115619427B (zh) | 2022-09-07 | 2022-09-07 | 目标对象质量评估方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211100153.4A CN115619427B (zh) | 2022-09-07 | 2022-09-07 | 目标对象质量评估方法及装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115619427A CN115619427A (zh) | 2023-01-17 |
CN115619427B true CN115619427B (zh) | 2024-06-07 |
Family
ID=84859112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211100153.4A Active CN115619427B (zh) | 2022-09-07 | 2022-09-07 | 目标对象质量评估方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619427B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120136502A (ko) * | 2011-06-09 | 2012-12-20 | 주식회사 다음커뮤니케이션 | 광고 시스템 및 광고 운영 평가 방법 |
WO2013044309A1 (en) * | 2011-09-29 | 2013-04-04 | Skaffold Pty Limited | Systems and methods for providing share assessment data with price and value analysis |
CN107146023A (zh) * | 2017-05-08 | 2017-09-08 | 北京百度网讯科技有限公司 | 一种质量评估的方法、装置、设备及计算机可读存储介质 |
CN107767179A (zh) * | 2017-10-25 | 2018-03-06 | 口碑(上海)信息技术有限公司 | 电子券的质量评价方法及装置 |
CN112950581A (zh) * | 2021-02-25 | 2021-06-11 | 北京金山云网络技术有限公司 | 质量评估方法、装置和电子设备 |
CN113742564A (zh) * | 2020-05-29 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 目标资源的推送方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10424059B2 (en) * | 2017-09-11 | 2019-09-24 | International Business Machines Corporation | Quality evaluation |
-
2022
- 2022-09-07 CN CN202211100153.4A patent/CN115619427B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120136502A (ko) * | 2011-06-09 | 2012-12-20 | 주식회사 다음커뮤니케이션 | 광고 시스템 및 광고 운영 평가 방법 |
WO2013044309A1 (en) * | 2011-09-29 | 2013-04-04 | Skaffold Pty Limited | Systems and methods for providing share assessment data with price and value analysis |
CN107146023A (zh) * | 2017-05-08 | 2017-09-08 | 北京百度网讯科技有限公司 | 一种质量评估的方法、装置、设备及计算机可读存储介质 |
CN107767179A (zh) * | 2017-10-25 | 2018-03-06 | 口碑(上海)信息技术有限公司 | 电子券的质量评价方法及装置 |
CN113742564A (zh) * | 2020-05-29 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 目标资源的推送方法和装置 |
CN112950581A (zh) * | 2021-02-25 | 2021-06-11 | 北京金山云网络技术有限公司 | 质量评估方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115619427A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11315132B2 (en) | Customer journey prediction and customer segmentation | |
US10324705B2 (en) | System and method for run-time update of predictive analytics system | |
CN112017061A (zh) | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
CN112508580A (zh) | 基于拒绝推断方法的模型构建方法、装置和电子设备 | |
US20060116921A1 (en) | Methods and systems for profile-based forecasting with dynamic profile selection | |
KR20180063574A (ko) | 머신 러닝을 이용한 중고 자동차 p2p 거래를 위한 중고 자동차 거래가격 결정 방법, 장치 및 컴퓨터-판독가능 매체 | |
CN104252678A (zh) | 促销调度管理 | |
CN113159355A (zh) | 数据预测方法、装置、物流货量预测方法、介质、设备 | |
US20180060885A1 (en) | Segmentation based estimation method for demand models under censored data | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN110796534A (zh) | 一种分期贷款逾期率的预测方法和装置 | |
CN111767455A (zh) | 一种信息推送的方法和装置 | |
CN115564517A (zh) | 商品推荐方法、预测模型训练方法和相关设备 | |
CN109272165B (zh) | 注册概率预估方法、装置、存储介质及电子设备 | |
CN110827069A (zh) | 数据处理方法、装置、介质以及电子设备 | |
US20210357699A1 (en) | Data quality assessment for data analytics | |
CN113344647A (zh) | 一种信息推荐的方法及装置 | |
US11288691B2 (en) | Systems and methods for price markdown optimization | |
CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
CN115619427B (zh) | 目标对象质量评估方法及装置、存储介质、电子设备 | |
CN116578400A (zh) | 多任务数据处理方法和装置 | |
CN117132315A (zh) | 活跃用户预测方法、装置、设备及存储介质 | |
CN109523296B (zh) | 用户行为概率分析方法及装置、电子设备、存储介质 | |
CN116611499A (zh) | 训练用于自动出价的强化学习系统的方法及装置 |
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 | ||
GR01 | Patent grant |