CN118134553A - 一种电商爆款多平台协同推送系统、方法、设备及介质 - Google Patents
一种电商爆款多平台协同推送系统、方法、设备及介质 Download PDFInfo
- Publication number
- CN118134553A CN118134553A CN202410561061.9A CN202410561061A CN118134553A CN 118134553 A CN118134553 A CN 118134553A CN 202410561061 A CN202410561061 A CN 202410561061A CN 118134553 A CN118134553 A CN 118134553A
- Authority
- CN
- China
- Prior art keywords
- user
- user behavior
- commerce
- pushing
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004880 explosion Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000009471 action Effects 0.000 claims abstract description 158
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000013475 authorization Methods 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 168
- 230000006870 function Effects 0.000 claims description 83
- 238000006243 chemical reaction Methods 0.000 claims description 40
- 230000000694 effects Effects 0.000 claims description 40
- 230000007613 environmental effect Effects 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000003795 chemical substances by application Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及产品推送技术,揭露了一种电商爆款多平台协同推送系统、方法、设备及介质,该系统中包括历史用户行为数据生成模块、用户行为环境模型构建模块、奖励函数生成模块、动作奖励生成模块、用户行为环境模型优化模块及爆款推送模块,根据预先获取的历史用户授权数据构建所述多电商平台的用户行为环境模型;根据预先获取的用户反馈数据生成多电商平台中推送动作的奖励函数,进而生成用户行为环境模型的动作奖励,根据动作奖励对用户行为环境模型进行参数优化,利用优化后的用户行为环境模型生成多电商平台的广告投放策略,进而对多电商平台中的目标用户进行爆款推送,提高了电商爆款多平台协同推送时的推送效率。
Description
技术领域
本发明涉及产品推送技术领域,尤其涉及一种电商爆款多平台协同推送系统、方法、设备及介质。
背景技术
随着互联网技术的发展,电子商务已成为人们生活中不可或缺的一部分。传统的电商平台已经拥有了庞大的用户基础和市场份额,在这个基础上,多平台协同推送不仅能够帮助商家更好地管理跨平台的广告投放,还能够通过数据驱动的方式,实现更加精准的用户定位和产品推广,这种协同推送方式有助于商家在竞争激烈的市场中脱颖而出,同时也为用户提供了更加丰富和个性化的购物选择。
但是,由于不同平台有不同的算法规则和用户群体,这要求电商在每个平台上都要进行针对性的优化和内容创建,导致同一产品信息需要多次编辑和录入,耗费了大量的人力,从而导致电商爆款多平台协同推送时的推送效率较低。
发明内容
本发明提供一种电商爆款多平台协同推送系统、方法、设备及介质,其主要目的在于解决电商爆款多平台协同推送时的推送效率较低的问题。
为实现上述目的,本发明提供的一种电商爆款多平台协同推送系统,其特征在于,所述系统包括历史用户行为数据生成模块、用户行为环境模型构建模块、奖励函数生成模块、动作奖励生成模块、用户行为环境模型优化模块及爆款推送模块,其中:
所述历史用户行为数据生成模块,用于根据预先获取的多电商平台的历史用户授权数据生成所述多电商平台的历史用户行为数据;
所述用户行为环境模型构建模块,用于利用所述历史用户行为数据构建所述多电商平台的用户行为环境模型;
所述奖励函数生成模块,用于根据预先获取的用户反馈数据生成所述多电商平台的推送效果评价指标,根据所述推送效果评价指标生成所述多电商平台中推送动作的奖励函数,其中,所述奖励函数是:其中,是在当前的环境状态/>下采取动作/>获得的即时奖励,/>是点击率,是购买转化率,/>是用户满意度,/>是点击率在总奖励中的重要性,/>是购买转化率在总奖励中的重要性,/>是用户满意度在总奖励中的重要性,/>表示当前的环境状态,/>表示在当前的环境状态下采取的动作;
所述动作奖励生成模块,用于根据所述用户行为环境模型的选择动作和所述奖励函数生成所述用户行为环境模型的动作奖励;
所述用户行为环境模型优化模块,用于根据所述动作奖励对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型;
所述爆款推送模块,用于利用所述优化后的用户行为环境模型生成所述多电商平台的广告投放策略,根据所述广告投放策略对所述多电商平台中的目标用户进行爆款推送。
可选地,所述历史用户行为数据生成模块在执行根据预先获取的多电商平台的历史用户授权数据生成所述多电商平台的历史用户行为数据时,包括:
对预先获取的多电商平台的历史用户授权数据进行数据归一化,对所述数据归一化后的历史用户授权数据进行数据整合,得到所述多电商平台的整合数据;
根据所述整合数据提取所述多电商平台中用户的行为特征;
根据所述行为特征生成所述多电商平台的历史用户行为数据。
可选地,所述用户行为环境模型构建模块在执行利用所述历史用户行为数据构建所述多电商平台的用户行为环境模型时,包括:
对所述历史用户行为数据进行向量转化,得到所述历史用户行为数据的数据向量;
根据所述数据向量生成所述多电商平台的用户状态和所述多电商平台的平台环境;
根据所述用户状态和所述平台环境构建所述多电商平台的用户行为环境模型。
可选地,所述奖励函数生成模块在执行根据预先获取的用户反馈数据生成所述多电商平台的推送效果评价指标时,包括:
根据预先制定的指标类别对预先获取的用户反馈数据进行数据分类,得到所述用户反馈数据的分类数据;
根据所述分类数据中的点击次数和推送量生成所述多电商平台的点击率;
根据所述分类数据中的购买用户数和点击次数生成所述多电商平台的购买转化率;
根据所述分类数据生成所述多电商平台的用户满意度,汇集所述点击率、所述购买转化率和所述用户满意度为所述多电商平台的推送效果评价指标。
可选地,所述奖励函数生成模块在执行根据所述推送效果评价指标生成所述多电商平台中推送动作的奖励函数时,包括:
根据所述推送效果评价指标确定待生成的奖励函数的组成部分;
根据预设的业务需求逐个生成所述推送效果评价指标在所述待生成的奖励函数中重要性;
建立所述重要性与所述组成部分的关联关系;
根据所述组成部分、所述重要性和所述关联关系生成所述多电商平台中推送动作的奖励函数。
可选地,所述用户行为环境模型优化模块在执行根据所述动作奖励对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型时,包括:
根据所述动作奖励和预设的更新算法对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型,其中,所述预设的更新算法为:其中,是在时间步/>下,在当前的环境状态/>下采取动作/>的动作价值函数的估计值,/>是在时间步/>下,在当前的环境状态/>下采取动作/>的动作价值函数的估计值,/>是学习率,/>是折扣因子,/>是在状态/>下所有可能动作的最大动作价值估计值,/>是当前的环境状态,/>表示在当前的环境状态下采取的动作,/>是采取动作/>后转移到的新状态,/>是在状态/>下选择的动作,/>是在时间步/>下,在/>下采取动作/>的动作价值函数的估计值,/>是在状态/>下采取动作/>获得的即时奖励,/>是时间标识。
可选地,所述爆款推送模块在执行利用所述优化后的用户行为环境模型生成所述多电商平台的广告投放策略时,包括:
利用所述优化后的用户行为环境模型生成所述多电商平台中用户的用户行为模式;
根据所述用户行为模式和预设的平台投放目标生成所述多电商平台的广告投放策略。
为了解决上述问题,本发明还提供一种电商爆款多平台协同推送方法,所述方法包括:
根据预先获取的多电商平台的历史用户授权数据生成所述多电商平台的历史用户行为数据;
利用所述历史用户行为数据构建所述多电商平台的用户行为环境模型;
根据预先获取的用户反馈数据生成所述多电商平台的推送效果评价指标,根据所述推送效果评价指标生成所述多电商平台中推送动作的奖励函数,其中,所述奖励函数是:其中,是在当前的环境状态/>下采取动作/>获得的即时奖励,/>是点击率,是购买转化率,/>是用户满意度,/>是点击率在总奖励中的重要性,/>是购买转化率在总奖励中的重要性,/>是用户满意度在总奖励中的重要性,/>表示当前的环境状态,/>表示在当前的环境状态下采取的动作;
根据所述用户行为环境模型的选择动作和所述奖励函数生成所述用户行为环境模型的动作奖励;
根据所述动作奖励对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型;
利用所述优化后的用户行为环境模型生成所述多电商平台的广告投放策略,根据所述广告投放策略对所述多电商平台中的目标用户进行爆款推送。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的电商爆款多平台协同推送方法。
为了解决上述问题,本发明还提供一种存储介质,所述存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的电商爆款多平台协同推送方法。
本发明通过整合多电商平台的历史用户授权数据,生成历史用户行为数据,从而更准确地把握用户偏好和行为模式,利用获取的历史数据建立模型,模拟用户在不同环境下的行为反应,为后续的推荐系统提供基础,依据用户满意度、点击率和购买转化率等指标,设计奖励函数,进而调整推送动作,实现广告投放策略的优化,因此本发明提出的电商爆款多平台协同推送系统、方法、设备及介质,可以提高电商爆款多平台协同推送时的推送效率。
附图说明
图1为本发明一实施例提供的电商爆款多平台协同推送系统的系统架构图;
图2为本发明一实施例提供的电商爆款多平台协同推送方法的流程示意图;
图3为本发明一实施例提供的实现所述电商爆款多平台协同推送方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
实际上,电商爆款多平台协同推送系统所部署的服务端设备可能是由一台或多台设备构成的。上述电商爆款多平台协同推送系统可以实现为:业务实例、虚拟机、硬件设备。比如,该电商爆款多平台协同推送系统可以实现为部署在云节点中的一个或多个设备上的一种业务实例。简单来说,该电商爆款多平台协同推送系统可以理解为是部署在云节点上的一种软件,用于为各用户端提供电商爆款多平台协同推送系统。或者,该电商爆款多平台协同推送系统也可以实现为部署在云节点中的一个或多个设备上的一种虚拟机。该虚拟机中安装有用于管理各用户端的应用软件。或者,该电商爆款多平台协同推送系统还可以实现为由众多相同或不同类型的硬件设备构成的服务端,设置一个或多个硬件设备用于为各用户端提供电商爆款多平台协同推送系统。
在实现形式上,电商爆款多平台协同推送系统和用户端相互适应。即,电商爆款多平台协同推送系统作为安装于云服务平台的应用,则用户端作为与该应用建立通信连接的客户端;或实现电商爆款多平台协同推送系统作为网站实现,则用户端作为网页实现;再或实现电商爆款多平台协同推送系统作为云服务平台实现,则用户端作为即时通信应用中的小程序实现。
如图1所示,是本发明一实施例提供的电商爆款多平台协同推送系统的系统架构图。
本发明所述电商爆款多平台协同推送系统100可以设置于云端服务器中,在实现形式上,可以作为一个或多个服务设备,也可以作为一应用安装于云端(例如移动服务运营方的服务器、服务器集群等)上,或者也可以开发为网站。根据实现的功能,所述电商爆款多平台协同推送系统100可以包括历史用户行为数据生成模块101、用户行为环境模型构建模块102、奖励函数生成模块103、动作奖励生成模块104、用户行为环境模型优化模块105及爆款推送模块106。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
本发明实施例中,电商爆款多平台协同推送系统中,上述各个模块均可独立实现,且与其他模块调用。这里的调用可以理解为,某一模块可以连接另一类型的多个模块,并为其连接的多个模块提供相应服务。比如,分享评测模块可以调用同一信息采集模块,以获取该信息采集模块采集的信息基于上述特性,本发明实施例提供的电商爆款多平台协同推送系统中,无需修改程序代码,即可通过增加模块、并直接调用的形式来调整电商爆款多平台协同推送系统架构的适用范围,实现集群式水平拓展,以便达到快捷灵活拓展电商爆款多平台协同推送系统的目的。实际应用中,上述模块可以设置在同一设备或不同设备中,也可以是设置在虚拟设备中,例如云端服务器中的服务实例。
下面结合具体实施例,分别针对电商爆款多平台协同推送系统的各个组成部分以及具体工作流程进行说明:
所述历史用户行为数据生成模块101,用于根据预先获取的多电商平台的历史用户授权数据生成所述多电商平台的历史用户行为数据。
在本发明实施例中,所述历史用户行为数据生成模块101在执行根据预先获取的多电商平台的历史用户授权数据生成所述多电商平台的历史用户行为数据时,包括:
对预先获取的多电商平台的历史用户授权数据进行数据归一化,对所述数据归一化后的历史用户授权数据进行数据整合,得到所述多电商平台的整合数据;
根据所述整合数据提取所述多电商平台中用户的行为特征;
根据所述行为特征生成所述多电商平台的历史用户行为数据。
详细地,历史用户授权数据指用户在电商平台上同意授权后,平台收集的用户相关数据。这些数据通常包括用户的基本信息、购买记录、浏览记录、点击记录等;数据归一化是一种数据预处理方法,将不同量纲、不同单位的数据转化为统一标准的过程,使得数据可以在同一尺度下进行比较和分析;数据整合是将来自不同来源的数据合并为一个一致的数据集的过程,以便进行统一的分析和处理;行为特征指用户在电商平台上的行为模式和偏好,如浏览习惯、购买偏好等;历史用户行为数据是基于用户的历史行为生成的数据,用于描述和理解用户的行为模式和偏好。
进一步地,通过数据整合技术(可能包括数据库操作、数据清洗、去重等)来构建一个全面的数据集。
详细地,预先获取的多电商平台的历史用户授权数据是指收集到的多个电商平台的历史用户授权数据,包括:用户的基本信息、购买记录、浏览记录、点击记录等。
进一步地,基于用户的购买记录、浏览记录、点击记录等,生成用户在不同时间点、不同平台上的行为数据,可以根据实际数据的分布和规律来生成模拟数据,确保生成的数据具有一定的真实性和可信度。
详细地,对预先获取的多电商平台的历史用户授权数据进行数据归一化是为了确保数据的统一性和可比性。
详细地,所述对所述数据归一化后的历史用户授权数据进行数据整合是指将来自不同电商平台的数据进行整合,建立一个统一的数据集,确保数据整合的准确性和一致性。
所述用户行为环境模型构建模块102,用于利用所述历史用户行为数据构建所述多电商平台的用户行为环境模型。
在本发明实施例中,所述用户行为环境模型构建模块102在执行利用所述历史用户行为数据构建所述多电商平台的用户行为环境模型时,包括:
对所述历史用户行为数据进行向量转化,得到所述历史用户行为数据的数据向量;
根据所述数据向量生成所述多电商平台的用户状态和所述多电商平台的平台环境;
根据所述用户状态和所述平台环境构建所述多电商平台的用户行为环境模型。
详细地,将历史用户行为数据表示成向量形式,可以通过特征提取的方式实现,将用户的各种行为和属性转化为数值型特征,并组合成一个向量表示用户的历史行为数据。
例如,用户的浏览记录可以表示成一个商品ID的序列,用户的购买行为可以表示成一个购买向量,包含购买的商品ID、数量、金额等信息。
详细地,将转化后的历史用户行为数据用于生成用户状态和平台环境,其中,用户状态可以包括用户的个人信息、历史购买记录、浏览偏好等,而平台环境可以包括电商平台的运营策略、商品信息、促销活动等,这些信息可以通过数据整合和特征工程的方式构建出来,并表示成向量形式。
进一步地,在得到用户状态和平台环境的向量表示后,可以将它们作为输入,结合选择的模型进行建模,可以选择适合的机器学习或深度学习模型,例如神经网络、决策树等,来构建用户行为环境模型,其中,所述用户行为环境模型能够捕捉用户在电商平台上的行为模式和偏好,包括用户浏览历史、购买历史、个人资料、偏好设置等信息,亦即,所述用户行为环境模型可以用于预测和理解用户在不同环境下的行为。
所述奖励函数生成模块103,用于根据预先获取的用户反馈数据生成所述多电商平台的推送效果评价指标,根据所述推送效果评价指标生成所述多电商平台中推送动作的奖励函数。
在本发明实施例中,所述奖励函数生成模块103在执行根据预先获取的用户反馈数据生成所述多电商平台的推送效果评价指标时,包括:
根据预先制定的指标类别对预先获取的用户反馈数据进行数据分类,得到所述用户反馈数据的分类数据;
根据所述分类数据中的点击次数和推送量生成所述多电商平台的点击率;
根据所述分类数据中的购买用户数和点击次数生成所述多电商平台的购买转化率;
根据所述分类数据生成所述多电商平台的用户满意度,汇集所述点击率、所述购买转化率和所述用户满意度为所述多电商平台的推送效果评价指标。
详细地,从多个电商平台收集用户的反馈数据,这些数据可以通过用户行为日志、推送记录、购买记录、问卷调查等方式获取。
详细地,所述点击率是指推送被用户点击的比例,其计算方法为点击次数 除以推送量得到的商。
详细地,所述购买转化率是指用户通过推送完成购买的比例,其计算方法为购买用户数除以点击次数得到的商。
详细地,所述用户满意度是指用户对推送内容的满意程度,通常通过问卷调查或情感分析等方式获得。
进一步地,对于点击率和购买转化率,根据收集到的点击次数、推送量和购买用户数进行计算。
进一步地,对于用户满意度,可以根据用户填写的问卷调查结果或通过情感分析对用户评论进行评分。
详细地,所述推送效果评价指标可以表征用户对广告推送的态度,进而根据用户对广告推送的态度调整广告的推送策略。
例如,如果点击率低,可以考虑优化推送标题、内容和图片,增加吸引力;如果购买转化率低,可以优化购买流程或提供更具吸引力的优惠促销活动;如果用户满意度低,可以根据用户反馈调整推送策略或改善产品质量。
在本发明实施例中,所述奖励函数生成模块103在执行根据所述推送效果评价指标生成所述多电商平台中推送动作的奖励函数时,包括:
根据所述推送效果评价指标确定待生成的奖励函数的组成部分;
根据预设的业务需求逐个生成所述推送效果评价指标在所述待生成的奖励函数中重要性;
建立所述重要性与所述组成部分的关联关系;
根据所述组成部分、所述重要性和所述关联关系生成所述多电商平台中推送动作的奖励函数。
进一步地,在设计针对多电商平台爆款推送的奖励函数时,需要考虑多个因素,包括:用户的点击率、购买转化率以及用户满意度等,一个有效的奖励函数应该能够鼓励系统向用户推送他们感兴趣的商品,并且促使用户进行购买。
详细地,根据所述推送效果评价指标,确定奖励函数的组成部分,奖励函数由点击率、购买转化率和用户满意度三个部分组成。
详细地,奖励函数用于评价某个动作的好坏,以便模型通过最大化累积奖励来学习选择最佳动作;业务需求指的是电商平台对推送活动的目标和期望,如提高品牌知名度、增加销售额或提升用户体验;重要性指某个评价指标对业务目标的贡献程度,决定了该指标在奖励函数中的权重;关联关系指的是不同评价指标与奖励函数中各组成部分之间的相互联系和影响。
进一步地,可以专家打分、历史数据分析或使用机器学习算法生成重要性,目的是为每个评价指标设置一个合理的权重,以匹配业务优先级。
详细地,所述奖励函数是:其中,是在当前的环境状态/>下采取动作/>获得的即时奖励,/>是点击率,是购买转化率,/>是用户满意度,/>是点击率在总奖励中的重要性,/>是购买转化率在总奖励中的重要性,/>是用户满意度在总奖励中的重要性,/>表示当前的环境状态,/>表示在当前的环境状态下采取的动作。
详细地,在奖励函数的公式中,、/>和/>分别表示点击率、购买转化率和用户满意度在总奖励中的重要性,这些权重系数可以根据业务需求和目标来确定,例如:如果提高购买转化率是最重要的目标,则/>可能会被赋予较高的值。
进一步地,为了确保奖励函数的值在一个合理的范围内,可以对每个指标进行归一化处理或者设定上限和下限,此外,为了防止模型过度依赖某个单一指标,应当平衡各个指标的权重。
所述动作奖励生成模块104,用于根据所述用户行为环境模型的选择动作和所述奖励函数生成所述用户行为环境模型的动作奖励。
在本发明实施例中,所述动作奖励生成模块104在执行根据所述用户行为环境模型的选择动作和所述奖励函数生成所述用户行为环境模型的动作奖励时,基于用户行为环境模型,根据某种策略选择动作,这些动作可以是推送特定商品、优惠券、活动通知等,选择动作时,可以考虑用户的个人偏好、历史行为以及当前的上下文信息。
进一步地,执行选定的动作,将相应的内容推送给用户,再收集用户对推送内容的反馈信息,进而生成点击率、购买转化率以及用户满意度等指标,这些信息将用于评估动作的效果,并用于奖励函数的计算。
详细地,基于奖励函数,结合收集到的反馈信息,计算执行的动作的奖励,奖励函数的计算涉及到点击率、购买转化率和用户满意度等指标的加权组合,以及各项指标在总奖励中的重要性。
总而言之,通过以上步骤,可以实现根据用户行为环境模型选择动作并生成动作奖励的过程,从而优化推送策略并提高用户满意度和电商平台的业绩。
所述用户行为环境模型优化模块105,用于根据所述动作奖励对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型。
在本发明实施例中,所述用户行为环境模型优化模块105在执行根据所述动作奖励对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型时,包括:
根据所述动作奖励和预设的更新算法对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型,其中,所述预设的更新算法为:其中,是在时间步/>下,在当前的环境状态/>下采取动作/>的动作价值函数的估计值,/>是在时间步/>下,在当前的环境状态/>下采取动作/>的动作价值函数的估计值,/>是学习率,/>是折扣因子,/>是在状态/>下所有可能动作的最大动作价值估计值,/>是当前的环境状态,/>表示在当前的环境状态下采取的动作,/>是采取动作/>后转移到的新状态,/>是在状态/>下选择的动作,/>是在时间步/>下,在/>下采取动作/>的动作价值函数的估计值,/>是在状态/>下采取动作/>获得的即时奖励,/>是时间标识。
详细地,根据计算得到的奖励,更新用户行为环境模型和选择动作的策略,更新模型和策略的目的是不断改进推送效果,使其更符合用户的偏好和需求。
详细地,初始化动作价值函数估计值,亦即,对于每个状态-动作对 ,初始化其动作价值函数的估计值/>。
进一步地,根据当前的状态,选择动作/>,根据选择的动作/>,执行该动作并观察环境给出的即时奖励/>和新状态/>。
详细地,使用预设的更新算法对动作价值函数的估计值进行更新,直到达到预设的停止条件,例如:达到最大迭代次数或者动作价值函数收敛。
通过以上步骤,可以使用预设的更新算法对用户行为环境模型进行参数优化,得到优化后的用户行为环境模型,以更准确地预测和推荐用户行为。
详细地,所述学习率表示每次更新时,新观测到的信息对动作价值的影响程度,它控制着当前观测到的奖励对动作价值的影响程度。如果/>较大,则新观测到的信息会更快地影响动作价值;如果/>较小,则更新幅度较小。
详细地,所述折扣因子用于平衡当前奖励和未来奖励的重要性,它表示了未来奖励对当前决策的影响程度。当/>接近 0 时,算法更加关注当前奖励;当/>接近 1 时,算法更加关注未来奖励。
详细地,当前的环境状态是描述环境的特定情况或配置的变量。在强化学习中,状态是智能体在环境中观察到的信息,它可以是离散的或连续的,用来表示环境的各种属性或特征。智能体根据当前的状态来选择动作,并根据环境的反馈进行学习和调整策略。
详细地,在当前的环境状态下采取的动作是智能体在特定状态下可以执行的操作或决策。在强化学习中,动作是智能体与环境交互的方式,它决定了智能体下一个状态会变成什么样子,以及智能体在环境中会获得什么样的奖励。智能体的目标是通过学习,选择在每个状态下能够获得最大累积奖励的动作序列。
总的来说,通过不断地在不同状态下选择动作,并根据环境的反馈进行动作价值函数的更新,以实现智能体在不同状态下选择最优动作的目标。
所述爆款推送模块106,用于利用所述优化后的用户行为环境模型生成所述多电商平台的广告投放策略,根据所述广告投放策略对所述多电商平台中的目标用户进行爆款推送。
在本发明实施例中,所述爆款推送模块106在执行利用所述优化后的用户行为环境模型生成所述多电商平台的广告投放策略时,包括:
利用所述优化后的用户行为环境模型生成所述多电商平台中用户的用户行为模式;
根据所述用户行为模式和预设的平台投放目标生成所述多电商平台的广告投放策略。
详细地,基于优化后的用户行为环境模型,模拟用户在不同电商平台上的行为模式,这包括用户的浏览习惯、购买偏好、搜索行为等。
进一步地,所述预设的平台投放目标是根据各电商平台的特点、定位和目标受众而制定的,这些目标可能涵盖广告曝光量、点击率、转化率等指标,以及特定产品或服务的推广需求。
详细地,将生成的用户行为模式与预设的平台投放目标进行比较和分析,确定用户行为模式与目标之间的匹配度,找出潜在的优势和挑战,进而设计针对性的广告投放策略。
在本发明实施例中,所述爆款推送模块106在执行根据所述广告投放策略对所述多电商平台中的目标用户进行爆款推送时,包括:根据用户行为模式和平台特点,确定最具潜力的目标受众群体;根据用户行为特征和投放目标,选择适合的广告类型和形式,例如搜索广告、展示广告、视频广告等;根据用户偏好和行为模式,个性化地设计广告内容,提高广告的吸引力和点击率;结合用户活跃时间和购买习惯,选择最佳的广告投放时机和位置,以最大程度地提高广告触达率和转化率。
参照图2所示,为本发明一实施例提供的电商爆款多平台协同推送方法的流程示意图。在本实施例中,所述电商爆款多平台协同推送方法包括:
S1、根据预先获取的多电商平台的历史用户授权数据生成所述多电商平台的历史用户行为数据;
S2、利用所述历史用户行为数据构建所述多电商平台的用户行为环境模型;
S3、根据预先获取的用户反馈数据生成所述多电商平台的推送效果评价指标,根据所述推送效果评价指标生成所述多电商平台中推送动作的奖励函数,其中,所述奖励函数是:其中,/>是在当前的环境状态/>下采取动作/>获得的即时奖励,/>是点击率,是购买转化率,/>是用户满意度,/>是点击率在总奖励中的重要性,/>是购买转化率在总奖励中的重要性,/>是用户满意度在总奖励中的重要性,/>表示当前的环境状态,/>表示在当前的环境状态下采取的动作;
S4、根据所述用户行为环境模型的选择动作和所述奖励函数生成所述用户行为环境模型的动作奖励;
S5、根据所述动作奖励对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型;
S6、利用所述优化后的用户行为环境模型生成所述多电商平台的广告投放策略,根据所述广告投放策略对所述多电商平台中的目标用户进行爆款推送。
本发明通过整合多电商平台的历史用户授权数据,生成历史用户行为数据,从而更准确地把握用户偏好和行为模式,利用获取的历史数据建立模型,模拟用户在不同环境下的行为反应,为后续的推荐系统提供基础,依据用户满意度、点击率和购买转化率等指标,设计奖励函数,进而调整推送动作,实现广告投放策略的优化,因此本发明提出的电商爆款多平台协同推送方法,可以提高电商爆款多平台协同推送时的推送效率。
如图3所示,是本发明一实施例提供的实现电商爆款多平台协同推送方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如电商爆款多平台协同推送程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行电商爆款多平台协同推送程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的存储介质,所述存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如电商爆款多平台协同推送程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他电子设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的电商爆款多平台协同推送程序是多个指令的组合,在所述处理器10中运行时,可以实现:
根据预先获取的多电商平台的历史用户授权数据生成所述多电商平台的历史用户行为数据;
利用所述历史用户行为数据构建所述多电商平台的用户行为环境模型;
根据预先获取的用户反馈数据生成所述多电商平台的推送效果评价指标,根据所述推送效果评价指标生成所述多电商平台中推送动作的奖励函数,其中,所述奖励函数是:其中,是在当前的环境状态/>下采取动作/>获得的即时奖励,/>是点击率,是购买转化率,/>是用户满意度,/>是点击率在总奖励中的重要性,/>是购买转化率在总奖励中的重要性,/>是用户满意度在总奖励中的重要性,/>表示当前的环境状态,/>表示在当前的环境状态下采取的动作;
根据所述用户行为环境模型的选择动作和所述奖励函数生成所述用户行为环境模型的动作奖励;
根据所述动作奖励对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型;
利用所述优化后的用户行为环境模型生成所述多电商平台的广告投放策略,根据所述广告投放策略对所述多电商平台中的目标用户进行爆款推送。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以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,可以存储在一个存储介质中。所述存储介质可以是易失性的,也可以是非易失性的。例如,所述存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
根据预先获取的多电商平台的历史用户授权数据生成所述多电商平台的历史用户行为数据;
利用所述历史用户行为数据构建所述多电商平台的用户行为环境模型;
根据预先获取的用户反馈数据生成所述多电商平台的推送效果评价指标,根据所述推送效果评价指标生成所述多电商平台中推送动作的奖励函数,其中,所述奖励函数是:其中,是在当前的环境状态/>下采取动作/>获得的即时奖励,/>是点击率,是购买转化率,/>是用户满意度,/>是点击率在总奖励中的重要性,/>是购买转化率在总奖励中的重要性,/>是用户满意度在总奖励中的重要性,/>表示当前的环境状态,/>表示在当前的环境状态下采取的动作;
根据所述用户行为环境模型的选择动作和所述奖励函数生成所述用户行为环境模型的动作奖励;
根据所述动作奖励对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型;
利用所述优化后的用户行为环境模型生成所述多电商平台的广告投放策略,根据所述广告投放策略对所述多电商平台中的目标用户进行爆款推送。
在本发明所提供的几个实施例中,应该理解到,所揭露的电子设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种电商爆款多平台协同推送系统,其特征在于,所述系统包括历史用户行为数据生成模块、用户行为环境模型构建模块、奖励函数生成模块、动作奖励生成模块、用户行为环境模型优化模块及爆款推送模块,其中:
所述历史用户行为数据生成模块,用于根据预先获取的多电商平台的历史用户授权数据生成所述多电商平台的历史用户行为数据;
所述用户行为环境模型构建模块,用于利用所述历史用户行为数据构建所述多电商平台的用户行为环境模型;
所述奖励函数生成模块,用于根据预先获取的用户反馈数据生成所述多电商平台的推送效果评价指标,根据所述推送效果评价指标生成所述多电商平台中推送动作的奖励函数,其中,所述奖励函数是:其中,是在当前的环境状态下/>采取动作/>获得的即时奖励,/>是点击率,是购买转化率,/>是用户满意度,/>是点击率在总奖励中的重要性,/>是购买转化率在总奖励中的重要性,/>是用户满意度在总奖励中的重要性,/>表示当前的环境状态,/>表示在当前的环境状态下采取的动作;
所述动作奖励生成模块,用于根据所述用户行为环境模型的选择动作和所述奖励函数生成所述用户行为环境模型的动作奖励;
所述用户行为环境模型优化模块,用于根据所述动作奖励对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型;
所述爆款推送模块,用于利用所述优化后的用户行为环境模型生成所述多电商平台的广告投放策略,根据所述广告投放策略对所述多电商平台中的目标用户进行爆款推送。
2.如权利要求1所述的电商爆款多平台协同推送系统,其特征在于,所述历史用户行为数据生成模块在执行根据预先获取的多电商平台的历史用户授权数据生成所述多电商平台的历史用户行为数据时,包括:
对预先获取的多电商平台的历史用户授权数据进行数据归一化,对所述数据归一化后的历史用户授权数据进行数据整合,得到所述多电商平台的整合数据;
根据所述整合数据提取所述多电商平台中用户的行为特征;
根据所述行为特征生成所述多电商平台的历史用户行为数据。
3.如权利要求1所述的电商爆款多平台协同推送系统,其特征在于,所述用户行为环境模型构建模块在执行利用所述历史用户行为数据构建所述多电商平台的用户行为环境模型时,包括:
对所述历史用户行为数据进行向量转化,得到所述历史用户行为数据的数据向量;
根据所述数据向量生成所述多电商平台的用户状态和所述多电商平台的平台环境;
根据所述用户状态和所述平台环境构建所述多电商平台的用户行为环境模型。
4.如权利要求1所述的电商爆款多平台协同推送系统,其特征在于,所述奖励函数生成模块在执行根据预先获取的用户反馈数据生成所述多电商平台的推送效果评价指标时,包括:
根据预先制定的指标类别对预先获取的用户反馈数据进行数据分类,得到所述用户反馈数据的分类数据;
根据所述分类数据中的点击次数和推送量生成所述多电商平台的点击率;
根据所述分类数据中的购买用户数和点击次数生成所述多电商平台的购买转化率;
根据所述分类数据生成所述多电商平台的用户满意度,汇集所述点击率、所述购买转化率和所述用户满意度为所述多电商平台的推送效果评价指标。
5.如权利要求1所述的电商爆款多平台协同推送系统,其特征在于,所述奖励函数生成模块在执行根据所述推送效果评价指标生成所述多电商平台中推送动作的奖励函数时,包括:
根据所述推送效果评价指标确定待生成的奖励函数的组成部分;
根据预设的业务需求逐个生成所述推送效果评价指标在所述待生成的奖励函数中重要性;
建立所述重要性与所述组成部分的关联关系;
根据所述组成部分、所述重要性和所述关联关系生成所述多电商平台中推送动作的奖励函数。
6.如权利要求1所述的电商爆款多平台协同推送系统,其特征在于,所述用户行为环境模型优化模块在执行根据所述动作奖励对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型时,包括:
根据所述动作奖励和预设的更新算法对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型,其中,所述预设的更新算法为:其中,/>是在时间步/>下,在当前的环境状态/>下采取动作/>的动作价值函数的估计值,是在时间步/>下,在当前的环境状态/>下采取动作/>的动作价值函数的估计值,/>是学习率,/>是折扣因子,/>是在状态/>下所有可能动作的最大动作价值估计值,/>是当前的环境状态,/>表示在当前的环境状态下采取的动作,/>是采取动作/>后转移到的新状态,/>是在状态/>下选择的动作,/>是在时间步/>下,在/>下采取动作/>的动作价值函数的估计值,/>是在状态/>下采取动作/>获得的即时奖励,/>是时间标识。
7.如权利要求1至6中任一项所述的电商爆款多平台协同推送系统,其特征在于,所述爆款推送模块在执行利用所述优化后的用户行为环境模型生成所述多电商平台的广告投放策略时,包括:
利用所述优化后的用户行为环境模型生成所述多电商平台中用户的用户行为模式;
根据所述用户行为模式和预设的平台投放目标生成所述多电商平台的广告投放策略。
8.一种电商爆款多平台协同推送方法,其特征在于,所述方法包括:
根据预先获取的多电商平台的历史用户授权数据生成所述多电商平台的历史用户行为数据;
利用所述历史用户行为数据构建所述多电商平台的用户行为环境模型;
根据预先获取的用户反馈数据生成所述多电商平台的推送效果评价指标,根据所述推送效果评价指标生成所述多电商平台中推送动作的奖励函数,其中,所述奖励函数是:其中,是在当前的环境状态/>下采取动作/>获得的即时奖励,/>是点击率,是购买转化率,/>是用户满意度,/>是点击率在总奖励中的重要性,/>是购买转化率在总奖励中的重要性,/>是用户满意度在总奖励中的重要性,/>表示当前的环境状态,/>表示在当前的环境状态下采取的动作;
根据所述用户行为环境模型的选择动作和所述奖励函数生成所述用户行为环境模型的动作奖励;
根据所述动作奖励对所述用户行为环境模型进行参数优化,得到优化后的用户行为环境模型;
利用所述优化后的用户行为环境模型生成所述多电商平台的广告投放策略,根据所述广告投放策略对所述多电商平台中的目标用户进行爆款推送。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求8所述的电商爆款多平台协同推送方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求8所述的电商爆款多平台协同推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410561061.9A CN118134553B (zh) | 2024-05-08 | 2024-05-08 | 一种电商爆款多平台协同推送系统、方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410561061.9A CN118134553B (zh) | 2024-05-08 | 2024-05-08 | 一种电商爆款多平台协同推送系统、方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118134553A true CN118134553A (zh) | 2024-06-04 |
CN118134553B CN118134553B (zh) | 2024-07-19 |
Family
ID=91238388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410561061.9A Active CN118134553B (zh) | 2024-05-08 | 2024-05-08 | 一种电商爆款多平台协同推送系统、方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118134553B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118333684A (zh) * | 2024-06-14 | 2024-07-12 | 青岛蓝图智库信息技术有限公司 | 基于用户数据资产价值的正向激励便民服务系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100257053A1 (en) * | 1999-11-08 | 2010-10-07 | Aol Advertising Inc. | Systems and methods for placing electronic advertisements |
WO2015079460A1 (en) * | 2013-11-28 | 2015-06-04 | Gupta Lucky | System for computing contribution and providing appropriate incentives |
CN107742225A (zh) * | 2017-09-18 | 2018-02-27 | 武汉市悠卡互联科技有限公司 | 一种用于多平台信息分享的商户广告推广方法及系统 |
US20180374138A1 (en) * | 2017-06-23 | 2018-12-27 | Vufind Inc. | Leveraging delayed and partial reward in deep reinforcement learning artificial intelligence systems to provide purchase recommendations |
CN109711885A (zh) * | 2018-12-27 | 2019-05-03 | 上海旺翔文化传媒股份有限公司 | 激励视频广告智能投放方法 |
CN111127075A (zh) * | 2019-11-28 | 2020-05-08 | 泰康保险集团股份有限公司 | 交互式推广方法、装置、电子设备以及存储介质 |
US10672035B1 (en) * | 2013-03-15 | 2020-06-02 | Verizon Media Inc. | Systems and methods for optimizing advertising spending using a user influenced advertisement policy |
CN111401937A (zh) * | 2020-02-26 | 2020-07-10 | 平安科技(深圳)有限公司 | 数据推送方法、装置及存储介质 |
-
2024
- 2024-05-08 CN CN202410561061.9A patent/CN118134553B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100257053A1 (en) * | 1999-11-08 | 2010-10-07 | Aol Advertising Inc. | Systems and methods for placing electronic advertisements |
US10672035B1 (en) * | 2013-03-15 | 2020-06-02 | Verizon Media Inc. | Systems and methods for optimizing advertising spending using a user influenced advertisement policy |
WO2015079460A1 (en) * | 2013-11-28 | 2015-06-04 | Gupta Lucky | System for computing contribution and providing appropriate incentives |
US20180374138A1 (en) * | 2017-06-23 | 2018-12-27 | Vufind Inc. | Leveraging delayed and partial reward in deep reinforcement learning artificial intelligence systems to provide purchase recommendations |
CN107742225A (zh) * | 2017-09-18 | 2018-02-27 | 武汉市悠卡互联科技有限公司 | 一种用于多平台信息分享的商户广告推广方法及系统 |
CN109711885A (zh) * | 2018-12-27 | 2019-05-03 | 上海旺翔文化传媒股份有限公司 | 激励视频广告智能投放方法 |
CN111127075A (zh) * | 2019-11-28 | 2020-05-08 | 泰康保险集团股份有限公司 | 交互式推广方法、装置、电子设备以及存储介质 |
CN111401937A (zh) * | 2020-02-26 | 2020-07-10 | 平安科技(深圳)有限公司 | 数据推送方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
宋鑫超;高渝淳;贾圣瑛;曹永昌;: "基于分户匹配推送模式的互利GSP竞价交易模型", 数学建模及其应用, no. 02, 15 June 2020 (2020-06-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118333684A (zh) * | 2024-06-14 | 2024-07-12 | 青岛蓝图智库信息技术有限公司 | 基于用户数据资产价值的正向激励便民服务系统 |
Also Published As
Publication number | Publication date |
---|---|
CN118134553B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | A Bayesian network approach to examining key success factors of mobile games | |
Luo | Analyzing the impact of social networks and social behavior on electronic business during COVID-19 pandemic | |
CN118134553B (zh) | 一种电商爆款多平台协同推送系统、方法、设备及介质 | |
CN110147882B (zh) | 神经网络模型的训练方法、人群扩散方法、装置及设备 | |
CN108154401A (zh) | 用户画像刻画方法、装置、介质和计算设备 | |
CN112398947B (zh) | 一种信息推送方法、装置、设备及计算机可读存储介质 | |
Goldfarb et al. | Are all managers created equal? | |
Goodwin et al. | The challenges of pre-launch forecasting of adoption time series for new durable products | |
CN107077687A (zh) | 获得与消费者有关的数据、处理所述数据并提供以电子方式生成的消费者报价的输出 | |
CN111476622B (zh) | 一种物品推送方法及装置、计算机可读存储介质 | |
WO2017219121A2 (en) | Method and system for determining optimized customer touchpoints | |
CN112053184B (zh) | 推广信息投放方法、装置、电子设备以及存储介质 | |
CN111767458A (zh) | 信息推送方法、装置、系统及存储介质 | |
Lee et al. | Switching decision, timing, and app performance: An empirical analysis of mobile app developers’ switching behavior between monetization strategies | |
US11636313B2 (en) | Recommendation system based on neural network models to improve efficiencies in interacting with e-commerce platforms | |
CN116308505A (zh) | 资源分配方法、装置、存储介质和计算机设备 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
US11270315B2 (en) | Agent awareness modeling for agent-based modeling systems | |
Wei et al. | Product diffusion in dynamic online social networks: A multi-agent simulation based on gravity theory | |
CN113688306A (zh) | 一种基于强化学习的推荐策略生成方法及装置 | |
CN110298730A (zh) | 新零售模式下基于机器学习算法的商品推送方法及设备 | |
Stavinova et al. | Synthetic data-based simulators for recommender systems: A survey | |
Zutshi et al. | Simulation and forecasting of digital pricing models for an e-procurement platform using an agent-based simulation model | |
CN111784091B (zh) | 用于处理信息的方法和装置 | |
WO2013067241A1 (en) | Auto-calibration for agent-based purchase modeling systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |