CN117196697A - 估算用户有效转化率的方法和装置 - Google Patents
估算用户有效转化率的方法和装置 Download PDFInfo
- Publication number
- CN117196697A CN117196697A CN202311056801.5A CN202311056801A CN117196697A CN 117196697 A CN117196697 A CN 117196697A CN 202311056801 A CN202311056801 A CN 202311056801A CN 117196697 A CN117196697 A CN 117196697A
- Authority
- CN
- China
- Prior art keywords
- rate model
- user
- conversion rate
- refund
- model
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000003111 delayed effect Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral 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
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种估算用户有效转化率的方法和装置、电子设备以及非瞬时性计算机可读存储介质，所述方法包括响应于估算指令，将采集的第一数据转化为对应的第一特征向量；利用所述第一特征向量、预训练的转化率模型和点击退款率模型预测用户有效转化率；其中，所述点击退款率模型为利用用户点击商品后并发生退款的第一数据训练得到。根据本申请的实施例，通过利用全空间建模的方式得到的转化率模型和点击退款率模型对用户有效转化率进行预测，从而解决了传统的转化退款率模型存在的数据稀疏性问题和样本选择偏差问题，提高了用户有效转化率的预测的准确性。
Description
技术领域
本申请涉及自动测试领域，具体而言，涉及一种估算用户有效转化率的方法和装置、电子设备以及非瞬时性计算机可读存储介质。
背景技术
转化率(Conversion Rate，简称CVR)预估是对用户购买目标商品的概率进行预测，准确对其进行预估可以帮助提升用户和商家的使用体验，是推荐系统中一个非常重要的任务。在实际的应用场景中，由于被购买的产品可能无法满足用户的兴趣或需求，退款这一行为在在线购物平台中经常发生，损害了用户和商家的使用体验。
为构建更加健康的电子商务平台和提供更优质的购物服务，定义有效转化率(Effective Conversion Rate，简称ECVR)为用户购买目标商品并且没有退款的概率。目前，ECVR预测的过程是将其分解为两个子任务：CVR预测和成交退款率(Refund Rate，简称RFR)预测。
本申请的发明人发现，由于退款行为仅在用户购买后可见，现有的RFR预测存在数据稀疏性(Data Sparsity，DS)和样本选择偏差(Sample Selection Bias，简称SSB)问题。此外，在转换和退款事件中都存在延迟反馈，并且它们是顺序依赖的，称为级联延迟反馈(Cascade Delayed Feedback，简称CDF)问题，这严重损害了模型训练的数据新鲜度。
发明内容
本申请旨在提出一种估算用户有效转化率的方法和装置、电子设备以及非瞬时性计算机可读存储介质，以解决退款率预测模型存在数据稀疏性问题和样本选择偏差问题。
根据本申请的一方面，提出一种估算用户有效转化率的方法，包括：响应于估算指令，将采集的第一数据转化为对应的第一特征向量；利用所述第一特征向量、预训练的转化率模型和预训练的点击退款率模型预测用户有效转化率；其中，所述点击退款率模型为利用用户点击商品后并发生退款的第一数据训练得到。
根据一些实施例，在利用所述特征向量、预训练的转化率模型和预训练的点击退款率模型预测用户有效转化率之前，所述方法还包括：将采集的第二数据转化为对应的第二特征向量；利用所述第二特征向量对所述转化率模型和预设的成交退款率模型分别进行训练；利用训练后的所述转化率模型和训练后的所述成交退款率模型构建所述点击退款率模型。
根据一些实施例，在利用所述特征向量、预训练的转化率模型和预训练的点击退款率模型预测用户有效转化率之前，所述方法还包括：利用所述第二特征向量和训练后的所述转化率模型通过二分类交叉熵函数对所述点击退款率模型进行训练。
根据一些实施例，利用所述第二特征向量和训练后的所述转化率模型通过二分类交叉熵函数对所述点击退款率模型进行训练包括：利用所述第二特征向量、训练后的所述转化率模型和用户是否购买数据，通过二分类交叉熵函数对所述点击退款率模型进行训练。
根据一些实施例，所述点击退款率模型通过下式表示：所述点击成交退款率模型＝所述转化率模型*所述成交退款率模型。
根据一些实施例，所述采集的第二数据包括预设时间窗口的用户购买数据。
根据一些实施例，在利用所述第一特征向量、预训练的转化率模型和预训练的点击退款率模型预测用户有效转化率之前，所述方法还包括：根据所述预设时间窗口，利用发生转化和/或退款行为的用户数据，对所述转化率模型和所述点击退款率模型进行训练。
根据本申请的一方面，提出一种估算用户有效转化率的装置，包括：特征向量生成单元，用于响应于估算指令，将采集的第一数据转化为对应的第一特征向量；用户有效转化率预测单元，用于利用所述特征向量、预训练的转化率模型和预训练的点击退款率模型预测用户有效转化率；
其中，所述点击退款率模型为利用用户点击商品后并发生退款的第一数据训练得到。
根据本申请的一方面，提出一种电子设备，包括：处理器；以及存储器，存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行如前任一实施例所述的方法。
根据本申请的一方面，提出一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当所述指令被处理器执行时，使得所述处理器执行如前任一实施例所述的方法。
根据本申请的实施例，通过利用全空间建模的方式得到的转化率模型和点击退款率模型对用户有效转化率进行预测，从而解决了传统的转化退款率模型存在的数据稀疏性问题和样本选择偏差问题，提高了用户有效转化率的预测的准确性。
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的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。通过参照附图详细描述其示例实施例，本申请的上述和其他目标、特征及优点将变得更加显而易见。
图1示出了根据本申请示例实施例的一种估算用户有效转化率的方法流程图。
图2示出根据本申请示例实施例的一种模型训练的方法流程图。
图3示出了根据本申请示例实施例的一种CVR预估模型和RFR预估模型训练过程示意图。
图4示出了根据本申请示例实施例的一种估算用户有效转化率的装置框图。
图5示出根据本申请示例性实施例的一种电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本申请将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图显示表示相同或类似的部分，因而将省略对它们的重复描述。
本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
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例中。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例的充分理解。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没有这些特定细节中的一个或更多，或者可以采用其它的方式、组元、材料、装置或操作等。在这些情况下，将不详细示出或描述公知结构、方法、装置、实现、材料或者操作。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在推荐系统的实际场景中，由于被购买的产品可能无法满足用户的兴趣或需求。因此，退款行为经常发生。为构建更加健康的电子商务平台和提供更为优质的购物服务，定义ECVR为用户购买目标商品并且没有退款的概率，然后根据ECVR预测值为用户推荐商品。
由于当前ECVR预测的过程是将其分解为两个子任务：CVR预测和RFR预测。然而，因为退款行为仅发生在购买行为后，RFR预测基于成交样本进行训练，从而导致RFR预测存在DS和SSB问题。另外，购买和退款事件中都存在延迟反馈，并且它们是顺序依赖的，称为CDF问题，这严重损害了模型训练的数据新鲜度。
为了解决上述问题，根据本申请的实施例，利用全空间建模构建CVR预测和点击退款率预测(Conversion&Refund Rate，简称CVRFR)，并基于CVR预测值和CVRFR预测值对RFR模型进行损失计算和模型优化，从而基于用户点击商品后并发生退款的数据训练RFR模型，从而解决了RRF预测中的存在的DS和SSB问题。
根据另一些实施例，在训练样本中添加训练样本的转化时间和退款时间信息，从而解决了RFR模型中存在级联延迟反馈问题，从而提升了ECVR预测的准确度。
在描述本申请的实施例之前，首先对本申请中出现的术语进行解释。
CVR(Conversion Rate，简称为转化率)：指用户购买目标商品的概率。
RFR(Refund Rate，简称为转化退款率)：指用户在购买目标商品后发生退款的概率。
ECVR(Effective Conversion Rate，简称为有效转化率)：指用户购买目标商品并且没有发生退款的概率
CVRFR(Conversion&Refund Rate，简称为点击退款率)：指用户点击目标商品并且发生退款的概率。
DS(Data Sparsity，简称为数据稀疏性)：与使用点击样本训练的CVR预测模型相比，RFR预测模型只能用转化样本进行训练，因此引起数据稀疏性问题
SSB(sample selection bias，样本选择偏差)：RFR预测模型通常在转化样本上进行训练，但需要在点击样本上进行预测，因此引起样本选择偏差问题
CDF(Cascade Delayed Feedback，级联延迟反馈)：由于CVR预测和RFR预测中都存在延迟反馈问题，并且它们是顺序依赖的，因此引起级联延迟反馈问题。
ECAD(Entire Space Cascade Delayed Feedback Modeling，简称为全空间级联延迟反馈建模方法)：也称为全空间建模，是一种多任务建模方式，根据本申请的实施例，模型不只是在已经成交的样本上进行训练，而是在所有用户点击过的样本上进行训练。
下面结合附图，对根据本申请的具体实施例进行详细说明。
图1示出了根据本申请示例实施例的一种估算用户有效转化率的方法流程图，下面以图1为例，对根据本申请示例实施例的一种估算用户有效转化率的方法进行详细说明。
如图1所示，在步骤S101，响应于估算指令，将采集的第一数据转化为对应的第一特征向量。
根据一些实施例，第一数据为用户数据，包括用户点击数据、用户购买数据、用户属性数据、商品属性数据和/或用户购买数据。
根据本申请的实施例，在步骤S101，首先，对用户在推荐系统中与商家、商品交互产生的第一数据进行收集和整理，以挖掘对模型训练有价值的数据特征，从而构建模型训练数据集。其中，数据特征包括商品属性(例如，商品名称、商品用途)和用户属性(例如，用户性别)。然后，通过嵌入网络映射将模型训练数据集映射为对应的第一特征向量，作为模型训练的输入数据。
在一些实施例中，嵌入网络为embedding矩阵。在步骤S101，将数据样本的每个特征分别映射为对应的特征向量，然后，将得到的特征向量合并作为模型训练的输入数据，然后执行步骤S103，对用户有效转化率进行预测。
在步骤S103，利用所述第一特征向量、预训练的转化率模型和预训练的点击退款率模型预测用户有效转化率。
根据本申请的实施例，点击退款率(或CVRFR)模型为利用用户点击商品后并发生退款的第一数据训练得到，也即基于全空间建模的方式对点击退款率模型。
根据图1所示的实施例，选择利用全空间建模的方式得到的转化率模型和点击退款率模型对用户有效转化率进行预测，代替了目前的转化退款率(或RFR)模型仅采用转换样本空间训练的方式，也即仅在已经成交的样本对RFR模型进行训练的方式，从而解决了RFR模型存在的数据稀疏性问题和样本选择偏差问题，提高了用户有效转化率的预测的准确性。
根据本申请的实施例，在图1所示的步骤S103之前，还需要对所述转化率模型和所述点击退款率模型进行训练。
图2示出根据本申请示例实施例的一种模型训练的方法流程图，如图2所示，在步骤S201，将采集的第二数据转化为对应的第二特征向量。根据一些实施例，第二数据为用户数据，包括用户点击数据、用户购买数据、用户属性数据、商品属性数据和/或用户购买数据。
具体地，在步骤S201，首先，对用户在推荐系统中与商家、商品交互产生的第二数据进行收集和整理，以挖掘对模型训练有价值的数据特征，从而构建模型训练数据集。其中，数据特征包括商品属性(例如，商品名称、商品用途)和用户属性(例如，用户性别)。然后，通过嵌入网络映射将模型训练数据集映射为对应的特征向量，作为模型训练的输入数据。
根据一些实施例，嵌入网络为embedding矩阵。在步骤S201，将数据样本的每个特征分别映射为对应的特征向量，然后，将得到的特征向量合并作为模型训练的输入数据，然后执行步骤S203，对模型进行训练。
在此需要说明的是，第一数据和第二数据都为采集的用户数据，两者采集方式并没有本质的不同。两者的区别仅在于，第一数据预测用户有效转化率，而第二数据用户训练转换率模型和点击转化率模型。
在步骤S203，利用所述第二特征向量对所述转化率模型和预设的成交退款率模型分别进行训练。
具体地，令样本x＝{t1,t2,…,tn}中每个特征对应的特征向量为{v1,v2,…,vn}，然后利用拼接(concat)的方式将n个特征向量拼接为一个特征向量对于CVR预估模型/>将得到的特征向量v作为其输入，得到输出预估值记为pcvr，即/>其中，pcvr表示CVR的预测值，θ1表示CVR预估模型的参数。对于RFR预估模型/>将得到的特征向量v作为其输入，得到输出预估值记为prfr，即/>其中prfr表示RFR的预测值，θ2表示RFR预估模型的参数。
在此需要说明的是，本申请并不对CVR模型和RFR模型进行限制，只要是利用本申请的第二数据可训练得到的CVR模型和RFR模型以及利用本申请提供的方法预测用户有效转化率都属于本申请的保护范围。
在步骤S205，利用训练后的所述转化率模型和训练后的所述成交退款率模型构建点击退款率模型。
由于目前RFR预估模型的训练只在转化样本空间上对RFR预估模型进行训练，使得得到的RFR预估模型具有数据稀疏性和样本选择偏差问题。为了解决这些问题，根据本申请的实施例，利用训练后的转化率模型和退款率模型构建点击退款率(或CVRFR)模型。
根据一些实施例，CVRFR模型如公式(1)所示。
所述点击退款率模型＝所述转化率模型*所述成交退款率模型(1)
具体地，CVRFR的预测值如公式(2)所示。
pcvrfr＝pcvr*prfr (2)
其中，pcvrfr表示CVRFR的预测值。
根据本申请的实施例，在点击退款率模型后，图2所示的方法还包括利用所述第二特征向量和训练后的所述转化率模型通过二分类交叉熵函数对所述点击退款率模型进行训练。。
更进一步的，利用所述第二特征向量、训练后的所述转化率模型和用户是否购买数据，通过二分类交叉熵函数对所述点击退款率模型进行训练。
在一些具体的实施例中，用户的是否购买数据用0或1表示。
例如，若用户购买了商品且没有发生退款，则用户的是否购买数据用1表示；若用户购买了商品且发生退款，则用户的是否购买数据用0表示。
根据图2所示的实施例，基于用户点击商品后并发生退款的数据，对CVR模型和点击退款率(Conversion&Refund Rate，简称CVRFR)模型进行训练，以及基于CVR预测值和CVRFR预测值对CVRFR模型进行损失计算和模型优化，从而解决了RRF预测中的存在的DS和SSB问题。
由于购买和退款行为通常发生在点击事件和购买事件后的几天中，从而导致许多近期产出的样本没有用户是否商品的数据信息，因此降低了模型训练的数据新鲜度，因此，目前的CVRFR模型还存在延迟反馈问题，使得模型无法根据近期的数据来适应推荐系统中快速变化的数据分布，造成模型预估准确性的下降。且由于购买和退款是存在顺序依赖的，也即级联延迟反馈问题，进一步伤害了数据新鲜度和降低了模型的预测效果。
为了CVRFR模型存在的延迟反馈问题，根据本申请的实施例，采集的数据包括预设时间窗口的用户购买数据，并利用近期的数据样本训练CVR预估模型和CVRFR预估模型。
具体地，根据所述预设时间窗口，利用发生转化和/或退款行为的用户数据，对所述CVR模型和所述CVRFR模型进行训练，以提高模型的预估准确性。
例如，分别为CVR预估模型和RFR预估模型定义了N和M个辅助任务来预测样本是否在点击后的N个时间窗口中发生转化和样本是否在转化后的M个时间窗口中发生退款。通过这种方式，近期产生的数据样本也能够通过建立辅助任务来的方式对CVR模型和CVRFR模型再次进行训练，进而提升了训练数据的新鲜度，进而提升了模型的预估准确性。
图3示出了根据本申请示例实施例的一种CVR预估模型和CVRFR预估模型训练过程示意图，其中，X表示训练样本，y代表是否转化，z代表是否成交，w<W1代表是否在W1的时间窗口内完成转化，y1表示在W1的时间窗口内是否转化，z1表示在W1的时间窗口内是否成交，v<V代表转化后是否在V的时间窗口内发生退款，loss是机器学习中的损失函数，tower1～tower6为推荐系统中的全空间样本塔数据。
如图3所示，CVR模型和CVRFR模型采用同一个样本空间，也即全样本空间进行模型训练，从而解决了传统的RFR模型存在的数据稀疏性以及样本选择率偏差问题。另外，通过将预设的时间窗口内的数据对训练后的CVR模型和CVRFR模型再次进行训练，从而克服了传统的用户有效转化率预测存在的级联延迟反馈问题。
上面主要从方法的角度对本申请实施例进行了介绍。本领域技术人员应该很容易意识到，结合本文中所公开的实施例所描述的各示例的操作或步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。本领域技术人员可以对每个特定的操作或方法使用不同方式来实现所描述的功能，这种实现不应认为超出本申请的范围。
下面描述本申请的装置实施例。对于本申请装置实施例中未说明的细节，可参照本申请方法实施例。
图4示出了根据本申请示例实施例的一种估算用户有效转化率的装置框图，如图4所述的装置特征向量生成单元401和用户有效转化率预测单元403。其中，特征向量生成单元401用于响应于估算指令，将采集的第一数据转化为对应的第一特征向量；用户有效转化率预测单元403用于利用所述第一特征向量、预训练的转化率模型和预训练的退款率模型预测用户有效转化率；其中，所述退款率模型为利用用户点击商品后并发生退款的数据训练得到。
图5示出根据本申请示例性实施例的一种电子设备。下面参照图5来描述根据本申请的这种实施方式的电子设备200。图5显示的电子设备200仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中，存储单元存储有程序代码，程序代码可以被处理单元210执行，使得处理单元210执行本说明书描述的根据本申请各种示例性实施方式的方法。例如，处理单元210可以执行如图1中所示的方法。
存储单元220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)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205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230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200也可以与一个或多个外部设备300(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200交互的设备通信，和/或与使得该电子设备200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250进行。并且，电子设备200还可以通过网络适配器260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。网络适配器260可以通过总线230与电子设备200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200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。根据本申请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、或者网络设备等)执行根据本申请实施方式的上述方法。
软件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。
计算机可读存储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。可读存储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。可读存储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申请操作的程序代码，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)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现前述功能。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
根据本申请的实施例，提出一种计算机程序，包括计算机程序或指令，该计算机程序或指令被处理器执行时，可以执行以上描述的方法。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时，本领域技术人员依据本申请的思想，基于本申请的具体实施方式及应用范围上做出的改变或变形之处，都属于本申请保护的范围。综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种估算用户有效转化率的方法，其特征在于，包括：
响应于估算指令，将采集的第一数据转化为对应的第一特征向量；
利用所述第一特征向量、预训练的转化率模型和预训练的点击退款率模型预测用户有效转化率；
其中，所述点击退款率模型为利用用户点击商品后并发生退款的第一数据训练得到。
2.根据权利要求1所述的方法，其特征在于，在利用所述特征向量、预训练的转化率模型和预训练的点击退款率模型预测用户有效转化率之前，所述方法还包括：
将采集的第二数据转化为对应的第二特征向量；
利用所述第二特征向量对所述转化率模型和预设的成交退款率模型分别进行训练；
利用训练后的所述转化率模型和训练后的所述成交退款率模型构建所述点击退款率模型。
3.根据权利要求2所述的方法，其特征在于，在利用所述特征向量、预训练的转化率模型和预训练的点击退款率模型预测用户有效转化率之前，所述方法还包括：
利用所述第二特征向量和训练后的所述转化率模型通过二分类交叉熵函数对所述点击退款率模型进行训练。
4.根据权利要求3所述的方法，其特征在于，利用所述第二特征向量和训练后的所述转化率模型通过二分类交叉熵函数对所述点击退款率模型进行训练包括：
利用所述第二特征向量、训练后的所述转化率模型和用户是否购买数据，通过二分类交叉熵函数对所述点击退款率模型进行训练。
5.根据权利要求2所述的方法，其特征在于，所述点击退款率模型通过下式表示：
所述点击成交退款率模型＝所述转化率模型*所述成交退款率模型。
6.根据权利要求2所述的方法，其特征在于，所述采集的第二数据包括预设时间窗口的用户购买数据。
7.根据权利要求6所述的方法，其特征在于，在利用所述第一特征向量、预训练的转化率模型和预训练的点击退款率模型预测用户有效转化率之前，所述方法还包括：
根据所述预设时间窗口，利用发生转化和/或退款行为的用户数据，对所述转化率模型和所述点击退款率模型进行训练。
8.一种估算用户有效转化率的装置，其特征在于，包括：
特征向量生成单元，用于响应于估算指令，将采集的第一数据转化为对应的第一特征向量；
用户有效转化率预测单元，用于利用所述特征向量、预训练的转化率模型和预训练的点击退款率模型预测用户有效转化率；
其中，所述点击退款率模型为利用用户点击商品后并发生退款的第一数据训练得到。
9.一种电子设备，包括：
处理器；以及
存储器，存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7中任一项所述的方法。
10.一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当所述指令被处理器执行时，使得所述处理器执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311056801.5A CN117196697A (zh) | 2023-08-18 | 2023-08-18 | 估算用户有效转化率的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311056801.5A CN117196697A (zh) | 2023-08-18 | 2023-08-18 | 估算用户有效转化率的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117196697A true CN117196697A (zh) | 2023-12-08 |
Family
ID=88986107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311056801.5A Pending CN117196697A (zh) | 2023-08-18 | 2023-08-18 | 估算用户有效转化率的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196697A (zh) |
-
2023
- 2023-08-18 CN CN202311056801.5A patent/CN117196697A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348660B (zh) | 生成风险警示信息的方法、装置及电子设备 | |
| US11093818B2 (en) | Customer profile learning based on semi-supervised recurrent neural network using partially labeled sequence data | |
| CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
| US11263207B2 (en) | Performing root cause analysis for information technology incident management using cognitive computing | |
| CN113297287B (zh) | 用户策略自动部署方法、装置及电子设备 | |
| CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
| US20210201394A1 (en) | Dynamic financial health predictor | |
| CN111427915B (zh) | 信息处理方法及装置、存储介质、电子设备 | |
| CN110222333A (zh) | 一种语音交互方法、装置以及相关设备 | |
| CN110348999B (zh) | 金融风险敏感用户识别方法、装置及电子设备 | |
| CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
| CN111191677B (zh) | 用户特征数据生成方法、装置及电子设备 | |
| CN109872230A (zh) | 金融数据分析系统的测试方法、装置、介质、电子设备 | |
| CN109544392B (zh) | 用于保险订单处理的方法、系统、设备以及介质 | |
| CN114970540A (zh) | 训练文本审核模型的方法和装置 | |
| CN114637850A (zh) | 异常行为识别及模型训练方法、装置、设备及存储介质 | |
| CN117670366A (zh) | 风险预测方法、装置、设备、介质和程序产品 | |
| CN111199454B (zh) | 实时用户转化评估方法、装置及电子设备 | |
| WO2024060587A1 (zh) | 自监督学习模型的生成方法和转化率预估模型的生成方法 | |
| CN109684207B (zh) | 操作序列封装的方法、装置、电子设备及存储介质 | |
| CN114742645B (zh) | 基于多阶段时序多任务的用户安全等级识别方法及装置 | |
| CN109426962B (zh) | 一种数据模型校准方法、装置和设备 | |
| CN113850686B (zh) | 投保概率确定方法、装置、存储介质及电子设备 | |
| CN117196697A (zh) | 估算用户有效转化率的方法和装置 | |
| CN112328899B (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |