TW201939379A - 資訊轉化率的預測、資訊推薦方法和裝置 - Google Patents
資訊轉化率的預測、資訊推薦方法和裝置 Download PDFInfo
- Publication number
- TW201939379A TW201939379A TW107147130A TW107147130A TW201939379A TW 201939379 A TW201939379 A TW 201939379A TW 107147130 A TW107147130 A TW 107147130A TW 107147130 A TW107147130 A TW 107147130A TW 201939379 A TW201939379 A TW 201939379A
- Authority
- TW
- Taiwan
- Prior art keywords
- recommended
- information
- rate
- conversion
- coupon
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0211—Determining the effectiveness of discounts or incentives
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- 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
- G06Q30/0242—Determining effectiveness of advertisements
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Communication Control (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申請公開了一種資訊轉化率的預測、資訊推薦方法和裝置,該資訊轉化率的預測方法包括:確定待推薦資訊以及用戶的特徵資訊;根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
Description
本申請涉及計算機技術領域,尤其涉及一種資訊轉化率的預測、資訊推薦方法和裝置。
在資訊推薦中,資訊推薦方在進行資訊推薦之前,通常會預測其所推薦的資訊的轉化率(英文全稱:Conversion Rate,簡稱CVR),並根據預測的轉化率確定向用戶推薦哪些資訊。以向用戶推薦優惠券為例,資訊推薦方在向用戶推薦多個優惠券之前,通常會預測將多個優惠券推薦給用戶後每一個優惠券的轉化率,以便於將轉化率較高的優惠券推薦給用戶。
通常,在對資訊的轉化率進行預測時,可以對資訊的點擊率進行預測,並通過資訊的點擊率衡量資訊的轉化率。其中,若資訊的點擊率較高,則可以視為資訊的轉化率較高。然而,在實際應用中,根據資訊的點擊率來衡量資訊的轉化率的準確度較低,不能有效地向用戶進行資訊推薦。
通常,在對資訊的轉化率進行預測時,可以對資訊的點擊率進行預測,並通過資訊的點擊率衡量資訊的轉化率。其中,若資訊的點擊率較高,則可以視為資訊的轉化率較高。然而,在實際應用中,根據資訊的點擊率來衡量資訊的轉化率的準確度較低,不能有效地向用戶進行資訊推薦。
本申請實施例提供一種資訊轉化率的預測、資訊推薦方法和裝置,用於解決在根據資訊的點擊率衡量資訊的轉化率時準確度較低,不能有效地向用戶進行資訊推薦的問題。
為解決上述技術問題,本申請實施例是這樣實現的:
第一態樣,提出一種資訊轉化率的預測方法,包括:
確定待推薦資訊以及用戶的特徵資訊;
根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
第二態樣,提出了一種資訊轉化率的預測裝置,包括:
確定單元,確定待推薦資訊以及用戶的特徵資訊;
第一預測單元,根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
第二預測單元;根據所述至少兩種轉化概率,預測所述待推薦資訊的轉化率。
第三態樣,提出一種電子設備,該電子設備包括:
處理器;以及
被安排成儲存計算機可執行指令的儲存器,該可執行指令在被執行時使該處理器執行以下操作:
確定待推薦資訊以及用戶的特徵資訊;
根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
第四態樣,提出一種計算機可讀儲存媒體,所述計算機可讀儲存媒體儲存一個或多個程式,所述一個或多個程式當被包括多個應用程式的電子設備執行時,使得所述電子設備執行以下方法:
確定待推薦資訊以及用戶的特徵資訊;
根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
第五態樣,提出一種資訊推薦方法,包括:
確定多個待推薦資訊以及用戶的特徵資訊;
根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;
根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
第六態樣,提出一種資訊推薦裝置,包括:
第一確定單元,確定多個待推薦資訊以及用戶的特徵資訊;
第二確定單元,根據所述多個待推薦資訊以及所述特徵資訊,確定影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
預測單元,根據所述至少兩種轉化概率,預測每一個所述待推薦資訊的轉化率;
資訊推薦單元,根據預測的每一個所述待推薦資訊的轉化率,向所述用戶進行資訊推薦。
第七態樣,提出一種電子設備,該電子設備包括:
處理器;以及
被安排成儲存計算機可執行指令的儲存器,該可執行指令在被執行時使該處理器執行以下操作:
確定多個待推薦資訊以及用戶的特徵資訊;
根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;
根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
第八態樣,提出一種計算機可讀儲存媒體,所述計算機可讀儲存媒體儲存一個或多個程式,所述一個或多個程式當被包括多個應用程式的電子設備執行時,使得所述電子設備執行以下方法:
確定多個待推薦資訊以及用戶的特徵資訊;
根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;
根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
第九態樣,提出一種券轉化率的預測方法,包括:
確定待推薦的券以及用戶的特徵資訊;
根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
第十態樣,提出了一種券轉化率的預測裝置,包括:
確定單元,確定待推薦的券以及用戶的特徵資訊;
第一預測單元,根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
第二預測單元,根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
第十一態樣,提出一種電子設備,該電子設備包括:
處理器;以及
被安排成儲存計算機可執行指令的儲存器,該可執行指令在被執行時使該處理器執行以下操作:
確定待推薦的券以及用戶的特徵資訊;
根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
第十二態樣,提出一種計算機可讀儲存媒體,所述計算機可讀儲存媒體儲存一個或多個程式,所述一個或多個程式當被包括多個應用程式的電子設備執行時,使得所述電子設備執行以下方法:
確定待推薦的券以及用戶的特徵資訊;
根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
第十三態樣,提出一種推薦券的方法,包括:
確定多個待推薦的券以及用戶的特徵資訊;
根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
第十四態樣,提出一種推薦券的裝置,包括:
確定單元,確定多個待推薦的券以及用戶的特徵資訊;
第一預測單元,根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
第二預測單元,根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
推薦單元,根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
第十五態樣,提出一種電子設備,該電子設備包括:
處理器;以及
被安排成儲存計算機可執行指令的儲存器,該可執行指令在被執行時使該處理器執行以下操作:
確定多個待推薦的券以及用戶的特徵資訊;
根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
第十六態樣,提出一種計算機可讀儲存媒體,所述計算機可讀儲存媒體儲存一個或多個程式,所述一個或多個程式當被包括多個應用程式的電子設備執行時,使得所述電子設備執行以下方法:
確定多個待推薦的券以及用戶的特徵資訊;
根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
本申請實施例採用的上述至少一個技術方案能夠達到以下有益效果:
本申請實施例提供的技術方案,確定待推薦資訊以及用戶的特徵資訊;根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。這樣,由於在預測資訊轉化率時,可以根據影響資訊轉化過程的至少兩種因素的轉化概率進行預測,因此,預測得到的資訊轉化率可以更加全面的反映真實的資訊轉化率,從而提高資訊轉化率的預測準確度,進而可以有效地向用戶進行資訊推薦。
為解決上述技術問題,本申請實施例是這樣實現的:
第一態樣,提出一種資訊轉化率的預測方法,包括:
確定待推薦資訊以及用戶的特徵資訊;
根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
第二態樣,提出了一種資訊轉化率的預測裝置,包括:
確定單元,確定待推薦資訊以及用戶的特徵資訊;
第一預測單元,根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
第二預測單元;根據所述至少兩種轉化概率,預測所述待推薦資訊的轉化率。
第三態樣,提出一種電子設備,該電子設備包括:
處理器;以及
被安排成儲存計算機可執行指令的儲存器,該可執行指令在被執行時使該處理器執行以下操作:
確定待推薦資訊以及用戶的特徵資訊;
根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
第四態樣,提出一種計算機可讀儲存媒體,所述計算機可讀儲存媒體儲存一個或多個程式,所述一個或多個程式當被包括多個應用程式的電子設備執行時,使得所述電子設備執行以下方法:
確定待推薦資訊以及用戶的特徵資訊;
根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
第五態樣,提出一種資訊推薦方法,包括:
確定多個待推薦資訊以及用戶的特徵資訊;
根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;
根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
第六態樣,提出一種資訊推薦裝置,包括:
第一確定單元,確定多個待推薦資訊以及用戶的特徵資訊;
第二確定單元,根據所述多個待推薦資訊以及所述特徵資訊,確定影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
預測單元,根據所述至少兩種轉化概率,預測每一個所述待推薦資訊的轉化率;
資訊推薦單元,根據預測的每一個所述待推薦資訊的轉化率,向所述用戶進行資訊推薦。
第七態樣,提出一種電子設備,該電子設備包括:
處理器;以及
被安排成儲存計算機可執行指令的儲存器,該可執行指令在被執行時使該處理器執行以下操作:
確定多個待推薦資訊以及用戶的特徵資訊;
根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;
根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
第八態樣,提出一種計算機可讀儲存媒體,所述計算機可讀儲存媒體儲存一個或多個程式,所述一個或多個程式當被包括多個應用程式的電子設備執行時,使得所述電子設備執行以下方法:
確定多個待推薦資訊以及用戶的特徵資訊;
根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;
根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
第九態樣,提出一種券轉化率的預測方法,包括:
確定待推薦的券以及用戶的特徵資訊;
根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
第十態樣,提出了一種券轉化率的預測裝置,包括:
確定單元,確定待推薦的券以及用戶的特徵資訊;
第一預測單元,根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
第二預測單元,根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
第十一態樣,提出一種電子設備,該電子設備包括:
處理器;以及
被安排成儲存計算機可執行指令的儲存器,該可執行指令在被執行時使該處理器執行以下操作:
確定待推薦的券以及用戶的特徵資訊;
根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
第十二態樣,提出一種計算機可讀儲存媒體,所述計算機可讀儲存媒體儲存一個或多個程式,所述一個或多個程式當被包括多個應用程式的電子設備執行時,使得所述電子設備執行以下方法:
確定待推薦的券以及用戶的特徵資訊;
根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
第十三態樣,提出一種推薦券的方法,包括:
確定多個待推薦的券以及用戶的特徵資訊;
根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
第十四態樣,提出一種推薦券的裝置,包括:
確定單元,確定多個待推薦的券以及用戶的特徵資訊;
第一預測單元,根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
第二預測單元,根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
推薦單元,根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
第十五態樣,提出一種電子設備,該電子設備包括:
處理器;以及
被安排成儲存計算機可執行指令的儲存器,該可執行指令在被執行時使該處理器執行以下操作:
確定多個待推薦的券以及用戶的特徵資訊;
根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
第十六態樣,提出一種計算機可讀儲存媒體,所述計算機可讀儲存媒體儲存一個或多個程式,所述一個或多個程式當被包括多個應用程式的電子設備執行時,使得所述電子設備執行以下方法:
確定多個待推薦的券以及用戶的特徵資訊;
根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
本申請實施例採用的上述至少一個技術方案能夠達到以下有益效果:
本申請實施例提供的技術方案,確定待推薦資訊以及用戶的特徵資訊;根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。這樣,由於在預測資訊轉化率時,可以根據影響資訊轉化過程的至少兩種因素的轉化概率進行預測,因此,預測得到的資訊轉化率可以更加全面的反映真實的資訊轉化率,從而提高資訊轉化率的預測準確度,進而可以有效地向用戶進行資訊推薦。
具體實施方式
資訊的轉化率可以理解為資訊從曝光到核銷的過程中的轉化效率,通常,資訊推薦方在向用戶推薦資訊之前,可以根據資訊的點擊率預測資訊的轉化率,以便於將轉化率較高的資訊推薦給用戶。其中,資訊的點擊率越高,可以視為其轉化率越高。然而,點擊率通常代表用戶對資訊的點擊或查看次數,通過點擊率預測資訊的轉化率並不能有效、全面地體現資訊的轉化率,即根據點擊率預測得到的轉化率的準確率較低。
為了解決上述技術問題,本申請實施例提供一種資訊轉化率的預測、資訊推薦方法和裝置,該資訊轉化率的預測方法包括:確定待推薦資訊以及用戶的特徵資訊;根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
這樣,由於在預測資訊轉化率時,可以根據影響資訊轉化過程的至少兩種因素的轉化概率進行預測,並不是僅根據資訊的點擊率進行預測,因此,預測得到的資訊轉化率可以更加全面的反映真實的資訊轉化率,從而提高資訊轉化率的預測準確度,進而可以有效地向用戶進行資訊推薦。
為了使本技術領域的人員更好地理解本申請中的技術方案,下面將結合本申請實施例中的附圖,對本申請實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本申請一部分實施例,而不是全部的實施例。基於本申請中的實施例,本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例,都應當屬於本申請保護的範圍。
需要說明的是,本申請實施例提供的技術方案可以應用於在已知用戶的情況下,向該用戶推薦資訊。在向用戶推薦資訊之前,可以使用本申請實施例提供的技術方案確定需要推薦的資訊的轉化率,並根據轉化率向用戶推薦資訊。其中,若待推薦的資訊的個數為1,則可以根據轉化率確定是否向用戶推薦該資訊,若待推薦的資訊的個數為多個,則可以根據轉化率確定向用戶推薦哪一個資訊。
以下結合附圖,詳細說明本申請各實施例提供的技術方案。
圖1是本申請的一個實施例資訊轉化率的預測方法的流程示意圖。所述方法如下所述。
S102:確定待推薦資訊以及用戶的特徵資訊。
在S102中,在用戶瀏覽網頁或打開某個應用時,網頁服務端或應用的服務端(可以視為資訊推薦方)可以基於該網頁或應用向該用戶進行資訊推薦,該用戶可以視為推薦資訊的目標用戶。在向用戶推薦資訊之前,可以確定向用戶推薦的待推薦資訊以及該用戶的特徵資訊。
本申請實施例中,所述待推薦資訊可以是準備向用戶推薦,但最終不一定會推薦給用戶的資訊。所述待推薦資訊可以是電子資訊,具體可以是電子券、也可以網址鏈接等其他電子資訊。所述待推薦資訊的個數可以是一個,也可以是多個。本申請實施例在確定待推薦資訊的轉化率時,可以以確定其中一個待推薦資訊的轉化率為例進行說明。
用戶的特徵資訊可以是用戶的個人資訊,例如,用戶的身高、年齡、體重等,也可以是用戶的行為資料,例如,用戶經常去的飯館、用戶喜歡的運行等,這裡不再一一舉例說明。
用戶的特徵資訊可以根據用戶當前瀏覽的網頁或打開的應用確定得到,例如,用戶在瀏覽網頁時,網站的服務端可以獲取到用戶的網頁瀏覽記錄等資訊,若用戶已登錄網站,則還可以獲取到用戶在註冊該網站時填寫的個人資訊。再例如,用戶在打開應用時,應用的服務端可以獲取到用戶使用該應用的歷史記錄,若用戶已登錄該應用,還可以獲取到用戶的用戶名等資訊。
在確定向用戶推薦的待推薦資訊以及用戶的特徵資訊後,可以執行S104。
S104:根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率。
在S104中,可以根據確定的待推薦資訊以及用戶的特徵資訊,預測影響待推薦資訊轉化過程的至少兩種因素對應的轉化概率,即預測得到影響待推薦資訊轉化率的至少兩種轉化概率。
本申請實施例中,待推薦資訊在從曝光到核銷的整個轉化過程(即轉化鏈路)依次可以包括:曝光待推薦資訊、查看待推薦資訊、獲取待推薦資訊以及使用待推薦資訊。其中,曝光待推薦資訊可以是資訊推薦方向用戶展示待推薦資訊,查看待推薦資訊可以是用戶點擊或瀏覽待推薦資訊,獲取待推薦資訊可以是用戶領取或獲得待推薦資訊,使用待推薦資訊可以是用戶對待推薦資訊進行的最後操作,例如,若待推薦資訊是優惠券,則使用待推薦資訊可以是用戶使用優惠券進行支付,若待推薦資訊是網址鏈接,則使用待推薦資訊可以是用戶轉發該網址鏈接,這裡不再一一舉例說明。
本申請實施例中,由於查看、獲取以及使用待推薦資訊會影響待推薦資訊的轉化率,因此,影響待推薦資訊轉化過程的至少兩種因素可以包括:查看待推薦資訊、獲取待推薦資訊以及使用待推薦資訊中的至少兩種。這樣,影響待推薦資訊轉化過程的至少兩種轉化概率可以包括:查看待推薦資訊的第一概率、獲取待推薦資訊的第二概率以及使用待推薦資訊的第三概率這三種轉化概率中的至少兩種。
查看待推薦資訊的第一概率可以是,將待推薦資訊推薦給N個用戶後,N個用戶中查看待推薦資訊的用戶個數M與N的比值;獲取待推薦資訊的第二概率可以是,查看待推薦資訊的M個用戶中,獲取待推薦資訊的用戶個數L與M的比值;使用待推薦資訊的第三概率可以是獲取待推薦資訊的L個用戶中,使用待推薦資訊的用戶個數P與L的比值。其中,M、N、L個P均為非負整數。
本申請實施例中,根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率,可以包括:
確定預先訓練得到的轉化率模型,所述轉化率模型包括第一概率模型、第二概率模型以及第三概率模型中的至少兩種;
根據所述待推薦資訊以及所述特徵資訊,通過所述轉化率模型確定所述第一概率、所述第二概率以及所述第三概率中的至少兩種。
本申請實施例可以預先訓練得到用於預測待推薦資訊的轉化率模型,所述轉化率模型具體可以包括第一概率模型,第二概率模型以及第三概率模型中的至少兩種,其中,所述第一概率模型用於預測待推薦資訊的第一概率,所述第二概率模型用於預測待推薦資訊的第二概率,所述第三概率模型用於預測待推薦資訊的第三概率。
這樣,在確定待推薦資訊以及用戶的特徵資訊後,可以基於轉化率模型中包含的第一概率模型、第二概率模型以及第三概率模型中的至少兩種,以待推薦資訊的屬性資訊以及推薦方式、用戶的特徵資訊作為輸入,分別得到待推薦資訊的第一概率、第二概率第三概率中的至少兩種。
所述待推薦資訊的屬性資訊可以包括待推薦資訊的類別(例如,待推薦資訊是網路鏈接或抵價券等)、待推薦資訊的金額,待推薦資訊所屬的資訊推薦方等,所述待推薦資訊的推薦方式可以包括簡訊、郵件、網址鏈接或應用的通知資訊等,不做具體限定。在確定所述待推薦資訊時,可以確定得到所述待推薦資訊的屬性資訊以及推薦方式。
本申請實施例中,在訓練得到所述轉化率模型時,具體可以通過以下方式訓練得到,包括:
獲取所述待推薦資訊的歷史資料,所述歷史資料包括:所述待推薦資訊的屬性資訊,所述待推薦資訊的查看資料、獲取資料以及使用資料中的至少兩種,所述查看資料包括點擊所述待推薦資訊的用戶的特徵資訊,所述獲取資料包括獲取所述待推薦資訊的用戶的特徵資訊,所述使用資料包括使用所述待推薦資訊的用戶的特徵資訊;
基於預設模型對所述歷史資料進行訓練,得到所述轉化率模型。
以下以待推薦資訊為券這一具體場景為例詳細說明。其中,券可以是電子券,具體可以是抵價券、滿減券等,這裡不做具體限定。
在待推薦資訊為券時,影響券轉化過程的至少兩種因素可以包括:點擊券、領取券以及核銷券中的至少兩種,影響券轉化過程的至少兩種轉化概率可以包括:券的點擊率(對應於查看待推薦資訊的第一概率)、券的領取率(對應於獲取待推薦資訊的第二概率)以及券的核銷率(對應於使用待推薦資訊的第三概率)中的至少兩種。
用於預測得到券轉化率的轉化率模型可以包括:點擊率模型(對應於第一概率模型)、領取率模型(對應於第二概率模型)以及核銷率模型(對應於第三概率模型)中的至少兩種。
在訓練得到券的轉化率模型時,具體地,首先,可以獲取券的歷史資料。券的歷史資料可以包括券的屬性資訊,所述屬性資訊可以是券的類別,例如,是抵價券還是滿減券,也可以是券的還可以是券的金額,還可以是券所屬的資訊推薦方等,這裡不再一一舉例說明。
券的歷史資料也可以包括券的推薦方式,所述推薦方式可以是簡訊、郵件、網址鏈接或應用的通知資訊等,不做具體限定。
券的歷史資料還可以包括在不同的屬性資訊和推薦方式下,券的點擊資料(對應於待推薦資訊的查看資料)、券的領取資料(對應於待推薦資訊的獲取資料)以及券的核銷資料(對應於待推薦資訊的使用資料)中的至少兩種。其中,券的點擊資料可以包括點擊券的用戶的特徵資訊,該特徵資訊可以是點擊券的用戶的個人資訊,例如用戶的身高、體重、年齡等,也可以是點擊券的用戶的行為資料,例如,用戶喜歡去的飯館、喜歡的運動等。
券的領取資料可以包括領取券的用戶的特徵資訊,該特徵資訊可以包括領取券的用戶的個人資訊以及行為資料,具體可以參見上述對點擊券的用戶的個人資訊以及行為資料的描述,這裡不再重複描述。同樣的,券的核銷資料可以包括核銷券的用戶的特徵資訊,該特徵資訊可以包括核銷券的用戶的個人資訊以及行為資料。
其次,在獲取得到券的上述歷史資料後,可以基於預設模型對所述歷史資料進行訓練,並得到轉化率模型。其中,所述預設模型可以是深度學習模型,也可以是神經網路模型等,具體可以根據實際需要確定,這裡不做具體限定,例如,如果根據實際情況確定基於深度學習模型進行訓練的結果更佳,則可以使用深度學習模型進行訓練。
以轉化率模型包含點擊率模型、領取率模型以及核銷率模型為例,在基於預設模型對上述歷史資料訓練得到轉化率模型時,可以分別訓練得到點擊率模型、領取率模型以及核銷率模型。其中,訓練點擊率模型、領取率模型以及核銷率模型時使用的預設模型可以相同,也可以不同。
以訓練點擊率模型為例,具體地,可以將歷史資料中包含的券的屬性資訊、推薦方式以及在不同的推薦方式下點擊券的用戶的特徵資訊作為輸入變量,將用戶對不同屬性資訊的券在不同推薦方式下的點擊率作為輸出變量,基於預設模型進行訓練,最終得到用於確定券點擊率的點擊率模型。其中,在基於預設模型進行訓練時,具體可以使用機器學習模型,通過不斷的資料迭代訓練得到點擊率模型。
基於上述記載的方法訓練得到券的點擊率模型、領取率模型以及核銷率模型後,可以確定得到券的轉化率模型。
這樣,在確定券的轉化率模型後,在確定待推薦的券以及用戶的特徵資訊後,可以基於券的轉化率模型確定影響券轉化過程的點擊率、領取率以及核銷率中的至少兩種。
在基於上述記載的方法確定待推薦資訊的轉化率模型,並根據轉化率模型預測影響待推薦資訊轉化過程的至少兩種因素對應的轉化概率後,可以執行步驟S106。
S106:根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
在S106中,在預測得到影響待推薦資訊轉化過程的至少兩種因素對應的轉化概率後,可以進一步預測得到待推薦資訊的轉化率。
本申請實施例中,根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率,可以包括:
將預測的所述第一概率、所述第二概率以及所述第三概率中至少兩種概率的乘積確定為所述待推薦資訊的轉化率。
以下仍以待推薦資訊為券這一具體場景為例詳細說明。
具體地,若預測得到券的點擊率和核銷率,則可以將券的點擊率與核銷率的乘積確定為券的轉化率;若預測得到券的領取率和核銷率,則可以將券的領取率與核銷率的乘積確定為券的轉化率;若預測得到券的點擊率、領取率和核銷率,則可以將券的點擊率、領取率與核銷率的乘積確定為券的轉化率,當然,也可以將其中任意兩個轉化概率的乘積作為券的轉化率。
需要說明的是,由於在實際應用中,券的核銷率對券的轉化率的影響比較大,因此,在預測影響券轉化過程的至少兩種轉化概率時,至少兩種轉化概率中可以優先包括券的核銷率,在進一步預測券的轉化率時,可以將券的核銷率作為預測券的轉化率的必要條件,並將其與券的點擊率以及領取率中的至少一種的乘積作為券的轉化率。
此外,為了更準確地預測得到券的轉化率,可以預測影響券轉化過程的三種因素對應的轉化概率,即點擊率、領取率和核銷率,並將預測的券的點擊率、領取率和核銷率的乘積作為券的轉化率。
在本申請的另一實施例中,在預測得到待推薦資訊的轉化率後,所述方法還包括:
根據所述待推薦資訊的轉化率,向所述用戶進行資訊推薦。
在向用戶進行資訊推薦時,如果待推薦資訊的個數為1,則可以確定是否向用戶推薦所述待推薦資訊。例如,待推薦資訊的轉化率高,則可以向用戶推薦該資訊,反之,則可以不推薦該資訊。
如果待推薦資訊的個數為多個,則根據所述待推薦資訊的轉化率,向所述用戶進行資訊推薦,可以包括:
根據所述轉化率的大小對多個所述待推薦資訊進行排序,並將轉化率最大的待推薦資訊推薦給所述用戶;或,
分別按照第一概率、第二概率以及第三概率中的至少兩種對多個所述待推薦資訊進行排序;確定第一概率、第二概率以及第三概率中至少兩種均在設定排序範圍內的待推薦資訊,並將確定的待推薦資訊中轉化率最大的待推薦資訊推薦給所述用戶。
也就是說,如果待推薦資訊的個數為多個,則可以對待推薦資訊進行排序,根據排序結果選擇其中一個待推薦資訊推薦給用戶。以待推薦的資訊為券進行說明,對待推薦的多個券的具體排序方法至少可以包含以下兩種:
一種方法是根據轉化率的大小,將多個券進行排序,選擇轉化率最大的其中一個券推薦給用戶。其中,若多個券的轉化率相同,則可以隨機選擇其中一個券推薦給用戶,或按照預設規則選擇其中一個券推薦給用戶,例如,可以選擇金額較大的券推薦給用戶。當然,也可以將轉化率相同的券全部推薦給用戶,由用戶根據實際情況確定使用哪個。
另一種方法是在預測得到券的點擊率、領取率以及核銷率中的至少兩種後,可以分別根據點擊率、領取率以及核銷率對多個券進行排序,確定點擊率、領取率以及核銷率中的至少兩種均在設定排序範圍內的券,並將這些券中轉化率最大的券推薦給用戶。
例如,待推薦的券有六張,分別為A、B、C、D、E、F,預測得到的六張券的點擊率、領取率以及核銷率分別為:a1、a2、a3(對應A的點擊率、領取率和核銷率),b1、b2、b3,c1、c2、c3,d1、d2、d3,e1、e2、e3,f1、f2、f3,其中,根據點擊率的大小對六張券進行排序的結果為:b1、a1、d1、c1、e1、f1,根據領取率的大小對六張券進行排序的結果為:d2、b2、f2、e1、c1、a1,根據核銷率的大小對六張券進行排序的結果為:c3、b3、d3、f3、a3、e1。可知,券B和券D的點擊率、領取率以及核銷率的排序均在前三,那麼,可以選擇券B和券D中轉化率最大的券推薦給用戶。
在基於上述任一種方法確定向用戶推薦的券後,可以將該券以對應的推薦方式推薦給用戶。
圖2是本申請的一個實施例券轉化率的預測和推薦券的示意圖。圖2以根據券的點擊率、領取率以及核銷率預測券的轉化率為例進行說明。
圖2中,在向用戶推薦券之前,可以根據券的歷史點擊資料、歷史領取資料以及歷史核銷資料,分別訓練得到券的點擊率模型、領取率模型以及核銷率模型。其中,以歷史點擊資料為例,可以基於預設的機器學習模型A對歷史點擊資料進行模型訓練,最終得到點擊率模型,具體方法可以參見上述記載的訓練得到點擊率模型的方法,這裡不再重複描述。
同樣,可以基於預設的機器學習模型B對歷史領取資料進行訓練,得到領取率模型,基於預設的及其學習模型C對歷史核銷資料進行訓練,得到核銷率模型。
在得到點擊率模型、領取率模型以及核銷率模型後,可以根據準備推薦給用戶的券的屬性資訊以及推薦方式,用戶的特徵資訊,基於點擊率模型預測券的點擊率,根據領取率模型預測領取率模型,根據核銷率模型預測券的核銷率。之後,可以將預測得到的券的點擊率、領取率以及核銷率的乘積作為券的轉化率。
圖2中,準備向用戶推薦的券的個數為多個,在按照上述記載的方法確定多個券的轉化率後,可以按照轉化率的大小對多個券排序,得到轉化率最大的券,並將該券以對應的曝光渠道推薦給用戶。例如,該券是與應用相關的券,則可以以應用的通知資訊的方式將券推薦給用戶。
例如,計劃向用戶推薦十個滿減券A、B、C、D、E、F、G、H、I和J,基於圖2所示的方法預測得到十個滿減券的轉化率依次為:a、b、c、d、e、f、g、h、i和j,其中,d的值最大,那麼,可以以應用的通知消息的方式向用戶推薦滿減券D。
應理解,圖2中還可以僅預測券的點擊率和核銷率,根據點擊率和核銷率預測券的轉化率,或預測券的領取率和核銷率,根據領取率和核銷率預測券的轉化率。在對多個券進行排序時,也可以分別按照點擊率、領取率以及核銷率中的至少兩種對多個券進行排序,確定點擊率、領取率以及核銷率中至少兩種均在設定排序範圍內的券,並將確定的券中轉化率最大的券推薦給用戶,這裡不再重複描述。
本申請實施例提供的技術方案,確定待推薦資訊以及用戶的特徵資訊;根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。這樣,由於在預測資訊轉化率時,可以根據影響資訊轉化過程的至少兩種因素的轉化概率進行預測,因此,預測得到的資訊轉化率可以更加全面的反映真實的資訊轉化率,從而提高資訊轉化率的預測準確度,進而可以有效地向用戶進行資訊推薦。
圖3是本申請的一個實施例資訊推薦方法的流程示意圖。本申請實施例以準備向用戶推薦多個待推薦資訊為例進行說明。所述資訊推薦方法如下所述。
S302:確定多個待推薦資訊以及用戶的特徵資訊。
S304:根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率。
在S304中,可以分別針對其中一個待推薦資訊,預測影響待推薦資訊轉化過程的至少兩種因素對應的轉化概率。
S306:根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率。
S308:根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
在本申請的一個實施例中,根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦,可以包括:
根據所述轉化率的大小對多個所述待推薦資訊進行排序,並將轉化率最大的待推薦資訊推薦給所述用戶。
在本申請的另一個實施例中,影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率包括:查看所述待推薦資訊的第一概率、獲取所述待推薦資訊的第二概率以及使用所述待推薦資訊的第三概率中的至少兩種;
根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦,包括:
分別按照第一概率、第二概率以及第三概率中的至少兩種對所述多個待推薦資訊進行排序;確定第一概率、第二概率以及第三概率中至少兩種均在設定排序範圍內的待推薦資訊,並將確定的待推薦資訊中轉化率最大的待推薦資訊推薦給所述用戶。
圖3所示實施例相關步驟的具體實現可參考圖1所示實施例中對應的步驟的具體實現,本說明書一個或多個實施例在此不再贅述。
本申請實施例提供的技術方案,確定多個待推薦資訊以及用戶的特徵資訊;根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。這樣,由於可以根據影響資訊轉化過程的至少兩種因素的轉化概率預測得到資訊的轉化率,因此,可以預測得到較高準確度的資訊轉化率,進而可以有效地向用戶進行資訊推薦。
以上舉例說明了資訊轉化率的預測方法以及資訊推薦的實施過程。為更直觀的說明本申請實施例的設計構思和技術效果,下面以上述資訊轉化率的預測方法和資訊推薦方法應用在券這一場景為例,說明本申請實施例的實施過程。具體地,待推薦資訊可以為券,影響券轉化過程的至少兩種因素包括:點擊券、領取券以及核銷券中的至少兩種,影響券轉化過程的至少兩種轉化概率包括:點擊率、領取率以及核銷率中的至少兩種。以上關於資訊轉化率的預測方法以及資訊推薦方法的闡釋與說明均可應用於以下券轉化率的預測以及推薦券這一具體應用場景,重複內容或不再贅述。
圖4是本申請的一個實施例券轉化率的預測方法的流程示意圖。本申請實施例中,券可以是電子券,具體可以是優惠券、抵價券、滿減券等。所述券轉化率的預測方法如下所述。
S402:確定待推薦的券以及用戶的特徵資訊。
S404:根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種。
S406:根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
進一步地,根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種,包括:
確定預先訓練得到的轉化率模型,所述轉化率模型包括點擊率模型、領取率模型以及核銷率模型中的至少兩種;
根據所述待推薦的券以及所述特徵資訊,通過所述轉化率模型確定所述點擊率、所述領取率以及所述核銷率中的至少兩種。
本申請實施例中,所述轉化率模型通過以下方式訓練得到,包括:
獲取所述待推薦的券的歷史資料,所述歷史資料包括:所述待推薦的券的推薦方式,在所述推薦方式下所述待推薦的券的點擊資料、領取資料以及核銷資料中的至少兩種,所述點擊資料包括點擊所述待推薦的券的用戶的特徵資訊,所述領取資料包括領取所述待推薦的券的用戶的特徵資訊,所述核銷資料包括使用所述待推薦的券的用戶的特徵資訊;
基於預設模型對所述歷史資料進行訓練,得到所述轉化率模型。
進一步地,根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率,包括:
將所述點擊率、所述領取率以及所述核銷率中至少兩種的乘積確定為所述待推薦的券的轉化率,其中:
若預測得到所述點擊率以及所述核銷率,則將所述點擊率以及所述核銷率的乘積確定為所述待推薦的券的轉化率;
若預測得到所述領取率以及所述核銷率,則將所述領取率以及所述核銷率的乘積確定為所述待推薦的券的轉化率;
若預測得到所述點擊率、所述領取率以及所述核銷率,則將所述點擊率、所述領取率以及所述核銷率的乘積確定為所述待推薦的券的轉化率。
更進一步地,在預測得到所述待推薦的券的轉化率後,所述方法還包括:
根據所述轉化率向所述用戶推薦券。
具體地,根據所述轉化率向所述用戶推薦券,包括:
若所述待推薦的券的個數為多個,則:
根據所述轉化率的大小對多個所述待推薦的券進行排序,並將轉化率最大的券推薦給所述用戶;或,
分別按照點擊率、領取率以及核銷率中的至少兩種對多個所述待推薦的券進行排序;確定點擊率、領取率以及核銷率中至少兩種均在設定排序範圍內的券,將確定的券中轉化率最大的券推薦給所述用戶。
圖4所示實施例相關步驟的具體實現可參考圖1所示實施例中對應的步驟的具體實現,本說明書一個或多個實施例在此不再贅述。
本申請實施例提供的技術方案,確定待推薦的券以及用戶的特徵資訊;根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。這樣,由於在預測券的轉化率時,可以根據影響券轉化過程的點擊率、領取率以及核銷率中的至少兩種轉化概率進行預測,因此,預測得到的券轉化率可以更加全面的反映真實的券轉化率,從而提高券轉化率的預測準確度,進而可以有效地向用戶推薦券。
圖5是本申請的一個實施例推薦券的方法的流程示意圖。所述推薦券的方法如下所述。
S502:確定多個待推薦的券以及用戶的特徵資訊。
S504:根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種。
S506:根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率。
S508:根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
進一步地,根據所述多個待推薦的券的轉化率,向所述用戶推薦券,包括:
根據轉化率的大小對所述多個待推薦的券進行排序,並將轉化率最大的券推薦給所述用戶;或,
分別按照點擊率、領取率以及核銷率中的至少兩種對所述多個待推薦的券進行排序;確定點擊率、領取率以及核銷率中至少兩種均在設定排序範圍內的券,將確定的券中轉化率最大的券推薦給所述用戶。
圖5所示實施例相關步驟的具體實現可參考圖1所示實施例中對應的步驟的具體實現,本說明書一個或多個實施例在此不再贅述。
本申請實施例提供的技術方案,確定多個待推薦的券以及用戶的特徵資訊;根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;根據所述多個待推薦的券的轉化率,向所述用戶推薦券。這樣,在向用戶推薦券時,由於可以根據影響券轉化過程的點擊率、領取率以及核銷率中的至少兩種轉化概率預測得到券的轉化率,因此,可以預測得到較高準確度的券轉化率,進而可以有效地向用戶推薦券。
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,多任務處理和並行處理也是可以的或者可能是有利的。
圖6是本申請的一個實施例電子設備的結構示意圖。請參考圖6,在硬體層面,該電子設備包括處理器,可選地還包括內部匯流排、網路介面、儲存器。其中,儲存器可能包含內存記憶體,例如高速隨機存取記憶體(Random-Access Memory, RAM),也可能還包括非揮發性記憶體(non-volatile memory),例如至少1個磁碟儲存器等。當然,該電子設備還可能包括其他業務所需要的硬體。
處理器、網路介面和儲存器可以通過內部匯流排相互連接,該內部匯流排可以是ISA(Industry Standard Architecture,工業標準體系結構)匯流排、PCI(Peripheral Component Interconnect,外設部件互連標準)匯流排或EISA(Extended Industry Standard Architecture,擴展工業標準結構)匯流排等。所述匯流排可以分為地址匯流排、資料匯流排、控制匯流排等。為便於表示,圖6中僅用一個雙向箭頭表示,但並不表示僅有一根匯流排或一種類型的匯流排。
儲存器,用於存放程式。具體地,程式可以包括程式代碼,所述程式代碼包括計算機操作指令。儲存器可以包括內存記憶體和非揮發性儲存器,並向處理器提供指令和資料。
處理器從非揮發性儲存器中讀取對應的計算機程式到內存記憶體中然後運行,在邏輯層面上形成資訊轉化率的預測裝置。處理器,執行儲存器所存放的程式,並具體用於執行以下操作:
確定待推薦資訊以及用戶的特徵資訊;
根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
上述如本申請圖6所示實施例揭示的資訊轉化率的預測裝置執行的方法可以應用於處理器中,或者由處理器實現。處理器可能是一種積體電路晶片,具有信號的處理能力。在實現過程中,上述方法的各步驟可以通過處理器中的硬體的積體邏輯電路或者軟體形式的指令完成。上述的處理器可以是通用處理器,包括中央處理器(Central Processing Unit, CPU)、網路處理器(Network Processor, NP)等;還可以是數位信號處理器(Digital Signal Processor, DSP)、專用積體電路(Application Specific Integrated Circuit, ASIC)、現場可編程閘陣列(Field-Programmable Gate Array, FPGA)或者其他可編程邏輯器件、分立閘或者電晶體邏輯器件、分立硬體組件。可以實現或者執行本申請實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。結合本申請實施例所公開的方法的步驟可以直接體現為硬體譯碼處理器執行完成,或者用譯碼處理器中的硬體及軟體模組組合執行完成。軟體模組可以位於隨機儲存器,閃存、唯讀儲存器,可編程唯讀儲存器或者電可擦寫可編程儲存器、暫存器等本領域成熟的儲存媒體中。該儲存媒體位於儲存器,處理器讀取儲存器中的資訊,結合其硬體完成上述方法的步驟。
該電子設備還可執行圖1的方法,並實現資訊轉化率的預測裝置在圖1所示實施例中的功能,本申請實施例在此不再贅述。
當然,除了軟體實現方式之外,本申請的電子設備並不排除其他實現方式,比如邏輯器件抑或軟硬體結合的方式等等,也就是說以下處理流程的執行主體並不限定於各個邏輯單元,也可以是硬體或邏輯器件。
本申請實施例還提出了一種計算機可讀儲存媒體,該計算機可讀儲存媒體儲存一個或多個程式,該一個或多個程式包括指令,該指令當被包括多個應用程式的便攜式電子設備執行時,能夠使該便攜式電子設備執行圖1所示實施例的方法,並具體用於執行以下操作:
確定待推薦資訊以及用戶的特徵資訊;
根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
圖7是本申請的一個實施例資訊轉化率的預測裝置70的結構示意圖。請參考圖7,在一種軟體實施方式中,所述資訊轉化率的預測裝置70可包括:確定單元71、第一預測單元72和第二預測單元73,其中:
確定單元71,確定待推薦資訊以及用戶的特徵資訊;
第一預測單元72,根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
第二預測單元73,根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
可選地,影響所述待推薦資訊轉化過程的至少兩種因素包括:查看所述待推薦資訊、獲取所述待推薦資訊以及使用所述待推薦資訊中的至少兩種;
所述至少兩種因素對應的轉化概率包括:查看所述待推薦資訊的第一概率、獲取所述待推薦資訊的第二概率以及使用所述待推薦資訊的第三概率中的至少兩種。
可選地,所述第一預測單元72,根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率,包括:
確定預先訓練得到的轉化率模型,所述轉化率模型包括第一概率模型、第二概率模型以及第三概率模型中的至少兩種;
根據所述待推薦資訊以及所述特徵資訊,通過所述轉化率模型確定所述第一概率、所述第二概率以及所述第三概率中的至少兩種。
可選地,所述第一預測單元72通過以下方式訓練得到所述轉化率模型,包括:
獲取所述待推薦資訊的歷史資料,所述歷史資料包括:所述待推薦資訊的屬性資訊和推薦方式,在不同的屬性資訊和推薦方式下所述待推薦資訊的查看資料、獲取資料以及使用資料中的至少兩種,所述查看資料包括點擊所述待推薦資訊的用戶的特徵資訊,所述獲取資料包括獲取所述待推薦資訊的用戶的特徵資訊,所述使用資料包括使用所述待推薦資訊的用戶的特徵資訊;
基於預設模型對所述歷史資料進行訓練,得到所述轉化率模型。
可選地,所述第二預測單元73,根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率,包括:
將預測的所述第一概率、所述第二概率以及所述第三概率中至少兩種概率的乘積確定為所述待推薦資訊的轉化率,其中:
若預測得到所述第一概率以及所述第三概率,則將所述第一概率以及所述第二概率的乘積確定為所述待推薦資訊的轉化率;
若預測得到所述第二概率以及所述第三概率,則將所述第二概率以及所述第三概率的乘積確定為所述待推薦資訊的轉化率;
若預測得到所述第一概率、所述第二概率以及所述第三概率,則將所述第一概率、所述第二概率以及所述第三概率的乘積確定為所述待推薦資訊的轉化率。
可選地,所述資訊轉化率的預測裝置70還包括:推薦單元74,其中:
所述推薦單元74在所述第二預測單元73預測得到所述待推薦資訊的轉化率後,根據所述待推薦資訊的轉化率,向所述用戶進行資訊推薦。
可選地,所述推薦單元74,根據所述待推薦資訊的轉化率,向所述用戶進行資訊推薦,包括:
若所述待推薦資訊的個數為多個,則:
根據所述轉化率的大小對多個所述待推薦資訊進行排序,並將轉化率最大的待推薦資訊推薦給所述用戶;或,
分別按照第一概率、第二概率以及第三概率中的至少兩種對多個所述待推薦資訊進行排序;確定第一概率、第二概率以及第三概率中至少兩種均在設定排序範圍內的待推薦資訊,並將確定的待推薦資訊中轉化率最大的待推薦資訊推薦給所述用戶。
資訊轉化率的預測裝置70還可執行圖1或圖2的方法,並實現資訊轉化率的預測裝置在圖1、圖2所示實施例的功能,本申請實施例在此不再贅述。
圖8是本申請的一個實施例電子設備的結構示意圖。請參考圖8,在硬體層面,該電子設備包括處理器,可選地還包括內部匯流排、網路介面、儲存器。其中,儲存器可能包含內存記憶體,例如高速隨機存取記憶體(Random-Access Memory, RAM),也可能還包括非揮發性記憶體(non-volatile memory),例如至少1個磁碟儲存器等。當然,該電子設備還可能包括其他業務所需要的硬體。
處理器、網路介面和儲存器可以通過內部匯流排相互連接,該內部匯流排可以是ISA(Industry Standard Architecture,工業標準體系結構)匯流排、PCI(Peripheral Component Interconnect,外設部件互連標準)匯流排或EISA(Extended Industry Standard Architecture,擴展工業標準結構)匯流排等。所述匯流排可以分為地址匯流排、資料匯流排、控制匯流排等。為便於表示,圖8中僅用一個雙向箭頭表示,但並不表示僅有一根匯流排或一種類型的匯流排。
儲存器,用於存放程式。具體地,程式可以包括程式代碼,所述程式代碼包括計算機操作指令。儲存器可以包括內存記憶體和非揮發性儲存器,並向處理器提供指令和資料。
處理器從非揮發性儲存器中讀取對應的計算機程式到內存記憶體中然後運行,在邏輯層面上形成資訊推薦裝置。處理器,執行儲存器所存放的程式,並具體用於執行以下操作:
確定多個待推薦資訊以及用戶的特徵資訊;
根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;
根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
上述如本申請圖8所示實施例揭示的資訊推薦裝置執行的方法可以應用於處理器中,或者由處理器實現。處理器可能是一種積體電路晶片,具有信號的處理能力。在實現過程中,上述方法的各步驟可以通過處理器中的硬體的積體邏輯電路或者軟體形式的指令完成。上述的處理器可以是通用處理器,包括中央處理器(Central Processing Unit, CPU)、網路處理器(Network Processor, NP)等;還可以是數位信號處理器(Digital Signal Processor, DSP)、專用積體電路(Application Specific Integrated Circuit, ASIC)、現場可編程閘陣列(Field-Programmable Gate Array, FPGA)或者其他可編程邏輯器件、分立閘或者電晶體邏輯器件、分立硬體組件。可以實現或者執行本申請實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。結合本申請實施例所公開的方法的步驟可以直接體現為硬體譯碼處理器執行完成,或者用譯碼處理器中的硬體及軟體模組組合執行完成。軟體模組可以位於隨機儲存器,閃存、唯讀儲存器,可編程唯讀儲存器或者電可擦寫可編程儲存器、暫存器等本領域成熟的儲存媒體中。該儲存媒體位於儲存器,處理器讀取儲存器中的資訊,結合其硬體完成上述方法的步驟。
該電子設備還可執行圖3的方法,並實現資訊推薦裝置在圖3所示實施例中的功能,本申請實施例在此不再贅述。
當然,除了軟體實現方式之外,本申請的電子設備並不排除其他實現方式,比如邏輯器件抑或軟硬體結合的方式等等,也就是說以下處理流程的執行主體並不限定於各個邏輯單元,也可以是硬體或邏輯器件。
本申請實施例還提出了一種計算機可讀儲存媒體,該計算機可讀儲存媒體儲存一個或多個程式,該一個或多個程式包括指令,該指令當被包括多個應用程式的便攜式電子設備執行時,能夠使該便攜式電子設備執行圖1所示實施例的方法,並具體用於執行以下操作:
確定多個待推薦資訊以及用戶的特徵資訊;
根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;
根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
圖9是本申請的一個實施例資訊推薦預測裝置90的結構示意圖。請參考圖9,在一種軟體實施方式中,所述資訊推薦裝置90可包括:確定單元91、第一預測單元92、第二預測單元93以及推薦單元94,其中:
確定單元91,確定多個待推薦資訊以及用戶的特徵資訊;
第一預測單元92,根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
第二預測單元93,根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;
推薦單元94,根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
可選地,所述推薦單元94,根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦,包括:
根據所述轉化率的大小對多個所述待推薦資訊進行排序,並將轉化率最大的待推薦資訊推薦給所述用戶。
可選地,影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率包括:查看所述待推薦資訊的第一概率、獲取所述待推薦資訊的第二概率以及使用所述待推薦資訊的第三概率中的至少兩種;
所述推薦單元94,根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦,包括:
分別按照第一概率、第二概率以及第三概率中的至少兩種對所述多個待推薦資訊進行排序;確定第一概率、第二概率以及第三概率中至少兩種均在設定排序範圍內的待推薦資訊,並將確定的待推薦資訊中轉化率最大的待推薦資訊推薦給所述用戶。
資訊推薦裝置90還可執行圖3的方法,並實現資訊推薦裝置在圖3所示實施例中的功能,本申請實施例在此不再贅述。
圖10是本申請的一個實施例電子設備的結構示意圖。請參考圖10,在硬體層面,該電子設備包括處理器,可選地還包括內部匯流排、網路介面、儲存器。其中,儲存器可能包含內存記憶體,例如高速隨機存取記憶體(Random-Access Memory, RAM),也可能還包括非揮發性記憶體(non-volatile memory),例如至少1個磁碟儲存器等。當然,該電子設備還可能包括其他業務所需要的硬體。
圖10中,處理器從非揮發性儲存器中讀取對應的計算機程式到內存記憶體中然後運行,在邏輯層面上形成券轉化率的預測裝置。處理器,執行儲存器所存放的程式,並具體用於執行以下操作:
確定待推薦的券以及用戶的特徵資訊;
根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
上述如本申請圖10所示實施例揭示的券轉化率的預測裝置執行的方法可以應用於處理器中,或者由處理器實現。此外,圖10中其他硬體的具體連接結構以及實現的功能可以參見圖6所示的電子設備中的相關記載,這裡不再重複描述。
該電子設備還可執行圖4的方法,並實現券轉化率的預測裝置在圖4所示實施例中的功能,本申請實施例在此不再贅述。
當然,除了軟體實現方式之外,本申請的電子設備並不排除其他實現方式,比如邏輯器件抑或軟硬體結合的方式等等,也就是說以下處理流程的執行主體並不限定於各個邏輯單元,也可以是硬體或邏輯器件。
本申請實施例還提出了一種計算機可讀儲存媒體,該計算機可讀儲存媒體儲存一個或多個程式,該一個或多個程式包括指令,該指令當被包括多個應用程式的便攜式電子設備執行時,能夠使該便攜式電子設備執行圖4所示實施例的方法,並具體用於執行以下操作:
確定待推薦的券以及用戶的特徵資訊;
根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
圖11是本申請的一個實施例券轉化率的預測裝置110的結構示意圖。請參考圖11,在一種軟體實施方式中,所述券轉化率的預測裝置110可包括:確定單元111、第一預測單元112和第二預測單元113,其中:
確定單元111,確定待推薦的券以及用戶的特徵資訊;
第一預測單元112,根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
第二預測單元113,根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
可選地,所述第一預測單元112,根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種,包括:
確定預先訓練得到的轉化率模型,所述轉化率模型包括點擊率模型、領取率模型以及核銷率模型中的至少兩種;
根據所述待推薦的券以及所述特徵資訊,通過所述轉化率模型確定所述點擊率、所述領取率以及所述核銷率中的至少兩種。
可選地,所述第一預測單元112通過以下方式訓練得到所述轉化率模型,包括:
獲取所述待推薦的券的歷史資料,所述歷史資料包括:所述待推薦的券的推薦方式,在所述推薦方式下所述待推薦的券的點擊資料、領取資料以及核銷資料中的至少兩種,所述點擊資料包括點擊所述待推薦的券的用戶的特徵資訊,所述領取資料包括領取所述待推薦的券的用戶的特徵資訊,所述核銷資料包括使用所述待推薦的券的用戶的特徵資訊;
基於預設模型對所述歷史資料進行訓練,得到所述轉化率模型。
可選地,所述第二預測單元113,根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率,包括:
將所述點擊率、所述領取率以及所述核銷率中至少兩種的乘積確定為所述待推薦的券的轉化率,其中:
若預測得到所述點擊率以及所述核銷率,則將所述點擊率以及所述核銷率的乘積確定為所述待推薦的券的轉化率;
若預測得到所述領取率以及所述核銷率,則將所述領取率以及所述核銷率的乘積確定為所述待推薦的券的轉化率;
若預測得到所述點擊率、所述領取率以及所述核銷率,則將所述點擊率、所述領取率以及所述核銷率的乘積確定為所述待推薦的券的轉化率。
可選地,所述券轉化率的預測裝置110還包括:推薦單元114,其中:
所述推薦單元114,在所述第二預測單元113預測得到所述待推薦的券的轉化率後,根據所述轉化率向所述用戶推薦券。
可選地,所述推薦單元114,根據所述轉化率向所述用戶推薦券,包括:
若所述待推薦的券的個數為多個,則:
根據所述轉化率的大小對多個所述待推薦的券進行排序,並將轉化率最大的券推薦給所述用戶;或,
分別按照點擊率、領取率以及核銷率中的至少兩種對多個所述待推薦的券進行排序;確定點擊率、領取率以及核銷率中至少兩種均在設定排序範圍內的券,將確定的券中轉化率最大的券推薦給所述用戶。
券轉化率的預測裝置110還可執行圖4的方法,並實現券轉化率的預測裝置在圖4所示實施例中的功能,本申請實施例在此不再贅述。
圖12是本申請的一個實施例電子設備的結構示意圖。請參考圖12,在硬體層面,該電子設備包括處理器,可選地還包括內部匯流排、網路介面、儲存器。其中,儲存器可能包含內存記憶體,例如高速隨機存取記憶體(Random-Access Memory, RAM),也可能還包括非揮發性記憶體(non-volatile memory),例如至少1個磁碟儲存器等。當然,該電子設備還可能包括其他業務所需要的硬體。
圖12中,處理器從非揮發性儲存器中讀取對應的計算機程式到內存記憶體中然後運行,在邏輯層面上形成推薦券的裝置。處理器,執行儲存器所存放的程式,並具體用於執行以下操作:
確定多個待推薦的券以及用戶的特徵資訊;
根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
上述如本申請圖12所示實施例揭示的推薦券的裝置執行的方法可以應用於處理器中,或者由處理器實現。此外,圖12中其他硬體的具體連接結構以及實現的功能可以參見圖8所示的電子設備中的相關記載,這裡不再重複描述。
該電子設備還可執行圖5的方法,並實現推薦券的裝置在圖5所示實施例中的功能,本申請實施例在此不再贅述。
當然,除了軟體實現方式之外,本申請的電子設備並不排除其他實現方式,比如邏輯器件抑或軟硬體結合的方式等等,也就是說以下處理流程的執行主體並不限定於各個邏輯單元,也可以是硬體或邏輯器件。
本申請實施例還提出了一種計算機可讀儲存媒體,該計算機可讀儲存媒體儲存一個或多個程式,該一個或多個程式包括指令,該指令當被包括多個應用程式的便攜式電子設備執行時,能夠使該便攜式電子設備執行圖5所示實施例的方法,並具體用於執行以下操作:
確定多個待推薦的券以及用戶的特徵資訊;
根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
圖13是本申請的一個實施例推薦券的裝置130的結構示意圖。請參考圖13,在一種軟體實施方式中,所述推薦券的裝置130可包括:確定單元131、第一預測單元132、第二預測單元133和推薦單元134,其中:
確定單元131,確定多個待推薦的券以及用戶的特徵資訊;
第一預測單元132,根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
第二預測單元133,根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
推薦單元134,根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
可選地,所述推薦單元134,根據所述多個待推薦的券的轉化率,向所述用戶推薦券,包括:
根據轉化率的大小對所述多個待推薦的券進行排序,並將轉化率最大的券推薦給所述用戶;或,
分別按照點擊率、領取率以及核銷率中的至少兩種對所述多個待推薦的券進行排序;確定點擊率、領取率以及核銷率中至少兩種均在設定排序範圍內的券,將確定的券中轉化率最大的券推薦給所述用戶。
推薦券的裝置130還可執行圖5的方法,並實現推薦券的裝置在圖5所示實施例中的功能,本申請實施例在此不再贅述。
總之,以上所述僅為本申請的較佳實施例而已,並非用於限定本申請的保護範圍。凡在本申請的精神和原則之內,所作的任何修改、等同替換、改進等,均應包含在本申請的保護範圍之內。
上述實施例闡明的系統、裝置、模組或單元,具體可以由計算機晶片或實體實現,或者由具有某種功能的產品來實現。一種典型的實現設備為計算機。具體的,計算機例如可以為個人計算機、膝上型計算機、蜂巢式電話、相機電話、智慧電話、個人數位助理、媒體播放器、導航設備、電子郵件設備、遊戲控制台、平板計算機、可穿戴設備或者這些設備中的任何設備的組合。
計算機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。資訊可以是計算機可讀指令、資料結構、程式的模組或其他資料。計算機的儲存媒體的例子包括,但不限於相變內存記憶體(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)、電可擦除可編程唯讀記憶體(EEPROM)、快閃記憶體或其他內存記憶體技術、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,磁帶磁磁碟儲存或其他磁性儲存設備或任何其他非傳輸媒體,可用於儲存可以被計算設備存取的資訊。按照本文中的界定,計算機可讀媒體不包括暫存電腦可讀媒體(transitory media),如調變的資料信號和載波。
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。
本說明書中的各個實施例均採用遞進的方式描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。尤其,對於系統實施例而言,由於其基本相似於方法實施例,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。
資訊的轉化率可以理解為資訊從曝光到核銷的過程中的轉化效率,通常,資訊推薦方在向用戶推薦資訊之前,可以根據資訊的點擊率預測資訊的轉化率,以便於將轉化率較高的資訊推薦給用戶。其中,資訊的點擊率越高,可以視為其轉化率越高。然而,點擊率通常代表用戶對資訊的點擊或查看次數,通過點擊率預測資訊的轉化率並不能有效、全面地體現資訊的轉化率,即根據點擊率預測得到的轉化率的準確率較低。
為了解決上述技術問題,本申請實施例提供一種資訊轉化率的預測、資訊推薦方法和裝置,該資訊轉化率的預測方法包括:確定待推薦資訊以及用戶的特徵資訊;根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
這樣,由於在預測資訊轉化率時,可以根據影響資訊轉化過程的至少兩種因素的轉化概率進行預測,並不是僅根據資訊的點擊率進行預測,因此,預測得到的資訊轉化率可以更加全面的反映真實的資訊轉化率,從而提高資訊轉化率的預測準確度,進而可以有效地向用戶進行資訊推薦。
為了使本技術領域的人員更好地理解本申請中的技術方案,下面將結合本申請實施例中的附圖,對本申請實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本申請一部分實施例,而不是全部的實施例。基於本申請中的實施例,本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例,都應當屬於本申請保護的範圍。
需要說明的是,本申請實施例提供的技術方案可以應用於在已知用戶的情況下,向該用戶推薦資訊。在向用戶推薦資訊之前,可以使用本申請實施例提供的技術方案確定需要推薦的資訊的轉化率,並根據轉化率向用戶推薦資訊。其中,若待推薦的資訊的個數為1,則可以根據轉化率確定是否向用戶推薦該資訊,若待推薦的資訊的個數為多個,則可以根據轉化率確定向用戶推薦哪一個資訊。
以下結合附圖,詳細說明本申請各實施例提供的技術方案。
圖1是本申請的一個實施例資訊轉化率的預測方法的流程示意圖。所述方法如下所述。
S102:確定待推薦資訊以及用戶的特徵資訊。
在S102中,在用戶瀏覽網頁或打開某個應用時,網頁服務端或應用的服務端(可以視為資訊推薦方)可以基於該網頁或應用向該用戶進行資訊推薦,該用戶可以視為推薦資訊的目標用戶。在向用戶推薦資訊之前,可以確定向用戶推薦的待推薦資訊以及該用戶的特徵資訊。
本申請實施例中,所述待推薦資訊可以是準備向用戶推薦,但最終不一定會推薦給用戶的資訊。所述待推薦資訊可以是電子資訊,具體可以是電子券、也可以網址鏈接等其他電子資訊。所述待推薦資訊的個數可以是一個,也可以是多個。本申請實施例在確定待推薦資訊的轉化率時,可以以確定其中一個待推薦資訊的轉化率為例進行說明。
用戶的特徵資訊可以是用戶的個人資訊,例如,用戶的身高、年齡、體重等,也可以是用戶的行為資料,例如,用戶經常去的飯館、用戶喜歡的運行等,這裡不再一一舉例說明。
用戶的特徵資訊可以根據用戶當前瀏覽的網頁或打開的應用確定得到,例如,用戶在瀏覽網頁時,網站的服務端可以獲取到用戶的網頁瀏覽記錄等資訊,若用戶已登錄網站,則還可以獲取到用戶在註冊該網站時填寫的個人資訊。再例如,用戶在打開應用時,應用的服務端可以獲取到用戶使用該應用的歷史記錄,若用戶已登錄該應用,還可以獲取到用戶的用戶名等資訊。
在確定向用戶推薦的待推薦資訊以及用戶的特徵資訊後,可以執行S104。
S104:根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率。
在S104中,可以根據確定的待推薦資訊以及用戶的特徵資訊,預測影響待推薦資訊轉化過程的至少兩種因素對應的轉化概率,即預測得到影響待推薦資訊轉化率的至少兩種轉化概率。
本申請實施例中,待推薦資訊在從曝光到核銷的整個轉化過程(即轉化鏈路)依次可以包括:曝光待推薦資訊、查看待推薦資訊、獲取待推薦資訊以及使用待推薦資訊。其中,曝光待推薦資訊可以是資訊推薦方向用戶展示待推薦資訊,查看待推薦資訊可以是用戶點擊或瀏覽待推薦資訊,獲取待推薦資訊可以是用戶領取或獲得待推薦資訊,使用待推薦資訊可以是用戶對待推薦資訊進行的最後操作,例如,若待推薦資訊是優惠券,則使用待推薦資訊可以是用戶使用優惠券進行支付,若待推薦資訊是網址鏈接,則使用待推薦資訊可以是用戶轉發該網址鏈接,這裡不再一一舉例說明。
本申請實施例中,由於查看、獲取以及使用待推薦資訊會影響待推薦資訊的轉化率,因此,影響待推薦資訊轉化過程的至少兩種因素可以包括:查看待推薦資訊、獲取待推薦資訊以及使用待推薦資訊中的至少兩種。這樣,影響待推薦資訊轉化過程的至少兩種轉化概率可以包括:查看待推薦資訊的第一概率、獲取待推薦資訊的第二概率以及使用待推薦資訊的第三概率這三種轉化概率中的至少兩種。
查看待推薦資訊的第一概率可以是,將待推薦資訊推薦給N個用戶後,N個用戶中查看待推薦資訊的用戶個數M與N的比值;獲取待推薦資訊的第二概率可以是,查看待推薦資訊的M個用戶中,獲取待推薦資訊的用戶個數L與M的比值;使用待推薦資訊的第三概率可以是獲取待推薦資訊的L個用戶中,使用待推薦資訊的用戶個數P與L的比值。其中,M、N、L個P均為非負整數。
本申請實施例中,根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率,可以包括:
確定預先訓練得到的轉化率模型,所述轉化率模型包括第一概率模型、第二概率模型以及第三概率模型中的至少兩種;
根據所述待推薦資訊以及所述特徵資訊,通過所述轉化率模型確定所述第一概率、所述第二概率以及所述第三概率中的至少兩種。
本申請實施例可以預先訓練得到用於預測待推薦資訊的轉化率模型,所述轉化率模型具體可以包括第一概率模型,第二概率模型以及第三概率模型中的至少兩種,其中,所述第一概率模型用於預測待推薦資訊的第一概率,所述第二概率模型用於預測待推薦資訊的第二概率,所述第三概率模型用於預測待推薦資訊的第三概率。
這樣,在確定待推薦資訊以及用戶的特徵資訊後,可以基於轉化率模型中包含的第一概率模型、第二概率模型以及第三概率模型中的至少兩種,以待推薦資訊的屬性資訊以及推薦方式、用戶的特徵資訊作為輸入,分別得到待推薦資訊的第一概率、第二概率第三概率中的至少兩種。
所述待推薦資訊的屬性資訊可以包括待推薦資訊的類別(例如,待推薦資訊是網路鏈接或抵價券等)、待推薦資訊的金額,待推薦資訊所屬的資訊推薦方等,所述待推薦資訊的推薦方式可以包括簡訊、郵件、網址鏈接或應用的通知資訊等,不做具體限定。在確定所述待推薦資訊時,可以確定得到所述待推薦資訊的屬性資訊以及推薦方式。
本申請實施例中,在訓練得到所述轉化率模型時,具體可以通過以下方式訓練得到,包括:
獲取所述待推薦資訊的歷史資料,所述歷史資料包括:所述待推薦資訊的屬性資訊,所述待推薦資訊的查看資料、獲取資料以及使用資料中的至少兩種,所述查看資料包括點擊所述待推薦資訊的用戶的特徵資訊,所述獲取資料包括獲取所述待推薦資訊的用戶的特徵資訊,所述使用資料包括使用所述待推薦資訊的用戶的特徵資訊;
基於預設模型對所述歷史資料進行訓練,得到所述轉化率模型。
以下以待推薦資訊為券這一具體場景為例詳細說明。其中,券可以是電子券,具體可以是抵價券、滿減券等,這裡不做具體限定。
在待推薦資訊為券時,影響券轉化過程的至少兩種因素可以包括:點擊券、領取券以及核銷券中的至少兩種,影響券轉化過程的至少兩種轉化概率可以包括:券的點擊率(對應於查看待推薦資訊的第一概率)、券的領取率(對應於獲取待推薦資訊的第二概率)以及券的核銷率(對應於使用待推薦資訊的第三概率)中的至少兩種。
用於預測得到券轉化率的轉化率模型可以包括:點擊率模型(對應於第一概率模型)、領取率模型(對應於第二概率模型)以及核銷率模型(對應於第三概率模型)中的至少兩種。
在訓練得到券的轉化率模型時,具體地,首先,可以獲取券的歷史資料。券的歷史資料可以包括券的屬性資訊,所述屬性資訊可以是券的類別,例如,是抵價券還是滿減券,也可以是券的還可以是券的金額,還可以是券所屬的資訊推薦方等,這裡不再一一舉例說明。
券的歷史資料也可以包括券的推薦方式,所述推薦方式可以是簡訊、郵件、網址鏈接或應用的通知資訊等,不做具體限定。
券的歷史資料還可以包括在不同的屬性資訊和推薦方式下,券的點擊資料(對應於待推薦資訊的查看資料)、券的領取資料(對應於待推薦資訊的獲取資料)以及券的核銷資料(對應於待推薦資訊的使用資料)中的至少兩種。其中,券的點擊資料可以包括點擊券的用戶的特徵資訊,該特徵資訊可以是點擊券的用戶的個人資訊,例如用戶的身高、體重、年齡等,也可以是點擊券的用戶的行為資料,例如,用戶喜歡去的飯館、喜歡的運動等。
券的領取資料可以包括領取券的用戶的特徵資訊,該特徵資訊可以包括領取券的用戶的個人資訊以及行為資料,具體可以參見上述對點擊券的用戶的個人資訊以及行為資料的描述,這裡不再重複描述。同樣的,券的核銷資料可以包括核銷券的用戶的特徵資訊,該特徵資訊可以包括核銷券的用戶的個人資訊以及行為資料。
其次,在獲取得到券的上述歷史資料後,可以基於預設模型對所述歷史資料進行訓練,並得到轉化率模型。其中,所述預設模型可以是深度學習模型,也可以是神經網路模型等,具體可以根據實際需要確定,這裡不做具體限定,例如,如果根據實際情況確定基於深度學習模型進行訓練的結果更佳,則可以使用深度學習模型進行訓練。
以轉化率模型包含點擊率模型、領取率模型以及核銷率模型為例,在基於預設模型對上述歷史資料訓練得到轉化率模型時,可以分別訓練得到點擊率模型、領取率模型以及核銷率模型。其中,訓練點擊率模型、領取率模型以及核銷率模型時使用的預設模型可以相同,也可以不同。
以訓練點擊率模型為例,具體地,可以將歷史資料中包含的券的屬性資訊、推薦方式以及在不同的推薦方式下點擊券的用戶的特徵資訊作為輸入變量,將用戶對不同屬性資訊的券在不同推薦方式下的點擊率作為輸出變量,基於預設模型進行訓練,最終得到用於確定券點擊率的點擊率模型。其中,在基於預設模型進行訓練時,具體可以使用機器學習模型,通過不斷的資料迭代訓練得到點擊率模型。
基於上述記載的方法訓練得到券的點擊率模型、領取率模型以及核銷率模型後,可以確定得到券的轉化率模型。
這樣,在確定券的轉化率模型後,在確定待推薦的券以及用戶的特徵資訊後,可以基於券的轉化率模型確定影響券轉化過程的點擊率、領取率以及核銷率中的至少兩種。
在基於上述記載的方法確定待推薦資訊的轉化率模型,並根據轉化率模型預測影響待推薦資訊轉化過程的至少兩種因素對應的轉化概率後,可以執行步驟S106。
S106:根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
在S106中,在預測得到影響待推薦資訊轉化過程的至少兩種因素對應的轉化概率後,可以進一步預測得到待推薦資訊的轉化率。
本申請實施例中,根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率,可以包括:
將預測的所述第一概率、所述第二概率以及所述第三概率中至少兩種概率的乘積確定為所述待推薦資訊的轉化率。
以下仍以待推薦資訊為券這一具體場景為例詳細說明。
具體地,若預測得到券的點擊率和核銷率,則可以將券的點擊率與核銷率的乘積確定為券的轉化率;若預測得到券的領取率和核銷率,則可以將券的領取率與核銷率的乘積確定為券的轉化率;若預測得到券的點擊率、領取率和核銷率,則可以將券的點擊率、領取率與核銷率的乘積確定為券的轉化率,當然,也可以將其中任意兩個轉化概率的乘積作為券的轉化率。
需要說明的是,由於在實際應用中,券的核銷率對券的轉化率的影響比較大,因此,在預測影響券轉化過程的至少兩種轉化概率時,至少兩種轉化概率中可以優先包括券的核銷率,在進一步預測券的轉化率時,可以將券的核銷率作為預測券的轉化率的必要條件,並將其與券的點擊率以及領取率中的至少一種的乘積作為券的轉化率。
此外,為了更準確地預測得到券的轉化率,可以預測影響券轉化過程的三種因素對應的轉化概率,即點擊率、領取率和核銷率,並將預測的券的點擊率、領取率和核銷率的乘積作為券的轉化率。
在本申請的另一實施例中,在預測得到待推薦資訊的轉化率後,所述方法還包括:
根據所述待推薦資訊的轉化率,向所述用戶進行資訊推薦。
在向用戶進行資訊推薦時,如果待推薦資訊的個數為1,則可以確定是否向用戶推薦所述待推薦資訊。例如,待推薦資訊的轉化率高,則可以向用戶推薦該資訊,反之,則可以不推薦該資訊。
如果待推薦資訊的個數為多個,則根據所述待推薦資訊的轉化率,向所述用戶進行資訊推薦,可以包括:
根據所述轉化率的大小對多個所述待推薦資訊進行排序,並將轉化率最大的待推薦資訊推薦給所述用戶;或,
分別按照第一概率、第二概率以及第三概率中的至少兩種對多個所述待推薦資訊進行排序;確定第一概率、第二概率以及第三概率中至少兩種均在設定排序範圍內的待推薦資訊,並將確定的待推薦資訊中轉化率最大的待推薦資訊推薦給所述用戶。
也就是說,如果待推薦資訊的個數為多個,則可以對待推薦資訊進行排序,根據排序結果選擇其中一個待推薦資訊推薦給用戶。以待推薦的資訊為券進行說明,對待推薦的多個券的具體排序方法至少可以包含以下兩種:
一種方法是根據轉化率的大小,將多個券進行排序,選擇轉化率最大的其中一個券推薦給用戶。其中,若多個券的轉化率相同,則可以隨機選擇其中一個券推薦給用戶,或按照預設規則選擇其中一個券推薦給用戶,例如,可以選擇金額較大的券推薦給用戶。當然,也可以將轉化率相同的券全部推薦給用戶,由用戶根據實際情況確定使用哪個。
另一種方法是在預測得到券的點擊率、領取率以及核銷率中的至少兩種後,可以分別根據點擊率、領取率以及核銷率對多個券進行排序,確定點擊率、領取率以及核銷率中的至少兩種均在設定排序範圍內的券,並將這些券中轉化率最大的券推薦給用戶。
例如,待推薦的券有六張,分別為A、B、C、D、E、F,預測得到的六張券的點擊率、領取率以及核銷率分別為:a1、a2、a3(對應A的點擊率、領取率和核銷率),b1、b2、b3,c1、c2、c3,d1、d2、d3,e1、e2、e3,f1、f2、f3,其中,根據點擊率的大小對六張券進行排序的結果為:b1、a1、d1、c1、e1、f1,根據領取率的大小對六張券進行排序的結果為:d2、b2、f2、e1、c1、a1,根據核銷率的大小對六張券進行排序的結果為:c3、b3、d3、f3、a3、e1。可知,券B和券D的點擊率、領取率以及核銷率的排序均在前三,那麼,可以選擇券B和券D中轉化率最大的券推薦給用戶。
在基於上述任一種方法確定向用戶推薦的券後,可以將該券以對應的推薦方式推薦給用戶。
圖2是本申請的一個實施例券轉化率的預測和推薦券的示意圖。圖2以根據券的點擊率、領取率以及核銷率預測券的轉化率為例進行說明。
圖2中,在向用戶推薦券之前,可以根據券的歷史點擊資料、歷史領取資料以及歷史核銷資料,分別訓練得到券的點擊率模型、領取率模型以及核銷率模型。其中,以歷史點擊資料為例,可以基於預設的機器學習模型A對歷史點擊資料進行模型訓練,最終得到點擊率模型,具體方法可以參見上述記載的訓練得到點擊率模型的方法,這裡不再重複描述。
同樣,可以基於預設的機器學習模型B對歷史領取資料進行訓練,得到領取率模型,基於預設的及其學習模型C對歷史核銷資料進行訓練,得到核銷率模型。
在得到點擊率模型、領取率模型以及核銷率模型後,可以根據準備推薦給用戶的券的屬性資訊以及推薦方式,用戶的特徵資訊,基於點擊率模型預測券的點擊率,根據領取率模型預測領取率模型,根據核銷率模型預測券的核銷率。之後,可以將預測得到的券的點擊率、領取率以及核銷率的乘積作為券的轉化率。
圖2中,準備向用戶推薦的券的個數為多個,在按照上述記載的方法確定多個券的轉化率後,可以按照轉化率的大小對多個券排序,得到轉化率最大的券,並將該券以對應的曝光渠道推薦給用戶。例如,該券是與應用相關的券,則可以以應用的通知資訊的方式將券推薦給用戶。
例如,計劃向用戶推薦十個滿減券A、B、C、D、E、F、G、H、I和J,基於圖2所示的方法預測得到十個滿減券的轉化率依次為:a、b、c、d、e、f、g、h、i和j,其中,d的值最大,那麼,可以以應用的通知消息的方式向用戶推薦滿減券D。
應理解,圖2中還可以僅預測券的點擊率和核銷率,根據點擊率和核銷率預測券的轉化率,或預測券的領取率和核銷率,根據領取率和核銷率預測券的轉化率。在對多個券進行排序時,也可以分別按照點擊率、領取率以及核銷率中的至少兩種對多個券進行排序,確定點擊率、領取率以及核銷率中至少兩種均在設定排序範圍內的券,並將確定的券中轉化率最大的券推薦給用戶,這裡不再重複描述。
本申請實施例提供的技術方案,確定待推薦資訊以及用戶的特徵資訊;根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。這樣,由於在預測資訊轉化率時,可以根據影響資訊轉化過程的至少兩種因素的轉化概率進行預測,因此,預測得到的資訊轉化率可以更加全面的反映真實的資訊轉化率,從而提高資訊轉化率的預測準確度,進而可以有效地向用戶進行資訊推薦。
圖3是本申請的一個實施例資訊推薦方法的流程示意圖。本申請實施例以準備向用戶推薦多個待推薦資訊為例進行說明。所述資訊推薦方法如下所述。
S302:確定多個待推薦資訊以及用戶的特徵資訊。
S304:根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率。
在S304中,可以分別針對其中一個待推薦資訊,預測影響待推薦資訊轉化過程的至少兩種因素對應的轉化概率。
S306:根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率。
S308:根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
在本申請的一個實施例中,根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦,可以包括:
根據所述轉化率的大小對多個所述待推薦資訊進行排序,並將轉化率最大的待推薦資訊推薦給所述用戶。
在本申請的另一個實施例中,影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率包括:查看所述待推薦資訊的第一概率、獲取所述待推薦資訊的第二概率以及使用所述待推薦資訊的第三概率中的至少兩種;
根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦,包括:
分別按照第一概率、第二概率以及第三概率中的至少兩種對所述多個待推薦資訊進行排序;確定第一概率、第二概率以及第三概率中至少兩種均在設定排序範圍內的待推薦資訊,並將確定的待推薦資訊中轉化率最大的待推薦資訊推薦給所述用戶。
圖3所示實施例相關步驟的具體實現可參考圖1所示實施例中對應的步驟的具體實現,本說明書一個或多個實施例在此不再贅述。
本申請實施例提供的技術方案,確定多個待推薦資訊以及用戶的特徵資訊;根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。這樣,由於可以根據影響資訊轉化過程的至少兩種因素的轉化概率預測得到資訊的轉化率,因此,可以預測得到較高準確度的資訊轉化率,進而可以有效地向用戶進行資訊推薦。
以上舉例說明了資訊轉化率的預測方法以及資訊推薦的實施過程。為更直觀的說明本申請實施例的設計構思和技術效果,下面以上述資訊轉化率的預測方法和資訊推薦方法應用在券這一場景為例,說明本申請實施例的實施過程。具體地,待推薦資訊可以為券,影響券轉化過程的至少兩種因素包括:點擊券、領取券以及核銷券中的至少兩種,影響券轉化過程的至少兩種轉化概率包括:點擊率、領取率以及核銷率中的至少兩種。以上關於資訊轉化率的預測方法以及資訊推薦方法的闡釋與說明均可應用於以下券轉化率的預測以及推薦券這一具體應用場景,重複內容或不再贅述。
圖4是本申請的一個實施例券轉化率的預測方法的流程示意圖。本申請實施例中,券可以是電子券,具體可以是優惠券、抵價券、滿減券等。所述券轉化率的預測方法如下所述。
S402:確定待推薦的券以及用戶的特徵資訊。
S404:根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種。
S406:根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
進一步地,根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種,包括:
確定預先訓練得到的轉化率模型,所述轉化率模型包括點擊率模型、領取率模型以及核銷率模型中的至少兩種;
根據所述待推薦的券以及所述特徵資訊,通過所述轉化率模型確定所述點擊率、所述領取率以及所述核銷率中的至少兩種。
本申請實施例中,所述轉化率模型通過以下方式訓練得到,包括:
獲取所述待推薦的券的歷史資料,所述歷史資料包括:所述待推薦的券的推薦方式,在所述推薦方式下所述待推薦的券的點擊資料、領取資料以及核銷資料中的至少兩種,所述點擊資料包括點擊所述待推薦的券的用戶的特徵資訊,所述領取資料包括領取所述待推薦的券的用戶的特徵資訊,所述核銷資料包括使用所述待推薦的券的用戶的特徵資訊;
基於預設模型對所述歷史資料進行訓練,得到所述轉化率模型。
進一步地,根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率,包括:
將所述點擊率、所述領取率以及所述核銷率中至少兩種的乘積確定為所述待推薦的券的轉化率,其中:
若預測得到所述點擊率以及所述核銷率,則將所述點擊率以及所述核銷率的乘積確定為所述待推薦的券的轉化率;
若預測得到所述領取率以及所述核銷率,則將所述領取率以及所述核銷率的乘積確定為所述待推薦的券的轉化率;
若預測得到所述點擊率、所述領取率以及所述核銷率,則將所述點擊率、所述領取率以及所述核銷率的乘積確定為所述待推薦的券的轉化率。
更進一步地,在預測得到所述待推薦的券的轉化率後,所述方法還包括:
根據所述轉化率向所述用戶推薦券。
具體地,根據所述轉化率向所述用戶推薦券,包括:
若所述待推薦的券的個數為多個,則:
根據所述轉化率的大小對多個所述待推薦的券進行排序,並將轉化率最大的券推薦給所述用戶;或,
分別按照點擊率、領取率以及核銷率中的至少兩種對多個所述待推薦的券進行排序;確定點擊率、領取率以及核銷率中至少兩種均在設定排序範圍內的券,將確定的券中轉化率最大的券推薦給所述用戶。
圖4所示實施例相關步驟的具體實現可參考圖1所示實施例中對應的步驟的具體實現,本說明書一個或多個實施例在此不再贅述。
本申請實施例提供的技術方案,確定待推薦的券以及用戶的特徵資訊;根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。這樣,由於在預測券的轉化率時,可以根據影響券轉化過程的點擊率、領取率以及核銷率中的至少兩種轉化概率進行預測,因此,預測得到的券轉化率可以更加全面的反映真實的券轉化率,從而提高券轉化率的預測準確度,進而可以有效地向用戶推薦券。
圖5是本申請的一個實施例推薦券的方法的流程示意圖。所述推薦券的方法如下所述。
S502:確定多個待推薦的券以及用戶的特徵資訊。
S504:根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種。
S506:根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率。
S508:根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
進一步地,根據所述多個待推薦的券的轉化率,向所述用戶推薦券,包括:
根據轉化率的大小對所述多個待推薦的券進行排序,並將轉化率最大的券推薦給所述用戶;或,
分別按照點擊率、領取率以及核銷率中的至少兩種對所述多個待推薦的券進行排序;確定點擊率、領取率以及核銷率中至少兩種均在設定排序範圍內的券,將確定的券中轉化率最大的券推薦給所述用戶。
圖5所示實施例相關步驟的具體實現可參考圖1所示實施例中對應的步驟的具體實現,本說明書一個或多個實施例在此不再贅述。
本申請實施例提供的技術方案,確定多個待推薦的券以及用戶的特徵資訊;根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;根據所述多個待推薦的券的轉化率,向所述用戶推薦券。這樣,在向用戶推薦券時,由於可以根據影響券轉化過程的點擊率、領取率以及核銷率中的至少兩種轉化概率預測得到券的轉化率,因此,可以預測得到較高準確度的券轉化率,進而可以有效地向用戶推薦券。
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,多任務處理和並行處理也是可以的或者可能是有利的。
圖6是本申請的一個實施例電子設備的結構示意圖。請參考圖6,在硬體層面,該電子設備包括處理器,可選地還包括內部匯流排、網路介面、儲存器。其中,儲存器可能包含內存記憶體,例如高速隨機存取記憶體(Random-Access Memory, RAM),也可能還包括非揮發性記憶體(non-volatile memory),例如至少1個磁碟儲存器等。當然,該電子設備還可能包括其他業務所需要的硬體。
處理器、網路介面和儲存器可以通過內部匯流排相互連接,該內部匯流排可以是ISA(Industry Standard Architecture,工業標準體系結構)匯流排、PCI(Peripheral Component Interconnect,外設部件互連標準)匯流排或EISA(Extended Industry Standard Architecture,擴展工業標準結構)匯流排等。所述匯流排可以分為地址匯流排、資料匯流排、控制匯流排等。為便於表示,圖6中僅用一個雙向箭頭表示,但並不表示僅有一根匯流排或一種類型的匯流排。
儲存器,用於存放程式。具體地,程式可以包括程式代碼,所述程式代碼包括計算機操作指令。儲存器可以包括內存記憶體和非揮發性儲存器,並向處理器提供指令和資料。
處理器從非揮發性儲存器中讀取對應的計算機程式到內存記憶體中然後運行,在邏輯層面上形成資訊轉化率的預測裝置。處理器,執行儲存器所存放的程式,並具體用於執行以下操作:
確定待推薦資訊以及用戶的特徵資訊;
根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
上述如本申請圖6所示實施例揭示的資訊轉化率的預測裝置執行的方法可以應用於處理器中,或者由處理器實現。處理器可能是一種積體電路晶片,具有信號的處理能力。在實現過程中,上述方法的各步驟可以通過處理器中的硬體的積體邏輯電路或者軟體形式的指令完成。上述的處理器可以是通用處理器,包括中央處理器(Central Processing Unit, CPU)、網路處理器(Network Processor, NP)等;還可以是數位信號處理器(Digital Signal Processor, DSP)、專用積體電路(Application Specific Integrated Circuit, ASIC)、現場可編程閘陣列(Field-Programmable Gate Array, FPGA)或者其他可編程邏輯器件、分立閘或者電晶體邏輯器件、分立硬體組件。可以實現或者執行本申請實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。結合本申請實施例所公開的方法的步驟可以直接體現為硬體譯碼處理器執行完成,或者用譯碼處理器中的硬體及軟體模組組合執行完成。軟體模組可以位於隨機儲存器,閃存、唯讀儲存器,可編程唯讀儲存器或者電可擦寫可編程儲存器、暫存器等本領域成熟的儲存媒體中。該儲存媒體位於儲存器,處理器讀取儲存器中的資訊,結合其硬體完成上述方法的步驟。
該電子設備還可執行圖1的方法,並實現資訊轉化率的預測裝置在圖1所示實施例中的功能,本申請實施例在此不再贅述。
當然,除了軟體實現方式之外,本申請的電子設備並不排除其他實現方式,比如邏輯器件抑或軟硬體結合的方式等等,也就是說以下處理流程的執行主體並不限定於各個邏輯單元,也可以是硬體或邏輯器件。
本申請實施例還提出了一種計算機可讀儲存媒體,該計算機可讀儲存媒體儲存一個或多個程式,該一個或多個程式包括指令,該指令當被包括多個應用程式的便攜式電子設備執行時,能夠使該便攜式電子設備執行圖1所示實施例的方法,並具體用於執行以下操作:
確定待推薦資訊以及用戶的特徵資訊;
根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
圖7是本申請的一個實施例資訊轉化率的預測裝置70的結構示意圖。請參考圖7,在一種軟體實施方式中,所述資訊轉化率的預測裝置70可包括:確定單元71、第一預測單元72和第二預測單元73,其中:
確定單元71,確定待推薦資訊以及用戶的特徵資訊;
第一預測單元72,根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
第二預測單元73,根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率。
可選地,影響所述待推薦資訊轉化過程的至少兩種因素包括:查看所述待推薦資訊、獲取所述待推薦資訊以及使用所述待推薦資訊中的至少兩種;
所述至少兩種因素對應的轉化概率包括:查看所述待推薦資訊的第一概率、獲取所述待推薦資訊的第二概率以及使用所述待推薦資訊的第三概率中的至少兩種。
可選地,所述第一預測單元72,根據所述待推薦資訊以及所述特徵資訊,預測影響所述待推薦資訊轉化過程的至少兩種因素對應的轉化概率,包括:
確定預先訓練得到的轉化率模型,所述轉化率模型包括第一概率模型、第二概率模型以及第三概率模型中的至少兩種;
根據所述待推薦資訊以及所述特徵資訊,通過所述轉化率模型確定所述第一概率、所述第二概率以及所述第三概率中的至少兩種。
可選地,所述第一預測單元72通過以下方式訓練得到所述轉化率模型,包括:
獲取所述待推薦資訊的歷史資料,所述歷史資料包括:所述待推薦資訊的屬性資訊和推薦方式,在不同的屬性資訊和推薦方式下所述待推薦資訊的查看資料、獲取資料以及使用資料中的至少兩種,所述查看資料包括點擊所述待推薦資訊的用戶的特徵資訊,所述獲取資料包括獲取所述待推薦資訊的用戶的特徵資訊,所述使用資料包括使用所述待推薦資訊的用戶的特徵資訊;
基於預設模型對所述歷史資料進行訓練,得到所述轉化率模型。
可選地,所述第二預測單元73,根據所述至少兩種因素對應的轉化概率,預測所述待推薦資訊的轉化率,包括:
將預測的所述第一概率、所述第二概率以及所述第三概率中至少兩種概率的乘積確定為所述待推薦資訊的轉化率,其中:
若預測得到所述第一概率以及所述第三概率,則將所述第一概率以及所述第二概率的乘積確定為所述待推薦資訊的轉化率;
若預測得到所述第二概率以及所述第三概率,則將所述第二概率以及所述第三概率的乘積確定為所述待推薦資訊的轉化率;
若預測得到所述第一概率、所述第二概率以及所述第三概率,則將所述第一概率、所述第二概率以及所述第三概率的乘積確定為所述待推薦資訊的轉化率。
可選地,所述資訊轉化率的預測裝置70還包括:推薦單元74,其中:
所述推薦單元74在所述第二預測單元73預測得到所述待推薦資訊的轉化率後,根據所述待推薦資訊的轉化率,向所述用戶進行資訊推薦。
可選地,所述推薦單元74,根據所述待推薦資訊的轉化率,向所述用戶進行資訊推薦,包括:
若所述待推薦資訊的個數為多個,則:
根據所述轉化率的大小對多個所述待推薦資訊進行排序,並將轉化率最大的待推薦資訊推薦給所述用戶;或,
分別按照第一概率、第二概率以及第三概率中的至少兩種對多個所述待推薦資訊進行排序;確定第一概率、第二概率以及第三概率中至少兩種均在設定排序範圍內的待推薦資訊,並將確定的待推薦資訊中轉化率最大的待推薦資訊推薦給所述用戶。
資訊轉化率的預測裝置70還可執行圖1或圖2的方法,並實現資訊轉化率的預測裝置在圖1、圖2所示實施例的功能,本申請實施例在此不再贅述。
圖8是本申請的一個實施例電子設備的結構示意圖。請參考圖8,在硬體層面,該電子設備包括處理器,可選地還包括內部匯流排、網路介面、儲存器。其中,儲存器可能包含內存記憶體,例如高速隨機存取記憶體(Random-Access Memory, RAM),也可能還包括非揮發性記憶體(non-volatile memory),例如至少1個磁碟儲存器等。當然,該電子設備還可能包括其他業務所需要的硬體。
處理器、網路介面和儲存器可以通過內部匯流排相互連接,該內部匯流排可以是ISA(Industry Standard Architecture,工業標準體系結構)匯流排、PCI(Peripheral Component Interconnect,外設部件互連標準)匯流排或EISA(Extended Industry Standard Architecture,擴展工業標準結構)匯流排等。所述匯流排可以分為地址匯流排、資料匯流排、控制匯流排等。為便於表示,圖8中僅用一個雙向箭頭表示,但並不表示僅有一根匯流排或一種類型的匯流排。
儲存器,用於存放程式。具體地,程式可以包括程式代碼,所述程式代碼包括計算機操作指令。儲存器可以包括內存記憶體和非揮發性儲存器,並向處理器提供指令和資料。
處理器從非揮發性儲存器中讀取對應的計算機程式到內存記憶體中然後運行,在邏輯層面上形成資訊推薦裝置。處理器,執行儲存器所存放的程式,並具體用於執行以下操作:
確定多個待推薦資訊以及用戶的特徵資訊;
根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;
根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
上述如本申請圖8所示實施例揭示的資訊推薦裝置執行的方法可以應用於處理器中,或者由處理器實現。處理器可能是一種積體電路晶片,具有信號的處理能力。在實現過程中,上述方法的各步驟可以通過處理器中的硬體的積體邏輯電路或者軟體形式的指令完成。上述的處理器可以是通用處理器,包括中央處理器(Central Processing Unit, CPU)、網路處理器(Network Processor, NP)等;還可以是數位信號處理器(Digital Signal Processor, DSP)、專用積體電路(Application Specific Integrated Circuit, ASIC)、現場可編程閘陣列(Field-Programmable Gate Array, FPGA)或者其他可編程邏輯器件、分立閘或者電晶體邏輯器件、分立硬體組件。可以實現或者執行本申請實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。結合本申請實施例所公開的方法的步驟可以直接體現為硬體譯碼處理器執行完成,或者用譯碼處理器中的硬體及軟體模組組合執行完成。軟體模組可以位於隨機儲存器,閃存、唯讀儲存器,可編程唯讀儲存器或者電可擦寫可編程儲存器、暫存器等本領域成熟的儲存媒體中。該儲存媒體位於儲存器,處理器讀取儲存器中的資訊,結合其硬體完成上述方法的步驟。
該電子設備還可執行圖3的方法,並實現資訊推薦裝置在圖3所示實施例中的功能,本申請實施例在此不再贅述。
當然,除了軟體實現方式之外,本申請的電子設備並不排除其他實現方式,比如邏輯器件抑或軟硬體結合的方式等等,也就是說以下處理流程的執行主體並不限定於各個邏輯單元,也可以是硬體或邏輯器件。
本申請實施例還提出了一種計算機可讀儲存媒體,該計算機可讀儲存媒體儲存一個或多個程式,該一個或多個程式包括指令,該指令當被包括多個應用程式的便攜式電子設備執行時,能夠使該便攜式電子設備執行圖1所示實施例的方法,並具體用於執行以下操作:
確定多個待推薦資訊以及用戶的特徵資訊;
根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;
根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
圖9是本申請的一個實施例資訊推薦預測裝置90的結構示意圖。請參考圖9,在一種軟體實施方式中,所述資訊推薦裝置90可包括:確定單元91、第一預測單元92、第二預測單元93以及推薦單元94,其中:
確定單元91,確定多個待推薦資訊以及用戶的特徵資訊;
第一預測單元92,根據所述多個待推薦資訊以及所述特徵資訊,預測影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率;
第二預測單元93,根據所述至少兩種因素對應的轉化概率,預測所述多個待推薦資訊的轉化率;
推薦單元94,根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦。
可選地,所述推薦單元94,根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦,包括:
根據所述轉化率的大小對多個所述待推薦資訊進行排序,並將轉化率最大的待推薦資訊推薦給所述用戶。
可選地,影響所述多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率包括:查看所述待推薦資訊的第一概率、獲取所述待推薦資訊的第二概率以及使用所述待推薦資訊的第三概率中的至少兩種;
所述推薦單元94,根據所述多個待推薦資訊的轉化率,向所述用戶進行資訊推薦,包括:
分別按照第一概率、第二概率以及第三概率中的至少兩種對所述多個待推薦資訊進行排序;確定第一概率、第二概率以及第三概率中至少兩種均在設定排序範圍內的待推薦資訊,並將確定的待推薦資訊中轉化率最大的待推薦資訊推薦給所述用戶。
資訊推薦裝置90還可執行圖3的方法,並實現資訊推薦裝置在圖3所示實施例中的功能,本申請實施例在此不再贅述。
圖10是本申請的一個實施例電子設備的結構示意圖。請參考圖10,在硬體層面,該電子設備包括處理器,可選地還包括內部匯流排、網路介面、儲存器。其中,儲存器可能包含內存記憶體,例如高速隨機存取記憶體(Random-Access Memory, RAM),也可能還包括非揮發性記憶體(non-volatile memory),例如至少1個磁碟儲存器等。當然,該電子設備還可能包括其他業務所需要的硬體。
圖10中,處理器從非揮發性儲存器中讀取對應的計算機程式到內存記憶體中然後運行,在邏輯層面上形成券轉化率的預測裝置。處理器,執行儲存器所存放的程式,並具體用於執行以下操作:
確定待推薦的券以及用戶的特徵資訊;
根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
上述如本申請圖10所示實施例揭示的券轉化率的預測裝置執行的方法可以應用於處理器中,或者由處理器實現。此外,圖10中其他硬體的具體連接結構以及實現的功能可以參見圖6所示的電子設備中的相關記載,這裡不再重複描述。
該電子設備還可執行圖4的方法,並實現券轉化率的預測裝置在圖4所示實施例中的功能,本申請實施例在此不再贅述。
當然,除了軟體實現方式之外,本申請的電子設備並不排除其他實現方式,比如邏輯器件抑或軟硬體結合的方式等等,也就是說以下處理流程的執行主體並不限定於各個邏輯單元,也可以是硬體或邏輯器件。
本申請實施例還提出了一種計算機可讀儲存媒體,該計算機可讀儲存媒體儲存一個或多個程式,該一個或多個程式包括指令,該指令當被包括多個應用程式的便攜式電子設備執行時,能夠使該便攜式電子設備執行圖4所示實施例的方法,並具體用於執行以下操作:
確定待推薦的券以及用戶的特徵資訊;
根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
圖11是本申請的一個實施例券轉化率的預測裝置110的結構示意圖。請參考圖11,在一種軟體實施方式中,所述券轉化率的預測裝置110可包括:確定單元111、第一預測單元112和第二預測單元113,其中:
確定單元111,確定待推薦的券以及用戶的特徵資訊;
第一預測單元112,根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
第二預測單元113,根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率。
可選地,所述第一預測單元112,根據所述待推薦的券以及所述特徵資訊,預測所述待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種,包括:
確定預先訓練得到的轉化率模型,所述轉化率模型包括點擊率模型、領取率模型以及核銷率模型中的至少兩種;
根據所述待推薦的券以及所述特徵資訊,通過所述轉化率模型確定所述點擊率、所述領取率以及所述核銷率中的至少兩種。
可選地,所述第一預測單元112通過以下方式訓練得到所述轉化率模型,包括:
獲取所述待推薦的券的歷史資料,所述歷史資料包括:所述待推薦的券的推薦方式,在所述推薦方式下所述待推薦的券的點擊資料、領取資料以及核銷資料中的至少兩種,所述點擊資料包括點擊所述待推薦的券的用戶的特徵資訊,所述領取資料包括領取所述待推薦的券的用戶的特徵資訊,所述核銷資料包括使用所述待推薦的券的用戶的特徵資訊;
基於預設模型對所述歷史資料進行訓練,得到所述轉化率模型。
可選地,所述第二預測單元113,根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述待推薦的券的轉化率,包括:
將所述點擊率、所述領取率以及所述核銷率中至少兩種的乘積確定為所述待推薦的券的轉化率,其中:
若預測得到所述點擊率以及所述核銷率,則將所述點擊率以及所述核銷率的乘積確定為所述待推薦的券的轉化率;
若預測得到所述領取率以及所述核銷率,則將所述領取率以及所述核銷率的乘積確定為所述待推薦的券的轉化率;
若預測得到所述點擊率、所述領取率以及所述核銷率,則將所述點擊率、所述領取率以及所述核銷率的乘積確定為所述待推薦的券的轉化率。
可選地,所述券轉化率的預測裝置110還包括:推薦單元114,其中:
所述推薦單元114,在所述第二預測單元113預測得到所述待推薦的券的轉化率後,根據所述轉化率向所述用戶推薦券。
可選地,所述推薦單元114,根據所述轉化率向所述用戶推薦券,包括:
若所述待推薦的券的個數為多個,則:
根據所述轉化率的大小對多個所述待推薦的券進行排序,並將轉化率最大的券推薦給所述用戶;或,
分別按照點擊率、領取率以及核銷率中的至少兩種對多個所述待推薦的券進行排序;確定點擊率、領取率以及核銷率中至少兩種均在設定排序範圍內的券,將確定的券中轉化率最大的券推薦給所述用戶。
券轉化率的預測裝置110還可執行圖4的方法,並實現券轉化率的預測裝置在圖4所示實施例中的功能,本申請實施例在此不再贅述。
圖12是本申請的一個實施例電子設備的結構示意圖。請參考圖12,在硬體層面,該電子設備包括處理器,可選地還包括內部匯流排、網路介面、儲存器。其中,儲存器可能包含內存記憶體,例如高速隨機存取記憶體(Random-Access Memory, RAM),也可能還包括非揮發性記憶體(non-volatile memory),例如至少1個磁碟儲存器等。當然,該電子設備還可能包括其他業務所需要的硬體。
圖12中,處理器從非揮發性儲存器中讀取對應的計算機程式到內存記憶體中然後運行,在邏輯層面上形成推薦券的裝置。處理器,執行儲存器所存放的程式,並具體用於執行以下操作:
確定多個待推薦的券以及用戶的特徵資訊;
根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
上述如本申請圖12所示實施例揭示的推薦券的裝置執行的方法可以應用於處理器中,或者由處理器實現。此外,圖12中其他硬體的具體連接結構以及實現的功能可以參見圖8所示的電子設備中的相關記載,這裡不再重複描述。
該電子設備還可執行圖5的方法,並實現推薦券的裝置在圖5所示實施例中的功能,本申請實施例在此不再贅述。
當然,除了軟體實現方式之外,本申請的電子設備並不排除其他實現方式,比如邏輯器件抑或軟硬體結合的方式等等,也就是說以下處理流程的執行主體並不限定於各個邏輯單元,也可以是硬體或邏輯器件。
本申請實施例還提出了一種計算機可讀儲存媒體,該計算機可讀儲存媒體儲存一個或多個程式,該一個或多個程式包括指令,該指令當被包括多個應用程式的便攜式電子設備執行時,能夠使該便攜式電子設備執行圖5所示實施例的方法,並具體用於執行以下操作:
確定多個待推薦的券以及用戶的特徵資訊;
根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
圖13是本申請的一個實施例推薦券的裝置130的結構示意圖。請參考圖13,在一種軟體實施方式中,所述推薦券的裝置130可包括:確定單元131、第一預測單元132、第二預測單元133和推薦單元134,其中:
確定單元131,確定多個待推薦的券以及用戶的特徵資訊;
第一預測單元132,根據所述多個待推薦的券以及所述特徵資訊,預測所述多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種;
第二預測單元133,根據所述點擊率、所述領取率以及所述核銷率中的至少兩種,預測所述多個待推薦的券的轉化率;
推薦單元134,根據所述多個待推薦的券的轉化率,向所述用戶推薦券。
可選地,所述推薦單元134,根據所述多個待推薦的券的轉化率,向所述用戶推薦券,包括:
根據轉化率的大小對所述多個待推薦的券進行排序,並將轉化率最大的券推薦給所述用戶;或,
分別按照點擊率、領取率以及核銷率中的至少兩種對所述多個待推薦的券進行排序;確定點擊率、領取率以及核銷率中至少兩種均在設定排序範圍內的券,將確定的券中轉化率最大的券推薦給所述用戶。
推薦券的裝置130還可執行圖5的方法,並實現推薦券的裝置在圖5所示實施例中的功能,本申請實施例在此不再贅述。
總之,以上所述僅為本申請的較佳實施例而已,並非用於限定本申請的保護範圍。凡在本申請的精神和原則之內,所作的任何修改、等同替換、改進等,均應包含在本申請的保護範圍之內。
上述實施例闡明的系統、裝置、模組或單元,具體可以由計算機晶片或實體實現,或者由具有某種功能的產品來實現。一種典型的實現設備為計算機。具體的,計算機例如可以為個人計算機、膝上型計算機、蜂巢式電話、相機電話、智慧電話、個人數位助理、媒體播放器、導航設備、電子郵件設備、遊戲控制台、平板計算機、可穿戴設備或者這些設備中的任何設備的組合。
計算機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。資訊可以是計算機可讀指令、資料結構、程式的模組或其他資料。計算機的儲存媒體的例子包括,但不限於相變內存記憶體(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)、電可擦除可編程唯讀記憶體(EEPROM)、快閃記憶體或其他內存記憶體技術、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,磁帶磁磁碟儲存或其他磁性儲存設備或任何其他非傳輸媒體,可用於儲存可以被計算設備存取的資訊。按照本文中的界定,計算機可讀媒體不包括暫存電腦可讀媒體(transitory media),如調變的資料信號和載波。
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。
本說明書中的各個實施例均採用遞進的方式描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。尤其,對於系統實施例而言,由於其基本相似於方法實施例,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。
70‧‧‧資訊轉化率的預測裝置
71‧‧‧確定單元
72‧‧‧第一預測單元
73‧‧‧第二預測單元
90‧‧‧資訊推薦預測裝置
91‧‧‧確定單元
92‧‧‧第一預測單元
93‧‧‧第二預測單元
94‧‧‧推薦單元
110‧‧‧券轉化率的預測裝置
111‧‧‧確定單元
112‧‧‧第一預測單元
113‧‧‧第二預測單元
130‧‧‧推薦券的裝置
131‧‧‧確定單元
132‧‧‧第一預測單元
133‧‧‧第二預測單元
134‧‧‧推薦單元
為了更清楚地說明本申請實施例或現有技術中的技術方案,下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本申請中記載的一些實施例,對於本領域普通技術人員來講,在不付出創造性勞動性的前提下,還可以根據這些附圖獲得其他的附圖。
圖1是本申請的一個實施例資訊轉化率的預測方法的流程示意圖;
圖2是本申請的一個實施例券轉化率的預測和推薦券的示意圖;
圖3是本申請的一個實施例資訊推薦方法的流程示意圖;
圖4是本申請的一個實施例券轉化率的預測方法的流程示意圖;
圖5是本申請的一個實施例推薦券的方法的流程示意圖;
圖6是本申請的一個實施例電子設備的結構示意圖;
圖7是本申請的一個實施例資訊轉化率的預測裝置的結構示意圖;
圖8是本申請的一個實施例電子設備的結構示意圖;
圖9是本申請的一個實施例資訊推薦裝置的結構示意圖;
圖10是本申請的一個實施例電子設備的結構示意圖;
圖11是本申請的一個實施例券轉化率的預測裝置的結構示意圖;
圖12是本申請的一個實施例電子設備的結構示意圖;
圖13是本申請的一個實施例推薦券的裝置的結構示意圖。
Claims (30)
- 一種資訊轉化率的預測方法,包括: 確定待推薦資訊以及用戶的特徵資訊; 根據該待推薦資訊以及該特徵資訊,預測影響該待推薦資訊轉化過程的至少兩種因素對應的轉化概率; 根據該至少兩種因素對應的轉化概率,預測該待推薦資訊的轉化率。
- 如申請專利範圍第1項所述的方法, 影響該待推薦資訊轉化過程的至少兩種因素包括:查看該待推薦資訊、獲取該待推薦資訊以及使用該待推薦資訊中的至少兩種; 該至少兩種因素對應的轉化概率包括:查看該待推薦資訊的第一概率、獲取該待推薦資訊的第二概率以及使用該待推薦資訊的第三概率中的至少兩種。
- 如申請專利範圍第2項所述的方法,根據該待推薦資訊以及該特徵資訊,預測影響該待推薦資訊轉化過程的至少兩種因素對應的轉化概率,包括: 確定預先訓練得到的轉化率模型,該轉化率模型包括第一概率模型、第二概率模型以及第三概率模型中的至少兩種; 根據該待推薦資訊以及該特徵資訊,通過該轉化率模型確定該第一概率、該第二概率以及該第三概率中的至少兩種。
- 如申請專利範圍第3項所述的方法,該轉化率模型通過以下方式訓練得到,包括: 獲取該待推薦資訊的歷史資料,該歷史資料包括:該待推薦資訊的屬性資訊和推薦方式,在不同的屬性資訊和推薦方式下該待推薦資訊的查看資料、獲取資料以及使用資料中的至少兩種,該查看資料包括點擊該待推薦資訊的用戶的特徵資訊,該獲取資料包括獲取該待推薦資訊的用戶的特徵資訊,該使用資料包括使用該待推薦資訊的用戶的特徵資訊; 基於預設模型對該歷史資料進行訓練,得到該轉化率模型。
- 如申請專利範圍第4項所述的方法,根據該至少兩種因素對應的轉化概率,預測該待推薦資訊的轉化率,包括: 將預測的該第一概率、該第二概率以及該第三概率中至少兩種概率的乘積確定為該待推薦資訊的轉化率,其中: 若預測得到該第一概率以及該第三概率,則將該第一概率以及該第二概率的乘積確定為該待推薦資訊的轉化率; 若預測得到該第二概率以及該第三概率,則將該第二概率以及該第三概率的乘積確定為該待推薦資訊的轉化率; 若預測得到該第一概率、該第二概率以及該第三概率,則將該第一概率、該第二概率以及該第三概率的乘積確定為該待推薦資訊的轉化率。
- 如申請專利範圍第1至5項任一項所述的方法,在預測得到該待推薦資訊的轉化率後,該方法還包括: 根據該待推薦資訊的轉化率,向該用戶進行資訊推薦。
- 如申請專利範圍第6項所述的方法,根據該待推薦資訊的轉化率,向該用戶進行資訊推薦,包括: 若該待推薦資訊的個數為多個,則: 根據該轉化率的大小對多個該待推薦資訊進行排序,並將轉化率最大的待推薦資訊推薦給該用戶;或, 分別按照第一概率、第二概率以及第三概率中的至少兩種對多個該待推薦資訊進行排序;確定第一概率、第二概率以及第三概率中至少兩種均在設定排序範圍內的待推薦資訊,並將確定的待推薦資訊中轉化率最大的待推薦資訊推薦給該用戶。
- 一種資訊推薦方法,包括: 確定多個待推薦資訊以及用戶的特徵資訊; 根據該多個待推薦資訊以及該特徵資訊,預測影響該多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率; 根據該至少兩種因素對應的轉化概率,預測該多個待推薦資訊的轉化率; 根據該多個待推薦資訊的轉化率,向該用戶進行資訊推薦。
- 如申請專利範圍第8項所述的方法,根據該多個待推薦資訊的轉化率,向該用戶進行資訊推薦,包括: 根據該轉化率的大小對多個該待推薦資訊進行排序,並將轉化率最大的待推薦資訊推薦給該用戶。
- 如申請專利範圍第8項所述的方法,影響該多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率包括:查看該待推薦資訊的第一概率、獲取該待推薦資訊的第二概率以及使用該待推薦資訊的第三概率中的至少兩種; 根據該多個待推薦資訊的轉化率,向該用戶進行資訊推薦,包括: 分別按照第一概率、第二概率以及第三概率中的至少兩種對該多個待推薦資訊進行排序;確定第一概率、第二概率以及第三概率中至少兩種均在設定排序範圍內的待推薦資訊,並將確定的待推薦資訊中轉化率最大的待推薦資訊推薦給該用戶。
- 一種券轉化率的預測方法,包括: 確定待推薦的券以及用戶的特徵資訊; 根據該待推薦的券以及該特徵資訊,預測該待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種; 根據該點擊率、該領取率以及該核銷率中的至少兩種,預測該待推薦的券的轉化率。
- 如申請專利範圍第11項所示的方法,根據該待推薦的券以及該特徵資訊,預測該待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種,包括: 確定預先訓練得到的轉化率模型,該轉化率模型包括點擊率模型、領取率模型以及核銷率模型中的至少兩種; 根據該待推薦的券以及該特徵資訊,通過該轉化率模型確定該點擊率、該領取率以及該核銷率中的至少兩種。
- 如申請專利範圍第12項所述的方法,該轉化率模型通過以下方式訓練得到,包括: 獲取該待推薦的券的歷史資料,該歷史資料包括:該待推薦的券的推薦方式,在該推薦方式下該待推薦的券的點擊資料、領取資料以及核銷資料中的至少兩種,該點擊資料包括點擊該待推薦的券的用戶的特徵資訊,該領取資料包括領取該待推薦的券的用戶的特徵資訊,該核銷資料包括使用該待推薦的券的用戶的特徵資訊; 基於預設模型對該歷史資料進行訓練,得到該轉化率模型。
- 如申請專利範圍第13項所述的方法,根據該點擊率、該領取率以及該核銷率中的至少兩種,預測該待推薦的券的轉化率,包括: 將該點擊率、該領取率以及該核銷率中至少兩種的乘積確定為該待推薦的券的轉化率,其中: 若預測得到該點擊率以及該核銷率,則將該點擊率以及該核銷率的乘積確定為該待推薦的券的轉化率; 若預測得到該領取率以及該核銷率,則將該領取率以及該核銷率的乘積確定為該待推薦的券的轉化率; 若預測得到該點擊率、該領取率以及該核銷率,則將該點擊率、該領取率以及該核銷率的乘積確定為該待推薦的券的轉化率。
- 如申請專利範圍第11至14項任一項所述的方法,在預測得到該待推薦的券的轉化率後,該方法還包括: 根據該轉化率向該用戶推薦券。
- 如申請專利範圍第15項所述的方法,根據該轉化率向該用戶推薦券,包括: 若該待推薦的券的個數為多個,則: 根據該轉化率的大小對多個該待推薦的券進行排序,並將轉化率最大的券推薦給該用戶;或, 分別按照點擊率、領取率以及核銷率中的至少兩種對多個該待推薦的券進行排序;確定點擊率、領取率以及核銷率中至少兩種均在設定排序範圍內的券,將確定的券中轉化率最大的券推薦給該用戶。
- 一種推薦券的方法,包括: 確定多個待推薦的券以及用戶的特徵資訊; 根據該多個待推薦的券以及該特徵資訊,預測該多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種; 根據該點擊率、該領取率以及該核銷率中的至少兩種,預測該多個待推薦的券的轉化率; 根據該多個待推薦的券的轉化率,向該用戶推薦券。
- 如申請專利範圍第17項所述的方法,根據該多個待推薦的券的轉化率,向該用戶推薦券,包括: 根據轉化率的大小對該多個待推薦的券進行排序,並將轉化率最大的券推薦給該用戶;或, 分別按照點擊率、領取率以及核銷率中的至少兩種對該多個待推薦的券進行排序;確定點擊率、領取率以及核銷率中至少兩種均在設定排序範圍內的券,將確定的券中轉化率最大的券推薦給該用戶。
- 一種資訊轉化率的預測裝置,包括: 確定單元,確定待推薦資訊以及用戶的特徵資訊; 第一預測單元,根據該待推薦資訊以及該特徵資訊,預測影響該待推薦資訊轉化過程的至少兩種因素對應的轉化概率; 第二預測單元;根據該至少兩種轉化概率,預測該待推薦資訊的轉化率。
- 一種電子設備,包括: 處理器;以及 被安排成儲存計算機可執行指令的儲存器,該可執行指令在被執行時使該處理器執行以下操作: 確定待推薦資訊以及用戶的特徵資訊; 根據該待推薦資訊以及該特徵資訊,預測影響該待推薦資訊轉化過程的至少兩種因素對應的轉化概率; 根據該至少兩種因素對應的轉化概率,預測該待推薦資訊的轉化率。
- 一種計算機可讀儲存媒體,該計算機可讀儲存媒體儲存一個或多個程式,該一個或多個程式當被包括多個應用程式的電子設備執行時,使得該電子設備執行以下方法: 確定待推薦資訊以及用戶的特徵資訊; 根據該待推薦資訊以及該特徵資訊,預測影響該待推薦資訊轉化過程的至少兩種因素對應的轉化概率; 根據該至少兩種因素對應的轉化概率,預測該待推薦資訊的轉化率。
- 一種資訊推薦裝置,包括: 確定單元,確定多個待推薦資訊以及用戶的特徵資訊; 第一預測單元,根據該多個待推薦資訊以及該特徵資訊,預測影響該多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率; 第二預測單元,根據該至少兩種因素對應的轉化概率,預測該多個待推薦資訊的轉化率; 推薦單元,根據該多個待推薦資訊的轉化率,向該用戶進行資訊推薦。
- 一種電子設備,包括: 處理器;以及 被安排成儲存計算機可執行指令的儲存器,該可執行指令在被執行時使該處理器執行以下操作: 確定多個待推薦資訊以及用戶的特徵資訊; 根據該多個待推薦資訊以及該特徵資訊,預測影響該多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率; 根據該至少兩種因素對應的轉化概率,預測該多個待推薦資訊的轉化率; 根據該多個待推薦資訊的轉化率,向該用戶進行資訊推薦。
- 一種計算機可讀儲存媒體,該計算機可讀儲存媒體儲存一個或多個程式,該一個或多個程式當被包括多個應用程式的電子設備執行時,使得該電子設備執行以下方法: 確定多個待推薦資訊以及用戶的特徵資訊; 根據該多個待推薦資訊以及該特徵資訊,預測影響該多個待推薦資訊轉化過程的至少兩種因素對應的轉化概率; 根據該至少兩種因素對應的轉化概率,預測該多個待推薦資訊的轉化率; 根據該多個待推薦資訊的轉化率,向該用戶進行資訊推薦。
- 一種券轉化率的預測裝置,包括: 確定單元,確定待推薦的券以及用戶的特徵資訊; 第一預測單元,根據該待推薦的券以及該特徵資訊,預測該待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種; 第二預測單元,根據該點擊率、該領取率以及該核銷率中的至少兩種,預測該待推薦的券的轉化率。
- 一種電子設備,包括: 處理器;以及 被安排成儲存計算機可執行指令的儲存器,該可執行指令在被執行時使該處理器執行以下操作: 確定待推薦的券以及用戶的特徵資訊; 根據該待推薦的券以及該特徵資訊,預測該待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種; 根據該點擊率、該領取率以及該核銷率中的至少兩種,預測該待推薦的券的轉化率。
- 一種計算機可讀儲存媒體,該計算機可讀儲存媒體儲存一個或多個程式,該一個或多個程式當被包括多個應用程式的電子設備執行時,使得該電子設備執行以下方法: 確定待推薦的券以及用戶的特徵資訊; 根據該待推薦的券以及該特徵資訊,預測該待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種; 根據該點擊率、該領取率以及該核銷率中的至少兩種,預測該待推薦的券的轉化率。
- 一種券推薦裝置,包括: 確定單元,確定多個待推薦的券以及用戶的特徵資訊; 第一預測單元,根據該多個待推薦的券以及該特徵資訊,預測該多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種; 第二預測單元,根據該點擊率、該領取率以及該核銷率中的至少兩種,預測該多個待推薦的券的轉化率; 推薦單元,根據該多個待推薦的券的轉化率,向該用戶推薦券。
- 一種電子設備,包括: 處理器;以及 被安排成儲存計算機可執行指令的儲存器,該可執行指令在被執行時使該處理器執行以下操作: 確定多個待推薦的券以及用戶的特徵資訊; 根據該多個待推薦的券以及該特徵資訊,預測該多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種; 根據該點擊率、該領取率以及該核銷率中的至少兩種,預測該多個待推薦的券的轉化率; 根據該多個待推薦的券的轉化率,向該用戶推薦券。
- 一種計算機可讀儲存媒體,該計算機可讀儲存媒體儲存一個或多個程式,該一個或多個程式當被包括多個應用程式的電子設備執行時,使得該電子設備執行以下方法: 確定多個待推薦的券以及用戶的特徵資訊; 根據該多個待推薦的券以及該特徵資訊,預測該多個待推薦的券在轉化過程中的點擊率、領取率以及核銷率中的至少兩種; 根據該點擊率、該領取率以及該核銷率中的至少兩種,預測該多個待推薦的券的轉化率; 根據該多個待推薦的券的轉化率,向該用戶推薦券。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
??201810187238.8 | 2018-03-07 | ||
CN201810187238.8A CN108510313A (zh) | 2018-03-07 | 2018-03-07 | 一种信息转化率的预测、信息推荐方法和装置 |
CN201810187238.8 | 2018-03-07 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201939379A true TW201939379A (zh) | 2019-10-01 |
TWI777010B TWI777010B (zh) | 2022-09-11 |
Family
ID=63376213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107147130A TWI777010B (zh) | 2018-03-07 | 2018-12-26 | 資訊轉化率的預測、資訊推薦方法和裝置 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN108510313A (zh) |
TW (1) | TWI777010B (zh) |
WO (1) | WO2019169977A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI810670B (zh) * | 2021-10-04 | 2023-08-01 | 中華電信股份有限公司 | 服務優惠推薦之裝置、方法及執行其方法之電腦程式產品 |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510313A (zh) * | 2018-03-07 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 一种信息转化率的预测、信息推荐方法和装置 |
CN109697636A (zh) * | 2018-12-27 | 2019-04-30 | 拉扎斯网络科技(上海)有限公司 | 一种商户推荐方法、商户推荐装置、电子设备和介质 |
CN111382346B (zh) * | 2018-12-28 | 2023-09-01 | 第四范式(北京)技术有限公司 | 用于推荐内容的方法及系统 |
CN109740066B (zh) * | 2019-01-28 | 2021-05-28 | 北京三快在线科技有限公司 | 信息推荐方法、信息推荐装置、存储介质及电子设备 |
CN110046932A (zh) * | 2019-03-29 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及设备 |
CN110188917A (zh) * | 2019-04-16 | 2019-08-30 | 上海上湖信息技术有限公司 | 客户转化率分析方法及装置、可读存储介质 |
CN110569427B (zh) * | 2019-08-07 | 2022-03-01 | 智者四海(北京)技术有限公司 | 一种多目标排序模型训练、用户行为预测方法及装置 |
CN110490389B (zh) * | 2019-08-27 | 2023-07-21 | 腾讯科技(深圳)有限公司 | 点击率预测方法、装置、设备及介质 |
CN112819497B (zh) * | 2019-11-18 | 2023-10-10 | 百度在线网络技术(北京)有限公司 | 转化率预测方法、装置、设备和存储介质 |
CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
CN111160959B (zh) * | 2019-12-20 | 2023-06-27 | 深圳前海微众银行股份有限公司 | 一种用户点击转化预估方法及装置 |
CN111460290B (zh) * | 2020-03-27 | 2023-06-02 | 喜丈(上海)网络科技有限公司 | 信息的推荐方法、装置、设备和存储介质 |
CN111401974A (zh) * | 2020-06-03 | 2020-07-10 | 北京每日优鲜电子商务有限公司 | 信息发送方法、装置、电子设备和计算机可读介质 |
CN111859289B (zh) * | 2020-06-17 | 2024-04-19 | 北京嘀嘀无限科技发展有限公司 | 交通工具的交易转化率预估方法、装置、电子设备及介质 |
CN111798280B (zh) * | 2020-09-08 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 多媒体信息推荐方法、装置和设备及存储介质 |
CN112381607B (zh) * | 2020-11-12 | 2023-11-24 | 杭州时趣信息技术有限公司 | 一种网络商品排序方法、装置、设备及介质 |
CN112508613B (zh) * | 2020-12-09 | 2024-03-19 | 天津狮拓信息技术有限公司 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
CN112667892B (zh) * | 2020-12-25 | 2024-01-19 | 北京达佳互联信息技术有限公司 | 一种信息推荐方法、装置、服务器和存储介质 |
CN113360770B (zh) * | 2021-06-30 | 2024-04-12 | 北京百度网讯科技有限公司 | 内容推荐的方法、装置、设备以及存储介质 |
CN113344647B (zh) * | 2021-07-14 | 2023-05-23 | 杭州网易云音乐科技有限公司 | 一种信息推荐的方法及装置 |
CN114422584B (zh) * | 2021-12-16 | 2023-07-07 | 北京百度网讯科技有限公司 | 资源的推送方法、设备和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102479366A (zh) * | 2010-11-25 | 2012-05-30 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及系统 |
CN102663519A (zh) * | 2012-04-01 | 2012-09-12 | 浙江盘石信息技术有限公司 | 网络广告投放中媒体选择的优化系统及方法 |
CN103618774B (zh) * | 2013-11-19 | 2016-11-23 | 北京奇虎科技有限公司 | 一种基于网络行为的资源推荐方法及装置、系统 |
CN104598511A (zh) * | 2014-10-23 | 2015-05-06 | 腾讯科技(深圳)有限公司 | 搜索结果推荐方法、装置及系统 |
CN107391680A (zh) * | 2017-07-24 | 2017-11-24 | 北京京东尚科信息技术有限公司 | 内容推荐方法、装置和设备 |
CN107688967A (zh) * | 2017-08-24 | 2018-02-13 | 平安科技(深圳)有限公司 | 客户购买意向的预测方法及终端设备 |
CN108510313A (zh) * | 2018-03-07 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 一种信息转化率的预测、信息推荐方法和装置 |
-
2018
- 2018-03-07 CN CN201810187238.8A patent/CN108510313A/zh active Pending
- 2018-12-26 TW TW107147130A patent/TWI777010B/zh active
-
2019
- 2019-01-28 WO PCT/CN2019/073365 patent/WO2019169977A1/zh active Application Filing
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI810670B (zh) * | 2021-10-04 | 2023-08-01 | 中華電信股份有限公司 | 服務優惠推薦之裝置、方法及執行其方法之電腦程式產品 |
Also Published As
Publication number | Publication date |
---|---|
CN108510313A (zh) | 2018-09-07 |
WO2019169977A1 (zh) | 2019-09-12 |
TWI777010B (zh) | 2022-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201939379A (zh) | 資訊轉化率的預測、資訊推薦方法和裝置 | |
TWI777015B (zh) | 資訊推薦的方法、裝置及設備 | |
TWI696194B (zh) | 投訴舉報類別的排序方法和裝置 | |
US20150095267A1 (en) | Techniques to dynamically generate real time frequently asked questions from forum data | |
US20150324868A1 (en) | Query Categorizer | |
WO2019169978A1 (zh) | 资源推荐方法及装置 | |
WO2018121700A1 (zh) | 基于已安装应用来推荐应用信息的方法、装置、终端设备及存储介质 | |
CN108550046A (zh) | 一种资源和营销推荐方法、装置及电子设备 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN112418920A (zh) | 信息推荐模型的训练方法、信息推荐方法以及装置 | |
WO2023000491A1 (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
US10304081B1 (en) | Yielding content recommendations based on serving by probabilistic grade proportions | |
CN110058992B (zh) | 一种文案模板效果反馈方法、装置及电子设备 | |
CN108492112A (zh) | 判定虚假资源转移及虚假交易的方法、装置及电子设备 | |
CN111582872A (zh) | 异常账号检测模型训练、异常账号检测方法、装置及设备 | |
US9201967B1 (en) | Rule based product classification | |
KR20200070082A (ko) | 가상 비서 도메인 선택 분석 | |
CN111275071B (zh) | 预测模型训练、预测方法、装置及电子设备 | |
CN111767457B (zh) | 推荐方法及装置 | |
CN109598478B (zh) | 一种风测结果描述文案的生成方法、装置及电子设备 | |
US20190370850A1 (en) | Reliability metrics for real-time auctions | |
CN110634024A (zh) | 一种用户属性标记方法、装置、电子设备及存储介质 | |
CN111143546A (zh) | 一种获得推荐语的方法、装置及电子设备 | |
US10031970B1 (en) | Search engine optimization in social question and answer systems | |
CN113392313B (zh) | 目标终端业务推荐方法、装置及电子设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |