CN116562928A - 一种目标预估方法、装置、设备及存储介质 - Google Patents
一种目标预估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116562928A CN116562928A CN202210089920.XA CN202210089920A CN116562928A CN 116562928 A CN116562928 A CN 116562928A CN 202210089920 A CN202210089920 A CN 202210089920A CN 116562928 A CN116562928 A CN 116562928A
- Authority
- CN
- China
- Prior art keywords
- features
- information
- coupon information
- user
- commodity sales
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000006243 chemical reaction Methods 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 22
- 230000006870 function Effects 0.000 description 14
- 238000000605 extraction Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0213—Consumer transaction fees
-
- 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
- G06Q30/0222—During e-commerce, i.e. online transactions
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种目标预估方法、装置、设备及存储介质,其中,所述方法包括:获取预设购物平台的商品销售信息;对所述商品销售信息进行特征提取,得到所述商品销售信息的至少两类特征;基于所述至少两类特征,预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值;如此,能够得到更加准确的优惠券信息的用户曝光转化率和优惠券信息关联的消费价值,提升预设购物平台的收益。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种目标预估方法、装置、设备及存储介质。
背景技术
相关技术中,多目标建模存在两种模式:一种是Shared-Bottom模式,另一种是MOE模式;然而,这两种模式在特征层面上,都是一阶特征的计算学习;显然Shared-Bottom网络结构的设计对于模型的效果有较大的影响,数据的高阶特征的损失对于模型的效果也有影响。
发明内容
为解决上述技术问题,本申请实施例提供一种目标预估方法、装置、设备及存储介质,基于预设购物平台的商品销售信息的至少两类特征,对优惠券信息的用户曝光转化率和优惠券信息关联的消费价值进行预测;如此,能够得到更加准确的优惠券信息的用户曝光转化率和优惠券信息关联的消费价值,提升预设购物平台的收益。
为达到上述目的,本申请的技术方案是这样实现的:
本申请实施例提供一种目标预估方法,所述方法包括:
获取预设购物平台的商品销售信息;其中,所述商品销售信息至少包括:用户在所述预设购物平台的历史消费数据和所述预设购物平台的优惠券信息;
对所述商品销售信息进行特征提取,得到所述商品销售信息的至少两类特征;
基于所述至少两类特征,预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
本申请实施例提供一种目标预估装置,所述装置包括:
第一获取模块,用于获取预设购物平台的商品销售信息;所述商品销售信息至少包括:用户在所述预设购物平台的历史消费数据和所述预设购物平台的优惠券信息;
第一处理模块,用于对所述商品销售信息进行特征提取,得到所述商品销售信息的至少两类特征;
第一预测模块,用于基于所述至少两类特征,预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
相应地,本申请实施例还提供一种电子设备,所述电子设备包括:处理器、存储器和通信总线;
所述通信总线用于实现所述处理器和所述存储器之间的通信连接;
所述处理器用于执行所述存储器中的程序,以实现上述信息处理方法。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述目标预估方法。
本申请实施例提供一种目标预估方法、装置、设备及存储介质,首先,获取预设购物平台的商品销售信息;其次,对所述商品销售信息进行特征提取,得到所述商品销售信息的至少两类特征;最后,基于所述至少两类特征,预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值;如此,能够得到更加准确的优惠券信息的用户曝光转化率和优惠券信息关联的消费价值,提升预设购物平台的收益。
