CN117910542A - 用户转化预测模型训练方法及装置 - Google Patents
用户转化预测模型训练方法及装置 Download PDFInfo
- Publication number
- CN117910542A CN117910542A CN202410098080.2A CN202410098080A CN117910542A CN 117910542 A CN117910542 A CN 117910542A CN 202410098080 A CN202410098080 A CN 202410098080A CN 117910542 A CN117910542 A CN 117910542A
- Authority
- CN
- China
- Prior art keywords
- user
- pushing
- data
- strategy
- conversion
- 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 405
- 238000012549 training Methods 0.000 title claims abstract description 220
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000004364 calculation method Methods 0.000 claims abstract description 51
- 230000009466 transformation Effects 0.000 claims description 146
- 238000004422 calculation algorithm Methods 0.000 claims description 66
- 230000006399 behavior Effects 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 36
- 238000003860 storage Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 27
- 238000003672 processing method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 description 39
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供了用户转化预测模型训练方法及装置,其中,一种用户转化预测模型训练方法包括:通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于转化指标和推送预算数据生成通过各推送渠道进行商品数据推送的推送策略,基于推送策略和转化指标确定用户的目标转化指标,并基于目标转化指标和转化指标进行梯度计算,按照计算获得的梯度数据对预训练模型进行参数调整,以获得用户转化预测模型。
Description
技术领域
本文件涉及数据处理技术领域,尤其涉及一种用户转化预测模型训练方法及装置。
背景技术
随着互联网技术的不断发展,由于在商品推送过程中传统的线下推送方式耗时耗力,并且商品推送效果也不理想,所以越来越多的商品服务方为了互联网商品的营销,由传统的线下推送方式转向通过线上推送方式向用户进行商品推送,而互联网商品较为灵活,可利用多种形式进行推送触达,用户可以选择感兴趣的商品进行查看以及了解,在此过程中,向商品服务方提出了更高的商品推送要求。
发明内容
本说明书一个或多个实施例提供了一种用户转化预测模型训练方法,包括:将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标。基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略。根据所述推送策略和所述转化指标确定所述用户的目标转化指标,并基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略。基于所述目标推送策略和所述转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型。
本说明书一个或多个实施例提供了一种推送处理方法,包括:将各用户的用户数据输入用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标。根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送。其中,所述用户转化预测模型,在通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据计算梯度数据,并按照所述梯度数据对所述预训练模型进行参数调整后获得。
本说明书一个或多个实施例提供了一种用户转化预测模型训练装置,包括:指标预测模块,被配置为将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标。策略生成模块,被配置为基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略。指标确定模块,被配置为根据所述推送策略和所述转化指标确定所述用户的目标转化指标,并基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略。梯度计算模块,被配置为基于所述目标推送策略和所述转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型。
本说明书一个或多个实施例提供了一种推送处理装置,包括:预测模块,被配置为将各用户的用户数据输入用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标。生成模块,被配置为根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送。其中,所述用户转化预测模型,在通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据计算梯度数据,并按照所述梯度数据对所述预训练模型进行参数调整后获得。
本说明书一个或多个实施例提供了一种用户转化预测模型训练设备,包括:处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标。基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略。根据所述推送策略和所述转化指标确定所述用户的目标转化指标,并基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略。基于所述目标推送策略和所述转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型。
本说明书一个或多个实施例提供了一种推送处理设备,包括:将各用户的用户数据输入用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标。根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送。其中,所述用户转化预测模型,在通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据计算梯度数据,并按照所述梯度数据对所述预训练模型进行参数调整后获得。
本说明书一个或多个实施例提供了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标。基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略。根据所述推送策略和所述转化指标确定所述用户的目标转化指标,并基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略。基于所述目标推送策略和所述转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型。
