TWI818259B - 基於深度學習方法之推播封鎖意圖預測方法與系統 - Google Patents
基於深度學習方法之推播封鎖意圖預測方法與系統 Download PDFInfo
- Publication number
- TWI818259B TWI818259B TW110118121A TW110118121A TWI818259B TW I818259 B TWI818259 B TW I818259B TW 110118121 A TW110118121 A TW 110118121A TW 110118121 A TW110118121 A TW 110118121A TW I818259 B TWI818259 B TW I818259B
- Authority
- TW
- Taiwan
- Prior art keywords
- push
- time
- feature
- record
- blocking
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 230000002123 temporal effect Effects 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims description 45
- 230000000903 blocking effect Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 12
- 238000003058 natural language processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Landscapes
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- User Interface Of Digital Computer (AREA)
- Feedback Control In General (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本發明提出一種基於深度學習方法之推播封鎖意圖預測方法與系統，包括以下步驟：將不同時間的推播接收紀錄組成一使用者推播紀錄序列；以及根據該使用者推播紀錄序列，使用一學習模型裝置計算一目標推播通知的一封鎖機率。該推播接收紀錄包含該目標推播通知的一內文、至少一時間類別特徵與至少一時間數值特徵。
Description
本發明係關於一種應用深度學習的方法與系統，特別是一種基於深度學習方法的推播封鎖意圖預測方法與系統。
智慧行動裝置通常會通過簡訊、電子郵件與網頁推收到播銷廣告。推播通知的主動性和即時性雖然增加了廣告的曝光率與使用者對企業商品的觸及率，促進營銷效率。
然而，一味地發送推播通知不一定能得到好的行銷效果，因為使用者在推播中是被動的，使用者所接收的内容全由企業決定，這種情況下企業所發送的商品訊息未必符合使用者的需求，且訊息發送的時間或次數對於使用者來說若是不合宜，令使用者感到厭煩、壓迫，將會導致使用者忽略該則推播通知，甚至導致使企業的客戶流失並受到形象或利益上的損害。
因此，需要提出能推測使用者意圖，並根據使用者情形調整推播內容與推播傳送的使用者意圖預測方法。
為達到有效解決上述問題之目的，本發明提出一種基於深度學習方法之推播封鎖意圖預測方法與使用該方法的推播封鎖意圖預測系統，該方法包括以下步驟：將不同時間的推播接收紀錄組成一使用者推播紀錄序列；以及根據該使用者推播紀錄序列，使用一學習模型裝置計算一目標推播通知的一封鎖機率。該推播接收紀錄包含該目標推播通知的一內文、至少一時間類別特徵與至少一時間數值特徵。
根據本發明一實施例，該學習模型裝置包含一文本編碼單元、一時間類別特徵轉換單元以及一時間數值特徵轉換單元。
根據本發明一實施例，該推播封鎖意圖預測方法另包括：使用一文本編碼單元將該推播接收紀錄中的該內文進行編碼以產生一內文嵌入向量。該文本編碼單元為一自然語言處理模型。
根據本發明一實施例，該推播封鎖意圖預測方法另包括：使用一時間類別特徵轉換單元將該推播接收紀錄包含的該至少一時間特徵進行轉換得到一時間類別特徵轉換結果；以及使用一時間數值特徵轉換單元將該推播接收紀錄包含的該至少一時間數值特徵進行轉換得到一時間數值特徵轉換結果。該推播接收紀錄另包含該內文嵌入向量、該時間類別特徵轉換結果與該時間數值特徵轉換結果。
根據本發明一實施例，該推播接收紀錄包含的該至少一時間特徵包含一露出時間特徵以及一點擊時間特徵。
根據本發明一實施例，該推播接收紀錄包含的該至少一時間數值特徵包含一露出時差特徵以及一點擊與露出的時差特徵。
通過使用本發明基於深度學習的推播封鎖意圖預測方法與使用該方法的推播封鎖意圖預測系統，企業能利用推播通知的主動性和即時性增加廣告的曝光率與使用者對企業商品的觸及率，促進營銷效率，同時根據使用者情形調整推播內容與推播傳送以避免不適宜的訊息發送時間或次數，導致使企業的客戶流失並受到形象或利益上的損害。
請參照圖1，圖1係依據本發明一實施例基於深度學習方法之推播封鎖意圖預測方法示意圖。如圖1所示，本發明提出一種基於深度學習方法之推播封鎖意圖預測，包括以下步驟：步驟S100：將內文嵌入向量、時間類別特徵轉換結果與時間數值特徵轉換結果組成推播接收紀錄；步驟S101是將不同時間的推播接收紀錄組成一使用者推播紀錄序列；以及步驟S102是通過使用一學習模型裝置來將使用者推播紀錄序列與下一則目標推播通知計算得到封鎖機率。該推播接收紀錄包含該目標推播通知的一內文、至少一時間類別特徵與至少一時間數值特徵。
在此實施例中，該學習模型裝置包含一文本編碼單元、一時間類別特徵轉換單元以及一時間數值特徵轉換單元。
在此實施例中，該至少一時間類別特徵包含一露出時間特徵以及一點擊時間特徵。該至少一時間數值特徵包含一露出時差特徵以及一點擊與露出的時差特徵。
在此實施例中，該文本編碼單元被用於將該推播接收紀錄中的該內文編碼以產生上述的內文嵌入向量。該學習模型裝置的文本編碼單元為一自然語言處理模型。
另外，該推播封鎖意圖預測方法還包含：使用一時間類別特徵轉換單元將該推播接收紀錄包含的該至少一時間類別特徵進行轉換得到上述的時間類別特徵轉換結果；以及使用時間數值特徵轉換單元將該推播接收紀錄包含的至少一時間數值特徵進行轉換得到上述的時間數值特徵轉換結果。該推播接收紀錄另包含該內文嵌入向量、該時間類別特徵轉換結果與該時間數值特徵轉換結果。
請參照圖2，在圖2的實施例中，本發明提出了使用上述基於深度學習的推播封鎖意圖預測方法的推播封鎖意圖預測系統1，系統1中的學習模型裝置10，被用於根據該使用者推播紀錄序列計算一目標推播通知的一封鎖機率，該學習模型裝置10包含一文本編碼單元100、一時間類別特徵轉換單元110以及一時間數值特徵轉換單元120。同上述方法內容，該文本編碼單元100將該推播接收紀錄中的該內文進行編碼以產生一內文嵌入向量。該時間類別特徵轉換單元110將該推播接收紀錄包含的至少一時間類別特徵進行轉換得到一時間類別特徵轉換結果。該時間數值特徵轉換單元120將該推播接收紀錄包含的至少一時間數值特徵進行轉換得到一時間數值特徵轉換結果。
如此一來，該系統1能夠依據用戶的習慣調整推播通知以在使用者注意力有限的情況下，提升使用者對產品的參與度與點擊率，以及預測推播内容類型與推播形式會讓使用者產生的推播封鎖意圖。
通過使用本發明的推播封鎖意圖預測方法與使用該方法的系統，便能夠儘早識別使用者的意圖來避免被使用者封鎖、改善使用者對於推播通知的體驗、以及提供即時的回應，如此一來可利用推播通知的主動性和即時性增加廣告的曝光率與使用者對企業商品的觸及率，促進營銷效率，同時根據使用者情形調整推播內容與推播傳送以避免不適宜的訊息發送時間或次數，導致使企業的客戶流失並受到形象或利益上的損害。
本發明不限於上述實施例，對於本技術領域的技術人員顯而易見的是，在不脫離本發明的精神或範疇的情況下，可對本發明作出各種修改和變化。
因此，本發明旨在涵蓋對本發明或落入所附申請專利範圍及其均等範疇內所作的修改與變化。
1:系統
10:學習模型裝置
100:文本編碼單元
110:時間類別特徵轉換單元
120:時間數值特徵轉換單元
S100-S102:步驟
圖1係依據本發明一實施例的推播封鎖意圖預測方法示意圖。
圖2係使用圖1實施例方法的推播封鎖意圖預測系統示意圖。
S100-S102:步驟
Claims (10)
- 一種基於深度學習方法之推播封鎖意圖預測方法，包括以下步驟：將內文嵌入向量、時間類別特徵轉換結果與時間數值特徵轉換結果組成推播接收紀錄；將不同時間的推播接收紀錄組成一使用者推播紀錄序列；以及通過使用一學習模型裝置，根據該使用者推播紀錄序列計算一目標推播通知、將該使用者推播紀錄序列與下一則目標推播通知計算得到一封鎖機率；其中，該推播接收紀錄包含該目標推播通知的一內文、至少一時間類別特徵與至少一時間數值特徵；以及其中，通過使用該學習模型裝置、根據該使用者推播紀錄序列，按使用者情形調整推播內容與推播傳送。
- 如請求項1所述的推播封鎖意圖預測方法，其中，該學習模型裝置包含一文本編碼單元、一時間類別特徵轉換單元以及一時間數值特徵轉換單元。
- 如請求項2所述的推播封鎖意圖預測方法，另包括：使用該文本編碼單元將該推播接收紀錄中的該內文進行編碼以產生該內文嵌入向量；其中，該文本編碼單元為一自然語言處理模型。
- 如請求項2所述的推播封鎖意圖預測方法，另包括：使用一時間類別特徵轉換單元將該推播接收紀錄包含的該至少一時間類別特徵進行轉換得到該時間類別特徵轉換結果；以及使用一時間數值特徵轉換單元將該推播接收紀錄包含的該至少一時間數值特徵進行轉換得到該時間數值特徵轉換結果； 其中，該推播接收紀錄另包含該內文嵌入向量、該時間類別特徵轉換結果與該時間數值特徵轉換結果。
- 如請求項1所述的推播封鎖意圖預測方法，其中，該推播接收紀錄包含的該至少一時間類別特徵包含一露出時間特徵以及一點擊時間特徵。
- 如請求項1所述的推播封鎖意圖預測方法，其中，該推播接收紀錄包含的該至少一時間數值特徵包含一露出時差特徵以及一點擊與露出的時差特徵。
- 一種基於深度學習方法之推播封鎖意圖預測系統，包括：一使用者推播紀錄序列，包含不同時間的推播接收紀錄，其中，將內文嵌入向量、時間類別特徵轉換結果與時間數值特徵轉換結果組成不同時間的該推播接收紀錄；一學習模型裝置，通過使用該學習模型裝置，根據該使用者推播紀錄序列計算一目標推播通知、將該使用者推播紀錄序列與下一則目標推播通知計算得到一封鎖機率，該學習模型裝置包含：一文本編碼單元，被用於將該推播接收紀錄中的該內文進行編碼以產生該內文嵌入向量；一時間類別特徵轉換單元，被用於將該推播接收紀錄包含的至少一時間類別特徵進行轉換得到該時間類別特徵轉換結果；以及一時間數值特徵轉換單元，被用於將該推播接收紀錄包含的至少一時間數值特徵進行轉換得到該時間數值特徵轉換結果；其中，該推播接收紀錄包含該目標推播通知的一內文、該至少一時間類別特徵、至少一時間數值特徵、該內文嵌入向量、該時間類別特徵轉換結果與該時間數值特徵轉換結果；以及其中，通過使用該學習模型裝置根據該使用者推播紀錄序列，按使用者情形調整推播內容與推播傳送。
- 如請求項7所述的推播封鎖意圖預測系統，其中，該學習模型裝置的文本編碼單元為一自然語言處理模型。
- 如請求項7所述的推播封鎖意圖預測系統，其中，該推播接收紀錄包含的該至少一時間類別特徵包含一露出時間特徵以及一點擊時間特徵。
- 如請求項7所述的推播封鎖意圖預測系統，其中，該推播接收紀錄包含的該至少一時間數值特徵包含一露出時差特徵及一點擊與露出的時差特徵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110118121A TWI818259B (zh) | 2021-05-19 | 2021-05-19 | 基於深度學習方法之推播封鎖意圖預測方法與系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110118121A TWI818259B (zh) | 2021-05-19 | 2021-05-19 | 基於深度學習方法之推播封鎖意圖預測方法與系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202247065A TW202247065A (zh) | 2022-12-01 |
| TWI818259B true TWI818259B (zh) | 2023-10-11 |
Family
ID=85793811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110118121A TWI818259B (zh) | 2021-05-19 | 2021-05-19 | 基於深度學習方法之推播封鎖意圖預測方法與系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI818259B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201624376A (zh) * | 2014-12-19 | 2016-07-01 | 國立臺灣科技大學 | 近場廣告推播系統及方法 |
| TWM596393U (zh) * | 2020-03-16 | 2020-06-01 | 臺灣土地銀行股份有限公司 | 行銷訊息管理系統 |
| TW202101431A (zh) * | 2019-04-03 | 2021-01-01 | 英商梅許崔克斯有限公司 | 訓練神經網路反映情緒感知之方法、用於分類與找尋關聯內容之相關系統及方法及內嵌有多維屬性向量之相關數位媒體檔案 |
-
2021
- 2021-05-19 TW TW110118121A patent/TWI818259B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201624376A (zh) * | 2014-12-19 | 2016-07-01 | 國立臺灣科技大學 | 近場廣告推播系統及方法 |
| TW202101431A (zh) * | 2019-04-03 | 2021-01-01 | 英商梅許崔克斯有限公司 | 訓練神經網路反映情緒感知之方法、用於分類與找尋關聯內容之相關系統及方法及內嵌有多維屬性向量之相關數位媒體檔案 |
| TWM596393U (zh) * | 2020-03-16 | 2020-06-01 | 臺灣土地銀行股份有限公司 | 行銷訊息管理系統 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202247065A (zh) | 2022-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10096044B2 (en) | System and method for targeted advertising | |
| US10248960B2 (en) | Data mining to determine online user responses to broadcast messages | |
| JP5955374B2 (ja) | 非対話型広告から対話型広告へのコンテキスト変換 | |
| US9111286B2 (en) | Multiple actions and icons for mobile advertising | |
| US9959547B2 (en) | Platform for mobile advertising and persistent microtargeting of promotions | |
| US8107929B2 (en) | System and method for responding to information requests from users of personal communication devices | |
| US20180018703A1 (en) | User privacy in an electronic message campaign | |
| US20090197582A1 (en) | Platform for mobile advertising and microtargeting of promotions | |
| US20090197616A1 (en) | Critical mass billboard | |
| US11595329B2 (en) | Location based content system for mobile applications | |
| JP2011515735A5 (zh) | ||
| US10956929B2 (en) | Systems and methods for instant generation of human understandable audience insights | |
| CN116521907A (zh) | 使用模型优化内容分发 | |
| CN112534458A (zh) | 优化用于用户消息传递参与的内容项选择 | |
| TWI818259B (zh) | 基於深度學習方法之推播封鎖意圖預測方法與系統 | |
| US20170238067A1 (en) | Systems and methods for dynamic creative optimization for video advertisements | |
| JP2020027397A (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
| TW202217561A (zh) | 電話廣告系統、電話廣告方法、及電話廣告程式 | |
| Ramdasani et al. | Marketing Through Mobile Phone: The Next Big Thing in India | |
| US20220414493A1 (en) | Computerized system and method for generating a modified prediction model for predicting user actions and recommending content | |
| TWI783586B (zh) | 終端裝置、廣告顯示方法、及終端程式 | |
| Hao | Targeting in the New Digital Age | |
| US20240249315A1 (en) | Recommendation campaigns based on predicted short-term user behavior and predicted long-term user behavior | |
| Fu et al. | Dynamic Throttling of In-App Promotions to Reduce Marketing Spend Based on Machine-Learning | |
| Arkhipova et al. | Digital Technologies as a Factor in the Development of Modern Marketing |