附图说明
图1为本申请实施例提供的一种目标预估方法的实现流程示意图;
图2为本申请实施例提供的一种目标预估方法的实现流程示意图;
图3为本申请实施例提供的一种目标预估方法的实现流程示意图;
图4为本申请实施例提供的一种目标预估方法的实现流程示意图;
图5为本申请实施例提供的一种目标预估方法的实现流程示意图;
图6为本申请实施例提供的一种目标预估方法的实现流程示意图;
图7为本申请实施例提供的一种多目标预估方法的实现流程示意图;
图8为本申请实施例提供的一种Ziln模型的结构示意图;
图9为本申请实施例提供的一种推荐系统结构示意图;
图10为本申请实施例提供的一种目标预估装置的组成结构示意图;
图11为本申请实施例提供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清楚、完整地描述。
应理解,说明书通篇中提到的“本申请实施例”或“前述实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“本申请实施例中”或“在前述实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中应。在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
为了能够更加详尽地了解本申请实施例的特点与技术内容,下面结合附图对本申请实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本申请。
在工业界深度学习网络模型在推荐等场景业务应用越来越广泛,而且在实际业务场景中,大多需要多任务学习,比如在推荐系统中对用户推荐优惠券,不仅要推荐用户感兴趣的优惠券,促进用户下单,还要尽可能地促进用户转化和购买,即用户下单金额越高越好。
在优惠券营销场景中,采用Ziln算法模型,使用的Shared-Bottom网络模型无法获取不同任务之间的特征差异,会导致模型的不稳定性;即,某个任务的准确率达到预期,其他任务的准确率会较低。多任务目标MMoE模型,采用n个专家网络,对不同任务采用不同的门网络,虽然能够解决上述Shared-Bottom网络模型的缺陷。但是无论是Shared-Bottom网络模型结构,还是多任务目标MMoE模型,在特征层面上,都是一阶特征的计算学习。
基于以上问题,图1为本申请实施例提供的一种目标预估方法的实现流程示意图,如图1所示,该方法包括以下步骤:
步骤S101:获取预设购物平台的商品销售信息。
在一些实施例中,所述商品销售信息至少包括:用户在所述预设购物平台的历史消费数据和所述预设购物平台的优惠券信息。
在一些实施例中,预设购物平台一般至少包括以下功能,如:用户管理、商品展示、商品交易、商品搜索等;其中,用户管理用于对登录用户的用户信息进行管理,比如:密码修改、用户基本信息修改等;商品展示用于实现对商品的分类查看、查询以及订购等功能;商品交易用于实现在购物车添加商品、删除商品、修改商品信息以及订单提交等功能;商品搜索用于实现根据商品的名称、类别、品牌等信息搜索详细商品信息等功能;商品讨论用于实现针对商品的购买过程、商品的属性等进行讨论等功能。
在一些实施例中,历史消费数据包括:一段时间内的用户数据和商品数据;其中,用户数据包括:用户基本数据和用户行为数据;用户基本数据可以是用户账户信息,通过用户账户信息能够获取用户年龄、性别等数据;用户行为数据可以是一段时间内用户点击交互过的优惠券和优惠券中的对应商品数量等数据。商品数据包括:商品ID、商品所属的类目ID、店铺ID等。优惠券信息包括:优惠券ID、优惠券折扣率等信息。
步骤S102:对所述商品销售信息进行特征提取,得到所述商品销售信息的至少两类特征。
在一些实施例中,至少两类特征至少包括:低阶特征和高阶特征;一般地,线性特征的组合是一阶特征,n个线性特征与非线性特征的组合就是n阶特征,其中,n≥2;比如:线性-线性这样的组合,为一阶特征;线性-线性-线性这样的组合,也是一阶特征;线性-非线性-线性这样的组合,为二阶特征。高阶特征,可以理解为经过多次线性-非线性组合操作之后形成的特征,是高度抽象特征。
步骤S103:基于所述至少两类特征,预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
在一些实施例中,用户曝光转化率(Click Value Rate,CVR)是指用户点击且使用优惠券的概率。优惠券信息关联的消费价值(Gross Merchandise Volume,GMV)是指用户点击且使用优惠券后对应的下单金额;一般地,在电商行业,包含拍下未支付订单金额。
在一些实施例中,基于所述至少两类特征,预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值,可以是将至少两类特征进行相应处理后,输入训练好的预测模型对优惠券信息的用户曝光转化率和优惠券信息关联的消费价值进行预测。
在本申请实施例中,首先,获取预设购物平台的商品销售信息;其次,对所述商品销售信息进行特征提取,得到所述商品销售信息的至少两类特征;最后,基于所述至少两类特征,预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值;如此,基于至少两类特征对优惠券信息的用户曝光转化率和优惠券信息关联的消费价值进行预测,能够得到更准确的预测结果。
在一些实施例中,至少两类特征至少包括一阶特征和二阶特征,图2为本申请实施例提供的一种目标预估方法的实现流程示意图,如图2所示,步骤S102包括:
步骤S201:对所述商品销售信息进行特征提取,得到所述商品销售信息的一阶特征。
在一些实施例中,一阶特征是进行一次特征提取得到的特征,是表示用户年龄-优惠券折扣率、优惠券中对应的商品数量-优惠券折扣率、年龄-优惠券中对应的商品数量等的向量;即,上述低阶特征可以是一阶特征,一阶特征即一个有效的线性组合。
在一些实施例中,对商品销售信息进行特征提取,可以通过以下过程实现:首先,确定商品销售信息的类型;其次,在商品销售信息是连续型数据的情况下,对商品销售信息进行标准化处理后的输入到模型;在商品销售信息是离散型数据的情况下,对商品销售信息进行独热编码处理后输入到模型;其中,离散型数据是指用户ID、优惠券ID等数据;连续型数据是指折扣率、年龄等数据。
在一些实施例中,一阶特征的提取可以通过多层感知机(MultilayerPerceptron,MLP)实现;二阶特征的提取可以通过因子分解机(Factorization Machines,FM)实现。
步骤S202:基于所述一阶特征,确定所述二阶特征。
在一些实施例中,二阶特征可以是对上述一阶特征中的线性特征和非线性特征进行组合得到的特征;
或者,通过以下过程得到:首先,确定各个一阶特征之间的关联关系;其次,基于上述关联关系对一阶特征进行关联;比如:年龄-性别-优惠券折扣率、年龄-性别-优惠券中对应的商品数量等;即,上述高阶特征可以是二阶特征,二阶特征即两个有效的线性组合。
在一些实施例中,二阶特征可以通过以下过程得到:首先,获取每一一阶特征的权重;其次,对带有权重的一阶特征进行交叉组合,得到所述二阶特征。这里,一阶特征的组合并不是任意对所有的特征进行组合,而是在给定条件下的组合;这是因为,我们的目的是找出不同用户特征对不同优惠券的偏好程度,因此,有些特征的组合意义不大;一般情况下,不对两个重要性比较高的特征进行组合,而是对两个重要性都比较低的特征进行组合,或者,对一个重要性较高的特征和一个重要性较低的特征进行组合。
在一些实施例中,在对一阶特征进行组合前,需要先对一阶特征进行离散化,如果离散特征维度较高,则需要对离散特征进行证据权重(Weight of Evidence,WOE)变换,再对变换后的特征进行组合。
在本申请实施例中,首先,对所述商品销售信息进行特征提取,得到所述商品销售信息的一阶特征;其次,基于所述一阶特征,确定所述二阶特征;如此,能够得到更加丰富的特征,从而使得预测出的优惠券信息的用户曝光转化率和优惠券信息关联的消费价值更加准确。
在一些实施例中,基于一阶特征和二阶特征确定优惠券信息的用户曝光转化率和优惠券信息关联的消费价值,图3为本申请实施例提供的一种目标预估方法的实现流程示意图,如图3所示,步骤S103包括:
步骤S301:对所述一阶特征和所述二阶特征进行拼接,得到拼接特征。
在一些实施例中,拼接特征是指将至少两个特征连接在一起;比如:将一个三维向量和一个四维向量连接在一起,得到七维向量的拼接特征;将一个二维向量、一个三维向量和一个四维向量连接在一起,得到九维向量的拼接特征。
步骤S302:基于所述拼接特征和所述商品销售信息,确定所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
在一些实施例中,基于所述拼接特征和所述商品销售信息,确定所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值,可以通过对拼接特征进行处理,基于处理结果对商品销售信息进行处理,再将处理后的商品销售信息输入预先训练好的预测模型中对优惠券信息的用户曝光转化率和优惠券信息关联的消费价值进行预测。
在本申请实施例中,首先,对所述一阶特征和所述二阶特征进行拼接,得到拼接特征;其次,基于所述拼接特征和所述商品销售信息,确定所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值;如此,采用拼接特征和商品销售信息作为预测优惠券信息的用户曝光转化率和优惠券信息关联的消费价值的输入,使得预测结果更加准确。
在一些实施例中,基于不同维度的特征和每一维度下任务的权重,确定任务,图4为本申请实施例提供的一种目标预估方法的实现流程示意图,如图4所示,步骤S302包括:
步骤S401:基于所述拼接特征的重要程度,对所述商品销售信息进行对应处理。
在一些实施例中,拼接特征是多维特征,拼接特征的重要程度可以是拼接特征中每一维度特征的重要程度。这里,重要程度可以是权重大小;其中,权重越大,说明该维度特征的重要程度越高,对预测用户曝光转化率和优惠券信息关联的消费价值的影响越大;权重越小,说明该维度特征的重要程度越小,对预测用户曝光转化率和优惠券信息关联的消费价值的影响越小。
在一些实施例中,拼接特征的重要程度,可以通过对拼接特征进行归一化得到;比如:采用sigmoid函数对拼接特征进行处理得到。
在一些实施例中,基于所述拼接特征的重要程度,对所述商品销售信息进行对应处理,可以是将拼接特征的重要程度与商品销售信息进行内积,即,对商品销售信息赋予权重,使其成为带有权重的商品销售信息。
在一些实施例中,为了解决不同任务指标(CVR和GMV)因为Shared-Bottom网络结构出现结果不平衡的现象,可以设计一种网络结构获取w、w'来对拼接特征的重要程度进行处理,如公式(1)所示:
obj=w*gmvprob*w'*gmvpred (1);
其中,w、w'为权重;gmvprob、gmvpred为模型的输出。
步骤S402:在至少两个维度下,对处理后的商品销售信息进行特征提取,得到每一维度的商品销售特征。
在一些实施例中,在至少两个维度下,对处理后的商品销售信息进行特征提取,得到每一维度的商品销售信息;即,在至少两个维度下,对上述带有权重的商品销售信息进行特征提取,得到这两个维度中每一维度的商品销售信息。
在一些实施例中,在所述至少两个维度下,对处理后的商品销售信息进行特征提取,得到每一维度的商品销售特征,可以通过MMOE模型实现,该MMOE模型包括多个专家网络,每一专家网络从一个维度对处理后的商品销售信息(带有权重的商品销售信息)进行特征提取。
在一些实施例中,由于商品销售信息由多个维度的信息组成(比如:用户年龄、用户性别、优惠券折扣率等),可以根据预测用户曝光转化率和优惠券信息关联的消费价值所需要的维度设置对应的专家网络;比如:预测用户曝光转化率和信息关联的消费价值需要特征1至特征3共3个特征,那么可以设置专家网络1提取特征1,设置专家网络2提取特征2,设置专家网络3提取特征3。专家网络在提取特征时,会将特征转化成向量形式输出。
步骤S403:在所述至少两个维度中,确定每一维度下所述优惠券信息的用户曝光转化率的第一权重和所述优惠券信息关联的消费价值的第二权重。
在一些实施例中,在所述至少两个维度中,确定每一维度下所述优惠券信息的用户曝光转化率的第一权重和所述优惠券信息关联的消费价值的第二权重,可以通过MMOE模型中的门开关网络实现,门开关网络的数量与预测目标的数量相同;由于存在两个预测目标(用户曝光转化率和信息关联的消费价值),因此,设置两个门开关网络;门开关网络用于根据自身对应的预测目标,控制各个专家网络的权重。
步骤S404:将同一维度下的所述第一权重和所述商品销售特征进行融合,得到每一维度下的融合特征。
在一些实施例中,将同一维度下的所述第一权重和所述商品销售特征进行融合,得到每一维度下的融合特征,可以通过MMOE模型中的融合模块实现,一个融合模块与一个门开关网络对应,用于将各个专家网络输出的向量形式的特征和对应的门开关网络输出的权重融合;比如:专家网络1至专家网络3输出的向量形式的特征为[T1,T2,T3],门开关网络1输出的针对专家网络1至专家网络3输出的权重为[w1,w2,w3],那么融合模型1用于将[T1,T2,T3]和[w1,w2,w3]进行享用相乘再求和。
步骤S405:基于所述融合特征,预测所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
在一些实施例中,基于所述融合特征,预测所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值,可以通过MMOE模型中的任务网络实现,一个任务网络与一个融合模块对应,将融合特征输入对应的任务网络,对优惠券信息的用户曝光转化率和优惠券信息关联的消费价值进行预测。
在本申请实施例中,首先,基于所述拼接特征的重要程度,对所述商品销售信息进行对应处理;其次,在所述至少两个维度下,对处理后的商品销售信息进行特征提取,得到每一维度的商品销售特征;再次,在所述至少两个维度中,确定每一维度下所述优惠券信息的用户曝光转化率的第一权重和所述优惠券信息关联的消费价值的第二权重;接着,将同一维度下的所述第一权重和所述商品销售特征进行融合,得到每一维度下的融合特征;最后,基于所述融合特征,预测所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值;如此,能够预测优惠券信息的用户曝光转化率和优惠券信息关联的消费价值。
在一些实施例中,基于预测的用户曝光转化率和优惠券信息关联的消费价值,将优惠券信息推荐给用户,图5为本申请实施例提供的一种目标预估方法的实现流程示意图,如图5所示,该方法还包括:
步骤S501:基于所述用户曝光转化率和所述优惠券信息关联的消费价值,确定所述用户的推荐概率。
在一些实施例中,推荐概率包括:用户曝光转换率和优惠券信息关联的消费价值。基于所述用户曝光转化率和所述优惠券信息关联的消费价值,确定所述用户的推荐概率,可以是:根据用户曝光转化率和优惠券信息关联的消费价值中的任意一项或多项向用户发送优惠券信息;比如:用户曝光转换率符合条件的情况下,将优惠券信息推送给用户;优惠券信息关联的消费价值符合条件的情况下,将优惠券信息推送给用户;或者,用户曝光转换率和优惠券信息关联的消费价值均符合条件的情况下,将优惠券信息推送给用户。
步骤S502:响应于所述推荐概率大于预设推荐概率阈值,将所述优惠券信息推送给所述用户对应的终端。
在一些实施例中,可以预先设置预设推荐阈值,在推荐概率大于预设推荐阈值的情况下,将优惠券信息推送给用户对应的终端;也就是说,上述符合条件可以是推荐概率大于预设推荐阈值。
在本申请实施例中,首先,基于所述用户曝光转化率和所述优惠券信息关联的消费价值,确定所述用户的推荐概率;其次,响应于所述推荐概率大于预设推荐概率阈值,将所述优惠券信息推送给所述用户对应的终端;如此,能够在预测的用户推荐概率大于预设推荐概率阈值的情况下,将优惠券信息推送给用户。
在一些实施例中,优惠券信息中包括多个优惠券,图6为本申请实施例提供的一种目标预估方法的实现流程示意图,如图6所示,该方法还包括:
步骤S601:确定所述多个优惠券对所述用户的推荐概率。
在一些实施例中,确定所述多个优惠券对所述用户的推荐概率,即,确定所述多个优惠券中每一优惠券对所述用户的推荐概率;比如:优惠券信息中包括优惠券1、优惠券2和优惠券3,那么,确定优惠券1至优惠券3对用户的推荐概率。
步骤S602:将所述多个优惠券,按照推荐概率降序发送给所述用户对应的终端。
在本申请实施例中,首先,确定所述多个优惠券对所述用户的推荐概率;其次,将所述多个优惠券,按照推荐概率降序发送给所述用户对应的终端;如此,在存在多个优惠券的情况下,用户可以首先看到推荐概率最高的优惠券,并且通过针对性推荐提升预设购物平台的收益。
下面,将说明本申请实施例在一个实际的应用场景中的示例性应用,以优惠券推荐为例进行以下说明。
图7为本申请实施例提供的一种多目标预估方法的实现流程示意图,如图7所示,该方法包括:
步骤S701:获取用户数据、优惠券数据和商品数据。
在一些实施例中,用户数据包括:用户基本数据、用户行为数据;其中,用户基本数据包括用户年龄、用户性别等数据;用户行为数据包括:用户点击交互过的优惠券、优惠券中对应的商品数量等数据。优惠券数据包括:优惠券ID、优惠券折扣率等特征。商品数据包括:商品ID、商品所属类目ID、店铺ID等数据。
步骤S702:对所述用户数据、优惠券数据和商品数据进行预处理。
在一些实施例中,对连续型数据进行标准化处理,对离散型数据,进行独热编码处理;其中,数据的标准化是将数据按比例缩放,使之落入一个小的特征区间。去除数据的单位限制,将其转化为无量纲的纯数值,便于不同单位或量级的指标能够进行比较和加权。其中最典型的就是数据的归一化处理,即将数据映射到[0,1]区间上。独热编码,即,One-Hot编码,又称一位有效编码,其方法是使用N位状态寄存器来对N个状态进行编码,每个状态都有他独立的寄存器位,并且在任意时候,其中只有一位有效。
步骤S703:将预处理后的数据输入改进的Ziln模型,基于Ziln模型中的MLP网络提取一阶特征,基于Ziln模型中的FM模型提取二阶特征。
在一些实施例中,图8为本申请实施例提供的Ziln模型的结构示意图,如图8所示,提取的一阶特征可以是稠密特征81,提取的二阶特征可以是嵌入特征83,而嵌入特征是对稀疏特征82进行处理得到的。其中,Embedding层的作用是将高维稀疏的二元向量,转化为低维稠密的向量。本质上是求解一个m(输入高维稀疏向量的维度)×n(输出稠密向量的维度)维的权重矩阵的过程。如果输入向量是one-hot特征向量的话,权重矩阵中的列向量即为相应维度one-hot特征的embedding向量。
在一些实施例中,在FM模型中的Hidden Layer中加入droupout层和resnet层提取样本数据特征,使用leaky relu激活函数增加非线性特征。
在一些实施例中,FM层用来提取二阶特征;即,因子分解机,将公式(2)分解为公式(3):
其中,xi,xj为特征值;vi,vj为特征隐向量,w为原始一阶特征的权重;vi,f为f阶特征的隐向量;m、n、k为整数,其中,m和n分别表示特征值的数量。
在一些实施例中,一阶特征:即单个特征,不产生新特征,如:x1;二阶特征:即两个一阶特征组合产生的新特征,如:x1x2。
步骤S704:对所述一阶特征和所述二阶特征进行拼接,得到拼接特征。
步骤S705:对拼接特征进行归一化处理并输出处理结果。
在一些实施例中,以gmv权值作为g,样本数据各维度特征作为q,通过激活函数对[q,g,q*g]进行处理,获得gmv权值,为各维度特征进行打分,将输出的各维度特征加权求和的结果归一化处理,得到的结果即为上述处理结果。
步骤S706:采用上述输出结果对用户数据、优惠券数据和商品数据进行处理。
步骤S707:将上述处理后的数据输入MMOE模型,采用多个专家网络从不同维度对处理后的数据进行特征提取。
在一些实施例中,MoE模型可以形式化表示为以下公式(4):
其中,gi是门网络;fi是n个专家网络。
在一些实施例中,通过门网络可以得到n个专家网络输出的权值。专家网络是所有任务共用的,每个任务的门网络通过最终输出权重不同实现对专家网络的选择性利用。不同任务的门网络可以学习到不同的组合专家网络的模式,捕捉到任务的相关性和区别。
步骤S708:采用门开关网络输出不同预测目标对应的各个专家网络的权重。
步骤S709:采用融合模块对专家网络和门开关网络的输出进行融合。
步骤S710:将融合模块的输出输入对应的任务网络,对用户曝光转化率率和优惠券信息关联的消费价值进行预测。
在一些实施例中,对用户曝光转化率率(CVR)使用二元交叉熵损失函数如公式(5)所示:
其中,m为样本个数;y为标签;y'为预测值。
在一些实施例中,用户使用优惠券下单后的gmv金额符合对数正态分布,gmv回归的目标函数如公式(6)所示:
其中,x为模型的输入;μ为均值;σ为偏差。
在一些实施例中,对于用户曝光转化率(CVR)任务,将AUC作为评估算法的指标。
在一些实施例中,对于gmv的回归评估指标使用基尼系数(Gini coefficient)。求基尼系数的具体做法如下:
首先,按升序对预测得到的gmv进行排序。预测的Gmv如公式(7)所示:
其次,绘制洛伦兹(Lorenz)曲线,x轴为gmv预测值下label标签的计数和,y轴为gmv预测值下label标签为正样本的和;
最后,基尼系数是洛伦兹曲线和45°对角线之间面积的两倍。它反映了顾客消费的不平等性—分配的不平等性越大,价值越大。
在一些实施例中,预测用户曝光转化率和优惠券信息关联的消费价值之后,即可基于预测的用户曝光转化率和优惠券信息关联的消费价值对用户进行优惠券推荐;图9为本申请实施例提供的推荐系统结构示意图,如图9所示,在对优惠券进行推荐时,首先,获取用户数据901、优惠券数据902、用户-优惠券数据903、订单数据904和用户行为数据905;其次,对用户数据901、优惠券数据902、用户-优惠券数据903、订单数据904和用户行为数据905进行特征提取906、粗排907、过滤908和精排909;再次,将精排结果以商详910、九宫格911、空购912、摇盒子913等形式进行显示;接着,基于用户反馈进行召回914;最后,基于步骤S701至步骤S710的预测结果在召回结果中确定最终推荐给用户的优惠券。
基于前述实施例,本申请实施例还提供一种目标预估装置,图10为本申请实施例提供的一种目标预估装置的组成结构示意图,如图10所示,目标预估装置1000包括:
第一获取模块1001,用于获取预设购物平台的商品销售信息;
在一些实施例中,所述商品销售信息至少包括:用户在所述预设购物平台的历史消费数据和所述预设购物平台的优惠券信息。
第一处理模块1002,用于对所述商品销售信息进行特征提取,得到所述商品销售信息的至少两类特征;
第一预测模块1003,用于基于所述至少两类特征,预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
在一些实施例中,所述至少两类特征至少包括一阶特征和二阶特征,所述第一处理模块1002,包括:
第一处理子模块,用于对所述商品销售信息进行特征提取,得到所述商品销售信息的一阶特征;
第一确定子模块,用于基于所述一阶特征,确定所述二阶特征。
在一些实施例中,所述第一确定子模块,包括:
第二获取子模块,用于获取每一一阶特征的权重;
第二处理子模块,用于基于所述权重,对不同的一阶特征进行组合,得到所述二阶特征。
在一些实施例中,所述第一预测模块1003,包括:
第三处理子模块,用于对所述一阶特征和所述二阶特征进行拼接,得到拼接特征;
第四处理子模块,用于基于所述拼接特征和所述商品销售信息,确定所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
在一些实施例中,所述第四处理子模块,包括:
第五处理子模块,用于基于所述拼接特征的重要程度,对所述商品销售信息进行对应处理;
第六处理子模块,用于在所述至少两个维度下,对处理后的商品销售信息进行特征提取,得到每一维度的商品销售特征;
第二确定子模块,用于在所述至少两个维度中,确定每一维度下所述优惠券信息的用户曝光转化率的第一权重和所述优惠券信息关联的消费价值的第二权重;
第七处理子模块,用于将同一维度下的所述第一权重和所述商品销售特征进行融合,得到每一维度下的融合特征;
第一预测子模块,用于基于所述融合特征,预测所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
在一些实施例中,所述目标预估装置1000,还包括:
第三确定子模块,用于基于所述用户曝光转化率和所述优惠券信息关联的消费价值,确定所述用户的推荐概率;
第一推送子模块,用于响应于所述推荐概率大于预设推荐概率阈值,将所述优惠券信息推送给所述用户对应的终端。
在一些实施例中,所述优惠券信息中包括多个优惠券,所述目标预估装置1000,还包括:
第四确定子模块,用于确定所述多个优惠券对所述用户的推荐概率;
第二推送子模块,用于将所述多个优惠券,按照推荐概率降序推送给所述用户对应的终端。
基于前述实施例,本申请实施例还提供一种电子设备,图11为本申请实施例提供的一种电子设备的结构示意图,如图11所示,电子设备1100包括:处理器1101、存储器1102和通信总线1103;
所述通信总线1103用于实现所述处理器1101和所述存储器1102之间的通信连接;
所述处理器1101用于执行所述存储器1102中的程序,以实现上述信息处理方法。
本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述目标预估方法。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。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(ReadOnly Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请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,本申请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)执行本申请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、磁碟或者光盘等各种可以存储程序代码的介质。以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种目标预估方法,其特征在于,所述方法包括:
获取预设购物平台的商品销售信息;其中,所述商品销售信息至少包括:用户在所述预设购物平台的历史消费数据和所述预设购物平台的优惠券信息;
对所述商品销售信息进行特征提取,得到所述商品销售信息的至少两类特征;
基于所述至少两类特征,预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
2.根据权利要求1所述的方法,其特征在于,所述至少两类特征至少包括一阶特征和二阶特征,所述对所述商品销售信息进行特征提取,得到所述商品销售信息的至少两类特征,包括:
对所述商品销售信息进行特征提取,得到所述商品销售信息的一阶特征;
基于所述一阶特征,确定所述二阶特征。
3.根据权利要求2所述的方法,其特征在于,所述基于所述一阶特征,确定所述二阶特征,包括:
获取每一一阶特征的权重;
对带有权重的一阶特征进行交叉组合,得到所述二阶特征。
4.根据权利要求3所述的方法,其特征在于,所述基于所述至少两类特征,预测所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值,包括:
对所述一阶特征和所述二阶特征进行拼接,得到拼接特征;
基于所述拼接特征和所述商品销售信息,确定所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
5.根据权利要求3所述的方法,其特征在于,所述基于所述拼接特征和所述商品销售信息,确定所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值,包括:
基于所述拼接特征的重要程度,对所述商品销售信息进行对应处理;
在至少两个维度下,对处理后的商品销售信息进行特征提取,得到每一维度的商品销售特征;
在所述至少两个维度中,确定每一维度下所述优惠券信息的用户曝光转化率的第一权重和所述优惠券信息关联的消费价值的第二权重;
将同一维度下的所述第一权重和所述商品销售特征进行融合,得到每一维度下的融合特征;
基于所述融合特征,预测所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
6.根据权利要求1所述的方法,其特征在于,所述基于所述至少两类特征,预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值之后,所述方法还包括:
基于所述用户曝光转化率和所述优惠券信息关联的消费价值,确定所述用户的推荐概率;
响应于所述推荐概率大于预设推荐概率阈值,将所述优惠券信息推送给所述用户对应的终端。
7.根据权利要求1所述的方法,其特征在于,所述优惠券信息中包括多个优惠券,所述方法还包括:
确定所述多个优惠券对所述用户的推荐概率;
将所述多个优惠券,按照推荐概率降序推送给所述用户对应的终端。
8.一种目标预估装置,其特征在于,所述装置包括:
第一获取模块,用于获取预设购物平台的商品销售信息;所述商品销售信息至少包括:用户在所述预设购物平台的历史消费数据和所述预设购物平台的优惠券信息;
第一处理模块,用于对所述商品销售信息进行特征提取,得到所述商品销售信息的至少两类特征;
第一预测模块,用于基于所述至少两类特征,预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
9.一种电子设备,其特征在于,所述电子设备包括:处理器、存储器和通信总线;
所述通信总线用于实现所述处理器和所述存储器之间的通信连接;
所述处理器用于执行所述存储器中的程序,以实现上述信息处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至7中任一项所述的目标预估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210089920.XA CN116562928A (zh) | 2022-01-25 | 2022-01-25 | 一种目标预估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210089920.XA CN116562928A (zh) | 2022-01-25 | 2022-01-25 | 一种目标预估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116562928A true CN116562928A (zh) | 2023-08-08 |
Family
ID=87488426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210089920.XA Pending CN116562928A (zh) | 2022-01-25 | 2022-01-25 | 一种目标预估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562928A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649256A (zh) * | 2024-01-29 | 2024-03-05 | 贵州师范大学 | 一种适用于喀斯特地区生态产品销售信息分析方法 |
-
2022
- 2022-01-25 CN CN202210089920.XA patent/CN116562928A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649256A (zh) * | 2024-01-29 | 2024-03-05 | 贵州师范大学 | 一种适用于喀斯特地区生态产品销售信息分析方法 |
CN117649256B (zh) * | 2024-01-29 | 2024-04-02 | 贵州师范大学 | 一种适用于喀斯特地区生态产品销售信息分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113256367B (zh) | 用户行为历史数据的商品推荐方法、系统、设备及介质 | |
CN112288042B (zh) | 行为预测系统的更新方法及装置、存储介质和计算设备 | |
EP4322031A1 (en) | Recommendation method, recommendation model training method, and related product | |
CN112163963B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN111026853B (zh) | 目标问题的确定方法、装置、服务器和客服机器人 | |
CN111008335B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
Xia et al. | Modeling consumer buying decision for recommendation based on multi-task deep learning | |
KR102422408B1 (ko) | 협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치 | |
CN116562928A (zh) | 一种目标预估方法、装置、设备及存储介质 | |
CN113763095B (zh) | 信息推荐方法、装置和模型训练方法、装置 | |
Neville et al. | A computational framework for social agents in agent mediated e-commerce | |
CN113297462A (zh) | 数据处理方法、装置、设备和存储介质 | |
CN116739653A (zh) | 销售数据采集分析系统及其方法 | |
CN114429384B (zh) | 基于电商平台的产品智能推荐方法及系统 | |
CN114579854A (zh) | 商品推荐方法、模型训练方法、装置及电子设备 | |
CN112883264A (zh) | 一种推荐方法及装置 | |
CN111178987B (zh) | 训练用户行为预测模型的方法和装置 | |
CN115471260A (zh) | 基于神经网络的销售预测方法、装置、设备及介质 | |
CN111222722B (zh) | 针对业务对象进行业务预测的方法、神经网络模型和装置 | |
CN114092188A (zh) | 一种轻量级b2b电商平台的推荐系统算法 | |
CN113837843A (zh) | 产品推荐方法、装置、介质及电子设备 | |
CN116911913B (zh) | 一种交互结果的预测方法及装置 | |
CN116911912B (zh) | 一种交互对象和交互结果的预测方法及装置 | |
CN113705698B (zh) | 基于点击行为预测的信息推送方法及装置 | |
CN113947433A (zh) | 一种信息处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |