TW201937428A - 行銷產品的推薦方法和裝置 - Google Patents
行銷產品的推薦方法和裝置 Download PDFInfo
- Publication number
- TW201937428A TW201937428A TW107146773A TW107146773A TW201937428A TW 201937428 A TW201937428 A TW 201937428A TW 107146773 A TW107146773 A TW 107146773A TW 107146773 A TW107146773 A TW 107146773A TW 201937428 A TW201937428 A TW 201937428A
- Authority
- TW
- Taiwan
- Prior art keywords
- user
- product
- marketing
- feature
- click
- Prior art date
Links
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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- 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
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/0254—Targeted advertisements based on statistics
-
- 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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Abstract
本說明書提供一種行銷產品的推薦方法，包括：在收到使用者對行銷產品資料的請求後，獲取所述使用者的使用者特徵和每個行銷產品的產品特徵；基於使用者特徵和產品特徵產生交叉特徵；將使用者特徵、產品特徵和交叉特徵輸入點擊率評估模型，得到所述使用者對每個行銷產品的點擊率評估值；所述點擊率評估模型為機器學習模型，採用已知點擊率的使用者特徵和行銷產品特徵樣本進行訓練；根據所述點擊率評估值判定M個行銷產品，向使用者返回的所述M個行銷產品的資料；M為自然數。
Description
本說明書涉及資料處理技術領域，尤其涉及一種行銷產品的推薦方法和裝置。
網路技術的發展，使得人們能夠超越時間約束和空間限制，隨時隨地的獲取資訊、並通過與他人或企業進行資訊交換來完成生活和工作中的各種事項。隨著人們將更多的注意力和時間轉移到網路上，企業逐漸將行銷資源更多的投入到網際網路行銷中，來適應人們行為的變化。
網際網路行銷最重要的優勢之一在於具備一對一的行銷能力，能夠針對不同的使用者推薦不同的行銷產品。如何將更加符合使用者的興趣和需求的行銷產品推薦給使用者，是提高行銷效率、避免無效資訊對使用者造成干擾的關鍵所在。
網際網路行銷最重要的優勢之一在於具備一對一的行銷能力，能夠針對不同的使用者推薦不同的行銷產品。如何將更加符合使用者的興趣和需求的行銷產品推薦給使用者，是提高行銷效率、避免無效資訊對使用者造成干擾的關鍵所在。
有鑑於此，本說明書提供一種行銷產品的推薦方法，包括：
在收到使用者對行銷產品資料的請求後，獲取所述使用者的使用者特徵和每個行銷產品的產品特徵；
基於使用者特徵和產品特徵產生交叉特徵；
將使用者特徵、產品特徵和交叉特徵輸入點擊率評估模型，得到所述使用者對每個行銷產品的點擊率評估值；所述點擊率評估模型為機器學習模型，採用已知點擊率的使用者特徵和行銷產品特徵樣本進行訓練；
根據所述點擊率評估值判定M個行銷產品，向使用者返回的所述M個行銷產品的資料；M為自然數。
本說明書還提供了一種行銷產品的推薦裝置，包括：
特徵獲取單元，用於在收到使用者對行銷產品資料的請求後，獲取所述使用者的使用者特徵和每個行銷產品的產品特徵；
交叉特徵單元，用於基於使用者特徵和產品特徵產生交叉特徵；
點擊率評估單元，用於將使用者特徵、產品特徵和交叉特徵輸入點擊率評估模型，得到所述使用者對每個行銷產品的點擊率評估值；所述點擊率評估模型為機器學習模型，採用已知點擊率的使用者特徵和行銷產品特徵樣本進行訓練；
行銷產品單元，用於根據所述點擊率評估值判定M個行銷產品，向使用者返回的所述M個行銷產品的資料；M為自然數。
本說明書提供的一種電腦設備，包括：記憶體和處理器；所述記憶體上儲存有可由處理器運行的電腦程式；所述處理器運行所述電腦程式時，執行上述行銷產品的推薦方法所述的步驟。
本說明書提供的一種電腦可讀儲存媒體，其上儲存有電腦程式，所述電腦程式被處理器運行時，執行上述行銷產品的推薦方法所述的步驟。
由以上技術方案可見，本說明書的實施例中，採用使用者特徵、行銷產品特徵、以及使用者特徵和產品特徵產生的交叉特徵來構建點擊率評估模型，利用訓練完成的點擊率評估模型來得出各個行銷產品對某個使用者的點擊率評估值，並根據點擊率評估值來選擇向該使用者推薦的行銷產品，從而能夠更為準確的衡量使用者與行銷產品的匹配程度，使得推薦的行銷產品更為符合使用者的興趣和需求，減少了無效的行銷資訊對使用者造成的干擾。
在收到使用者對行銷產品資料的請求後，獲取所述使用者的使用者特徵和每個行銷產品的產品特徵；
基於使用者特徵和產品特徵產生交叉特徵；
將使用者特徵、產品特徵和交叉特徵輸入點擊率評估模型，得到所述使用者對每個行銷產品的點擊率評估值；所述點擊率評估模型為機器學習模型，採用已知點擊率的使用者特徵和行銷產品特徵樣本進行訓練；
根據所述點擊率評估值判定M個行銷產品，向使用者返回的所述M個行銷產品的資料；M為自然數。
本說明書還提供了一種行銷產品的推薦裝置，包括：
特徵獲取單元，用於在收到使用者對行銷產品資料的請求後，獲取所述使用者的使用者特徵和每個行銷產品的產品特徵；
交叉特徵單元，用於基於使用者特徵和產品特徵產生交叉特徵；
點擊率評估單元，用於將使用者特徵、產品特徵和交叉特徵輸入點擊率評估模型，得到所述使用者對每個行銷產品的點擊率評估值；所述點擊率評估模型為機器學習模型，採用已知點擊率的使用者特徵和行銷產品特徵樣本進行訓練；
行銷產品單元，用於根據所述點擊率評估值判定M個行銷產品，向使用者返回的所述M個行銷產品的資料；M為自然數。
本說明書提供的一種電腦設備，包括：記憶體和處理器；所述記憶體上儲存有可由處理器運行的電腦程式；所述處理器運行所述電腦程式時，執行上述行銷產品的推薦方法所述的步驟。
本說明書提供的一種電腦可讀儲存媒體，其上儲存有電腦程式，所述電腦程式被處理器運行時，執行上述行銷產品的推薦方法所述的步驟。
由以上技術方案可見，本說明書的實施例中，採用使用者特徵、行銷產品特徵、以及使用者特徵和產品特徵產生的交叉特徵來構建點擊率評估模型，利用訓練完成的點擊率評估模型來得出各個行銷產品對某個使用者的點擊率評估值，並根據點擊率評估值來選擇向該使用者推薦的行銷產品，從而能夠更為準確的衡量使用者與行銷產品的匹配程度，使得推薦的行銷產品更為符合使用者的興趣和需求，減少了無效的行銷資訊對使用者造成的干擾。
本說明書的實施例提出一種新的行銷產品的推薦方法，分別採用使用者特徵和產品特徵來對使用者和行銷產品進行描述，以使用者特徵、產品特徵、以及由使用者特徵和產品特徵產生的交叉特徵來構建點擊率評估模型，以點擊率評估模型輸出的點擊率評估值來預測某個行銷產品和某個使用者的匹配程度，並依據點擊率評估值來判定向該使用者推薦的行銷產品，使得行銷產品相對於使用者更加有針對性，提高了行銷的效率和成功率，並且大大降低了無效行銷資訊對使用者的打擾。
本說明書的實施例可以運行在任何具有計算和儲存能力的設備上，如手機、平板電腦、PC（Personal Computer，個人電腦）、筆記本、伺服器等設備；還可以由運行在兩個或兩個以上設備的邏輯節點來實現本說明書實施例中的各項功能。
本說明書的實施例運行在網路服務提供商的服務端，當使用者在自己的終端上訪問服務端時，服務端在若干個行銷產品中選擇M（M為自然數）個推薦給使用者。其中，行銷產品可以是任何企業希望向使用者推廣的商品、服務、活動等的相關資訊；行銷產品的表現形式不做限定，可以是帶有連結的文字、圖片、動畫等；行銷產品的推廣形式也不做限定，可以是頁面上的廣告位元、向使用者終端的消息推送、搜索結果中的優先排位等。
本說明書的實施例中，採用使用者特徵、產品特徵和交叉特徵來建立機器學習模型，本說明書中稱之點擊率評估模型，用來對行銷產品與使用者之間的匹配程度進行評估。
其中，使用者特徵可以是任何能夠體現使用者個性化特點的資訊，可以將某個具體應用場景中反映對行銷產品的興趣和需求的使用者個性化資訊作為該應用場景中的使用者特徵，本說明書的實施例不做限定。
在一個例子中，可以將使用者的背景特徵和/或使用者的行為特徵來作為使用者特徵。其中，使用者的背景特徵根據使用者個人資訊產生，是基於靜態資料刻畫的使用者固有特性；使用者的行為特徵根據使用者的歷史行為記錄產生，是通過使用者網際網路行為資料構建的動態特性。使用者的背景特徵可以基於使用者在網路服務提供商的服務端的註冊資訊、以及使用者在其它關聯網站留存的靜態資料來構建；背景特徵可以是：使用者的性別、年齡、受教育年限、最高學歷、家庭住址、畢業院校等中的一項到多項。使用者的歷史行為記錄可以包括使用者在訪問網路服務提供商的服務端時對行銷產品相關服務的展示、點擊瀏覽、購買等行為，也可以包括使用者在訪問和使用其他服務提供者時對上述服務的展示、點擊瀏覽、購買等行為；可以採用這些動態的歷史行為記錄來構建出與行銷產品相關的行為特徵，例如對金融消費類的行銷產品，行為特徵可以是：購買力、品牌偏好、風險偏好、投資經驗、偏好理財類型等中的一項到多項。
產品特徵可以是任何體現行銷產品特性的資訊，可以將某個具體應用場景中可能影響使用者的興趣和需求的行銷產品特性，用來作為該應用場景中的產品特徵，不做限定。例如，可以將行銷產品的產品屬性和/或行銷屬性來作為產品特徵，其中，產品屬性用來描述行銷產品本身的產品特點，可以是產品類型、產品好評度、產品銷量等中的一項到多項；產品屬性用來描述行銷產品的行銷特點，可以是行銷新穎度、折扣程度等中的一項到多項。
交叉特徵是將使用者特徵和產品特徵進行交叉組合形成組合類特徵，每個交叉特徵由至少一個使用者特徵和至少一個產品特徵組合而成，該交叉特徵的值也由組合該交叉特徵的各個使用者特徵和產品特徵的取值來判定。可以根據實際應用場景的需要，來判定交叉特徵的數量、各個交叉特徵由哪些使用者特徵和哪些產品特徵進行交叉組合、以及如何得出交叉特徵的取值，本說明書的實施例均不做限定。以下以兩種實現方式為例說明。
在第一種實現方式中，交叉特徵由部分使用者特徵和部分產品特徵組合而成。可以在服務端預置在點擊率評估模型中使用的每個交叉特徵的取值計算方式，即：在點擊率評估模型中使用了哪些交叉特徵、以及如何通過組合某個交叉特徵的使用者特徵和產品特徵的值來得出該交叉特徵的值。這樣，在已知點擊率評估模型中的使用者特徵取值、產品特徵取值的前提下，即可計算得出每個交叉特徵的取值。例如，某個點擊率評估模型中使用了2個交叉特徵，在服務端預置的交叉特徵計算方式如表1所示：
在第二種實現方式中，使用者特徵和產品特徵中包括連續型特徵（即使用者特徵或產品特徵的取值是連續的）和離散型特徵（即使用者特徵或產品特徵的取值是離散的），交叉特徵由離散型的使用者特徵和離散型的產品特徵組合而成，交叉特徵的取值由組合該交叉特徵的使用者特徵和產品特徵進行預定的邏輯運算來判定。例如，假設一個應用場景中使用者特徵包括S（S為自然數）項離散型特徵，產品特徵包括T（T為自然數）項離散型特徵，所有離散型特徵的取值均為0或1；該應用場景的點擊率評估模型中使用了S◊T項交叉特徵，分別由每項離散型使用者特徵和每項離散型產品特徵進行交叉組合而成，每項交叉特徵的取值為組合該交叉特徵的離散型使用者特徵取值和離散型產品特徵取值的邏輯與運算結果。
點擊率評估模型可以是採用任意演算法的機器學習模型，所採用的演算法可以根據實際應用場景的特點來選擇，不做限定。例如，可以是基於支援向量機的機器學習模型，如SVC（Support Vector Machine，支持向量機）等；可以是基於樹型的機器學習模型，如GBDT（Gradient Boosting Decision Tree，梯度提升決策樹）等；可以是線性模型，如LR（Logistic Regression，邏輯回歸）等；也可以是神經網路模型，如DNN（Deep Neural Networks，深度神經網路）、RNN（Recurrent Neural Networks，迴圈神經網路）、CNN（Convolutional Neural Networks，卷積神經網路）等。
在一種實現方式中，採用Wide and Deep（深度和廣度）模型來建立點擊率評估模型。Wide and Deep模型包括線性子模型和深度神經網路子模型，採用將深度神經網路子模型與淺層線性子模型相結合的訓練模式。通過結合線性子模型的記憶能力（memorization）和深度神經網路子模型的泛化能力（generalization），並且採用聯合訓練（joint training），將整體模型的訓練誤差同時回饋到線性子模型和深度神經網路子模型中進行參數更新，同時優化2個子模型的參數，從而達到整體Wide and Deep模型的預測能力最優。可以根據實際應用場景的需要來判定將使用者特徵、產品特徵和交叉特徵中的哪些作為線性子模型的輸入、哪些作為深度神經網路子模型，本說明書的實施例不做限定。例如，可以將使用者特徵、產品特徵和交叉特徵中的離散型特徵作為線性子模型的輸入，將連續型特徵作為深度神經網路子模型的輸入。
點擊率評估模型的輸入包括使用者特徵、產品特徵和交叉特徵，輸出為點擊率評估值。點擊率評估模型採用已知點擊率的使用者特徵和行銷產品特徵樣本進行訓練，即點擊率評估模型的訓練樣本中已知的資料包括每個樣本的使用者特徵、產品特徵和作為輸出的點擊率，作為輸入的交叉特徵可以由使用者特徵和產品特徵自動計算得出。
一個訓練樣本中的已知點擊率可以根據具有該樣本中使用者特徵的使用者對具有該樣本中產品特徵的行銷產品做出的行為來判定。在一個例子中，可以根據展示數和點擊綜合數來判定已知點擊率，其中，展示數是在預定時間段內向該使用者展示該行銷產品的次數；點擊綜合數用來衡量該使用者對該行銷產品的綜合反應，根據預定時間段內該使用者針對該行銷產品所進行的行為以及行為的次數判定，使用者針對該行銷產品所進行的行為可以是主動瀏覽、收藏、評論、預訂、購買等行為中的一項到多項。
可以為使用者對行銷產品所進行的各種行為設置預定的權重，以各種行為次數的加權和來作為使用者的點擊綜合數。假設某個應用場景中以使用者對行銷產品的點擊瀏覽行為（即在向使用者展示行銷產品後，使用者以點擊或者以其他方式主動獲取行銷產品資訊的行為）和購買行為來計算點擊綜合數，則已知點擊率可以根據以下方式判定：將預定時間段內使用者購買行銷產品的次數按預定比例折算為點擊數，以預定時間段內使用者點擊瀏覽行銷產品的次數與折算後的點擊數之和作為點擊綜合數，將點擊綜合數相對於展示數的比例作為已知點擊率。
在點擊率評估模型訓練完成後，即可通過模型輸出的點擊率評估值來衡量某個使用者對某個行銷產品的興趣和需求程度，或者說用來預測該使用者與該行銷產品的匹配程度。在點擊率評估模型中採用交叉模型作為輸入，可以使點擊率評估模型獲得較好的泛化能力，從而更為準確的預測使用者與行銷產品的匹配程度。
本說明書的實施例中，行銷產品的推薦方法的流程如圖1所示。
步驟110，在收到使用者對行銷產品資料的請求後，獲取該使用者的使用者特徵和每個行銷產品的產品特徵。
在使用者使用網路服務商提供的服務時，通過自己的終端訪問網路服務提供商的服務端，向服務端發起請求。本說明書的實施例中，當服務端回應使用者發起的請求時，需要向使用者的終端返回行銷產品資料時，該使用者發起的請求即是對行銷產品資料的請求；例如，使用者對行銷產品資料的請求可以是對要展示行銷產品的網頁資料的請求，也可以是對用來展示行銷產品的某個廣告位元的資料請求。
服務端可以在收到使用者對行銷產品資料的請求後，產生發起請求的使用者的使用者特徵；通常而言，為了加快回應速度，服務端會預先產生各個使用者的使用者特徵並保存，在收到請求後進行查詢即可。行銷產品的產品特徵可以由網路管理人員在服務端手動配置，也可以由服務端根據行銷產品的相關資訊自動產生，不做限定。
在一些行銷產品數量比較大的應用場景中，可以先對行銷產品進行預先篩選，在獲取篩選出的行銷產品的產品特徵。具體而言，在收到使用者對行銷產品資料的請求後，根據該使用者的偏好從所有行銷產品中篩選出N（N為不小於M的自然數）個行銷產品，獲取該使用者的使用者特徵和篩選出的N個行銷產品的產品特徵。其中，M是最終向使用者推薦的行銷產品的個數，N可以是一個預設的不小於M的數值，也可以是一個在滿足不小於M的條件下的可變數值。預先按照使用者的偏好篩選出的這N個行銷產品，將作為應用本說明書實施例的全部行銷產品，來在其中最終判定M個行銷產品推薦給使用者。另外，根據使用者的偏好對行銷產品進行篩選的具體方式可參照現有技術實現，不再贅述。
步驟120，基於使用者特徵和產品特徵產生交叉特徵。
在網路服務提供商的服務端得到使用者特徵和產品特徵後，採用使用者特徵的取值和各個產品特徵的取值，產生作為點擊率評估模型輸入的各個行銷產品的交叉特徵的值。
可以按照具體應用場景中在構建點擊率評估模型時所採用的交叉特徵、以及交叉特徵的值的判定方式，來得到各個交叉特徵的取值。
步驟130，將使用者特徵、產品特徵和交叉特徵輸入點擊率評估模型，得到該使用者對每個行銷產品的點擊率評估值。
將使用者特徵、每個行銷產品的產品特徵、使用者特徵和該行銷產品的產品特徵產生的交叉特徵分別輸入訓練完畢的點擊率評估模型後，得到該使用者對該行銷產品的點擊率評估值，來預測該使用者與該行銷產品的匹配程度。
步驟140，根據點擊率評估值判定M個行銷產品，向使用者返回的該M個行銷產品的資料。
基於該使用者對各個行銷產品的點擊率評估值，服務端選擇與該使用者匹配程度最高的M個行銷產品，將這M個行銷產品的資料返回給該使用者，供該使用者的終端向使用者展示這M個行銷產品。
可見，本說明書的實施例中，分別採用使用者特徵和產品特徵來對使用者和行銷產品進行描述，以使用者特徵、行銷產品特徵、以及使用者特徵和產品特徵產生的交叉特徵來構建點擊率評估模型，利用訓練完成的點擊率評估模型來得出各個行銷產品對某個使用者的點擊率評估值，來預測某個行銷產品和某個使用者的匹配程度，並依據點擊率評估值來判定向該使用者推薦的行銷產品，能夠更為準確的衡量使用者與行銷產品的匹配程度，使得行銷產品相對於使用者更加有針對性，減少了無效的行銷資訊對使用者造成的干擾。
上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在附圖中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多工處理和並行處理也是可以的或者可能是有利的。
在本說明書的一個應用示例中，第三方支付平臺的使用者通過其終端上安裝的使用者端App（應用程式）使用第三方支付平臺的支付服務。在App頁面的廣告位元上，第三方支付平臺可以向使用者推薦各種行銷產品。由於行銷產品數量眾多而廣告位元相當有限，第三方支付平臺的服務端要決定向使用者推薦哪些行銷產品。
第三方支付平臺採用使用者特徵來刻畫使用者的行為和背景，全面細緻的描繪出使用者的畫像。使用者特徵包括使用者的背景特徵和或使用者的行為特徵，分別從靜態和動態兩個維度，刻畫使用者的固有特性和即時動態行為特徵。其中，使用者的背景特徵通過使用者在第三方支付平臺的註冊資訊、以及使用者在其它關聯服務提供方留存的個人資訊來構建，包括：使用者性別（U2）、年齡（U5）、受教育年限（U6）；使用者的行為特徵基於使用者在App內的行為資料（如對各種服務的展示、點擊瀏覽、購買等）行為資料、以及使用者在其他關聯服務提供方的行為資料（如商品購買、廣告點擊、視頻瀏覽等）、還可以參考使用者的其他資訊（如使用的手機品牌、房產資訊等）來產生，包括購買力（U1）、風險偏好（U3）、投資經驗（U4）。使用者特徵中，U1、U2、和U3為離散型特徵，取值為0或1；U4、U5、和U6為連續型特徵。
第三方支付平臺採用產品特徵來刻畫可以推薦給使用者的各個行銷產品。產品特徵由描述產品本身的產品屬性和描述行銷特點的行銷屬性組成，產品屬性包括產品類型（C1）、產品好評度（C2）、產品銷量（C4），行銷屬性包括行銷新穎度（C3）。產品特徵中，C1、C2、和C3為離散型特徵，取值為0或1；C4為連續型特徵。
第三方支付平臺定期預先提取相關資料，產生每個使用者的使用者特徵並保存。類似的，行銷產品的產品特徵管理該行銷產品的人員配置或由服務端提取相關資料自動產生後保存。
第三方支付平臺構建點擊率評估模型，點擊率評估模型的輸入為使用者的使用者特徵、行銷產品的產品特徵、以及由使用者特徵和產品特徵產生的交叉特徵，輸出為點擊率評估值。交叉特徵由每項離散型使用者特徵和每項離散型產品特徵進行交叉組合而成，由使用者特徵U1、U2、U3和產品特徵C1、C2、C3可以組合為9個交叉特徵：U1-C1、U1-C2、U1-C3、U2-C1、U2-C2、U2-C3、U3-C1、U3-C2、U3-C3。
交叉特徵的取值為組合該交叉特徵的離散型使用者特徵取值和離散型產品特徵取值的邏輯與運算結果。假設使用者1的使用者特徵U1、U2、U3的取值分別是：[U1_1 1] [U2_1 0] [U3_1 1]，行銷產品1的產品特徵C1、C2、C3的取值分別是：[C1_1 0] [C2_1 1] [C3_1 1]，則使用者1與行銷產品1的9個交叉特徵的取值分別是：[U1_1-C1_1 0] [U1_1-C2_1 1] [U1_1-C3_1 1] [U2_1-C1_1 0] [U2_1-C2_1 0] [U2_1-C3_1 0] [U3_1-C1_1 0] [U3_1-C2_1 1] [U3_1-C3_1 1]。
點擊率評估模型採用如圖2所示的Wide and Deep模型。其中，深度神經網路子模型的輸入為連續型特徵，包括使用者特徵U4、U5、U6和產品特徵C4。線性子模型的輸入為離散型特徵，包括使用者特徵U1、U2、U3、產品特徵C1、C2、C3、以及9個交叉特徵。深度神經網路子模型採用DNN演算法，線性子模型採用LR（logistic regression，邏輯回歸）演算法，即：深度神經網路子模型為DNN模型，線性子模型為LR模型。線性子模型的輸出和深度神經網路子模型的輸出經LR Loss（邏輯回歸損失）層神經元進行處理後，得到Wide and Deep模型的輸出。
由於在採用交叉特徵後，點擊率評估模型的輸入特徵數量通常比較大，可以通過L1範數對線性LR子模型進行約束，從而起到特徵篩選的作用。
在採用樣本資料訓練點擊率評估模型時，每個訓練樣本在點擊率評估模型的輸出（即該樣本的已知點擊率）由預定時間段內使用者在App上的展示、點擊瀏覽以及購買行為的次數判定。以預定時間段內某個行銷產品在App中展示給使用者的次數作為展示數PV，以預定時間段內使用者點擊App中展示的該行銷產品的次數作為點擊瀏覽次數Click，以預定時間段內使用者在App中購買該行銷產品的次數作為購買數Trans，則該使用者對該行銷產品的已知點擊率為：
上式中，每次對行銷產品的購買行為折算為次對行銷產品的點擊瀏覽行為。可以根據經驗來設置，例如10。
在採用樣本資料對點擊率評估模型完成訓練後，即可用點擊率評估模型來對某個使用者和某個行銷產品的匹配程度進行預測。
當使用者在其終端上使用第三方支付平臺的App時，在打開帶有M個行銷產品展示位元的頁面時，App向服務端發起對行銷產品資料的請求。
服務端在收到該請求後，查詢該App登錄使用者的偏好。該使用者的偏好可以由服務端根據該使用者的歷史行為（例如發生過某個交易事件，歷史上使用過某種類型服務等）預先判定。
服務端從所有可以推薦給該使用者的行銷產品中，按照使用者的偏好篩選出其中的N個行銷產品。
服務端查詢該使用者的使用者特徵和篩選出的N個行銷產品的產品特徵，根據使用者特徵U1、U2、U3和每個行銷產品的產品特徵C1、C2、C3的值，計算出每個行銷產品的9個交叉特徵的取值。
服務端分N次，將6個使用者特徵、每個行銷產品的4個產品特徵和9個交叉特徵輸入Wide and Deep點擊率評估模型，得到對應於N個行銷產品的點擊率評估值。
服務端按照N個點擊率評估值，選擇與該使用者最為匹配的M個行銷產品，將M個行銷產品的資料返回給App，由App展示給該使用者。
與上述流程實現對應，本說明書的實施例還提供了一種行銷產品的推薦裝置。該裝置可以通過軟體實現，也可以通過硬體或者軟硬體結合的方式實現。以軟體實現為例，作為邏輯意義上的裝置，是通過所在設備的CPU（Central Process Unit，中央處理器）將對應的電腦程式指令讀取到記憶體中運行形成的。從硬體層面而言，除了圖3所示的CPU、記憶體以及記憶體之外，行銷產品的推薦裝置所在的設備通常還包括用於進行無線信號收發的晶片等其他硬體，和/或用於實現網路通信功能的板卡等其他硬體。
圖4所示為本說明書實施例提供的一種行銷產品的推薦裝置，包括特徵獲取單元、交叉特徵單元、點擊率評估單元和行銷產品單元，其中：特徵獲取單元用於在收到使用者對行銷產品資料的請求後，獲取所述使用者的使用者特徵和每個行銷產品的產品特徵；交叉特徵單元用於基於使用者特徵和產品特徵產生交叉特徵；點擊率評估單元用於將使用者特徵、產品特徵和交叉特徵輸入點擊率評估模型，得到所述使用者對每個行銷產品的點擊率評估值；所述點擊率評估模型為機器學習模型，採用已知點擊率的使用者特徵和行銷產品特徵樣本進行訓練；行銷產品單元用於根據所述點擊率評估值判定M個行銷產品，向使用者返回的所述M個行銷產品的資料；M為自然數。
可選的，所述使用者特徵包括以下至少一項：根據使用者個人資訊產生的背景特徵、根據使用者的歷史行為記錄產生的行為特徵；所述背景特徵包括以下的一項到多項：性別、年齡、受教育年限、最高學歷、家庭住址、畢業院校；所述行為特徵包括以下的一項到多項：購買力、品牌偏好、風險偏好、投資經驗、偏好理財類型。
可選的，所述產品特徵包括以下至少一項：用於描述產品特點的產品屬性、用於描述行銷特點的行銷屬性；所述產品屬性包括以下的一項到多項：產品類型、產品好評度、產品銷量；所述行銷屬性包括以下的一項到多項：行銷新穎度、折扣程度。
可選的，所述使用者特徵包括S項離散型特徵，所述產品特徵包括T項離散型特徵，每項離散型使用者特徵和離散型產品特徵的取值為0或1；S、T為自然數；所述交叉特徵單元具體用於：將每項離散型使用者特徵和每項離散型產品特徵分別組合為S◊T項交叉特徵，以離散型使用者特徵取值和離散型產品特徵取值的邏輯與運算結果作為交叉特徵的取值。
一個例子中，所述已知點擊率根據展示數和點擊綜合數判定；所述展示數為預定時間段內向使用者展示行銷產品的次數；所述點擊綜合數根據預定時間段內使用者針對所述行銷產品所進行的行為以及行為的次數判定，使用者針對所述行銷產品所進行的行為包括以下至少一項：主動瀏覽、收藏、評論、預訂、購買所述行銷產品的行為。
上述例子中，所述已知點擊率根據以下方式判定：將預定時間段內使用者購買所述行銷產品的次數按預定比例折算為點擊數，以預定時間段內使用者點擊瀏覽所述行銷產品的次數與折算後的點擊數之和作為點擊綜合數，將點擊綜合數相對於展示數的比例作為已知點擊率。
一種實現方式中，所述點擊率評估模型為深度和廣度Wide and Deep模型，所述Wide and Deep模型包括線性子模型和深度神經網路子模型，以離散型特徵作為線性子模型的輸入，以連續型特徵作為深度神經網路子模型的輸入。
上述實現方式中，所述線性子模型為通過L1範數進行約束的邏輯回歸LR模型。
可選的，所述特徵獲取單元具體用於：在收到使用者對行銷產品資料的請求後，根據所述使用者的偏好從所有行銷產品中篩選出N個行銷產品，獲取所述使用者的使用者特徵和篩選出的N個行銷產品的產品特徵；N為不小於M的自然數。
本說明書的實施例提供了一種電腦設備，該電腦設備包括記憶體和處理器。其中，記憶體上儲存有能夠由處理器運行的電腦程式；處理器在運行儲存的電腦程式時，執行本說明書實施例中行銷產品的推薦方法的各個步驟。對行銷產品的推薦方法的各個步驟的詳細描述請參見之前的內容，不再重複。
本說明書的實施例提供了一種電腦可讀儲存媒體，該儲存媒體上儲存有電腦程式，這些電腦程式在被處理器運行時，執行本說明書實施例中行銷產品的推薦方法的各個步驟。對行銷產品的推薦方法的各個步驟的詳細描述請參見之前的內容，不再重複。
以上所述僅為本說明書的較佳實施例而已，並不用以限制本申請，凡在本申請的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本申請保護的範圍之內。
在一個典型的配置中，計算設備包括一個或多個處理器（CPU）、輸入/輸出介面、網路介面和記憶體。
記憶體可能包括電腦可讀媒體中的非永久性記憶體，隨機存取記憶體（RAM）和/或非揮發性記憶體等形式，如唯讀記憶體（ROM）或快閃記憶體（flash RAM）。記憶體是電腦可讀媒體的示例。
電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括，但不限於相變記憶體（PRAM）、靜態隨機存取記憶體（SRAM）、動態隨機存取記憶體（DRAM）、其他類型的隨機存取記憶體（RAM）、唯讀記憶體（ROM）、電可擦除可程式設計唯讀記憶體（EEPROM）、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體（CD-ROM）、數位多功能光碟（DVD）或其他光學儲存、磁盒式磁帶，磁帶磁磁片儲存或其他磁性存放裝置或任何其他非傳輸媒體，可用於儲存可以被計算設備訪問的資訊。按照本文中的界定，電腦可讀媒體不包括暫存電腦可讀媒體（transitory media），如調製的資料信號和載波。
還需要說明的是，術語「包括」、「包含」或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句「包括一個……」限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。
本領域技術人員應明白，本說明書的實施例可提供為方法、系統或電腦程式產品。因此，本說明書的實施例可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體方面的實施例的形式。而且，本說明書的實施例可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體（包括但不限於磁碟記憶體、CD-ROM、光學記憶體等）上實施的電腦程式產品的形式。
本說明書的實施例可以運行在任何具有計算和儲存能力的設備上，如手機、平板電腦、PC（Personal Computer，個人電腦）、筆記本、伺服器等設備；還可以由運行在兩個或兩個以上設備的邏輯節點來實現本說明書實施例中的各項功能。
本說明書的實施例運行在網路服務提供商的服務端，當使用者在自己的終端上訪問服務端時，服務端在若干個行銷產品中選擇M（M為自然數）個推薦給使用者。其中，行銷產品可以是任何企業希望向使用者推廣的商品、服務、活動等的相關資訊；行銷產品的表現形式不做限定，可以是帶有連結的文字、圖片、動畫等；行銷產品的推廣形式也不做限定，可以是頁面上的廣告位元、向使用者終端的消息推送、搜索結果中的優先排位等。
本說明書的實施例中，採用使用者特徵、產品特徵和交叉特徵來建立機器學習模型，本說明書中稱之點擊率評估模型，用來對行銷產品與使用者之間的匹配程度進行評估。
其中，使用者特徵可以是任何能夠體現使用者個性化特點的資訊，可以將某個具體應用場景中反映對行銷產品的興趣和需求的使用者個性化資訊作為該應用場景中的使用者特徵，本說明書的實施例不做限定。
在一個例子中，可以將使用者的背景特徵和/或使用者的行為特徵來作為使用者特徵。其中，使用者的背景特徵根據使用者個人資訊產生，是基於靜態資料刻畫的使用者固有特性；使用者的行為特徵根據使用者的歷史行為記錄產生，是通過使用者網際網路行為資料構建的動態特性。使用者的背景特徵可以基於使用者在網路服務提供商的服務端的註冊資訊、以及使用者在其它關聯網站留存的靜態資料來構建；背景特徵可以是：使用者的性別、年齡、受教育年限、最高學歷、家庭住址、畢業院校等中的一項到多項。使用者的歷史行為記錄可以包括使用者在訪問網路服務提供商的服務端時對行銷產品相關服務的展示、點擊瀏覽、購買等行為，也可以包括使用者在訪問和使用其他服務提供者時對上述服務的展示、點擊瀏覽、購買等行為；可以採用這些動態的歷史行為記錄來構建出與行銷產品相關的行為特徵，例如對金融消費類的行銷產品，行為特徵可以是：購買力、品牌偏好、風險偏好、投資經驗、偏好理財類型等中的一項到多項。
產品特徵可以是任何體現行銷產品特性的資訊，可以將某個具體應用場景中可能影響使用者的興趣和需求的行銷產品特性，用來作為該應用場景中的產品特徵，不做限定。例如，可以將行銷產品的產品屬性和/或行銷屬性來作為產品特徵，其中，產品屬性用來描述行銷產品本身的產品特點，可以是產品類型、產品好評度、產品銷量等中的一項到多項；產品屬性用來描述行銷產品的行銷特點，可以是行銷新穎度、折扣程度等中的一項到多項。
交叉特徵是將使用者特徵和產品特徵進行交叉組合形成組合類特徵，每個交叉特徵由至少一個使用者特徵和至少一個產品特徵組合而成，該交叉特徵的值也由組合該交叉特徵的各個使用者特徵和產品特徵的取值來判定。可以根據實際應用場景的需要，來判定交叉特徵的數量、各個交叉特徵由哪些使用者特徵和哪些產品特徵進行交叉組合、以及如何得出交叉特徵的取值，本說明書的實施例均不做限定。以下以兩種實現方式為例說明。
在第一種實現方式中，交叉特徵由部分使用者特徵和部分產品特徵組合而成。可以在服務端預置在點擊率評估模型中使用的每個交叉特徵的取值計算方式，即：在點擊率評估模型中使用了哪些交叉特徵、以及如何通過組合某個交叉特徵的使用者特徵和產品特徵的值來得出該交叉特徵的值。這樣，在已知點擊率評估模型中的使用者特徵取值、產品特徵取值的前提下，即可計算得出每個交叉特徵的取值。例如，某個點擊率評估模型中使用了2個交叉特徵，在服務端預置的交叉特徵計算方式如表1所示：
在第二種實現方式中，使用者特徵和產品特徵中包括連續型特徵（即使用者特徵或產品特徵的取值是連續的）和離散型特徵（即使用者特徵或產品特徵的取值是離散的），交叉特徵由離散型的使用者特徵和離散型的產品特徵組合而成，交叉特徵的取值由組合該交叉特徵的使用者特徵和產品特徵進行預定的邏輯運算來判定。例如，假設一個應用場景中使用者特徵包括S（S為自然數）項離散型特徵，產品特徵包括T（T為自然數）項離散型特徵，所有離散型特徵的取值均為0或1；該應用場景的點擊率評估模型中使用了S◊T項交叉特徵，分別由每項離散型使用者特徵和每項離散型產品特徵進行交叉組合而成，每項交叉特徵的取值為組合該交叉特徵的離散型使用者特徵取值和離散型產品特徵取值的邏輯與運算結果。
點擊率評估模型可以是採用任意演算法的機器學習模型，所採用的演算法可以根據實際應用場景的特點來選擇，不做限定。例如，可以是基於支援向量機的機器學習模型，如SVC（Support Vector Machine，支持向量機）等；可以是基於樹型的機器學習模型，如GBDT（Gradient Boosting Decision Tree，梯度提升決策樹）等；可以是線性模型，如LR（Logistic Regression，邏輯回歸）等；也可以是神經網路模型，如DNN（Deep Neural Networks，深度神經網路）、RNN（Recurrent Neural Networks，迴圈神經網路）、CNN（Convolutional Neural Networks，卷積神經網路）等。
在一種實現方式中，採用Wide and Deep（深度和廣度）模型來建立點擊率評估模型。Wide and Deep模型包括線性子模型和深度神經網路子模型，採用將深度神經網路子模型與淺層線性子模型相結合的訓練模式。通過結合線性子模型的記憶能力（memorization）和深度神經網路子模型的泛化能力（generalization），並且採用聯合訓練（joint training），將整體模型的訓練誤差同時回饋到線性子模型和深度神經網路子模型中進行參數更新，同時優化2個子模型的參數，從而達到整體Wide and Deep模型的預測能力最優。可以根據實際應用場景的需要來判定將使用者特徵、產品特徵和交叉特徵中的哪些作為線性子模型的輸入、哪些作為深度神經網路子模型，本說明書的實施例不做限定。例如，可以將使用者特徵、產品特徵和交叉特徵中的離散型特徵作為線性子模型的輸入，將連續型特徵作為深度神經網路子模型的輸入。
點擊率評估模型的輸入包括使用者特徵、產品特徵和交叉特徵，輸出為點擊率評估值。點擊率評估模型採用已知點擊率的使用者特徵和行銷產品特徵樣本進行訓練，即點擊率評估模型的訓練樣本中已知的資料包括每個樣本的使用者特徵、產品特徵和作為輸出的點擊率，作為輸入的交叉特徵可以由使用者特徵和產品特徵自動計算得出。
一個訓練樣本中的已知點擊率可以根據具有該樣本中使用者特徵的使用者對具有該樣本中產品特徵的行銷產品做出的行為來判定。在一個例子中，可以根據展示數和點擊綜合數來判定已知點擊率，其中，展示數是在預定時間段內向該使用者展示該行銷產品的次數；點擊綜合數用來衡量該使用者對該行銷產品的綜合反應，根據預定時間段內該使用者針對該行銷產品所進行的行為以及行為的次數判定，使用者針對該行銷產品所進行的行為可以是主動瀏覽、收藏、評論、預訂、購買等行為中的一項到多項。
可以為使用者對行銷產品所進行的各種行為設置預定的權重，以各種行為次數的加權和來作為使用者的點擊綜合數。假設某個應用場景中以使用者對行銷產品的點擊瀏覽行為（即在向使用者展示行銷產品後，使用者以點擊或者以其他方式主動獲取行銷產品資訊的行為）和購買行為來計算點擊綜合數，則已知點擊率可以根據以下方式判定：將預定時間段內使用者購買行銷產品的次數按預定比例折算為點擊數，以預定時間段內使用者點擊瀏覽行銷產品的次數與折算後的點擊數之和作為點擊綜合數，將點擊綜合數相對於展示數的比例作為已知點擊率。
在點擊率評估模型訓練完成後，即可通過模型輸出的點擊率評估值來衡量某個使用者對某個行銷產品的興趣和需求程度，或者說用來預測該使用者與該行銷產品的匹配程度。在點擊率評估模型中採用交叉模型作為輸入，可以使點擊率評估模型獲得較好的泛化能力，從而更為準確的預測使用者與行銷產品的匹配程度。
本說明書的實施例中，行銷產品的推薦方法的流程如圖1所示。
步驟110，在收到使用者對行銷產品資料的請求後，獲取該使用者的使用者特徵和每個行銷產品的產品特徵。
在使用者使用網路服務商提供的服務時，通過自己的終端訪問網路服務提供商的服務端，向服務端發起請求。本說明書的實施例中，當服務端回應使用者發起的請求時，需要向使用者的終端返回行銷產品資料時，該使用者發起的請求即是對行銷產品資料的請求；例如，使用者對行銷產品資料的請求可以是對要展示行銷產品的網頁資料的請求，也可以是對用來展示行銷產品的某個廣告位元的資料請求。
服務端可以在收到使用者對行銷產品資料的請求後，產生發起請求的使用者的使用者特徵；通常而言，為了加快回應速度，服務端會預先產生各個使用者的使用者特徵並保存，在收到請求後進行查詢即可。行銷產品的產品特徵可以由網路管理人員在服務端手動配置，也可以由服務端根據行銷產品的相關資訊自動產生，不做限定。
在一些行銷產品數量比較大的應用場景中，可以先對行銷產品進行預先篩選，在獲取篩選出的行銷產品的產品特徵。具體而言，在收到使用者對行銷產品資料的請求後，根據該使用者的偏好從所有行銷產品中篩選出N（N為不小於M的自然數）個行銷產品，獲取該使用者的使用者特徵和篩選出的N個行銷產品的產品特徵。其中，M是最終向使用者推薦的行銷產品的個數，N可以是一個預設的不小於M的數值，也可以是一個在滿足不小於M的條件下的可變數值。預先按照使用者的偏好篩選出的這N個行銷產品，將作為應用本說明書實施例的全部行銷產品，來在其中最終判定M個行銷產品推薦給使用者。另外，根據使用者的偏好對行銷產品進行篩選的具體方式可參照現有技術實現，不再贅述。
步驟120，基於使用者特徵和產品特徵產生交叉特徵。
在網路服務提供商的服務端得到使用者特徵和產品特徵後，採用使用者特徵的取值和各個產品特徵的取值，產生作為點擊率評估模型輸入的各個行銷產品的交叉特徵的值。
可以按照具體應用場景中在構建點擊率評估模型時所採用的交叉特徵、以及交叉特徵的值的判定方式，來得到各個交叉特徵的取值。
步驟130，將使用者特徵、產品特徵和交叉特徵輸入點擊率評估模型，得到該使用者對每個行銷產品的點擊率評估值。
將使用者特徵、每個行銷產品的產品特徵、使用者特徵和該行銷產品的產品特徵產生的交叉特徵分別輸入訓練完畢的點擊率評估模型後，得到該使用者對該行銷產品的點擊率評估值，來預測該使用者與該行銷產品的匹配程度。
步驟140，根據點擊率評估值判定M個行銷產品，向使用者返回的該M個行銷產品的資料。
基於該使用者對各個行銷產品的點擊率評估值，服務端選擇與該使用者匹配程度最高的M個行銷產品，將這M個行銷產品的資料返回給該使用者，供該使用者的終端向使用者展示這M個行銷產品。
可見，本說明書的實施例中，分別採用使用者特徵和產品特徵來對使用者和行銷產品進行描述，以使用者特徵、行銷產品特徵、以及使用者特徵和產品特徵產生的交叉特徵來構建點擊率評估模型，利用訓練完成的點擊率評估模型來得出各個行銷產品對某個使用者的點擊率評估值，來預測某個行銷產品和某個使用者的匹配程度，並依據點擊率評估值來判定向該使用者推薦的行銷產品，能夠更為準確的衡量使用者與行銷產品的匹配程度，使得行銷產品相對於使用者更加有針對性，減少了無效的行銷資訊對使用者造成的干擾。
上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在附圖中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多工處理和並行處理也是可以的或者可能是有利的。
在本說明書的一個應用示例中，第三方支付平臺的使用者通過其終端上安裝的使用者端App（應用程式）使用第三方支付平臺的支付服務。在App頁面的廣告位元上，第三方支付平臺可以向使用者推薦各種行銷產品。由於行銷產品數量眾多而廣告位元相當有限，第三方支付平臺的服務端要決定向使用者推薦哪些行銷產品。
第三方支付平臺採用使用者特徵來刻畫使用者的行為和背景，全面細緻的描繪出使用者的畫像。使用者特徵包括使用者的背景特徵和或使用者的行為特徵，分別從靜態和動態兩個維度，刻畫使用者的固有特性和即時動態行為特徵。其中，使用者的背景特徵通過使用者在第三方支付平臺的註冊資訊、以及使用者在其它關聯服務提供方留存的個人資訊來構建，包括：使用者性別（U2）、年齡（U5）、受教育年限（U6）；使用者的行為特徵基於使用者在App內的行為資料（如對各種服務的展示、點擊瀏覽、購買等）行為資料、以及使用者在其他關聯服務提供方的行為資料（如商品購買、廣告點擊、視頻瀏覽等）、還可以參考使用者的其他資訊（如使用的手機品牌、房產資訊等）來產生，包括購買力（U1）、風險偏好（U3）、投資經驗（U4）。使用者特徵中，U1、U2、和U3為離散型特徵，取值為0或1；U4、U5、和U6為連續型特徵。
第三方支付平臺採用產品特徵來刻畫可以推薦給使用者的各個行銷產品。產品特徵由描述產品本身的產品屬性和描述行銷特點的行銷屬性組成，產品屬性包括產品類型（C1）、產品好評度（C2）、產品銷量（C4），行銷屬性包括行銷新穎度（C3）。產品特徵中，C1、C2、和C3為離散型特徵，取值為0或1；C4為連續型特徵。
第三方支付平臺定期預先提取相關資料，產生每個使用者的使用者特徵並保存。類似的，行銷產品的產品特徵管理該行銷產品的人員配置或由服務端提取相關資料自動產生後保存。
第三方支付平臺構建點擊率評估模型，點擊率評估模型的輸入為使用者的使用者特徵、行銷產品的產品特徵、以及由使用者特徵和產品特徵產生的交叉特徵，輸出為點擊率評估值。交叉特徵由每項離散型使用者特徵和每項離散型產品特徵進行交叉組合而成，由使用者特徵U1、U2、U3和產品特徵C1、C2、C3可以組合為9個交叉特徵：U1-C1、U1-C2、U1-C3、U2-C1、U2-C2、U2-C3、U3-C1、U3-C2、U3-C3。
交叉特徵的取值為組合該交叉特徵的離散型使用者特徵取值和離散型產品特徵取值的邏輯與運算結果。假設使用者1的使用者特徵U1、U2、U3的取值分別是：[U1_1 1] [U2_1 0] [U3_1 1]，行銷產品1的產品特徵C1、C2、C3的取值分別是：[C1_1 0] [C2_1 1] [C3_1 1]，則使用者1與行銷產品1的9個交叉特徵的取值分別是：[U1_1-C1_1 0] [U1_1-C2_1 1] [U1_1-C3_1 1] [U2_1-C1_1 0] [U2_1-C2_1 0] [U2_1-C3_1 0] [U3_1-C1_1 0] [U3_1-C2_1 1] [U3_1-C3_1 1]。
點擊率評估模型採用如圖2所示的Wide and Deep模型。其中，深度神經網路子模型的輸入為連續型特徵，包括使用者特徵U4、U5、U6和產品特徵C4。線性子模型的輸入為離散型特徵，包括使用者特徵U1、U2、U3、產品特徵C1、C2、C3、以及9個交叉特徵。深度神經網路子模型採用DNN演算法，線性子模型採用LR（logistic regression，邏輯回歸）演算法，即：深度神經網路子模型為DNN模型，線性子模型為LR模型。線性子模型的輸出和深度神經網路子模型的輸出經LR Loss（邏輯回歸損失）層神經元進行處理後，得到Wide and Deep模型的輸出。
由於在採用交叉特徵後，點擊率評估模型的輸入特徵數量通常比較大，可以通過L1範數對線性LR子模型進行約束，從而起到特徵篩選的作用。
在採用樣本資料訓練點擊率評估模型時，每個訓練樣本在點擊率評估模型的輸出（即該樣本的已知點擊率）由預定時間段內使用者在App上的展示、點擊瀏覽以及購買行為的次數判定。以預定時間段內某個行銷產品在App中展示給使用者的次數作為展示數PV，以預定時間段內使用者點擊App中展示的該行銷產品的次數作為點擊瀏覽次數Click，以預定時間段內使用者在App中購買該行銷產品的次數作為購買數Trans，則該使用者對該行銷產品的已知點擊率為：
上式中，每次對行銷產品的購買行為折算為次對行銷產品的點擊瀏覽行為。可以根據經驗來設置，例如10。
在採用樣本資料對點擊率評估模型完成訓練後，即可用點擊率評估模型來對某個使用者和某個行銷產品的匹配程度進行預測。
當使用者在其終端上使用第三方支付平臺的App時，在打開帶有M個行銷產品展示位元的頁面時，App向服務端發起對行銷產品資料的請求。
服務端在收到該請求後，查詢該App登錄使用者的偏好。該使用者的偏好可以由服務端根據該使用者的歷史行為（例如發生過某個交易事件，歷史上使用過某種類型服務等）預先判定。
服務端從所有可以推薦給該使用者的行銷產品中，按照使用者的偏好篩選出其中的N個行銷產品。
服務端查詢該使用者的使用者特徵和篩選出的N個行銷產品的產品特徵，根據使用者特徵U1、U2、U3和每個行銷產品的產品特徵C1、C2、C3的值，計算出每個行銷產品的9個交叉特徵的取值。
服務端分N次，將6個使用者特徵、每個行銷產品的4個產品特徵和9個交叉特徵輸入Wide and Deep點擊率評估模型，得到對應於N個行銷產品的點擊率評估值。
服務端按照N個點擊率評估值，選擇與該使用者最為匹配的M個行銷產品，將M個行銷產品的資料返回給App，由App展示給該使用者。
與上述流程實現對應，本說明書的實施例還提供了一種行銷產品的推薦裝置。該裝置可以通過軟體實現，也可以通過硬體或者軟硬體結合的方式實現。以軟體實現為例，作為邏輯意義上的裝置，是通過所在設備的CPU（Central Process Unit，中央處理器）將對應的電腦程式指令讀取到記憶體中運行形成的。從硬體層面而言，除了圖3所示的CPU、記憶體以及記憶體之外，行銷產品的推薦裝置所在的設備通常還包括用於進行無線信號收發的晶片等其他硬體，和/或用於實現網路通信功能的板卡等其他硬體。
圖4所示為本說明書實施例提供的一種行銷產品的推薦裝置，包括特徵獲取單元、交叉特徵單元、點擊率評估單元和行銷產品單元，其中：特徵獲取單元用於在收到使用者對行銷產品資料的請求後，獲取所述使用者的使用者特徵和每個行銷產品的產品特徵；交叉特徵單元用於基於使用者特徵和產品特徵產生交叉特徵；點擊率評估單元用於將使用者特徵、產品特徵和交叉特徵輸入點擊率評估模型，得到所述使用者對每個行銷產品的點擊率評估值；所述點擊率評估模型為機器學習模型，採用已知點擊率的使用者特徵和行銷產品特徵樣本進行訓練；行銷產品單元用於根據所述點擊率評估值判定M個行銷產品，向使用者返回的所述M個行銷產品的資料；M為自然數。
可選的，所述使用者特徵包括以下至少一項：根據使用者個人資訊產生的背景特徵、根據使用者的歷史行為記錄產生的行為特徵；所述背景特徵包括以下的一項到多項：性別、年齡、受教育年限、最高學歷、家庭住址、畢業院校；所述行為特徵包括以下的一項到多項：購買力、品牌偏好、風險偏好、投資經驗、偏好理財類型。
可選的，所述產品特徵包括以下至少一項：用於描述產品特點的產品屬性、用於描述行銷特點的行銷屬性；所述產品屬性包括以下的一項到多項：產品類型、產品好評度、產品銷量；所述行銷屬性包括以下的一項到多項：行銷新穎度、折扣程度。
可選的，所述使用者特徵包括S項離散型特徵，所述產品特徵包括T項離散型特徵，每項離散型使用者特徵和離散型產品特徵的取值為0或1；S、T為自然數；所述交叉特徵單元具體用於：將每項離散型使用者特徵和每項離散型產品特徵分別組合為S◊T項交叉特徵，以離散型使用者特徵取值和離散型產品特徵取值的邏輯與運算結果作為交叉特徵的取值。
一個例子中，所述已知點擊率根據展示數和點擊綜合數判定；所述展示數為預定時間段內向使用者展示行銷產品的次數；所述點擊綜合數根據預定時間段內使用者針對所述行銷產品所進行的行為以及行為的次數判定，使用者針對所述行銷產品所進行的行為包括以下至少一項：主動瀏覽、收藏、評論、預訂、購買所述行銷產品的行為。
上述例子中，所述已知點擊率根據以下方式判定：將預定時間段內使用者購買所述行銷產品的次數按預定比例折算為點擊數，以預定時間段內使用者點擊瀏覽所述行銷產品的次數與折算後的點擊數之和作為點擊綜合數，將點擊綜合數相對於展示數的比例作為已知點擊率。
一種實現方式中，所述點擊率評估模型為深度和廣度Wide and Deep模型，所述Wide and Deep模型包括線性子模型和深度神經網路子模型，以離散型特徵作為線性子模型的輸入，以連續型特徵作為深度神經網路子模型的輸入。
上述實現方式中，所述線性子模型為通過L1範數進行約束的邏輯回歸LR模型。
可選的，所述特徵獲取單元具體用於：在收到使用者對行銷產品資料的請求後，根據所述使用者的偏好從所有行銷產品中篩選出N個行銷產品，獲取所述使用者的使用者特徵和篩選出的N個行銷產品的產品特徵；N為不小於M的自然數。
本說明書的實施例提供了一種電腦設備，該電腦設備包括記憶體和處理器。其中，記憶體上儲存有能夠由處理器運行的電腦程式；處理器在運行儲存的電腦程式時，執行本說明書實施例中行銷產品的推薦方法的各個步驟。對行銷產品的推薦方法的各個步驟的詳細描述請參見之前的內容，不再重複。
本說明書的實施例提供了一種電腦可讀儲存媒體，該儲存媒體上儲存有電腦程式，這些電腦程式在被處理器運行時，執行本說明書實施例中行銷產品的推薦方法的各個步驟。對行銷產品的推薦方法的各個步驟的詳細描述請參見之前的內容，不再重複。
以上所述僅為本說明書的較佳實施例而已，並不用以限制本申請，凡在本申請的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本申請保護的範圍之內。
在一個典型的配置中，計算設備包括一個或多個處理器（CPU）、輸入/輸出介面、網路介面和記憶體。
記憶體可能包括電腦可讀媒體中的非永久性記憶體，隨機存取記憶體（RAM）和/或非揮發性記憶體等形式，如唯讀記憶體（ROM）或快閃記憶體（flash RAM）。記憶體是電腦可讀媒體的示例。
電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括，但不限於相變記憶體（PRAM）、靜態隨機存取記憶體（SRAM）、動態隨機存取記憶體（DRAM）、其他類型的隨機存取記憶體（RAM）、唯讀記憶體（ROM）、電可擦除可程式設計唯讀記憶體（EEPROM）、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體（CD-ROM）、數位多功能光碟（DVD）或其他光學儲存、磁盒式磁帶，磁帶磁磁片儲存或其他磁性存放裝置或任何其他非傳輸媒體，可用於儲存可以被計算設備訪問的資訊。按照本文中的界定，電腦可讀媒體不包括暫存電腦可讀媒體（transitory media），如調製的資料信號和載波。
還需要說明的是，術語「包括」、「包含」或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句「包括一個……」限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。
本領域技術人員應明白，本說明書的實施例可提供為方法、系統或電腦程式產品。因此，本說明書的實施例可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體方面的實施例的形式。而且，本說明書的實施例可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體（包括但不限於磁碟記憶體、CD-ROM、光學記憶體等）上實施的電腦程式產品的形式。
110、120、130、140‧‧‧步驟
圖1是本說明書實施例中一種行銷產品的推薦方法的流程圖；
圖2是本說明書應用示例中一種點擊率評估模型的結構示意圖；
圖3是運行本說明書實施例的設備的一種硬體結構圖；
圖4是本說明書實施例中一種行銷產品的推薦裝置的邏輯結構圖。
Claims (20)
- 一種行銷產品的推薦方法，包括： 在收到使用者對行銷產品資料的請求後，獲取所述使用者的使用者特徵和每個行銷產品的產品特徵； 基於使用者特徵和產品特徵產生交叉特徵； 將使用者特徵、產品特徵和交叉特徵輸入點擊率評估模型，得到所述使用者對每個行銷產品的點擊率評估值；所述點擊率評估模型為機器學習模型，採用已知點擊率的使用者特徵和行銷產品特徵樣本進行訓練； 根據所述點擊率評估值判定M個行銷產品，向使用者返回的所述M個行銷產品的資料；M為自然數。
- 如申請專利範圍第1項所述的方法，所述使用者特徵包括以下至少一項：根據使用者個人資訊產生的背景特徵、根據使用者的歷史行為記錄產生的行為特徵； 所述背景特徵包括以下的一項到多項：性別、年齡、受教育年限、最高學歷、家庭住址、畢業院校； 所述行為特徵包括以下的一項到多項：購買力、品牌偏好、風險偏好、投資經驗、偏好理財類型。
- 如申請專利範圍第1項所述的方法，所述產品特徵包括以下至少一項：用於描述產品特點的產品屬性、用於描述行銷特點的行銷屬性； 所述產品屬性包括以下的一項到多項：產品類型、產品好評度、產品銷量； 所述行銷屬性包括以下的一項到多項：行銷新穎度、折扣程度。
- 如申請專利範圍第1項所述的方法，所述使用者特徵包括S項離散型特徵，所述產品特徵包括T項離散型特徵，每項離散型使用者特徵和離散型產品特徵的取值為0或1；S、T為自然數； 所述基於使用者特徵和產品特徵產生交叉特徵產生交叉特徵，包括：將每項離散型使用者特徵和每項離散型產品特徵分別組合為S◊T項交叉特徵，以離散型使用者特徵取值和離散型產品特徵取值的邏輯與運算結果作為交叉特徵的取值。
- 如申請專利範圍第1項所述的方法，所述已知點擊率根據展示數和點擊綜合數判定；所述展示數為預定時間段內向使用者展示行銷產品的次數；所述點擊綜合數根據預定時間段內使用者針對所述行銷產品所進行的行為以及行為的次數判定，使用者針對所述行銷產品所進行的行為包括以下至少一項：主動瀏覽、收藏、評論、預訂、購買所述行銷產品的行為。
- 如申請專利範圍第5項所述的方法，所述已知點擊率根據以下方式判定：將預定時間段內使用者購買所述行銷產品的次數按預定比例折算為點擊數，以預定時間段內使用者點擊瀏覽所述行銷產品的次數與折算後的點擊數之和作為點擊綜合數，將點擊綜合數相對於展示數的比例作為已知點擊率。
- 如申請專利範圍第1項所述的方法，所述點擊率評估模型為深度和廣度Wide and Deep模型，所述Wide and Deep模型包括線性子模型和深度神經網路子模型，以離散型特徵作為線性子模型的輸入，以連續型特徵作為深度神經網路子模型的輸入。
- 如申請專利範圍第7項所述的方法，所述線性子模型為通過L1範數進行約束的邏輯回歸LR模型。
- 如申請專利範圍第1項所述的方法，所述在收到使用者對行銷產品資料的請求後，獲取所述使用者的使用者特徵和每個行銷產品的產品特徵，包括：在收到使用者對行銷產品資料的請求後，根據所述使用者的偏好從所有行銷產品中篩選出N個行銷產品，獲取所述使用者的使用者特徵和篩選出的N個行銷產品的產品特徵；N為不小於M的自然數。
- 一種行銷產品的推薦裝置，包括： 特徵獲取單元，用於在收到使用者對行銷產品資料的請求後，獲取所述使用者的使用者特徵和每個行銷產品的產品特徵； 交叉特徵單元，用於基於使用者特徵和產品特徵產生交叉特徵； 點擊率評估單元，用於將使用者特徵、產品特徵和交叉特徵輸入點擊率評估模型，得到所述使用者對每個行銷產品的點擊率評估值；所述點擊率評估模型為機器學習模型，採用已知點擊率的使用者特徵和行銷產品特徵樣本進行訓練； 行銷產品單元，用於根據所述點擊率評估值判定M個行銷產品，向使用者返回的所述M個行銷產品的資料；M為自然數。
- 如申請專利範圍第10項所述的裝置，所述使用者特徵包括以下至少一項：根據使用者個人資訊產生的背景特徵、根據使用者的歷史行為記錄產生的行為特徵； 所述背景特徵包括以下的一項到多項：性別、年齡、受教育年限、最高學歷、家庭住址、畢業院校； 所述行為特徵包括以下的一項到多項：購買力、品牌偏好、風險偏好、投資經驗、偏好理財類型。
- 如申請專利範圍第10項所述的裝置，所述產品特徵包括以下至少一項：用於描述產品特點的產品屬性、用於描述行銷特點的行銷屬性； 所述產品屬性包括以下的一項到多項：產品類型、產品好評度、產品銷量； 所述行銷屬性包括以下的一項到多項：行銷新穎度、折扣程度。
- 如申請專利範圍第10項所述的裝置，所述使用者特徵包括S項離散型特徵，所述產品特徵包括T項離散型特徵，每項離散型使用者特徵和離散型產品特徵的取值為0或1；S、T為自然數； 所述交叉特徵單元具體用於：將每項離散型使用者特徵和每項離散型產品特徵分別組合為S◊T項交叉特徵，以離散型使用者特徵取值和離散型產品特徵取值的邏輯與運算結果作為交叉特徵的取值。
- 如申請專利範圍第10項所述的裝置，所述已知點擊率根據展示數和點擊綜合數判定；所述展示數為預定時間段內向使用者展示行銷產品的次數；所述點擊綜合數根據預定時間段內使用者針對所述行銷產品所進行的行為以及行為的次數判定，使用者針對所述行銷產品所進行的行為包括以下至少一項：主動瀏覽、收藏、評論、預訂、購買所述行銷產品的行為。
- 如申請專利範圍第14項所述的裝置，所述已知點擊率根據以下方式判定：將預定時間段內使用者購買所述行銷產品的次數按預定比例折算為點擊數，以預定時間段內使用者點擊瀏覽所述行銷產品的次數與折算後的點擊數之和作為點擊綜合數，將點擊綜合數相對於展示數的比例作為已知點擊率。
- 如申請專利範圍第10項所述的裝置，所述點擊率評估模型為深度和廣度Wide and Deep模型，所述Wide and Deep模型包括線性子模型和深度神經網路子模型，以離散型特徵作為線性子模型的輸入，以連續型特徵作為深度神經網路子模型的輸入。
- 如申請專利範圍第16項所述的裝置，所述線性子模型為通過L1範數進行約束的邏輯回歸LR模型。
- 如申請專利範圍第10項所述的裝置，所述特徵獲取單元具體用於：在收到使用者對行銷產品資料的請求後，根據所述使用者的偏好從所有行銷產品中篩選出N個行銷產品，獲取所述使用者的使用者特徵和篩選出的N個行銷產品的產品特徵；N為不小於M的自然數。
- 一種電腦設備，包括：記憶體和處理器；所述記憶體上儲存有可由處理器運行的電腦程式；所述處理器運行所述電腦程式時，執行如申請專利範圍第1到9項中任意一項所述的步驟。
- 一種電腦可讀儲存媒體，其上儲存有電腦程式，所述電腦程式被處理器運行時，執行如申請專利範圍第1到9項中任意一項所述的步驟。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810164790.5A CN108416625A (zh) | 2018-02-28 | 2018-02-28 | 营销产品的推荐方法和装置 |
| ??201810164790.5 | 2018-02-28 | ||
| CN201810164790.5 | 2018-02-28 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201937428A true TW201937428A (zh) | 2019-09-16 |
| TWI690880B TWI690880B (zh) | 2020-04-11 |
Family
ID=63129272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107146773A TWI690880B (zh) | 2018-02-28 | 2018-12-24 | 行銷產品的推薦方法和裝置 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN108416625A (zh) |
| TW (1) | TWI690880B (zh) |
| WO (1) | WO2019165872A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI793411B (zh) * | 2020-03-27 | 2023-02-21 | 第一商業銀行股份有限公司 | 商品推薦方法及其裝置 |
Families Citing this family (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416625A (zh) * | 2018-02-28 | 2018-08-17 | 阿里巴巴集团控股有限公司 | 营销产品的推荐方法和装置 |
| CN109634995B (zh) * | 2018-09-10 | 2023-06-30 | 创新先进技术有限公司 | 评估主体对关系的方法、装置及服务器 |
| CN109447244A (zh) * | 2018-10-11 | 2019-03-08 | 中山大学 | 一种结合门控循环单元神经网络的广告推荐方法 |
| CN111105256A (zh) * | 2018-10-29 | 2020-05-05 | 中国移动通信集团重庆有限公司 | 营销活动效果的分析方法、装置、设备及介质 |
| CN109543069B (zh) * | 2018-10-31 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置和计算机可读存储介质 |
| CN109670077B (zh) * | 2018-11-01 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置和计算机可读存储介质 |
| CN111381909B (zh) * | 2018-12-27 | 2022-03-04 | 北京字节跳动网络技术有限公司 | 一种页面展示方法、装置、终端设备及存储介质 |
| CN110046952B (zh) * | 2019-01-30 | 2021-12-10 | 创新先进技术有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
| CN110033342A (zh) * | 2019-01-30 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
| CN110008399B (zh) * | 2019-01-30 | 2023-04-07 | 创新先进技术有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
| CN110263244B (zh) * | 2019-02-14 | 2024-02-13 | 深圳市雅阅科技有限公司 | 内容推荐方法、装置、存储介质和计算机设备 |
| CN111598638B (zh) * | 2019-02-21 | 2023-11-07 | 北京沃东天骏信息技术有限公司 | 点击率确定方法、装置及设备 |
| CN109960759B (zh) * | 2019-03-22 | 2022-07-12 | 中山大学 | 基于深度神经网络的推荐系统点击率预测方法 |
| CN110147851B (zh) * | 2019-05-29 | 2022-04-01 | 北京达佳互联信息技术有限公司 | 图像筛选方法、装置、计算机设备及存储介质 |
| CN110276642A (zh) * | 2019-06-20 | 2019-09-24 | 卓尔智联(武汉)研究院有限公司 | 广告牌推荐方法、装置及计算机可读存储介质 |
| CN110378726A (zh) * | 2019-07-02 | 2019-10-25 | 阿里巴巴集团控股有限公司 | 一种目标用户的推荐方法、系统以及电子设备 |
| CN112182359B (zh) * | 2019-07-05 | 2024-03-15 | 深圳市雅阅科技有限公司 | 推荐模型的特征管理方法及系统 |
| CN110598845B (zh) * | 2019-08-13 | 2023-04-07 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
| CN110599234A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 一种产品销售预测方法 |
| CN110781321B (zh) * | 2019-08-28 | 2023-06-20 | 腾讯科技（深圳）有限公司 | 一种多媒体内容推荐方法及装置 |
| CN110880124A (zh) * | 2019-09-29 | 2020-03-13 | 清华大学 | 转化率评估方法及装置 |
| CN110827086A (zh) * | 2019-11-07 | 2020-02-21 | 恩亿科(北京)数据科技有限公司 | 产品营销预测方法、装置、计算机设备及可读存储介质 |
| CN111291264B (zh) * | 2020-01-23 | 2023-06-23 | 腾讯科技（深圳）有限公司 | 基于机器学习的访问对象预测方法、装置和计算机设备 |
| CN111275350B (zh) * | 2020-02-08 | 2021-06-04 | 支付宝(杭州)信息技术有限公司 | 更新事件评估模型的方法及装置 |
| CN111768263A (zh) * | 2020-03-31 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 信息推送方法、装置、服务器及存储介质 |
| CN111177575B (zh) * | 2020-04-07 | 2020-07-24 | 腾讯科技（深圳）有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
| CN113761329A (zh) * | 2020-09-04 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 页面生成方法和装置 |
| JP7190479B2 (ja) * | 2020-12-28 | 2022-12-15 | 楽天グループ株式会社 | 学習装置、機械学習モデル及び学習方法 |
| CN113222647B (zh) * | 2021-04-26 | 2023-11-28 | 西安点告网络科技有限公司 | 基于点击率预估模型的广告推荐方法、系统及存储介质 |
| CN113256368B (zh) * | 2021-04-30 | 2022-02-18 | 索信达(北京)数据技术有限公司 | 产品推送方法、装置、计算机设备和存储介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI433042B (zh) * | 2010-10-06 | 2014-04-01 | Chunghwa Telecom Co Ltd | Multi - product recommendation method and system |
| CN102956009B (zh) * | 2011-08-16 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 一种基于用户行为的电子商务信息推荐方法与装置 |
| CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
| CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其系统 |
| CN106295832B (zh) * | 2015-05-12 | 2020-05-19 | 阿里巴巴集团控股有限公司 | 产品信息推送方法及装置 |
| CN106485562B (zh) * | 2015-09-01 | 2020-12-04 | 苏宁云计算有限公司 | 一种基于用户历史行为的商品信息推荐方法及系统 |
| KR102155261B1 (ko) * | 2016-04-13 | 2020-09-11 | 구글 엘엘씨 | 광역 및 심층 기계 학습 모델들 |
| CN107705183B (zh) * | 2017-09-30 | 2021-04-27 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
| CN108416625A (zh) * | 2018-02-28 | 2018-08-17 | 阿里巴巴集团控股有限公司 | 营销产品的推荐方法和装置 |
-
2018
- 2018-02-28 CN CN201810164790.5A patent/CN108416625A/zh active Pending
- 2018-12-24 TW TW107146773A patent/TWI690880B/zh active
-
2019
- 2019-01-29 WO PCT/CN2019/073610 patent/WO2019165872A1/zh active Application Filing
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI793411B (zh) * | 2020-03-27 | 2023-02-21 | 第一商業銀行股份有限公司 | 商品推薦方法及其裝置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108416625A (zh) | 2018-08-17 |
| WO2019165872A1 (zh) | 2019-09-06 |
| TWI690880B (zh) | 2020-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI690880B (zh) | 行銷產品的推薦方法和裝置 | |
| US20210287250A1 (en) | Providing data and analysis for advertising on networked devices | |
| Liu et al. | Effects of freemium strategy in the mobile app market: An empirical study of google play | |
| Talukdar et al. | Investigating new product diffusion across products and countries | |
| US7921107B2 (en) | System for generating query suggestions using a network of users and advertisers | |
| US9235570B2 (en) | Optimizing internet campaigns | |
| US20080270248A1 (en) | System and device for social shopping on-line | |
| US20080005313A1 (en) | Using offline activity to enhance online searching | |
| US20080004884A1 (en) | Employment of offline behavior to display online content | |
| Paulson et al. | Efficient large-scale internet media selection optimization for online display advertising | |
| US11777925B2 (en) | System, method, and program product using ephemeral identity for digital user identification | |
| CN108604350A (zh) | 用于测量传递到移动装置的信息的效果的方法和设备 | |
| Denga et al. | The role of digital marketing in achieving sustainable competitive advantage | |
| JP2011526705A (ja) | スマートテキストを生成するための方法および装置 | |
| US20160196579A1 (en) | Dynamic deep links based on user activity of a particular user | |
| BANICA et al. | ANALYZING SOCIAL NETWORKS FROM THE PERSPECTIVE OF MARKETING DECISIONS. | |
| JP6810184B2 (ja) | 算出装置、算出方法及び算出プログラム | |
| US20150363823A1 (en) | System and method for determining associations between users and multiple communication devices | |
| US20230267507A1 (en) | Generating and handling optimized consumer segments | |
| JP2020154841A (ja) | 決定装置、決定方法及び決定プログラム | |
| JP2020154879A (ja) | 決定装置、決定方法及び決定プログラム | |
| Gultekin et al. | Omni-Channel Strategy in the Framework of the Search Engines | |
| US9972030B2 (en) | Systems and methods for the semantic modeling of advertising creatives in targeted search advertising campaigns | |
| Suresh et al. | Consumer Empowerment by Adapting E-Commerce–Indian Rural Consumers Online Shopping Behaviour Analysis | |
| Chen et al. | An Exploratory Study of Factors Affecting Number of Fans on Facebook Based on Dialogic Theory |