CN116629937A - 营销策略推荐方法及装置 - Google Patents
营销策略推荐方法及装置 Download PDFInfo
- Publication number
- CN116629937A CN116629937A CN202210125396.7A CN202210125396A CN116629937A CN 116629937 A CN116629937 A CN 116629937A CN 202210125396 A CN202210125396 A CN 202210125396A CN 116629937 A CN116629937 A CN 116629937A
- Authority
- CN
- China
- Prior art keywords
- marketing
- strategy
- behavior data
- target
- user
- 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 51
- 230000006399 behavior Effects 0.000 claims description 165
- 239000013598 vector Substances 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 17
- 230000003993 interaction Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 18
- 230000001960 triggered effect Effects 0.000 description 15
- 238000007726 management method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000280 densification Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—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
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种营销策略推荐及装置。所述方法包括：在目标用户的当前行为数据满足事件触发条件的情况下，确定所述事件触发条件对应的目标营销场景；基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和策略匹配模型，确定所述目标营销场景对应的最优营销策略；将所述最优营销策略对应的营销内容推荐至所述目标用户。本申请实施例提供的营销策略推荐方法及装置，可以根据用户的当前行为数据灵活配置营销场景和营销策略，为用户提供了良好的交互体验，进而可以有效提升营销效果。
Description
技术领域
本申请涉及计算机技术领域，具体涉及一种营销策略推荐方法及装置。
背景技术
随着数字化时代的到来，为互联网营销带来了更多的可能。基于大数据的精准营销被广泛应用于电商、金融、通信等各个领域，相比传统营销模式目标指向更加明确，对业务点击率、转化率、曝光量等提现运营效果参数的提升起到直接作用，让有效的营销资源发挥最大的价值。
目前，精准营销的实现方案已趋近成熟，常见方法是通过对用户的标签化处理生成用户画像，批量精准推送营销活动、商品或宣传信息，实现不同行业的业务引流、流量转化、商机孵化等运营目标。但传统的精准营销只能实现基于预先建立的用户画像进行内容推荐，不能实时触发精准营销，导致产生的营销效果有限。
发明内容
本申请实施例提供一种营销策略推荐方法及装置，用以解决精准营销无法实时触发的技术问题。
第一方面，本申请实施例提供一种营销策略推荐方法，包括：
在目标用户的当前行为数据满足事件触发条件的情况下，确定所述事件触发条件对应的目标营销场景；
基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和策略匹配模型，确定所述目标营销场景对应的最优营销策略；
将所述最优营销策略对应的营销内容推荐至所述目标用户。
在一个实施例中，所述基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和策略匹配模型，确定所述目标营销场景对应的最优营销策略，包括：
基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和所述策略匹配模型，确定所述目标营销场景对应的各营销策略的概率值；
将最大概率值对应的营销策略确定为所述最优营销策略。
在一个实施例中，所述基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和所述策略匹配模型，确定所述目标营销场景对应的各营销策略的概率值，包括：
将所述目标用户的当前行为数据和所述目标用户的历史行为数据输入至所述策略匹配模型，提取到低阶特征组合和高阶特征组合；
基于所述低阶特征组合和所述高阶特征组合，确定所述各营销策略的概率值。
在一个实施例中，所述将所述目标用户的当前行为数据和所述目标用户的历史行为数据输入至所述策略匹配模型，提取到低阶特征组合和高阶特征组合，包括：
对所述目标用户的当前行为数据和所述目标用户的历史行为数据进行预处理，得到预处理数据；
将所述预处理数据对应的稀疏特征向量转化为稠密特征向量；
将所述稠密特征向量分别输入至因子分解机FM算法模型和目标神经网络模型，得到所述稠密特征向量对应的低阶特征组合和高阶特征组合；
其中，所述策略匹配模型包括所述因子分解机FM算法模型和所述目标神经网络模型。
在一个实施例中，所述在目标用户的当前行为数据满足事件触发条件的情况下，确定所述事件触发条件对应的目标营销场景之前，还包括：
根据所有用户的用户行为数据，创建营销场景和所述营销场景对应的事件触发条件；
其中，所述所有用户的用户行为数据包括所述所有用户的当前行为数据和所述所有用户的历史行为数据。
在一个实施例中，所述将所述最优营销策略对应的营销内容推荐至所述目标用户，包括：
基于所述最优营销策略、所述目标用户的当前行为数据、所述目标用户的历史行为数据和所述目标营销场景，确定所述营销内容和触达策略；
基于所述触达策略，将所述营销内容推荐至所述目标用户。
在一个实施例中，所述将所述营销内容推荐至所述目标用户之后，还包括：
采集所述营销内容对应的营销结果数据；
在所述营销结果数据不满足目标条件的情况下，降低所述目标营销场景对应的所述最优营销策略的概率值；
基于调整后的概率值，更新所述策略匹配模型；
其中，所述营销结果数据包括以下至少一项：用户点击数据、用户购买数据、用户浏览数据、用户查询数据。
第二方面，本申请实施例提供一种营销策略推荐装置，包括：
第一确定模块，用于在目标用户的当前行为数据满足事件触发条件的情况下，确定所述事件触发条件对应的目标营销场景；
第二确定模块，用于基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和策略匹配模型，确定所述目标营销场景对应的最优营销策略；
策略推荐模块，用于将所述最优营销策略对应的营销内容推荐至所述目标用户。
第三方面，本申请实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述的营销策略推荐方法。
第四方面，本申请实施例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第一方面所述的营销策略推荐方法。
本申请实施例提供的营销策略推荐方法及装置，通过用户的当前行为数据实时触发目标营销场景，从而实现为目标用户灵活配置营销场景，并可以确保实时触发营销场景与营销策略的匹配过程；同时采用策略匹配模型确定最优营销策略，根据最优营销策略对应的营销内容进行推荐，可以提高营销策略的精确性，并且为用户提供了良好的交互体验，进而可以有效提升营销效果。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的营销策略推荐方法的流程示意图；
图2是应用本申请实施例提供的营销策略推荐方法的营销场景触发流程示意图；
图3是应用本申请实施例提供的营销策略推荐方法的策略推荐模型结构示意图；
图4是应用本申请实施例提供的营销策略推荐方法的营销策略推荐系统的结构示意图；
图5是本申请实施例提供的营销策略推荐装置的结构示意图；
图6是本申请实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本申请实施例提供的营销策略推荐方法的流程示意图。参照图1，本申请实施例提供一种营销策略推荐方法，可以包括：步骤110、步骤120和步骤130。
步骤110、在目标用户的当前行为数据满足事件触发条件的情况下，确定事件触发条件对应的目标营销场景；
步骤120、基于目标用户的当前行为数据、目标用户的历史行为数据和策略匹配模型，确定目标营销场景对应的最优营销策略；
步骤130、将所述最优营销策略对应的营销内容推荐至所述目标用户。
本申请提供的营销策略推荐方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请不作具体限定。
可以理解的是，在步骤110之前，还包括：
步骤100、根据所有用户的用户行为数据，创建营销场景和营销场景对应的事件触发条件；
其中，所有用户的用户行为数据包括所有用户的当前行为数据和所有用户的历史行为数据。
可选地，用户行为数据指的是用户在应用侧执行的操作数据或行为数据，包括当前行为数据和历史行为数据。用户行为可以包括：用户在应用侧发起的查询、充值、缴费、业务办理等动作。应用侧可以是任意能够进行交互，且可以实现营销推荐的应用程序(Application，APP)、网页、小程序等。每一个用户行为都可以根据不同的内容定义模板生成最终的事件触发行为。内容定义模板可以根据业务具体情况设置，例如可以包括业务名称、业务内容、业务营销起止时间、用户行为产生频次、用户行为产生时间、用户行为产生区域(用户在应用侧的操作区域)、业务办理限制等等。根据运营需求，可以无限划小业务营销单元。则进一步可以根据划分后的业务营销单元创建营销场景和对应的事件触发条件。
其中，营销场景可以为互联网营销场景或线上营销场景。具体地，营销场景可以包括基于用户当前行为数据和历史行为数据确定的营销内容或营销产品，还可以包括营销内容或营销产品对应的推荐时间或推荐顺序以及营销策略。事件触发条件可以是预先定义的触发营销场景的规则，触发规则可以基于事件触发类型、事件触发起止时间以及事件触发行为等条件来设置，也可以是根据用户行为数据的内容定义模板来相应设置，本申请不作具体限定。
在实际执行中，一个完整的业务周期，可以包括若干个营销场景。例如可以包括如下情形：
一、可以定义用户查询动作对应的营销场景，营销场景可以设置为推送全量用户查询频次最高的十个营销产品，事件触发条件可以配置为用户在应用侧查询时间随机且查询内容无规律；
二、也可以定义用户查询话费对应的营销场景，营销场景可以设置为推送话费产品或通话时间产品，事件触发条件可以配置为用户查询剩余话费且剩余话费小于预设阈值；
三、还可以定义用户充值50元话费成功对应的营销场景，营销场景可以设置为推送大额话费充值优惠券或者是话费积分商品兑换，事件触发条件可以配置为用户充值金额达到目标金额等等。
由此，根据任意的用户行为数据，都可以配置不同的营销场景和事件触发条件。
本申请实施例提供的营销策略推荐方法，根据任意用户行为数据灵活创建营销场景和对应的事件触发条件，从而将业务营销单元无限化小，实现精细化营销，同时避免了传统粗力度营销推荐模式带来的用户打扰，有效提升用户体验。
可选地，在步骤110中，可以监测用户在应用侧的行为数据，则可以在应用侧对应的营销页面做埋点处理，对用户是否前往营销页面，以及进入营销页面后的点击、浏览、购买等行为进行记录。在监测到目标用户的当前行为数据满足事件触发条件的情况下，确定事件触发条件对应的目标营销场景，即为用户当前数据命中预先定义的营销场景。
例如可以包括如下情形：
一、目标营销场景可以设置为推送全量用户查询频次最高的十个营销产品，事件触发条件可以配置为用户在应用侧查询时间随机且查询内容无规律。在用户的查询动作满足上述事件触发条件的情况下，可以触发目标营销场景，即为用户当前行为数据命中已定义的目标营销场景。
二、目标营销场景可以设置为推送话费产品或通话时间产品，事件触发条件可以配置为用户查询剩余话费且剩余话费小于预设阈值。在用户的话费查询动作满足上述事件触发条件的情况下，可以触发目标营销场景，即为用户当前行为数据命中已定义的目标营销场景。
三、目标营销场景可以设置为推送大额话费充值优惠券或者是话费积分商品兑换，事件触发条件可以配置为用户充值金额达到目标金额。在用户充值50元话费成功的情况下，可以触发目标营销场景，即为用户当前行为数据命中已定义的目标营销场景。
如图2所示，在用户当前行为数据满足事件触发条件的情况下，将用户信息、当前行为、历史行为等信息输入至策略匹配模型(图中的推荐模型)，从而可以确定营销场景1为目标营销场景，以进行营销策略的推荐。
可选地，在步骤120中，在目标营销场景触发后，将用户相关信息、历史行为数据、当前行为数据等综合信息打包输入至策略匹配模型，确定最优营销策略。其中，用户相关信息包括用户属性信息和用户画像等，例如可以是用户个人资料、用户在应用侧的会员等级、用户积分、系统生成的用户标签或终端信息等。
可以理解的是，在进行营销策略之前，需要先指定营销策略。营销策略包括商品、活动、资讯等内容的推荐，并对此内容的推送模式进行定义，将选取一个载体推送一个营销内容作为一种营销策略，每一次营销策略的新增涉及业务、算法和逻辑层面的多方协作。
在业务层面，由运营人员在管理控制台配置推荐内容和推送载体，完成提交发起工单审批，通过后将新增的营销策略信息在系统层面进行录入。
在算法层面，新增的营销策略会将作为事件触发的策略匹配模型的计算目标，需要实时进行数据同步更新。
在逻辑层面，根据事件触发时的用户当前行为数据、属性、时间等因素基于策略匹配模型规则进行重新计算。
可选地，在步骤130中，在完成目标营销场景和最优营销策略的匹配之后，按照营销策略的定义将最优营销策略对应的营销内容推荐至目标用户。
本申请实施例提供的营销策略推荐方法，通过用户的当前行为数据实时触发目标营销场景，从而实现为目标用户灵活配置营销场景，并可以确保实时触发营销场景与营销策略的匹配过程；同时采用策略匹配模型确定最优营销策略，根据最优营销策略对应的营销内容进行推荐，可以提高营销策略的精确性，并且为用户提供了良好的交互体验，进而可以有效提升营销效果。
在一个实施例中，将最优营销策略对应的营销内容推荐至目标用户，包括：
基于最优营销策略、目标用户的当前行为数据、目标用户的历史行为数据和目标营销场景，确定营销内容和触达策略；
基于触达策略，将营销内容推荐至目标用户。
可选地，营销策略配置内容可以包括触达策略和触达内容(即营销内容)。营销策略可以为不同用户定制了个性化推送内容，用户完成事件触发时会根据用户相关信息、用户行为数据、目标营销场景等维度进行计算，得出面向当前用户每条营销内容的权重，选取最优营销内容推送至目标用户。
可选地，根据营销策略配置定义的触达策略，可以选择立刻推送或事件触发后延迟发送的方式，以APP消息、短信、微信等形式作为载体，将匹配的最优营销内容推送至用户。
本申请实施例提供的营销策略推荐方法，可以根据营销策略计算营销内容的权重，从而可以确定更符合用户偏好的营销内容，提高营销效果，同时可以实现营销内容的多模态推荐。
在一个实施例中，基于目标用户的当前行为数据、目标用户的历史行为数据和策略匹配模型，确定目标营销场景对应的最优营销策略，包括：
基于目标用户的当前行为数据、目标用户的历史行为数据和策略匹配模型，确定目标营销场景对应的各营销策略的概率值；
将最大概率值对应的营销策略确定为所述最优营销策略。
可选地，在目标营销场景触发后，将用户相关信息、历史行为数据、当前行为数据等综合信息打包输入至策略匹配模型，确定目标营销场景对应的各营销策略的概率值，并对各营销策略进行从大到小排序，将最大概率值对应的营销策略确定为最优营销策略。
其中，营销策略的概率值反映的是营销策略与目标用户的匹配程度，营销策略的概率值越高，该营销策略与目标用户的匹配程度越高。
可选地，营销策略设置有默认概率值。根据事件触发时的用户行为数据、用户属性信息、时间等因素，基于策略匹配模型可以进行概率值的重新计算。
本申请实施例提供的营销策略推荐方法，相比于通过用户匹配推送的商品，或通过商品确定推送的用户，本方法可以根据事件触发实时匹配推送最优营销策略对应的营销内容，能够保证时效性和准确性。
在一个实施例中，基于目标用户的当前行为数据、目标用户的历史行为数据和策略匹配模型，确定目标营销场景对应的各营销策略的概率值，包括：
将目标用户的当前行为数据和目标用户的历史行为数据输入至策略匹配模型，提取到低阶特征组合和高阶特征组合；
基于低阶特征组合和高阶特征组合，确定各营销策略的概率值。
可选地，将目标用户的当前行为数据和目标用户的历史行为数据输入至策略匹配模型，使得策略匹配模型可以按照用户偏好、营销策略和目标用户本身三个维度出发，基于Neural CF模型对目标用户与营销策略的匹配关系进行计算，不断过滤掉用户不感兴趣的营销内容，并计算出每个营销策略的概率值，实现目标用户与营销策略的匹配。
其中，通过策略匹配模型可以提取到输入数据对应的低阶特征组合和高阶特征组合。低阶部分(memorization)主要是从输入数据中，发现各营销策略和特征之间的直接相关性，体现准确性；而高阶部分(generalization)主要是从输入数据中发现之前很少出现的或者没有出现的特征组合，体现出新颖性。通俗地说，把准确性高的特征用低阶部分简单地表达出来，而对于目前还不清楚是对结果有什么影响的特征做高阶特征组合，然后把低阶特征组合和高阶特征组合融合，从而可以确定各营销策略的概率值，进而对各营销策略的概率值进行排序。最终策略匹配模型可以输出预测结果，即最优营销策略。
本申请实施例提供的营销策略推荐方法，可以根据策略匹配模型对目标用户的当前行为数据和目标用户的历史行为数据，进行高阶特征和低阶特征的提取，从而可以快速准确的获取营销策略的预测结果。
在一个实施例中，将目标用户的当前行为数据和目标用户的历史行为数据输入至策略匹配模型，提取到低阶特征组合和高阶特征组合，包括：
对所述目标用户的当前行为数据和所述目标用户的历史行为数据进行预处理，得到预处理数据；
将预处理数据对应的稀疏特征向量转化为稠密特征向量；
将稠密特征向量分别输入至因子分解机算法模型和目标神经网络模型，得到稠密特征向量对应的低阶特征组合和高阶特征组合；
其中，策略匹配模型包括因子分解机FM算法模型和目标神经网络模型。
可选地，策略匹配模型可以包括输入层、特征交互层和输出层，如图3所示。根据事件触发的营销策略匹配场景需求，分别通过神经网络模型与因子分解机(FactorizationMachines,FM)算法模型，对低阶特征和高阶特征进行提取，最终通过计算得出预测结果，从而为目标用户匹配最优营销策略，流程如下：
步骤1：确定目标用户的当前行为数据命中已定义的目标营销场景之后，对目标用户的当前行为数据、目标用户的历史行为数据、用户相关信息或者用户行为数据的日志信息进行预处理，得到预处理数据。预处理包括归一化、向量化处理、去除噪声、构建特征值等，使得预处理数据符合策略匹配模型的数据形式。再将预处理数据输入至策略匹配模型。策略匹配模型可以包括因子分解机FM算法模型和目标神经网络模型，目标神经网络模型可以是深度神经网络模型(Deep Neural Networks,DNN)。
步骤2:通过独热编码(one-hot)和稠密化处理方法，对输入数据进行处理，把输入长度不一的特征矢量通过稀疏变成稠密的处理机制进行维度固定，生成稠密向量，并传输至特征交互层。
步骤3：在特征交互层，FM算法模型通过对于每一位特征的隐变量内积来提取特征组合，生成特征组合值，即低阶特征组合。DNN模型分别通过两层全连接层使得稠密向量进行组合，即对两两特征组合的值进行加权组合，权重可以设为a1至an，做相乘处理后输出至下一个全连接层，DNN模型最终可以输出高阶特征组合。
步骤4：将低阶特征组合和高阶特征组合隐含地体现在隐藏层中，则把低阶特征组合单独建模，然后融合高阶特征组合。
步骤5：融合低阶特征组合和高阶特征组合后，可以计算出最终的预测结果，即各营销策略的概率值。具体可以通过下式表示:其中
具体地，yFM表示FM算法模型的输出结果，yDNN为DNN模型的输出结果。w为每个特征x对应的权值。xi为d个样本中第i个特征，xj为d个样本中第j个特征，特征xi与特征xj的组合用xixj表示。
可以理解的是，在进行模型预测之前，需要先对策略匹配模型进行训练，训练过程如下：
步骤1：对目标用户的当前行为数据、目标用户的历史行为数据、用户相关信息或者用户行为数据的日志信息进行预处理，得到预处理数据。再将预处理数据输入至构建完成的策略匹配模型。
步骤2:通过独热编码(one-hot)和稠密化处理方法，对输入数据进行处理，把输入长度不一的特征矢量通过稀疏变成稠密的处理机制进行维度固定，生成稠密向量，并传输至特征交互层。
步骤3：在特征交互层，FM算法模型通过对于每一位特征的隐变量内积来提取特征组合，生成特征组合值，即低阶特征组合。DNN模型分别通过两层全连接层使得稠密向量进行组合，即对两两特征组合的值进行加权组合，权重可以设为a1至an，做相乘处理后输出至下一个全连接层，DNN模型最终可以输出高阶特征组合。
步骤4：将低阶特征组合和高阶特征组合隐含地体现在隐藏层中，则把低阶特征组合单独建模，然后融合高阶特征组合。
步骤5：融合低阶特征组合和高阶特征组合后，进行深度学习。应用mse作为损失函数，通过深度学习优化器对DNN的模型进行训练，使损失函数逐渐降低，稳定不变或者降到最低点时模型训练结束，保存训练完成的策略匹配模型。
本申请实施例提供的营销策略推荐方法，可以根据策略匹配模型对目标用户的当前行为数据和目标用户的历史行为数据，进行高阶特征组合和低阶特征组合的提取，从而可以快速准确的获取营销策略的预测结果。
在一个实施例中，将营销内容推荐至目标用户之后，还包括：
采集营销内容对应的营销结果数据；
在营销结果数据不满足目标条件的情况下，降低目标营销场景对应的最优营销策略的概率值；
基于调整后的概率值，更新策略匹配模型；
其中，营销结果数据包括以下至少一项：用户点击数据、用户购买数据、用户浏览数据、用户查询数据。
可选地，对推荐给目标用户的营销内容以及跳转页面进行插码处理，对营销结果数据进行采集，即可以对用户点击数据、用户购买数据、用户浏览数据、用户查询数据、活动参与情况、商品浏览数据、商品购买数据等转化型运营数据进行监控和采集，验证统计精准营销推送效果，并对数据进行归一化处理，生成结构化数据集，以对现有算法模型进行持续的优化调整。在营销结果数据不满足目标条件的情况下，降低目标营销场景对应的最优营销策略的概率值；基于调整后的概率值，更新策略匹配模型。
其中，目标条件可以基于营销转化率来设置相应的阈值，则可以根据营销结果数据计算营销转化率，进而明确营销效果，便于更新和优化营销策略模型。例如：在营销结果数据对应的营销转化率不超过50％的情况下，降低该营销策略在当前营销场景下的概率值。
本申请实施例提供的营销策略推荐方法，相比传统的报表形式运营数据分析，节约了相关人员的资源消耗，排除了外界因素、特殊事件、周期现象等分析人员难以通过数据解读带来的干扰和影响，对策略匹配模型的优化更加精确。运营人员无需手动调整营销策略，当营销效果差时进行的算法调整，降低同类用户命中同一营销场景时选中该营销策略的概率值，无需人工干预，可以实现自动化的提升营销效果。
图4为应用本申请实施例提供的营销策略推荐方法的营销策略推荐系统的结构示意图。参照图4，本申请实施例提供一种营销策略推荐系统，可以包括：营销层和渠道层两个部分，营销层包含策略匹配单元、行为管理单元、场景管理单元和场景处理单元共四个模块，支撑用户行为的实时检测，以及事件触发时营销内容的计算与推送。渠道层汇集应用及终端推送所需的通道，支持营销内容通过APP、短信、微信等渠道的多模态推送。
其中，行为管理单元包括：行为接入管控模块、行为数据处理模块、行为数据存储模块。
行为接入管控模块，用于定义被监测用户行为内容，包括用户行为类别及具体触发条件，包括事件名称、类别、细则等信息，新建营销场景时的第一步需要定义用户行为，纳入行为接入管控模块的用户行为可以被调用，并作为配置项；
行为数据处理模块，用于对营销页面进行做埋点处理，对用户是否前往营销页面，以及进入营销页面后的点击、浏览、购买等行为进行记录；
行为数据存储模块，用于存储数据。数据分为精准推送前数据与推送后数据，推送前数据包括用户浏览行为、点击行为、链接跳转等，作为历史行为数据，提供精准营销推送及统计使用，推送后数据根据营销页面埋点后的采集情况，根据预置周期上传至数据仓库，并经过转化、过滤、替重和分类处理生成可用的结构化数据，可以用于精准分析推送效果。
场景管理单元包括：营销行为配置模块、营销策略配置模块和营销场景发布模块。
营销行为配置模块，用于包括营销场景、触发类型、起止时间、用户行为共四项内容的配置，为全量用户定义了完整营销场景触发所需条件；
营销策略配置模块，用于包括触达策略和触达内容的配置，为不同用户定制了个性化推送内容，用户完成事件触发时会根据用户信息、行为、场景等维度进行计算，得出面向当前用户每条营销内容的权重，选取最优内容推送至用户；
营销场景发布模块，用于发布营销场景并以工单的形式提交运营管理人员审核，审核成功的工单到达开始时间即生效。
场景处理单元包括：场景触发模块、场景处理模块和内容输出模块。
场景触发模块，用于营销场景生效后，业务侧将监测全量用户行为，当用户行为与营销场景中定义的事件触发行为一致时，立即触发营销场景；
场景处理模块，用于营销场景触发后，根据模型算法进行计算，为不同用户匹配对应的营销策略；
内容输出模块，用于根据营销策略配置定义的触达策略，选择立刻推送或事件触发后延迟发送的方式，以APP消息、短信、微信等形式作为载体，将匹配的内容推送至用户。
策略匹配单元，用于以用户偏好、营销策略和目标用户三个维度出发，基于NeuralCF模型对用户与营销内容匹配关系进行计算，不断过滤掉用户不感兴趣的营销内容，从用户偏好的角度实现目标用户与营销策略的匹配。
营销推送单元，用于集成IOS、Android侧不同终端的消息推送通道，根据营销场景配置的策略通过不同渠道推送用户营销内容。
下面对本申请实施例提供的营销策略推荐装置进行描述，下文描述的营销策略推荐装置与上文描述的营销策略推荐方法可相互对应参照。
本申请实施例提供的营销策略推荐方法，通过设计策略匹配单元、行为管理单元、场景管理单元和场景处理单元共四个模块，灵活配置事件触发场景，并为不同场景匹配当前用户的最佳推荐内容，可以提供一种全新软件架构设计，以实现精准化营销。
图5为本申请实施例提供的营销策略推荐装置的结构示意图。参照图5，本申请实施例提供一种营销策略推荐装置，可以包括：第一确定模块510、第二确定模块520和策略推荐模块530。
第一确定模块510，用于在目标用户的当前行为数据满足事件触发条件的情况下，确定所述事件触发条件对应的目标营销场景；
第二确定模块520，用于基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和策略匹配模型，确定所述目标营销场景对应的最优营销策略；
策略推荐模块530，将所述最优营销策略对应的营销内容推荐至所述目标用户。
本申请实施例提供的营销策略推荐装置，通过用户的当前行为数据实时触发目标营销场景，从而实现为目标用户灵活配置营销场景，并可以确保实时触发营销场景与营销策略的匹配过程；同时采用策略匹配模型确定最优营销策略，根据最优营销策略对应的营销内容进行推荐，可以提高营销策略的精确性，并且为用户提供了良好的交互体验，进而可以有效提升营销效果。
在一个实施例中，第二确定模块520，具体用于：
基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和所述策略匹配模型，确定所述目标营销场景对应的各营销策略的概率值；
将最大概率值对应的营销策略确定为所述最优营销策略。
在一个实施例中，第二确定模块520，具体用于：
将所述目标用户的当前行为数据和所述目标用户的历史行为数据输入至所述策略匹配模型，提取到低阶特征组合和高阶特征组合；
基于所述低阶特征组合和所述高阶特征组合，确定所述各营销策略的概率值。
在一个实施例中，第二确定模块520，具体用于：
对所述目标用户的当前行为数据和所述目标用户的历史行为数据进行预处理，得到预处理数据；
将所述预处理数据对应的稀疏特征向量转化为稠密特征向量；
将所述稠密特征向量分别输入至因子分解机FM算法模型和目标神经网络模型，得到所述稠密特征向量对应的低阶特征组合和高阶特征组合；
其中，所述策略匹配模型包括所述因子分解机FM算法模型和所述目标神经网络模型。
在一个实施例中，营销策略推荐装置，还包括：
创建模块(图中未示出)，用于根据所有用户的用户行为数据，创建营销场景和所述营销场景对应的事件触发条件；
其中，所述所有用户的用户行为数据包括所述所有用户的当前行为数据和所述所有用户的历史行为数据。
在一个实施例中，策略推荐模块530，具体用于：
基于所述最优营销策略、所述目标用户的当前行为数据、所述目标用户的历史行为数据和所述目标营销场景，确定所述营销内容和触达策略；
基于所述触达策略，将所述营销内容推荐至所述目标用户。
在一个实施例中，营销策略推荐装置，还包括：
采集模块(图中未示出)，用于采集所述营销内容对应的营销结果数据；
调整模块(图中未示出)，用于在所述营销结果数据不满足目标条件的情况下，降低所述目标营销场景对应的所述最优营销策略的概率值；
更新模块(图中未示出)，用于基于调整后的概率值，更新所述策略匹配模型；
其中，所述营销结果数据包括以下至少一项：用户点击数据、用户购买数据、用户浏览数据、用户查询数据。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communication Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的计算机程序，以执行营销策略推荐方法的步骤，例如包括：
在目标用户的当前行为数据满足事件触发条件的情况下，确定所述事件触发条件对应的目标营销场景；
基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和策略匹配模型，确定所述目标营销场景对应的最优营销策略；
将所述最优营销策略对应的营销内容推荐至所述目标用户。
此外，上述的存储器630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，本申请实施例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，所述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实施例所提供的营销策略推荐方法的步骤，例如包括：
在目标用户的当前行为数据满足事件触发条件的情况下，确定所述事件触发条件对应的目标营销场景；
基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和策略匹配模型，确定所述目标营销场景对应的最优营销策略；
将所述最优营销策略对应的营销内容推荐至所述目标用户。
另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使处理器执行上述各实施例提供的方法的步骤，例如包括：
在目标用户的当前行为数据满足事件触发条件的情况下，确定所述事件触发条件对应的目标营销场景；
基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和策略匹配模型，确定所述目标营销场景对应的最优营销策略；
将所述最优营销策略对应的营销内容推荐至所述目标用户。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
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申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种营销策略推荐方法，其特征在于，包括：
在目标用户的当前行为数据满足事件触发条件的情况下，确定所述事件触发条件对应的目标营销场景；
基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和策略匹配模型，确定所述目标营销场景对应的最优营销策略；
将所述最优营销策略对应的营销内容推荐至所述目标用户。
2.根据权利要求1所述的营销策略推荐方法，其特征在于，所述基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和策略匹配模型，确定所述目标营销场景对应的最优营销策略，包括：
基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和所述策略匹配模型，确定所述目标营销场景对应的各营销策略的概率值；
将最大概率值对应的营销策略确定为所述最优营销策略。
3.根据权利要求2所述的营销策略推荐方法，其特征在于，所述基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和所述策略匹配模型，确定所述目标营销场景对应的各营销策略的概率值，包括：
将所述目标用户的当前行为数据和所述目标用户的历史行为数据输入至所述策略匹配模型，提取到低阶特征组合和高阶特征组合；
基于所述低阶特征组合和所述高阶特征组合，确定所述各营销策略的概率值。
4.根据权利要求3所述的营销策略推荐方法，其特征在于，所述将所述目标用户的当前行为数据和所述目标用户的历史行为数据输入至所述策略匹配模型，提取到低阶特征组合和高阶特征组合，包括：
对所述目标用户的当前行为数据和所述目标用户的历史行为数据进行预处理，得到预处理数据；
将所述预处理数据对应的稀疏特征向量转化为稠密特征向量；
将所述稠密特征向量分别输入至因子分解机FM算法模型和目标神经网络模型，得到所述稠密特征向量对应的低阶特征组合和高阶特征组合；
其中，所述策略匹配模型包括所述因子分解机FM算法模型和所述目标神经网络模型。
5.根据权利要求1-4任一项所述的营销策略推荐方法，其特征在于，所述在目标用户的当前行为数据满足事件触发条件的情况下，确定所述事件触发条件对应的目标营销场景之前，还包括：
根据所有用户的用户行为数据，创建营销场景和所述营销场景对应的事件触发条件；
其中，所述所有用户的用户行为数据包括所述所有用户的当前行为数据和所述所有用户的历史行为数据。
6.根据权利要求1-4任一项所述的营销策略推荐方法，其特征在于，所述将所述最优营销策略对应的营销内容推荐至所述目标用户，包括：
基于所述最优营销策略、所述目标用户的当前行为数据、所述目标用户的历史行为数据和所述目标营销场景，确定所述营销内容和触达策略；
基于所述触达策略，将所述营销内容推荐至所述目标用户。
7.根据权利要求6所述的营销策略推荐方法，其特征在于，所述将所述营销内容推荐至所述目标用户之后，还包括：
采集所述营销内容对应的营销结果数据；
在所述营销结果数据不满足目标条件的情况下，降低所述目标营销场景对应的所述最优营销策略的概率值；
基于调整后的概率值，更新所述策略匹配模型；
其中，所述营销结果数据包括以下至少一项：用户点击数据、用户购买数据、用户浏览数据、用户查询数据。
8.一种营销策略推荐装置，其特征在于，包括：
第一确定模块，用于在目标用户的当前行为数据满足事件触发条件的情况下，确定所述事件触发条件对应的目标营销场景；
第二确定模块，用于基于所述目标用户的当前行为数据、所述目标用户的历史行为数据和策略匹配模型，确定所述目标营销场景对应的最优营销策略；
策略推荐模块，用于将所述最优营销策略对应的营销内容推荐至所述目标用户。
9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的营销策略推荐方法。
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权利要求1至7任一项所述的营销策略推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210125396.7A CN116629937A (zh) | 2022-02-10 | 2022-02-10 | 营销策略推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210125396.7A CN116629937A (zh) | 2022-02-10 | 2022-02-10 | 营销策略推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116629937A true CN116629937A (zh) | 2023-08-22 |
Family
ID=87590369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210125396.7A Pending CN116629937A (zh) | 2022-02-10 | 2022-02-10 | 营销策略推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629937A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116883058A (zh) * | 2023-09-04 | 2023-10-13 | 彩讯科技股份有限公司 | 网络营销活动发布方法和装置 |
| CN117252703A (zh) * | 2023-11-20 | 2023-12-19 | 杭州联海网络科技有限公司 | 一种面向金融客户的营销规则生成方法和系统 |
| CN117350770A (zh) * | 2023-12-05 | 2024-01-05 | 西安柚子信息科技有限公司 | 一种基于用户画像的精准营销方法及系统 |
-
2022
- 2022-02-10 CN CN202210125396.7A patent/CN116629937A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116883058A (zh) * | 2023-09-04 | 2023-10-13 | 彩讯科技股份有限公司 | 网络营销活动发布方法和装置 |
| CN117252703A (zh) * | 2023-11-20 | 2023-12-19 | 杭州联海网络科技有限公司 | 一种面向金融客户的营销规则生成方法和系统 |
| CN117252703B (zh) * | 2023-11-20 | 2024-02-09 | 杭州联海网络科技有限公司 | 一种面向金融客户的营销规则生成方法和系统 |
| CN117350770A (zh) * | 2023-12-05 | 2024-01-05 | 西安柚子信息科技有限公司 | 一种基于用户画像的精准营销方法及系统 |
| CN117350770B (zh) * | 2023-12-05 | 2024-03-08 | 西安柚子信息科技有限公司 | 一种基于用户画像的精准营销方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
| CN116629937A (zh) | 营销策略推荐方法及装置 | |
| EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
| CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| CN109284864B (zh) | 行为序列获取方法及装置、用户转化率预测方法及装置 | |
| WO2022252363A1 (zh) | 数据处理方法、计算机设备以及可读存储介质 | |
| CN110069545B (zh) | 一种行为数据评估方法及装置 | |
| KR102451099B1 (ko) | 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법 | |
| CN116541610B (zh) | 一种推荐模型的训练方法及装置 | |
| WO2023000491A1 (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
| CN111626767B (zh) | 资源数据的发放方法、装置及设备 | |
| CN114417174B (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
| US10956976B2 (en) | Recommending shared products | |
| CN115631012A (zh) | 目标推荐方法及装置 | |
| CN115935185A (zh) | 一种推荐模型的训练方法及装置 | |
| CN112686690B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
| CN108074122A (zh) | 产品试用推荐方法、装置及服务器 | |
| CN113159213A (zh) | 一种业务分配方法、装置及设备 | |
| US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
| CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
| CN111784384A (zh) | 支付业务数据处理方法、装置、设备及系统 | |
| CN113327154B (zh) | 基于大数据的电商用户讯息推送方法及系统 | |
| CN115456656A (zh) | 消费者购买意向预测方法、装置、电子设备及存储介质 | |
| CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
| CN117217852B (zh) | 一种基于行为识别购买意愿度预测方法及装置 |
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 |