CN115982455A - 基于模糊断点回归模型的流量调整方法、装置和电子设备 - Google Patents
基于模糊断点回归模型的流量调整方法、装置和电子设备 Download PDFInfo
- Publication number
- CN115982455A CN115982455A CN202211643827.5A CN202211643827A CN115982455A CN 115982455 A CN115982455 A CN 115982455A CN 202211643827 A CN202211643827 A CN 202211643827A CN 115982455 A CN115982455 A CN 115982455A
- Authority
- CN
- China
- Prior art keywords
- breakpoint
- information
- house source
- regression model
- scores
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于模糊断点回归模型的流量调整方法、装置和电子设备,获取第一数量的第一房源信息和对应的推荐流量信息,所述推荐流量信息表示第一房源信息对应的推荐流量信息;将第一数量的第一房源信息依次输入降维模型,得到第一数量的房源评分;根据第一数量的第一房源信息和对应的第一数量的房源评分,确定断点评分和第一数量的房源断点类型;将第一数量的第一房源信息、第一数量的房源评分、断点评分和第一数量的房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率;根据预测转化率和预设转化率,调整推荐流量。实现确定流量预期影响效果并根据流量预期影响调整流量。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种基于模糊断点回归模型的流量调整方法、装置和电子设备。
背景技术
目前,房源平台可以对房源进行质量评估,针对优质的房源分配大量流量,通过流量聚焦达到快速成交的目的。
但是,现有技术中在流量推荐下无法判断流量对快速成交的影响,进而根据流量的影响效果调整流量。
因此,确定流量预期影响效果以及根据流量预期影响调整流量是当前亟待解决的问题。
发明内容
本发明提供一种基于模糊断点回归模型的流量调整方法、装置和电子设备,用以解决现有技术中无法判断流量对快速成交的影响以及根据流量的影响效果调整流量的缺陷,实现确定流量预期影响效果并根据流量预期影响调整流量。
本发明提供一种基于模糊断点回归模型的流量调整方法,包括:
获取第一数量的第一房源信息和对应的推荐流量信息,所述推荐流量信息表示第一房源信息对应的推荐流量的大小;
将所述第一数量的第一房源信息依次输入降维模型,得到第一数量的房源评分,其中,所述房源评分和所述第一房源信息一一对应;
根据所述第一数量的第一房源信息和对应的所述第一数量的房源评分,确定断点评分和第一数量的房源断点类型,其中,所述房源断点类型和所述第一房源信息一一对应;
将所述第一数量的第一房源信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率;
根据所述预测转化率和预设转化率,调整所述推荐流量。
根据本发明提供的一种基于模糊断点回归模型的流量调整方法,所述第一房源信息包括属性特征信息和行为特征信息;所述降维模型包括深度神经网络和长短期记忆网络;
所述将所述第一数量的第一房源信息依次输入降维模型,得到第一数量的房源评分的步骤,包括:
对于所述第一数量中的每一个所述第一房源信息,将对应的所述属性特征信息输入所述深度神经网络得到第一向量;
对于所述第一数量中的每一个所述第一房源信息,将对应的所述行为特征信息输入所述长短期记忆网络得到第二向量;
对于所述第一数量中的每一个所述第一房源信息,根据对应的所述第一向量和所述第二向量计算房源成交概率;
对于所述第一数量中的每一个所述第一房源信息,根据对应的所述房源成交概率和预设映射规则生成对应的所述房源评分。
根据本发明提供的一种基于模糊断点回归模型的流量调整方法,所述模糊断点回归模型是通过如下步骤得到:
根据预设公式生成初始回归模型;
将样本数据输入所述初始回归模型,输出第一效应值;
调整所述初始回归模型的预设参数,得到第一回归模型;
将所述样本数据输入所述第一回归模型,输出第二效应值;
当所述第一效应值和所述第二效应值满足预设条件时,确定所述初始回归模型为所述模糊断点回归模型。
根据本发明提供的一种基于模糊断点回归模型的流量调整方法,所述行为特征信息包括浏览量信息和带看量信息;
所述将所述第一数量的第一房源信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率的步骤,具体包括:
将所述第一数量的所述浏览量信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入所述模糊断点回归模型,输出预测总浏览量信息;
将所述第一数量的所述带看量信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入所述模糊断点回归模型,输出预测总带看量信息;
根据所述预测总浏览量信息和所述预测总带看量信息,计算所述预测转化率。
根据本发明提供的一种基于模糊断点回归模型的流量调整方法,所述预设转化率是通过如下步骤得到:
获取第二数量的第二房源信息,其中,所述第二房源信息包括第二浏览量信息和第二带看量信息,所述第二房源信息对应的推荐流量的大小为零;
根据所述第二数量的所述浏览量信息确定第二总浏览量信息;
根据所述第二数量的所述带看量信息确定第二总带看量信息;
根据所述第二总浏览量信息和所述第二总带看量信息,计算得到所述预设转化率。
根据本发明提供的一种基于模糊断点回归模型的流量调整方法,所述根据所述预测转化率和所述预设转化率,调整所述推荐流量的步骤,包括:
在所述预测转化率小于所述预设转化率时,按照预设权重调整所述推荐流量。
本发明还提供一种基于模糊断点回归模型的流量调整装置,包括:
信息获取单元,用于获取第一数量的第一房源信息和对应的推荐流量信息,所述推荐流量信息表示第一房源信息对应的推荐流量的大小;
评分单元,用于将所述第一数量的第一房源信息依次输入降维模型,得到第一数量的房源评分,其中,所述房源评分和所述第一房源信息一一对应;
确定单元,用于根据所述第一数量的第一房源信息和对应的所述第一数量的房源评分,确定断点评分和第一数量的房源断点类型,其中,所述房源断点类型和所述第一房源信息一一对应;
预测单元,用于将所述第一数量的第一房源信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率;
调整单元,用于根据所述预测转化率和预设转化率,调整所述推荐流量。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于模糊断点回归模型的流量调整方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于模糊断点回归模型的流量调整方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于模糊断点回归模型的流量调整方法的步骤。
本发明提供的基于模糊断点回归模型的流量调整方法、装置和电子设备,通过获取第一房源信息和对应的推荐流量信息,将第一房源信息输入降维模型得到房源评分;根据第一房源信息和房源评分确定断点评分和房源断点类型,通过断点评分和房源断点类型表示房源和推荐流量的关系;将第一房源信息、房源评分、断点评分和房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率,实现确定流量预期影响效果;根据预测转化率和预设转化率,调整推荐流量信息,实现根据流量预期影响调整流量。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的基于模糊断点回归模型的流量调整方法的流程示意图之一;
图2是本发明提供的基于模糊断点回归模型的流量调整方法的流程示意图之二;
图3是本发明提供的确定模糊断点回归模型的流程示意图;
图4是本发明提供的用于确定模糊断点回归模型的数据图之一;
图5是本发明提供的用于确定模糊断点回归模型的数据图之二;
图6是本发明提供的用于确定模糊断点回归模型的数据图之三;
图7是本发明提供的基于模糊断点回归模型的流量调整方法的流程示意图之三;
图8是本发明提供的确定预设转化率的流程示意图;
图9是本发明提供的基于模糊断点回归模型的流量调整装置的结构示意图;
图10是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都属于本发明保护的范围。
目前,房源平台可以对房源进行质量评估,针对优质的房源分配大量流量,通过流量聚焦达到快速成交的目的。
但是,现有技术中在流量推荐下无法判断流量对快速成交的影响,进而根据流量的影响效果调整流量。
因此,确定流量预期影响效果以及根据流量预期影响调整流量是当前亟待解决的问题。
为解决上述问题,本发明提供一种基于模糊断点回归模型的流量调整方法,如图1所示,包括:
S11、获取第一数量的第一房源信息和对应的推荐流量信息,所述推荐流量信息表示第一房源信息对应的推荐流量的大小。
具体地,可以获取第一数量的第一房源信息和第一房源自身的推荐流量信息,通过推荐流量信息可以获知第一房源信息具有的推荐流量大小,其中,房源信息可以包括但不限于对应房源的面积、价格、位置、浏览量和带看量中的一种或多种,推荐流量大小可以为大于等于零的数值,即表示单一的第一房源信息可以具有推荐流量也可以不具有推荐流量。
S12、将所述第一数量的第一房源信息依次输入降维模型,得到第一数量的房源评分,其中,所述房源评分和所述第一房源信息一一对应。
具体地,可以通过将一个第一房源信息输入降维模型,降维模型根据第一房源信息输出该第一房源信息的房源评分,从而将第一数量的第一房源信息依次输入降维模型得到第一数量的房源评分。
S13、根据所述第一数量的第一房源信息和对应的所述第一数量的房源评分,确定断点评分和第一数量的房源断点类型,其中,所述房源断点类型和所述第一房源信息一一对应。
具体地,可以根据第一数量的第一房源信息和第一数量的房源评分确定该批次的第一房源信息对应的一个断点评分,以及每个第一房源信息对应的房源断点类型。通过断点评分和房源断点类型表示房源和推荐流量的关系。
S14、将所述第一数量的第一房源信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率。
S15、根据所述预测转化率和预设转化率,调整所述推荐流量。
本发明实施例中,通过获取第一房源信息和对应的推荐流量信息,将第一房源信息输入降维模型得到房源评分;根据第一房源信息和房源评分确定断点评分和房源断点类型,通过断点评分和房源断点类型表示房源和推荐流量的关系;将第一房源信息、房源评分、断点评分和房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率,实现确定流量预期影响效果;根据预测转化率和预设转化率,调整推荐流量信息,实现根据流量预期影响调整流量。
根据本发明提供的基于模糊断点回归模型的流量调整方法,所述第一房源信息包括属性特征信息和行为特征信息,所述降维模型包括深度神经网络模型和长短期记忆网络;
如图2所示,步骤S12具体包括:
S21、对于所述第一数量中的每一个所述第一房源信息,将对应的所述属性特征信息输入所述深度神经网络得到第一向量。
具体地,属性特征信息可以包括但不限于对应房源的面积、价格和位置等一系列房源自身属性的信息。深度神经网络可以根据实际需要构建或者预先获得,对此不进行限定。
S22、对于所述第一数量中的每一个所述第一房源信息,将对应的所述行为特征信息输入所述长短期记忆网络得到第二向量。
具体地,行为特征信息可以包括但不限于用户与对应房源互动产生的浏览量和带看量等一系列互动产生的信息。长短期记忆网络可以根据实际需要构建或者预先获得,对此不进行限定。
S23、对于所述第一数量中的每一个所述第一房源信息,根据对应的所述第一向量和所述第二向量计算房源成交概率。
具体地,一个优选的示例中,对于每一个第一房源信息,可以将得到的第一向量和第二向量进行加权融合,得到房源成交概率。
S24、对于所述第一数量中的每一个所述第一房源信息,根据对应的所述房源成交概率和预设映射规则生成对应的所述房源评分。
具体地,可以预先根据房源成交概率设定一个预设映射规则,根据预设映射规则将房源成交概率映射为房源评分。一个示例中,预设映射规则可以为直接将房源成交概率等比放大为满分10分的房源评分,例如两个房源成交概率为0.5和0.7,则映射对应的房源评分为5分和7分。另一个示例中,预设映射规则还可以为按照预设房源成交概率所处概率分段映射为房源评分,例如将处于[0,0.3)的房源成交概率映射为3分,将处于[0.3,0.6)的房源成交概率映射为5分等。上述仅做举例说明,预设映射规则可以根据实际需要进行设定,对此不进行限定。
本发明实施例中,第一房源信息包括属性特征信息和行为特征信息,将属性特征信息输入深度神经网络得到第一向量,将行为特征信息输入长短期记忆网络得到第二向量,根据第一向量和第二向量计算房源成交概率,从多个维度参考计算得到的房源成交概率表现房源信息的丰富性,同时将多维特征转化为一维分数,减少参数变量表示房源的综合信息,使得房源评分可以利用较少的资源良好地综合表现房源信息的优劣。
根据本发明提供的基于模糊断点回归模型的流量调整方法,如图3所示,所述模糊断点回归模型是通过如下步骤得到:
S31、根据预设公式生成初始回归模型。
具体地,一个示例中,如图4所示,横轴为HF score表示房源分数,纵轴为pv_perday_use表示该房源在一段时间内的浏览量,is_c_hf表示房源具有推荐流量的规模程度,其中0.00表示不具有推荐流量,1.00表示具有推荐程度。根据图像可知,在断点评分(即竖线)两侧的个体有可比性假定,这个局部处理效应可以用两侧差值表示。如图5所示,横轴表示房源评分,纵轴1表示有推荐流量,0表示无推荐流量。根据图像可知,在断点评分(即图中竖线)的左侧,有部分房源具有推荐流量,但是概率明显低于断点右侧,因此适用于模糊断点回归方式进行效应值计算。
基于图4和图5,根据公式1生成初始回归模型:
Yi=α+β1xi+β2Di+ηi
其中,i表示房源,Yi表示浏览量和/或带看量,α表示图4中的断点处的截距,β1表示权重系数,xi表示房源评分,β2表示在断点评分处的效应值,即表示对浏览量和/或带看量的影响,Di表示房源有无推荐流量,x0表示断点评分,ηi表示误差项。
在房源评分小于等于断点评分时,Yi=α+β1xi+ηi;在房源评分大于断点评分时,Yi=α+β1xi+β2Di+ηi。根据上式即可确定在断点评分处,由于推荐流量对浏览量或带看量造成的影响。
S32、将样本数据输入所述初始回归模型,输出第一效应值。
具体地,可以将样本数据输入初始回归模型,输出预测的第一效应值。
一个示例中,如图6所示,图6为将样本数据输入初始回归模型得到效应值的过程。其中,Kernel为核函数,Number of Obs为样本数据的数量,Eff.Number of Obs为有效数据,Bw_est.(h)为带宽,Conventional为效应值。
S33、调整所述初始回归模型的预设参数,得到第一回归模型。
具体地,一个示例中,可以调整初始回归模型的预设参数,预设参数可以包括但不限于带宽和核函数,例如将带宽调整为2倍或0.5倍,又例如将核函数变更为三角函数或其他函数。
S34、将所述样本数据输入所述第一回归模型,输出第二效应值。
具体地,将样本数据再次输入第一回归模型中,输出第二效应值。
S35、当所述第一效应值和所述第二效应值满足预设条件时,确定所述初始回归模型为所述模糊断点回归模型。
具体地,为检测初始回归模型的鲁棒性,一个示例中,可以将预设条件可以为第一效应值与第二效应值的变化率小于一个预设值,当变化率小于预设值时确定初始回归模型的鲁棒性良好,将初始回归模型确定为模糊断点回归模型。
本发明实施例中,还可以多次变更初始回归模型的参数,生成新的回归模型,进而将样本数据输入新的回归模型得到新的效应值,同时对多个效应值判断是否满足预设条件。
本发明实施例中,通过预设公式生成初始回归模型,将样本数据输入初始回归模型得到第一效应值,调整初始回归模型的预设参数,得到第一回归模型,将样本数据输入第一回归模型得到第二效应值,根据第一效应值和第二效应值检测初始回归模型的鲁棒性,在满足预设条件时确定初始回归模型为模糊断点回归模型,使模糊断点回归模型具有良好的鲁棒性。
根据本发明提供的基于模糊断点回归模型的流量调整方法,所述行为特征信息包括浏览量信息和带看量信息,如图7所示,步骤S14具体包括:
S71、将所述第一数量的所述浏览量信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入所述模糊断点回归模型,输出预测总浏览量信息。
具体地,可以将利用模糊断点回归模型对第一数量的浏览量信息、第一数量的房源评分、断点评分和第一数量的房源断点类型进行回归预测,输出预测总浏览量信息,预测总浏览量信息为第一数量的第一房源信息不考虑房源自身特性情况下,只由推荐流量影响的浏览量的信息。
S72、将所述第一数量的所述带看量信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入所述模糊断点回归模型,输出预测总带看量信息。
具体地,与步骤S71同理,利用模糊断点回归模型对第一数量的带看量信息、第一数量的房源评分、断点评分和第一数量的房源断点类型进行回归预测,输出预测总带看量信息。预测总带看量信息为第一数量的第一房源信息不考虑房源自身特性情况下,只由推荐流量影响的带看量的信息。
S73、根据所述预测总浏览量信息和所述预测总带看量信息,计算所述预测转化率。
具体地,一个优选的示例中,可以根据预测总带看量信息确定对应的预测总带看量,根据预测总浏览量信息确定预测总浏览量,计算预测总带看量与预测总浏览量之商作为预测转化率。
本公开实施例中,房源的浏览量和带看量受房源自身特性和推荐流量两方面影响,而房源自身特性是不会改变的,因此在考虑推荐流量对房源的浏览量和带看量的影响的情况下,可以不考虑房源自身特性。通过模糊断点回归模型根据第一房源信息对应行为特征信息中的浏览量信息、带看量信息、房源评分、断点评分和房源断点类型输出预测总浏览量信息和预测总带看量信息,根据预测总浏览量信息和总带看量信息计算预测转化率。实现根据预测转化率确定流量预期影响效果。
根据本发明提供的基于模糊断点回归模型的流量调整方法,如图8所示,所述预设转化率是通过如下步骤得到:
S81、获取第二数量的第二房源信息,其中,所述第二房源信息包括第二浏览量信息和第二带看量信息,所述第二房源信息对应的推荐流量的大小为零。
具体地,第二房源信息是对应的推荐流量大小为零的房源信息,即第二房源信息不具有推荐流量,第二房源信息包括第二浏览量信息和第二带看量信息。第二数量可以根据实际需要进行设定,第二数量可以与上文的第一数量相同也可以不同。
S82、根据所述第二数量的所述浏览量信息确定第二总浏览量信息。
S83、根据所述第二数量的所述带看量信息确定第二总带看量信息。
S84、根据所述第二总浏览量信息和所述第二总带看量信息,计算得到所述预设转化率。
具体地,可以根据第二总浏览量信息和第二总带看量信息可以计算得到不具有推荐流量的第二数量的第二房源信息对应的转化率,将其作为预设转化率。一个优选的示例中,可以计算第二总带看量信息与第二总浏览量信息之商,将其作为预设转化率
本发明实施例中,通过获取不具有推荐流量的第二数量的第二房源信息,根据第二房源信息中的第二浏览量信息和第二带看量信息确定对应的第二总浏览量信息和第二总带看量信息,进而根据第二总浏览量信息和第二总带看量信息计算出不具有推荐流量的第二数量的第二房源信息对应的转化率,并将其作为预设转化率,进而实现将部分具有推荐流量的第一数量的第一房源信息对应的预测转化率和不具有推荐流量的第二数量的第二房源信息对应的转化率进行对比参考,从而调整第一房源信息对应的推荐流量。
根据本发明提供的基于模糊断点回归模型的流量调整方法,步骤S15具体为:
S151、在所述预测转化率小于所述预设转化率时,按照预设权重调整所述推荐流量。
具体地,预测转化率小于预设转化率即表示第一房源信息在对应的推荐流量大小下没有产生预期效果,此时可以按照预设权重调整第一房源信息对应的推荐流量大小。其中,预设权重可以根据实际需要进行设定。
本发明实施例中,将预测转化率部分具有推荐流量的第一数量的第一房源信息对应的预测转化率和预设转化率进行对比参考,在预测转化率小于预设转化率即表示第一房源信息在对应的推荐流量大小下没有产生预期效果的情况下,按照预设权重调整第一房源信息对应的推荐流量大小,实现了根据流量预期影响调整流量。
下面对本发明提供的基于模糊断点回归模型的流量调整装置进行描述,下文描述的基于模糊断点回归模型的流量调整装置与上文描述的基于模糊断点回归模型的流量调整方法可相互对应参照。
本发明还提供一种基于模糊断点回归模型的流量调整装置,如图9所示,包括:
信息获取单元91,用于获取第一数量的第一房源信息和对应的推荐流量信息,所述推荐流量信息表示第一房源信息对应的推荐流量的大小;
评分单元92,用于将所述第一数量的第一房源信息依次输入降维模型,得到第一数量的房源评分,其中,所述房源评分和所述第一房源信息一一对应;
确定单元93,用于根据所述第一数量的第一房源信息和对应的所述第一数量的房源评分,确定断点评分和第一数量的房源断点类型,其中,所述房源断点类型和所述第一房源信息一一对应;
预测单元94,用于将所述第一数量的第一房源信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率;
调整单元95,用于根据所述预测转化率和预设转化率,调整所述推荐流量。
本发明实施例中,通过获取第一房源信息和对应的推荐流量信息,将第一房源信息输入降维模型得到房源评分;根据第一房源信息和房源评分确定断点评分和房源断点类型,通过断点评分和房源断点类型表示房源和推荐流量的关系;将第一房源信息、房源评分、断点评分和房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率,实现确定流量预期影响效果;根据预测转化率和预设转化率,调整推荐流量信息,实现根据流量预期影响调整流量。
根据本发明提供的一种基于模糊断点回归模型的流量调整装置,所述第一房源信息包括属性特征信息和行为特征信息,所述降维模型包括深度神经网络模型和长短期记忆网络;
所述评分单元92,具体用于对于所述第一数量中的每一个所述第一房源信息,将对应的所述属性特征信息输入所述深度神经网络得到第一向量;对于所述第一数量中的每一个所述第一房源信息,将对应的所述行为特征信息输入所述长短期记忆网络得到第二向量;对于所述第一数量中的每一个所述第一房源信息,根据对应的所述第一向量和所述第二向量计算房源成交概率;对于所述第一数量中的每一个所述第一房源信息,根据对应的所述房源成交概率和预设映射规则生成对应的所述房源评分。
根据本发明提供的一种基于模糊断点回归模型的流量调整装置,所述模糊断点回归模型是通过如下步骤得到:
根据预设公式生成初始回归模型;将样本数据输入所述初始回归模型,输出第一效应值;调整所述初始回归模型的预设参数,得到第一回归模型;将所述样本数据输入所述第一回归模型,输出第二效应值;当所述第一效应值和所述第二效应值满足预设条件时,确定所述初始回归模型为所述模糊断点回归模型。
根据本发明提供的一种基于模糊断点回归模型的流量调整装置,所述行为特征信息包括浏览量信息和带看量信息;
所述预测单元94,具体用于将所述第一数量的所述浏览量信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入所述模糊断点回归模型,输出预测总浏览量信息;将所述第一数量的所述带看量信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入所述模糊断点回归模型,输出预测总带看量信息;根据所述预测总浏览量信息和所述预测总带看量信息,计算所述预测转化率。
根据本发明提供的一种基于模糊断点回归模型的流量调整装置,所述预设转化率是通过如下步骤得到:
获取第二数量的第二房源信息,其中,所述第二房源信息包括第二浏览量信息和第二带看量信息,所述第二房源信息对应的推荐流量的大小为零;根据所述第二数量的所述浏览量信息确定第二总浏览量信息;根据所述第二数量的所述带看量信息确定第二总带看量信息;根据所述第二总浏览量信息和所述第二总带看量信息,计算得到所述预设转化率。
根据本发明提供的一种基于模糊断点回归模型的流量调整装置,所述调整单元95,具体用于在所述预测转化率小于所述预设转化率时,按照预设权重调整所述推荐流量。
图10示例了一种电子设备的实体结构示意图,如图10所示,该电子设备可以包括:处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040,其中,处理器1010,通信接口1020,存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令,以执行基于模糊断点回归模型的流量调整方法,该方法包括:获取第一数量的第一房源信息和对应的推荐流量信息,所述推荐流量信息表示第一房源信息对应的推荐流量的大小;将所述第一数量的第一房源信息依次输入降维模型,得到第一数量的房源评分,其中,所述房源评分和所述第一房源信息一一对应;根据所述第一数量的第一房源信息和对应的所述第一数量的房源评分,确定断点评分和第一数量的房源断点类型,其中,所述房源断点类型和所述第一房源信息一一对应;将所述第一数量的第一房源信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率;根据所述预测转化率和预设转化率,调整所述推荐流量。
此外,上述的存储器1030中的逻辑指令可以通过软件功能单元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,本发明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)执行本发明各个实施例所述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(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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于模糊断点回归模型的流量调整方法,该方法包括:获取第一数量的第一房源信息和对应的推荐流量信息,所述推荐流量信息表示第一房源信息对应的推荐流量的大小;将所述第一数量的第一房源信息依次输入降维模型,得到第一数量的房源评分,其中,所述房源评分和所述第一房源信息一一对应;根据所述第一数量的第一房源信息和对应的所述第一数量的房源评分,确定断点评分和第一数量的房源断点类型,其中,所述房源断点类型和所述第一房源信息一一对应;将所述第一数量的第一房源信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率;根据所述预测转化率和预设转化率,调整所述推荐流量。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于模糊断点回归模型的流量调整方法,该方法包括:获取第一数量的第一房源信息和对应的推荐流量信息,所述推荐流量信息表示第一房源信息对应的推荐流量的大小;将所述第一数量的第一房源信息依次输入降维模型,得到第一数量的房源评分,其中,所述房源评分和所述第一房源信息一一对应;根据所述第一数量的第一房源信息和对应的所述第一数量的房源评分,确定断点评分和第一数量的房源断点类型,其中,所述房源断点类型和所述第一房源信息一一对应;将所述第一数量的第一房源信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率;根据所述预测转化率和预设转化率,调整所述推荐流量。
以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于模糊断点回归模型的流量调整方法,其特征在于,包括:
获取第一数量的第一房源信息和对应的推荐流量信息,所述推荐流量信息表示第一房源信息对应的推荐流量的大小;
将所述第一数量的第一房源信息依次输入降维模型,得到第一数量的房源评分,其中,所述房源评分和所述第一房源信息一一对应;
根据所述第一数量的第一房源信息和对应的所述第一数量的房源评分,确定断点评分和第一数量的房源断点类型,其中,所述房源断点类型和所述第一房源信息一一对应;
将所述第一数量的第一房源信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率;
根据所述预测转化率和预设转化率,调整所述推荐流量。
2.根据权利要求1所述的基于模糊断点回归模型的流量调整方法,其特征在于,所述第一房源信息包括属性特征信息和行为特征信息;所述降维模型包括深度神经网络和长短期记忆网络;
所述将所述第一数量的第一房源信息依次输入降维模型,得到第一数量的房源评分的步骤,包括:
对于所述第一数量中的每一个所述第一房源信息,将对应的所述属性特征信息输入所述深度神经网络得到第一向量;
对于所述第一数量中的每一个所述第一房源信息,将对应的所述行为特征信息输入所述长短期记忆网络得到第二向量;
对于所述第一数量中的每一个所述第一房源信息,根据对应的所述第一向量和所述第二向量计算房源成交概率;
对于所述第一数量中的每一个所述第一房源信息,根据对应的所述房源成交概率和预设映射规则生成对应的所述房源评分。
3.根据权利要求1所述的基于模糊断点回归模型的流量调整方法,其特征在于,所述模糊断点回归模型是通过如下步骤得到:
根据预设公式生成初始回归模型;
将样本数据输入所述初始回归模型,输出第一效应值;
调整所述初始回归模型的预设参数,得到第一回归模型;
将所述样本数据输入所述第一回归模型,输出第二效应值;
当所述第一效应值和所述第二效应值满足预设条件时,确定所述初始回归模型为所述模糊断点回归模型。
4.根据权利要求2所述的基于模糊断点回归模型的流量调整方法,其特征在于,所述行为特征信息包括浏览量信息和带看量信息;
所述将所述第一数量的第一房源信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率的步骤,具体包括:
将所述第一数量的所述浏览量信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入所述模糊断点回归模型,输出预测总浏览量信息;
将所述第一数量的所述带看量信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入所述模糊断点回归模型,输出预测总带看量信息;
根据所述预测总浏览量信息和所述预测总带看量信息,计算所述预测转化率。
5.根据权利要求1所述的基于模糊断点回归模型的流量调整方法,其特征在于,所述预设转化率是通过如下步骤得到:
获取第二数量的第二房源信息,其中,所述第二房源信息包括第二浏览量信息和第二带看量信息,所述第二房源信息对应的推荐流量的大小为零;
根据所述第二数量的所述浏览量信息确定第二总浏览量信息;
根据所述第二数量的所述带看量信息确定第二总带看量信息;
根据所述第二总浏览量信息和所述第二总带看量信息,计算得到所述预设转化率。
6.根据权利要求1所述的基于模糊断点回归模型的流量调整方法,其特征在于,所述根据所述预测转化率和所述预设转化率,调整所述推荐流量的步骤,包括:
在所述预测转化率小于所述预设转化率时,按照预设权重调整所述推荐流量。
7.一种基于模糊断点回归模型的流量调整装置,其特征在于,包括:
信息获取单元,用于获取第一数量的第一房源信息和对应的推荐流量信息,所述推荐流量信息表示第一房源信息对应的推荐流量的大小;
评分单元,用于将所述第一数量的第一房源信息依次输入降维模型,得到第一数量的房源评分,其中,所述房源评分和所述第一房源信息一一对应;
确定单元,用于根据所述第一数量的第一房源信息和对应的所述第一数量的房源评分,确定断点评分和第一数量的房源断点类型,其中,所述房源断点类型和所述第一房源信息一一对应;
预测单元,用于将所述第一数量的第一房源信息、所述第一数量的房源评分、所述断点评分和所述第一数量的房源断点类型输入模糊断点回归模型,根据输出结果确定预测转化率;
调整单元,用于根据所述预测转化率和预设转化率,调整所述推荐流量。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于模糊断点回归模型的流量调整方法的步骤。
9.一种非暂态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如权利要求1至6任一项所述基于模糊断点回归模型的流量调整方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于模糊断点回归模型的流量调整方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211643827.5A CN115982455B (zh) | 2022-12-20 | 2022-12-20 | 基于模糊断点回归模型的流量调整方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211643827.5A CN115982455B (zh) | 2022-12-20 | 2022-12-20 | 基于模糊断点回归模型的流量调整方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115982455A true CN115982455A (zh) | 2023-04-18 |
CN115982455B CN115982455B (zh) | 2023-09-15 |
Family
ID=85973364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211643827.5A Active CN115982455B (zh) | 2022-12-20 | 2022-12-20 | 基于模糊断点回归模型的流量调整方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115982455B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050096963A1 (en) * | 2003-10-17 | 2005-05-05 | David Myr | System and method for profit maximization in retail industry |
US20060041480A1 (en) * | 2004-08-20 | 2006-02-23 | Jason Rex Briggs | Method for determining advertising effectiveness |
CN107657377A (zh) * | 2017-09-26 | 2018-02-02 | 大连理工大学 | 一种基于断点回归的公交专用道政策评价方法 |
CN110910165A (zh) * | 2019-10-29 | 2020-03-24 | 深圳市星河互动科技有限公司 | 多渠道归因方法及相关设备 |
CN115170167A (zh) * | 2021-04-02 | 2022-10-11 | 腾讯科技(深圳)有限公司 | 广告诊断方法、装置、计算机设备和存储介质 |
-
2022
- 2022-12-20 CN CN202211643827.5A patent/CN115982455B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050096963A1 (en) * | 2003-10-17 | 2005-05-05 | David Myr | System and method for profit maximization in retail industry |
US20060041480A1 (en) * | 2004-08-20 | 2006-02-23 | Jason Rex Briggs | Method for determining advertising effectiveness |
CN107657377A (zh) * | 2017-09-26 | 2018-02-02 | 大连理工大学 | 一种基于断点回归的公交专用道政策评价方法 |
CN110910165A (zh) * | 2019-10-29 | 2020-03-24 | 深圳市星河互动科技有限公司 | 多渠道归因方法及相关设备 |
CN115170167A (zh) * | 2021-04-02 | 2022-10-11 | 腾讯科技(深圳)有限公司 | 广告诊断方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115982455B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210326729A1 (en) | Recommendation Model Training Method and Related Apparatus | |
CN108334575B (zh) | 一种推荐结果排序修正方法及装置,电子设备 | |
US20210319366A1 (en) | Method, apparatus and device for generating model and storage medium | |
CN107766573B (zh) | 基于数据处理的商品推荐方法、装置、设备和存储介质 | |
KR102368043B1 (ko) | 사용자 정의 토픽 모델링을 활용한 사용자 관심 뉴스 추천 장치 및 그 방법 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
US11810009B2 (en) | Methods of explaining an individual predictions made by predictive processes and/or predictive models | |
CN111178537A (zh) | 一种特征提取模型训练方法及设备 | |
CN114330752A (zh) | 排序模型训练方法和排序方法 | |
CN114819777A (zh) | 一种基于数字孪生技术的企业销售业务分析管理系统 | |
CN117540336A (zh) | 时间序列预测方法、装置及电子设备 | |
CN112258285A (zh) | 一种内容推荐方法及装置、设备、存储介质 | |
CN115982455A (zh) | 基于模糊断点回归模型的流量调整方法、装置和电子设备 | |
CN115185606A (zh) | 业务配置参数的获得方法、装置、设备及存储介质 | |
US20220391727A1 (en) | Analysis apparatus, control method, and program | |
CN108038735A (zh) | 数据生成方法及装置 | |
US20170255537A1 (en) | Data-agnostic adjustment of hard thresholds based on user feedback | |
CN113407827A (zh) | 基于用户价值分类的信息推荐方法、装置、设备及介质 | |
KR20130086083A (ko) | 리스크-프로파일 생성 장치 | |
CN115456656A (zh) | 消费者购买意向预测方法、装置、电子设备及存储介质 | |
CN113362179B (zh) | 交易数据的预测方法、装置、设备、存储介质及程序产品 | |
US20240070590A1 (en) | Analyzing apparatus, control method, and storage medium | |
CN115170179B (zh) | 贸易政策不确定性指数确定方法、装置、设备及介质 | |
LÁNG et al. | Linear Regression Model Selection using a Hybrid Genetic-Improved Harmony Search Parallelized Algorithm. |
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 | ||
GR01 | Patent grant |