本说明书一个或多个实施例提供了另一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:将各用户的用户数据输入用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标。根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送。其中,所述用户转化预测模型,在通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据计算梯度数据,并按照所述梯度数据对所述预训练模型进行参数调整后获得。
附图说明
为了更清楚地说明本说明书一个或多个实施例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,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图;
图1为本说明书一个或多个实施例提供的一种用户转化预测模型训练方法实施环境的示意图;
图2为本说明书一个或多个实施例提供的一种用户转化预测模型训练方法处理流程图;
图3为本说明书一个或多个实施例提供的一种应用于商品数据推送场景的用户转化预测模型训练方法处理流程图;
图4为本说明书一个或多个实施例提供的一种推送处理方法处理流程图;
图5为本说明书一个或多个实施例提供的一种用户转化预测模型训练装置实施例的示意图;
图6为本说明书一个或多个实施例提供的一种推送处理装置实施例的示意图;
图7为本说明书一个或多个实施例提供的一种用户转化预测模型训练设备的结构示意图;
图8为本说明书一个或多个实施例提供的一种推送处理设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
本说明书一个或多个实施例提供的用户转化预测模型训练方法,参照图1,可适用于对预训练模型进行模型训练获得用户转化预测模型这一实施环境,本方法的实施环境至少包括进行用户转化预测模型训练的训练系统101。
其中,训练系统101可以是一台服务器,或者由若干台服务器组成的服务器集群,或者是云计算平台中的一个或者多个云服务器,训练系统101用于对预训练模型进行模型训练获得用户转化预测模型;所述预训练模型可运行于训练系统101。
该实施环境中,训练系统101将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标,根据转化指标和推送预算数据生成通过各推送渠道进行商品数据推送的推送策略,以此,使得推送策略受推送预算的约束,避免部分用户被重复推送,造成预算浪费或者用户反感,提升推送策略的有效性和用户体验,在此基础上,结合推送策略和转化指标确定用户的目标转化指标,基于目标转化指标和转化指标对推送策略进行更新获得目标推送策略,基于目标推送策略、转化指标和目标转化指标计算梯度数据,并按照梯度数据对预训练模型进行参数调整,以获得用户转化预测模型,以此借助预训练模型输出的转化指标生成推送策略,再根据推送策略对预训练模型进行参数调整,使得转化指标预测过程与推送策略生成过程二者互相耦合,避免对预训练模型进行独立训练造成预训练模型的预测误差传导至推送策略生成过程,在二者互相耦合的情况下,减小转化指标预测的预测误差的同时,使得推送策略的质量也较高,进而利用质量较高的推送策略对预训练模型进行调参,实现良性循环,提升训练获得的用户转化预测模型的模型精度。
本说明书提供的一种用户转化预测模型训练方法的一个或多个实施例如下:
参照图2,本实施例提供的用户转化预测模型训练方法,具体包括步骤S202至步骤S208。
步骤S202,将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标。
本实施例所述用户数据样本包括用户属性数据和/或用户行为数据组成的样本;所述用户属性数据是指与用户的属性相关的数据,比如用户属性数据为成长时间、职业等;所述用户行为数据是指与用户的行为相关的数据,比如用户行为数据为用户访问数据、用户购买数据(购买次数、购买金额)、用户贷款数据等。
本实施例中的推送渠道包括进行商品数据推送的推送渠道,比如短信渠道、电话渠道、push消息渠道,此外,推送渠道还可以包括其他类型的推送渠道,比如电子邮件渠道、即时通讯应用内的交互圈渠道。
所述转化指标包括预测获得的在各推送渠道向用户进行商品数据推送后,对用户进行转化的转化指标;所述转化指标包括访问率和/或转化率;所述访问率是指在各推送渠道向用户进行商品数据推送后,用户通过各推送渠道进行商品数据访问的概率;所述转化率是指在各推送渠道向用户进行商品数据推送后,用户通过各推送渠道进行商品购买的概率;如下表1为用户在各推送渠道的转化指标:
用户u1 | 用户u2 | |
渠道a | r1/p1 | r3/p3 |
渠道b | r2/p2 | r4/p4 |
表1
此处的r代表访问率、p代表转化率,即用户u1在渠道a的访问率为r1、在渠道a的转化率为p1,其他类似。本实施例中的商品可以包括资源商品,比如贷款商品,保险商品,信用卡商品,此外,本实施例中的商品也可以是其他类型的商品。
此外,本实施例中,各推送渠道中每个推送渠道下存在一个或多个推送商品,即存在各推送渠道中每个推送渠道与各推送商品中每个推送商品的推送组合,本实施例中的转化指标可包括用户针对各推送组合的转化指标;所述各推送组合包括各推送渠道中每个推送渠道与各推送商品中每个推送商品的组合;也即转化指标包括用户针对各推送渠道进行每个商品推送的转化指标;例如推送渠道包括渠道a、渠道b,推送商品包括商品1、商品2,则转化指标包括用户针对渠道a进行商品1推送的转化指标、针对渠道a进行商品2推送的转化指标、针对渠道b进行商品1推送的转化指标以及针对渠道b进行商品2推送的转化指标,具体转化指标可以是通过某个推送渠道向用户进行某个商品推送后用户的转化指标;在渠道与商品结合的情况下,用户在各推送渠道的转化指标即可为用户在各推送渠道中每个推送渠道与各推送商品中每个推送商品的推送组合下的转化指标。
具体实施时,在获得用户转化预测模型之前,可构建待训练模型,对待训练模型进行预训练,通过预训练获得的预训练模型与推送策略生成的过程进行联合训练,提升用户转化预测模型的训练有效性;所述预训练模型是指对待训练模型进行预训练获得的预训练模型;可选的,所述预训练模型,通过如下方式获得:
将所述用户数据样本输入待训练模型进行转化指标预测,获得所述用户在所述各推送渠道的初始转化指标;
基于所述初始转化指标和所述用户数据样本对应的样本标签计算损失值,并基于所述损失值对所述待训练模型进行参数调整,以获得所述预训练模型。
需要说明的是,可参照上述模型训练过程对待训练模型进行迭代训练,直至损失值收敛,获得所述预训练模型。其中的待训练模型和预训练模型可采用机器学习模型的模型结构。此处的初始转化指标也可包括用户在各推送渠道中每个推送渠道与各推送商品中每个推送商品的推送组合下的初始转化指标。
此外,在对待训练模型进行有监督训练的过程中,也可不采用所述用户数据样本,而采样其他的训练样本,即可将训练样本输入待训练模型进行转化指标预测,获得用户在预设推送渠道的初始转化指标,基于该初始转化指标和训练样本对应的样本标签计算训练损失,并基于训练损失对待训练模型进行参数调整,以获得预训练模型。
除此之外,在步骤S202执行之前,也可将所述用户数据样本输入待训练模型进行转化指标预测,获得所述用户在所述各推送渠道的初始转化指标,基于所述初始转化指标和所述用户数据样本对应的样本标签计算训练损失,并基于所述训练损失对所述待训练模型进行参数调整,以获得所述预训练模型。
具体实施时,用户数据样本中也可包含一个或者多个用户的数据样本,在此情况下,可将用户数据样本输入预训练模型进行转化指标预测,获得多个用户中每个用户在各推送渠道的转化指标或者一个用户在各推送渠道的转化指标。
具体执行过程中,为了提升转化指标预测的全面性和精度,可从用户属性数据和用户行为数据两个维度进行转化指标预测,本实施例提供的一种可选实施方式中,采用如下方式进行转化指标预测:
对所述用户数据样本中所述用户的用户属性数据和用户行为数据进行特征提取,获得所述用户的属性特征和行为特征;
基于所述属性特征和所述行为特征,预测所述用户在所述各推送渠道的转化指标。
其中,所述用户的属性特征可以是用户的属性隐向量,所述行为特征可以是行为隐向量。
具体的,可对用户数据样本中用户的用户属性数据和用户行为数据进行特征提取,获得用户的属性特征和行为特征,对用户的属性特征和行为特征进行特征拼接获得拼接特征,并基于拼接特征预测用户在各推送渠道的转化指标。
此外,也可采用如下方式进行转化指标预测:将用户数据样本输入预训练模型中的编码器进行特征提取,获得用户的属性特征和行为特征,并将用户的属性特征和行为特征输入预训练模型中的预测模块进行指标预测,获得用户在各推送渠道的转化指标。
其中,所述预训练模型中的编码器可以是LSTM(Long Short-Term Memory,长短期记忆)编码器;所述预训练模型中的预测模块可以采用多层感知机。
除此之外,在进行转化指标预测的过程中,还可对用户数据样本中用户的用户属性数据或者用户行为数据进行特征提取,获得用户的属性特征或者行为特征,并基于属性特征或者行为特征,预测用户在各推送渠道的转化指标。
步骤S204,基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略。
上述通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,本步骤中,结合转化指标和推送预算数据生成通过各推送渠道进行商品数据推送的推送策略。
本实施例所述推送预算数据包括在各推送渠道进行商品数据推送的总推送预算和各推送渠道的用户推送预算,具体总推送预算可以是总预算金额,所述各推送渠道的用户推送预算包括每个用户在各推送渠道中每个推送渠道进行商品数据推送的用户预算金额,比如针对每个用户,在渠道a进行商品数据推送的用户预算金额,在渠道b进行商品数据推送的用户预算金额;此外,所述用户推送预算还可以是针对每个用户在各推送渠道进行每个商品推送的用户预算金额,比如针对每个用户,在渠道a进行商品1推送的用户预算金额,在渠道a进行商品2推送的用户预算金额。
需要说明的是,上述提到本实施例中的推送渠道下可存在各推送商品,所以本实施例中在推送渠道下的相关数据也可以是在推送组合下的相关数据,推送组合包括各推送渠道中每个推送渠道与各推送商品中每个推送商品的推送组合,本实施例不再进行赘述。
所述推送策略包括通过各推送渠道向所述用户进行商品数据推送的推送策略;比如用户包括用户u1、用户u2,推送策略如下表2所示:
用户u1 | 用户u2 | |
渠道a | 1 | 1 |
渠道b | 1 | 0 |
表2
其中,“1”代表推送、“0”代表不推送,即针对用户u1在渠道a进行商品数据推送,针对用户u1在渠道b也进行商品数据推送,针对用户u2的类似,本实施例不再赘述。
如上所述,用户在各推送渠道的转化指标还可以是用户在各推送渠道与各推送商品的推送组合下的转化指标,则推送策略也可以是通过各推送渠道进行每个商品推送的推送策略,即在各推送渠道与各推送商品的推送组合下的推送策略。
具体实施时,为了提升推送策略生成的生成效率,可引入策略生成算法,本实施例提供的一种可选实施方式中,通过如下方式进行推送策略生成:
将所述转化指标、总推送预算和所述各推送渠道的用户推送预算输入策略生成算法进行策略生成,获得所述推送策略。
其中,所述策略生成算法可以采用整数规划算法,具体可以是线性整数规划算法。所述推送预算数据包括所述总推送预算和所述用户推送预算。
为了进一步提升推送策略的有效性,本实施例提供的一种可选实施方式中,在将转化指标、总推送预算和各推送渠道的用户推送预算输入策略生成算法进行策略生成,获得推送策略的过程中,执行如下操作:
基于所述总推送预算和所述用户推送预算确定预算约束因子;
根据所述转化指标计算所述用户在所述预算约束因子下的推送策略,作为通过所述各推送渠道进行商品数据推送的推送策略。
其中,所述预算约束因子可以是预算约束条件,比如预算约束因子为A·vec(X)≤b,A代表总推送预算,b代表用户推送预算,X代表推送策略,vec(X)代表对推送策略X进行向量化,在此情况下,预算约束因子中可包含未知的推送策略X。
例如,策略生成算法包括:
其中,X代表推送策略;Q=λM+(1-λ)K,M代表用户在各推送渠道的访问率,K代表用户在各推送渠道的转化率,λ为访问率的权重;代表对Q进行转置;s.t.代表约束条件。
步骤S206,根据所述推送策略和所述转化指标确定所述用户的目标转化指标,并基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略。
上述根据转化指标和推送预算数据生成通过各推送渠道进行商品数据推送的推送策略,本步骤中,根据推送策略和转化指标确定用户的目标转化指标,并基于目标转化指标和转化指标对推送策略进行更新处理,获得目标推送策略。
本实施例所述目标转化指标,包括按照推送策略向所述用户进行商品数据推送的总转化指标;沿用上例,推送策略为针对用户u1在渠道a进行商品数据推送,针对用户u1在渠道b也进行商品数据推送,针对用户u2在渠道a进行商品数据推送,针对用户u2在渠道b不进行商品数据推送,所以,根据用户u1在渠道a的来访率和用户u1在渠道b的来访率确定用户u1的总来访率,用户u1的总转化率与总来访率的确定方式类似,而由于推送策略中针对用户u2不在渠道b进行商品数据推送,则用户u2在渠道b的来访率和转化率不参与用户u2的总来访率和总转化率的计算,根据用户u2在渠道a的来访率确定用户u2的总来访率,根据用户u2在渠道a的转化率确定用户u2的总转化率。
需要说明的是,所述目标转化指标包括目标访问率和/或目标转化率,目标访问率可用m表示,目标转化率可用k表示。
具体实施时,为了挖掘用户在整体层面的转化指标,有助于评估整体的用户转化情况,可根据推送策略和转化指标确定用户的目标转化指标,即可根据所述转化指标确定用户在按照所述推送策略进行商品数据推送的目标转化指标;本实施例提供的一种可选实施方式中,在根据推送策略和转化指标确定用户的目标转化指标的过程中,执行如下操作:
确定所述推送策略中对所述用户进行商品数据推送的推送渠道;
根据所述用户在所述推送渠道的转化指标,计算所述用户的目标转化指标。
具体的,在根据用户在所述推送渠道的转化指标,计算用户的目标转化指标的过程中,若所述推送渠道的渠道数目小于预设数目阈值,将所述用户在所述推送渠道的转化指标作为所述用户的目标转化指标,若所述推送渠道的渠道数目大于或者等于所述预设数目阈值,对用户在所述推送渠道的转化指标进行加权计算,获得用户的目标转化指标或者直接计算用户在推送渠道的转化指标之和作为所述用户的目标转化指标。
例如,推送策略中对用户u1进行商品数据推送的推送渠道为渠道a和渠道b,则可对用户u1在渠道a的访问率与用户u1在渠道b的访问率进行加权计算,获得用户u1的目标访问率即用户u1的总访问率,对用户u1在渠道a的转化率与用户u1在渠道b的转化率进行加权计算,获得用户u1的目标转化率即用户u1的总转化率。
由于推送策略是基于预测获得的用户在各推送渠道的转化指标生成的,目标转化指标是根据推送策略和用户在各推送渠道的转化指标确定的,而实际应用中,在模型训练过程中,可以用户的目标转化指标为目标进行学习,所以可根据用户的目标转化指标确定训练损失,并基于训练损失和推送策略进行反向传播,生成更加精确的目标推送策略,进而可使用微分优化算法计算梯度数据;本实施例提供的一种可选实施方式中,在基于目标转化指标和转化指标对推送策略进行更新处理,获得目标推送策略的过程中,执行如下操作:
基于所述目标转化指标确定训练损失,计算所述训练损失对所述推送策略的第一梯度;
基于所述第一梯度和所述转化指标生成所述目标推送策略。
其中,所述训练损失对推送策略的第一梯度可通过计算训练损失对推送策略的偏导数获得。
例如,目标转化指标中目标访问率为m、目标转化率为k;训练损失包括:λ代表目标访问率m的权重;所述训练损失对推送策略的第一梯度可包括:/>
为了进一步提升目标推送策略的有效性,而第一梯度可代表推送策略对训练损失的影响程度,所以可按照第一梯度进行反向传播,具体按照第一梯度更新策略生成算法的算法参数,获得目标策略生成算法,通过目标策略生成算法生成目标推送策略;本实施例提供的一种可选实施方式中,在上述基于第一梯度和转化指标生成目标推送策略的过程中,执行如下操作:
按照所述第一梯度更新策略生成算法的算法参数,获得目标策略生成算法;
将所述转化指标和所述推送预算数据输入所述目标策略生成算法进行推送策略生成,获得所述目标推送策略。
具体的,可按照第一梯度的方向更新策略生成算法的算法参数,获得目标策略生成算法,将用户在各推送渠道的转化指标和推送预算数据输入目标策略生成算法进行推送策略生成,获得目标推送策略。
例如,按照第一梯度的方向更新策略生成算法的算法参数,即按照第一梯度的方向将策略生成算法中的Q更新为Q′,α代表步长,Q′代表调节参数;这其中,和α在计算调节参数的过程中属于已知数;将策略生成算法中的Q更新为Q′,获得目标策略生成算法,然后将用户在各推送渠道的转化指标和推送预算数据输入目标策略生成算法进行推送策略生成,获得目标推送策略,以此使得目标推送策略更加符合商品推送方的需求。
此外,也可在上述将转化指标、总推送预算和各推送渠道的用户推送预算输入策略生成算法进行策略生成,获得所述推送策略的基础上,在基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略的过程中,基于目标转化指标确定训练损失,计算训练损失对推送策略的第一梯度,按照第一梯度更新所述策略生成算法的算法参数获得目标策略生成算法,将转化指标和推送预算数据输入目标策略生成算法进行推送策略生成,获得目标推送策略,以此,按照第一梯度对策略生成算法进行反向传播,使得策略生成算法生成的目标推送策略更加精确、符合实际需求。
步骤S208,基于所述目标推送策略、所述转化指标和所述目标转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型。
上述根据推送策略和转化指标确定用户的目标转化指标,并基于目标转化指标和转化指标对推送策略进行更新处理获得目标推送策略,本步骤中,借助目标推送策略、转化指标和目标转化指标进行梯度计算,并按照计算获得的梯度数据对预训练模型进行参数调整,以获得用户转化预测模型。
本实施例所述梯度数据包括训练损失对所述模型参数的梯度数据,比如梯度数据包括所述用户转化预测模型用于进行转化指标预测获得用户的转化指标。
具体实施时,上述获得更加精准地目标推送策略的基础上,可继续反向传播,基于目标推送策略对预训练模型的模型参数进行调整,以此在确保效果更加的推送策略的同时,提升预训练模型的转化指标预测能力;本实施例提供的一种可选实施方式中,在上述将所述转化指标和所述推送预算数据输入目标策略生成算法进行推送策略生成,获得所述目标推送策略的基础上,在基于所述目标推送策略和所述转化指标进行梯度计算的过程中,执行如下操作:
计算所述训练损失对所述目标推送策略的第二梯度;
基于所述第二梯度和所述转化指标进行梯度计算,获得所述梯度数据。
其中,目标推送策略可用X′表示。
例如,计算训练损失对目标推送策略的第二梯度基于第二梯度和转化指标计算梯度数据为/>
具体的,可计算训练损失对目标推送策略的第二梯度,基于第二梯度、转化指标和第一梯度计算所述梯度数据。
在上述进行梯度计算获得梯度数据的基础上,按照梯度数据对预训练模型进行参数调整,以获得用户转化预测模型,通过对所述推送策略进行更新处理获得精度更高的目标推送策略,然后利用精度更高的目标推送策略继续反向传播,计算梯度数据,按照该梯度数据对预训练模型进行参数调整,即通过更加精准的目标推送策略对预训练模型进行参数调整,在确保推送策略不断精准的同时,提升预训练模型的转化指标预测能力,提升联合学习的学习效果,并且对预训练模型输出的转化指标传导至后续策略生成算法,以通过策略生成算法对转化指标的误差进行调整。
需要补充的是,参照上面对预训练模型进行模型训练的过程,可对预训练模型进行迭代训练,即反复执行进行转化指标预测、进行推送策略生成、确定用户的目标转化指标和目标推送策略、以及按照进行梯度计算获得的梯度数据对待训练模型进行参数调整的过程,直至基于目标转化指标确定的训练损失收敛,获得用户转化预测模型。
在获得用户转化预测模型后,也可通过验证数据集对策略生成算法中的超参数进行调整,即可对策略生成算法中的访问率的权重进行调整;还可通过测试数据集测试用户转化预测模型和/或策略生成算法的效果。
实际应用中,在获得用户转化预测模型的基础上,可利用训练完成的用户转化预测模型进行转化指标预测,提升预测效果;本实施例提供的一种可选实施方式中,在基于目标推送策略和转化指标进行梯度计算,并按照计算获得的梯度数据对预训练模型进行参数调整,以获得用户转化预测模型执行之后,还执行如下操作:
将各用户的用户数据输入所述用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标;
基于所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送。
其中,所述各用户的用户数据包括各用户的用户属性数据和/或用户行为数据,用户属性数据和/或用户行为数据与上述用户数据样本中的类似。所述待推送渠道包括进行商品数据推送的推送渠道,比如短信渠道、电话渠道、push消息渠道,此外,还可包括其他类型的推送渠道。所述用户转化指标包括用户访问率和/或用户转化率。所述预算数据包括在各推送渠道进行商品数据推送的总推送预算和各推送渠道的用户推送预算。
具体的,在基于所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略的过程中,可将用户转化指标和预算数据输入策略生成算法进行策略生成,获得通过待推送渠道进行商品数据推送的待推送策略;在将各用户的用户数据输入所述用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标的过程中,可对所述用户数据中的用户属性数据和用户行为数据进行特征提取,获得所述各用户的属性特征和行为特征,基于所述各用户的属性特征和行为特征,预测所述各用户在所述待推送渠道的用户转化指标;在基于所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略的过程中,可将所述用户转化指标、总推送预算和所述待推送渠道的用户推送预算输入策略生成算法进行策略生成,获得通过所述待推送渠道进行商品数据推送的推送策略。
需要说明的是,上述利用训练完成的用户转化预测模型进行转化指标预测,并进行商品数据推送的过程中,涉及的将各用户的用户数据输入所述用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标,基于所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略的实现方式与将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略的实现方式基于同一技术构思,因此此处的将各用户的用户数据输入所述用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标,基于所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略的具体实施可参见上述将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略的具体实施,重复之处不再赘述。
需要补充的是,上述步骤S208可被替换为,基于所述目标推送策略、所述转化指标和目标转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型,并与本实施例提供的其他处理步骤组成新的实现方式;
在此基础上,在基于所述目标推送策略、所述转化指标和目标转化指标进行梯度计算的过程中,可根据目标转化指标计算训练损失,并计算训练损失对目标推送策略的第二梯度,基于第二梯度和转化指标进行梯度计算获得梯度数据。
综上所述,本实施例提供的一种或者多种用户转化预测模型训练方法,首先,将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标,将转化指标、总推送预算和各推送渠道的用户推送预算输入策略生成算法进行策略生成,获得通过各推送渠道进行商品数据推送的推送策略;
其次,确定推送策略中对用户进行商品数据推送的推送渠道,根据用户在推送渠道的转化指标,计算用户的目标转化指标,基于目标转化指标确定训练损失,计算训练损失对推送策略的第一梯度,按照第一梯度更新策略生成算法的算法参数获得目标策略生成算法,将转化指标和推送预算数据输入目标策略生成算法进行推送策略生成,获得目标推送策略;
最后,计算训练损失对目标推送策略的第二梯度,基于第二梯度、转化指标和第一梯度进行梯度计算获得梯度数据,并按照梯度数据对预训练模型进行参数调整,以获得用户转化预测模型,以此借助预训练模型输出的转化指标生成推送策略,再根据推送策略对预训练模型进行参数调整,使得转化指标预测过程与推送策略生成过程二者互相耦合,避免对预训练模型进行独立训练造成预训练模型的预测误差传导至推送策略生成过程,在二者互相耦合的情况下,实现减小转化指标预测的预测误差的同时,使得推送策略的质量也较高,进而利用质量较高的推送策略对预训练模型进行调参,实现良性循环,提升训练获得的用户转化预测模型的模型精度。
下述以本实施例提供的一种用户转化预测模型训练方法在商品数据推送场景的应用为例,对本实施例提供的用户转化预测模型训练方法进行进一步说明,参见图3,应用于商品数据推送场景的用户转化预测模型训练方法,具体包括如下步骤。
步骤S302,将用户数据样本输入待训练模型进行转化指标预测,获得用户在各推送渠道的初始访问率和初始转化率。
此处的各推送渠道可以是各推送组合,各推送组合可以是各推送渠道中每个推送渠道与各推送商品中每个推送商品的推送组合。
步骤S304,基于初始访问率、初始转化率和用户数据样本对应的样本标签计算损失值,并基于损失值对待训练模型进行参数调整,以获得预训练模型。
步骤S306,将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的访问率和转化率。
此处的各推送渠道也可以是各推送组合,各推送组合可以是各推送渠道中每个推送渠道与各推送商品中每个推送商品的推送组合。
步骤S308,将访问率、转化率、总推送预算和各推送渠道的用户推送预算输入策略生成算法进行策略生成,获得通过各推送渠道进行商品数据推送的推送策略。
步骤S310,确定推送策略中对用户进行商品数据推送的推送渠道,并根据用户在推送渠道的访问率和转化率,计算用户的总访问率和总转化率。
具体的,可根据用户在推送渠道的访问率计算用户的总访问率,以及根据用户在推送渠道的转化率计算用户的总转化率。
步骤S312,基于用户的总访问率和总转化率确定训练损失,计算训练损失对推送策略的第一梯度。
步骤S314,按照第一梯度更新策略生成算法的算法参数获得目标策略生成算法,并将访问率、转化率、总推送预算和各推送渠道的用户推送预算输入目标策略生成算法进行推送策略生成,获得目标推送策略。
步骤S316,计算训练损失对目标推送策略的第二梯度,并基于第二梯度、访问率、转化率和第一梯度进行梯度计算。
步骤S318,按照计算获得的梯度数据对预训练模型进行参数调整,以获得用户转化预测模型。
本说明书提供的一种推送处理方法的一个或多个实施例如下:
参照图4,本实施例提供的推送处理方法,具体包括步骤S402至步骤S404。
步骤S402,将各用户的用户数据输入用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标。
本实施例所述各用户的用户数据包括各用户的用户属性数据和/或用户行为数据,所述用户属性数据是指与用户的属性相关的数据,比如用户属性数据为成长时间、职业等;所述用户行为数据是指与用户的行为相关的数据,比如用户行为数据为用户访问数据、用户购买数据(购买次数、购买金额)、用户贷款数据等。
所述待推送渠道包括进行商品数据推送的推送渠道,比如短信渠道、电话渠道、push消息渠道,此外,还可包括其他类型的推送渠道,比如电子邮件渠道、即时通讯应用内的交互圈渠道。所述用户转化指标包括预测获得的在待推送渠道向用户进行商品数据推送后,对用户进行转化的转化指标,此处的用户转化指标也可以是待推送渠道与待推送商品的推送组合下的转化指标;所述用户转化指标包括用户访问率和/或用户转化率。
需要说明的是,本实施例中的待推送渠道下可存在待推送商品,所以本实施例中在待推送渠道下的相关数据也可以是在待推送组合下的相关数据,待推送组合包括待推送渠道与待推送商品的待推送组合,本实施例不再进行赘述。
具体实施时,为了提升转化指标预测的全面性和精度,可从用户属性数据和用户行为数据两个维度进行转化指标预测,本实施例提供的一种可选实施方式中,采用如下方式进行转化指标预测:
对所述用户数据中的用户属性数据和用户行为数据进行特征提取,获得所述各用户的属性特征和行为特征;
基于所述各用户的属性特征和行为特征,预测所述各用户在所述待推送渠道的用户转化指标。
其中,所述用户的属性特征可以是用户的属性隐向量,所述行为特征可以是行为隐向量。
具体的,可对用户数据中的用户属性数据和用户行为数据进行特征提取,获得用户的属性特征和行为特征,对用户的属性特征和行为特征进行特征拼接获得拼接特征,并基于拼接特征预测各用户在待推送渠道的用户转化指标。
此外,也可采用如下方式进行转化指标预测:将各用户的用户数据输入用户转化预测模型中的编码器进行特征提取,获得用户的属性特征和行为特征,并将用户的属性特征和行为特征输入用户转化预测模型中的预测模块进行指标预测,获得各用户在待推送渠道的用户转化指标。
其中,所述预训练模型中的编码器可以是LSTM(Long Short-Term Memory,长短期记忆)编码器;所述预训练模型中的预测模块可以采用多层感知机。
除此之外,在进行转化指标预测的过程中,还可对各用户的用户数据中的用户属性数据或者用户行为数据进行特征提取,获得各用户的属性特征或者行为特征,并基于属性特征或者行为特征,预测各用户在待推送渠道的用户转化指标。
步骤S404,根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送。
本实施例所述预算数据包括在各推送渠道进行商品数据推送的总推送预算和各推送渠道的用户推送预算。所述待推送策略包括通过待推送渠道向各用户进行商品数据推送的推送策略,所述待推送策略中可记录有是否通过待推送渠道向各用户中的每个用户进行商品数据推送。
可选的,所述用户转化预测模型,在通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据计算梯度数据,并按照所述梯度数据对所述预训练模型进行参数调整后获得。在基于所述转化指标和推送预算数据计算梯度数据的过程中,可基于转化指标和推送预算数据生成通过各推送渠道进行商品数据推送的推送策略,并根据推送策略和转化指标确定用户的目标转化指标,基于目标转化指标和转化指标对推送策略进行更新处理,获得目标推送策略,基于目标推送策略和转化指标进行梯度计算,获得梯度数据;此处用户转化预测模型的训练过程可参照上述实施例中用户转化预测模型的训练获得过程。
为了提升待推送策略生成的生成效率,可引入策略生成算法;本实施例提供的一种可选实施方式中,在根据用户转化指标和预算数据,生成通过待推送渠道进行商品数据推送的待推送策略的过程中,执行如下操作:
将用户转化指标、总推送预算和待推送渠道的用户预算输入策略生成算法进行策略生成,获得通过待推送渠道进行商品数据推送的待推送策略。
其中,所述策略生成算法可以采用整数规划算法,具体可以是线性整数规划算法。
为了进一步提升待推送策略的有效性,在将用户转化指标、总推送预算和待推送渠道的用户预算输入策略生成算法进行策略生成,获得通过待推送渠道进行商品数据推送的待推送策略的过程中,可执行如下操作:
基于总推送预算和用户推送预算,确定预算约束因子;
根据用户转化指标计算各用户在预算约束因子下的待推送策略,作为通过待推送渠道进行商品数据推送的待推送策略。
其中,预算约束因子可以是预算约束条件,比如预算约束因子为A·vec(X)≤b,A代表总推送预算,b代表用户推送预算,X代表推送策略,vec(X)代表对推送策略X进行向量化,在此情况下,预算约束因子中可包含未知的推送策略X。
例如,策略生成算法包括:
其中,X代表推送策略;Q=λM+(1-λ)K,M代表用户在各推送渠道的访问率,K代表用户在各推送渠道的转化率,λ为访问率的权重;代表对Q进行转置;s.t.代表约束条件。
需要说明的是,本申请中该实施例中的步骤S402以及步骤S404中的根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略与本申请中上一实施例中的将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略,基于同一发明构思,并且本实施例中的用户转化预测模型是基于上一实施例中涉及的模型训练方式进行训练获得,因此该实施例可以参见前述用户转化预测模型训练方法的实施,重复之处不再赘述。
本说明书提供的一种用户转化预测模型训练装置实施例如下:
在上述的实施例中,提供了一种用户转化预测模型训练方法,与之相对应的,还提供了一种用户转化预测模型训练装置,下面结合附图进行说明。
参照图5,其示出了本实施例提供的一种用户转化预测模型训练装置实施例的示意图。
由于装置实施例对应于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例提供一种用户转化预测模型训练装置,包括:
指标预测模块502,被配置为将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标;
策略生成模块504,被配置为基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略;
指标确定模块506,被配置为根据所述推送策略和所述转化指标确定所述用户的目标转化指标,并基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略;
梯度计算模块508,被配置为基于所述目标推送策略和所述转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型。
本说明书提供的一种推送处理装置实施例如下:
在上述的实施例中,提供了一种推送处理方法,与之相对应的,还提供了一种推送处理装置,下面结合附图进行说明。
参照图6,其示出了本实施例提供的一种推送处理装置实施例的示意图。
由于装置实施例对应于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例提供一种推送处理装置,包括:
预测模块602,被配置为将各用户的用户数据输入用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标;
生成模块604,被配置为根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送;
其中,所述用户转化预测模型,在通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据计算梯度数据,并按照所述梯度数据对所述预训练模型进行参数调整后获得。
本说明书提供的一种用户转化预测模型训练设备实施例如下:
对应上述描述的一种用户转化预测模型训练方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种用户转化预测模型训练设备,该用户转化预测模型训练设备用于执行上述提供的一种用户转化预测模型训练方法,图7为本说明书一个或多个实施例提供的一种用户转化预测模型训练设备的结构示意图。
本实施例提供的一种用户转化预测模型训练设备,包括:
如图7所示,用户转化预测模型训练设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器701和存储器702,存储器702中可以存储有一个或一个以上存储应用程序或数据。其中,存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括用户转化预测模型训练设备中的一系列计算机可执行指令。更进一步地,处理器701可以设置为与存储器702通信,在用户转化预测模型训练设备上执行存储器702中的一系列计算机可执行指令。用户转化预测模型训练设备还可以包括一个或一个以上电源703,一个或一个以上有线或无线网络接口704,一个或一个以上输入/输出接口705,一个或一个以上键盘706等。
在一个具体的实施例中,用户转化预测模型训练设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对用户转化预测模型训练设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标;
基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略;
根据所述推送策略和所述转化指标确定所述用户的目标转化指标,并基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略;
基于所述目标推送策略和所述转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型。
本说明书提供的一种推送处理设备实施例如下:
对应上述描述的一种推送处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种推送处理设备,该推送处理设备用于执行上述提供的一种推送处理方法,图8为本说明书一个或多个实施例提供的一种推送处理设备的结构示意图。
本实施例提供的一种推送处理设备,包括:
如图8所示,推送处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器801和存储器802,存储器802中可以存储有一个或一个以上存储应用程序或数据。其中,存储器802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括推送处理设备中的一系列计算机可执行指令。更进一步地,处理器801可以设置为与存储器802通信,在推送处理设备上执行存储器802中的一系列计算机可执行指令。推送处理设备还可以包括一个或一个以上电源803,一个或一个以上有线或无线网络接口804,一个或一个以上输入/输出接口805,一个或一个以上键盘806等。
在一个具体的实施例中,推送处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对推送处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
将各用户的用户数据输入用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标;
根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送;
其中,所述用户转化预测模型,在通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据计算梯度数据,并按照所述梯度数据对所述预训练模型进行参数调整后获得。
本说明书提供的一种存储介质实施例如下:
对应上述描述的一种用户转化预测模型训练方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种存储介质。
本实施例提供的存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标;
基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略;
根据所述推送策略和所述转化指标确定所述用户的目标转化指标,并基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略;
基于所述目标推送策略和所述转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型。
需要说明的是,本说明书中关于一种存储介质的实施例与本说明书中关于一种用户转化预测模型训练方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应方法的实施,重复之处不再赘述。
本说明书提供的另一种存储介质实施例如下:
对应上述描述的一种推送处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供另一种存储介质。
本实施例提供的存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
将各用户的用户数据输入用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标;
根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送;
其中,所述用户转化预测模型,在通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据计算梯度数据,并按照所述梯度数据对所述预训练模型进行参数调整后获得。
需要说明的是,本说明书中关于另一种存储介质的实施例与本说明书中关于一种推送处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应方法的实施,重复之处不再赘述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或者相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处,比如装置实施例、设备实施例和存储介质实施例,三者均相似于方法实施例,所以描述地比较简单,阅读装置实施例、设备实施例和存储介质实施例中的相关内容请参照方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪30年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程用户转化预测模型训练设备的处理器以产生一个机器,使得通过计算机或其他可编程用户转化预测模型训练设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程用户转化预测模型训练设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程用户转化预测模型训练设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本文件的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (19)
1.一种用户转化预测模型训练方法,包括:
将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标;
基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略;
根据所述推送策略和所述转化指标确定所述用户的目标转化指标,并基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略;
基于所述目标推送策略和所述转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型。
2.根据权利要求1所述的用户转化预测模型训练方法,所述根据所述推送策略和所述转化指标确定所述用户的目标转化指标,包括:
确定所述推送策略中对所述用户进行商品数据推送的推送渠道;
根据所述用户在所述推送渠道的转化指标,计算所述用户的目标转化指标。
3.根据权利要求1所述的用户转化预测模型训练方法,所述进行转化指标预测,包括:
对所述用户数据样本中所述用户的用户属性数据和用户行为数据进行特征提取,获得所述用户的属性特征和行为特征;
基于所述属性特征和所述行为特征,预测所述用户在所述各推送渠道的转化指标。
4.根据权利要求1的用户转化预测模型训练方法,所述预训练模型,通过如下方式获得:
将所述用户数据样本输入待训练模型进行转化指标预测,获得所述用户在所述各推送渠道的初始转化指标;
基于所述初始转化指标和所述用户数据样本对应的样本标签计算损失值,并基于所述损失值对所述待训练模型进行参数调整,以获得所述预训练模型。
5.根据权利要求1所述的用户转化预测模型训练方法,所述基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略,包括:
基于所述目标转化指标确定训练损失,计算所述训练损失对所述推送策略的第一梯度;
基于所述第一梯度和所述转化指标生成所述目标推送策略。
6.根据权利要求5所述的用户转化预测模型训练方法,所述基于所述第一梯度和所述转化指标生成所述目标推送策略,包括:
按照所述第一梯度更新策略生成算法的算法参数,获得目标策略生成算法;
将所述转化指标和所述推送预算数据输入所述目标策略生成算法进行推送策略生成,获得所述目标推送策略。
7.根据权利要求6所述的用户转化预测模型训练方法,所述基于所述目标推送策略和所述转化指标进行梯度计算,包括:
计算所述训练损失对所述目标推送策略的第二梯度;
基于所述第二梯度和所述转化指标进行梯度计算,获得所述梯度数据。
8.根据权利要求1所述的用户转化预测模型训练方法,所述基于所述目标推送策略和所述转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型步骤执行之后,还包括:
将各用户的用户数据输入所述用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标;
基于所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送。
9.根据权利要求1所述的用户转化预测模型训练方法,所述进行推送策略生成,包括:
将所述转化指标、总推送预算和所述各推送渠道的用户推送预算输入策略生成算法进行策略生成,获得所述推送策略。
10.根据权利要求9所述的用户转化预测模型训练方法,所述将所述转化指标、总推送预算和所述各推送渠道的用户推送预算输入策略生成算法进行策略生成,获得所述推送策略,包括:
基于所述总推送预算和所述用户推送预算确定预算约束因子;
根据所述转化指标计算所述用户在所述预算约束因子下的推送策略,作为通过所述各推送渠道进行商品数据推送的推送策略。
11.一种推送处理方法,包括:
将各用户的用户数据输入用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标;
根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送;
其中,所述用户转化预测模型,在通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据计算梯度数据,并按照所述梯度数据对所述预训练模型进行参数调整后获得。
12.根据权利要求11所述的推送处理方法,所述用户转化预测模型,采用如下方式进行转化指标预测:
对所述用户数据中的用户属性数据和用户行为数据进行特征提取,获得所述各用户的属性特征和行为特征;
基于所述各用户的属性特征和行为特征,预测所述各用户在所述待推送渠道的用户转化指标。
13.根据权利要求11所述的推送处理方法,所述根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,包括:
将所述用户转化指标、总推送预算和所述待推送渠道的用户推送预算输入策略生成算法进行策略生成,获得通过所述待推送渠道进行商品数据推送的推送策略。
14.一种用户转化预测模型训练装置,包括:
指标预测模块,被配置为将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标;
策略生成模块,被配置为基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略;
指标确定模块,被配置为根据所述推送策略和所述转化指标确定所述用户的目标转化指标,并基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略;
梯度计算模块,被配置为基于所述目标推送策略和所述转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型。
15.一种推送处理装置,包括:
预测模块,被配置为将各用户的用户数据输入用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标;
生成模块,被配置为根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送;
其中,所述用户转化预测模型,在通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据计算梯度数据,并按照所述梯度数据对所述预训练模型进行参数调整后获得。
16.一种用户转化预测模型训练设备,包括:
处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:
将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标;
基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略;
根据所述推送策略和所述转化指标确定所述用户的目标转化指标,并基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略;
基于所述目标推送策略和所述转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型。
17.一种推送处理设备,包括:
处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:
将各用户的用户数据输入用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标;
根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送;
其中,所述用户转化预测模型,在通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据计算梯度数据,并按照所述梯度数据对所述预训练模型进行参数调整后获得。
18.一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
将用户数据样本输入预训练模型进行转化指标预测,获得用户在各推送渠道的转化指标;
基于所述转化指标和推送预算数据进行推送策略生成,获得通过所述各推送渠道进行商品数据推送的推送策略;
根据所述推送策略和所述转化指标确定所述用户的目标转化指标,并基于所述目标转化指标和所述转化指标对所述推送策略进行更新处理,获得目标推送策略;
基于所述目标推送策略和所述转化指标进行梯度计算,并按照计算获得的梯度数据对所述预训练模型进行参数调整,以获得用户转化预测模型。
19.一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
将各用户的用户数据输入用户转化预测模型进行转化指标预测,获得所述各用户在待推送渠道的用户转化指标;
根据所述用户转化指标和预算数据,生成通过所述待推送渠道进行商品数据推送的待推送策略,并按照所述待推送策略向所述各用户进行商品数据推送;
其中,所述用户转化预测模型,在通过预训练模型对用户数据样本进行转化指标预测,获得用户在各推送渠道的转化指标,基于所述转化指标和推送预算数据计算梯度数据,并按照所述梯度数据对所述预训练模型进行参数调整后获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410098080.2A CN117910542A (zh) | 2024-01-24 | 2024-01-24 | 用户转化预测模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410098080.2A CN117910542A (zh) | 2024-01-24 | 2024-01-24 | 用户转化预测模型训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117910542A true CN117910542A (zh) | 2024-04-19 |
Family
ID=90693777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410098080.2A Pending CN117910542A (zh) | 2024-01-24 | 2024-01-24 | 用户转化预测模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117910542A (zh) |
-
2024
- 2024-01-24 CN CN202410098080.2A patent/CN117910542A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309283B (zh) | 一种智能问答的答案确定方法及装置 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN110032730B (zh) | 一种文本数据的处理方法、装置和设备 | |
CN116306868B (zh) | 一种模型的处理方法、装置及设备 | |
CN111507726B (zh) | 一种报文生成方法、装置及设备 | |
CN116304720B (zh) | 一种代价模型训练的方法、装置、存储介质及电子设备 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN112836829B (zh) | 一种个性化的隐私保护学习方法、装置以及设备 | |
CN117953258A (zh) | 对象分类模型的训练方法、对象分类方法及装置 | |
CN117252250A (zh) | 大模型预训练方法及装置 | |
CN117910542A (zh) | 用户转化预测模型训练方法及装置 | |
CN115496162A (zh) | 一种模型的训练方法、装置以及设备 | |
CN114817469B (zh) | 文本增强方法、文本增强模型的训练方法及装置 | |
CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
CN110929871A (zh) | 博弈决策方法和系统 | |
CN117456028A (zh) | 基于文本进行图像生成的方法及装置 | |
CN117494663A (zh) | 文本处理方法及装置 | |
CN117494697A (zh) | 日志解析处理方法及装置 | |
CN116597348A (zh) | 视频分类模型的训练方法及装置 | |
CN116702131A (zh) | 一种数据处理方法、装置及设备 | |
CN117829164A (zh) | 一种文本表示向量生成方法、装置以及设备 | |
CN117456026A (zh) | 图像处理方法及装置 | |
Kulkarni et al. | Text-to-Image Generation Model with DNN Architecture and Computer Vision for Embedded Devices Using Quantization Technique | |
CN116543759A (zh) | 语音识别处理方法及装置 | |
CN117540825A (zh) | 基于强化学习的预训练模型的构建方法及装置和电子设备 |
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 |