使用人工神经网络来进行网页界面生成和测试制造技术

简而言之，所公开的技术提供了所谓的机器学习转换优化(MLCO)系统，其使用人工神经网络和演化计算来有效地识别搜索空间中的最成功的网页设计，而无需测试所述搜索空间中的所有可能的网页设计。所述搜索空间是根据营销人员提供的网页设计来定义的。神经网络被表示为基因组。神经网络将用户属性从实时用户流量映射到实时呈现给所述用户的输出漏斗的不同维度和维度值。所述基因组经受演化操作，如初始化、测试、竞争和生育，以识别表现良好的亲本基因组和可能表现良好的后代基因组。

【技术实现步骤摘要】
【国外来华专利技术】使用人工神经网络来进行网页界面生成和测试其他申请的交叉引用本申请要求于2016年1月5日提交的美国临时专利申请62/275,058“AUTOMATEDCONVERSIONOPTIMIZATIONSYSTEMANDMETHODUSINGMACHINELEARNING”(代理人案卷号GNFN3301-1)的权益。该优先权临时申请据此以引用方式并入；本申请要求于2016年1月5日提交的美国临时专利申请62/275,074“AUTOMATEDSEGMENTATION/PERSONALIZATIONCONVERSIONOPTIMIZATIONUSINGMACHINELEARNING”(代理人案卷号GNFN3302-1)的权益。该优先权临时申请据此以引用方式并入；本申请以引用方式并入有与本文同时提交的、标题为“MACHINELEARNINGBASEDWEBINTERFACEGENERATIONANDTESTINGSYSTEM”的美国非临时专利申请(代理人案卷号GNFN3301-2)；本申请以引用方式并入有与本文同时提交的、标题为“MACHINELEARNINGBASEDWEBINTERFACEPRODUCTIONANDDEPLOYMENTSYSTEM”的美国非临时专利申请(代理人案卷号GNFN3301-3)；以及本申请以引用方式并入有与本文同时提交的、标题为“WEBINTERFACEPRODUCTIONANDDEPLOYMENTUSINGARTIFICIALNEURALNETWORKS”的美国非临时专利申请(代理人案卷号GNFN3302-3)。
所公开的技术总体上涉及使用人工智能和人工神经网络来进行网页界面生成和测试，且具体来说涉及使用演化计算来提供所谓的机器学习转换优化(MLCO)解决方案。
技术介绍
本节中讨论的主题不应仅仅因为在本节中提及而被认为是现有技术。类似地，在本节中提到的或者与作为背景提供的主题相关联的问题不应该被认为是先前在现有技术中已经认识到的。本节中的主题仅表示不同的方法，这些方法本身也可以对应于所要求保护的技术的实现方式。所公开的技术提供了一种所谓的机器学习转换优化(MLCO)系统，其使用人工神经网络和演化计算来有效地识别搜索空间中的最成功的网页设计，而无需测试搜索空间中的所有可能的网页设计。搜索空间是根据营销人员提供的网页设计来定义的。神经网络被表示为基因组。神经网络将用户属性从实时用户流量映射到实时呈现给用户的输出漏斗(funnel)的不同维度和维度值。所述基因组经受演化操作，如初始化、测试、竞争和生育，以识别表现良好的亲本基因组和可能表现良好的后代基因组。在网站上运行受控实验的常用方法包括复杂的转换优化解决方案。转换优化包括同时测试网页和页面元素的多种组合和变体。例如，可以提供两个替代图像，加上两个替代标题，加上两个替代复制文本，总共二十七种可能的组合(包括原始控制版本)。因此，转换优化引入了一组相当复杂的排列和组合，需要对所述排列和组合进行分析以确定真正吸引用户的页面元素的最有效组合。由于大数据在web个性化中扮演着比较重要的角色，因此数据信号的数量、规则的复杂性以及结果的绝对数量呈指数级增长。由于这种情况的发生，根本不可能进行人类的优化，即使能进行，也几乎没有机会影响结果。算法优化是必需的，但即使有，能够处理线性关系和相关性的简单线性回归算法也可能无法充分创建改进的结果，假定有大量的必须处理以预测性能的数据输入和所得测量值。使用机器学习系统来运行测试，在这些测试中，在确定结果时涉及许多其间具有非常复杂的关系的变量。考虑到变量之间的关系可能过于复杂而无法提前确定算法，机器学习系统通常会尝试从数据中学习以找出公式，而不是试图找出用于开始的公式。因此，当有如此多的变量在转换优化中起作用时，需要非常复杂的算法，这些算法利用机器学习、人工智能和其他非线性算法来基于从大数据输入集的学习来对结果进行预测。附图说明在附图中，相同的附图标记在不同视图中通常指代相同的部分。而且，附图不一定按比例绘制，而是通常将重点放在说明所公开的技术的原理上。在以下描述中，参考以下附图描述所公开的技术的各种实现方式，在附图中：图1示出了用于促进目标在线用户行为的机器学习转换优化(MLCO)系统的各方面。图2示出了表示神经网络的基因组的一种实现方式。图3示出了所公开的机器学习转换优化(MLCO)的工作流程。图4示出了具有多个网页界面(webinterface)的漏斗，其用于初始化由基因组表示的神经网络的输出层。图5描绘了漏斗的网页界面布局，所述漏斗用于初始化由基因组表示的神经网络的输出层。图6示出了漏斗的网页界面以及漏斗的多个维度和维度值，所述漏斗用于初始化由基因组表示的神经网络的输出层。图7是将起始漏斗的编辑器设计表示变换为运行时设计表示的一种实现方式的符号图。图8描绘了编码由基因组表示的神经网络的输出层的一种实现方式的符号图。图9和图10示出了图1的前端呈现模块的各方面。图11是机器学习用户装置(MLUD)的一种实现方式。图12示出了机器学习内容分发网络(MLCDN)的一种实现方式。图13是可用于实现所公开的技术的计算机系统的简化框图。具体实施方式下面的讨论是为了使本领域技术人员能够实现和使用所公开的技术，并且是在特定应用及其要求的上下文中提供的。对于本领域技术人员来说，对所公开的实现方式的各种修改是极明显的，并且在不脱离所公开技术的精神和范围的情况下，本文定义的一般原理可以应用于其他实现方式和应用。因此，所公开的技术不旨在限于所示的实现方式，而是与符合本文公开的原理和特征的最宽范围相一致。在转换优化上下文中描述了根据所公开的实现方式的系统、设备和方法的示例。在其他情况下，所公开的技术可应用于多变量测试、A/B测试、登陆页面优化、转换率优化、网站测试、网站优化、搜索引擎优化、信息技术、电信系统、金融系统、安全交易、银行业务、商业智能、营销、医学和健康科学、采矿、能源等。其他服务也是可能的，因此以下示例不应被视为确定或限制范围、背景或环境。所公开的技术可以在任何计算机实现的系统的环境中实现，包括数据库系统、多租户环境或关系数据库实现方式，如OracleTM兼容数据库实现方式、IBMDB2EnterpriseServerTM兼容关系数据库实现方式、MySQLTM或PostgreSQLTM兼容关系数据库实现方式或MicrosoftSQLServerTM兼容关系数据库实现方式或NoSQLTM非关系数据库实现方式，如VampireTM兼容非关系数据库实现方式，ApacheCassandraTM兼容非关系数据库实现方式、BigTableTM兼容非关系数据库实现方式或HBaseTM或DynamoDBTM兼容非关系数据库实现方式。此外，所公开的技术还可以使用不同的编程模型，例如MapReduceTM、批量同步编程、MPI原语等，或者不同的可扩展批处理和流管理系统，如AmazonWebServices(AWS)TM，包括AmazonElasticsearchServiceTM和AmazonKinesisTM、ApacheStormTM、ApacheSparkTM、ApacheKafkaTM、ApacheFlinkT本文档来自技高网...

【技术保护点】
1.一种促进预定目标用户行为的计算机实现的网页界面生成和测试系统，其包括：存储具有候选个体群体的候选数据库的存储器，所述候选个体的每个都识别所述候选个体的多个超参数的相应值，所述超参数描述相应神经网络的拓扑和用于所述相应神经网络的互连的系数，所述神经网络的每个都将用户特性映射到具有一个或多个网页界面的相应漏斗，每个漏斗都具有多个维度，可以由所述神经网络给所述维度分配值，并且还具有一种机制，可以通过所述机制检测所述目标用户行为的实现，并且所述神经网络识别可以为其分配值的所述维度的每个的值；群体初始化模块，其将候选个体的初步池写入到所述候选个体群体中；候选测试模块，其通过使所述漏斗经受实时在线评估来测试所述候选个体群体中的所述候选个体的每个，所述候选测试模块根据所述实时在线评估，为所述候选个体的每个开发性能度量，所述性能度量是所述候选个体在实现所述目标用户行为方面的成功的指示符；生育模块，其将根据来自所述候选个体群体的相应一组一个或多个亲本个体和所述亲本的性能度量而形成的新个体添加到所述候选个体群体；以及控制模块，其迭代所述候选测试模块和所述生育模块。

【技术特征摘要】
【国外来华专利技术】2016.01.05 US 62/275,058;2016.01.05 US 62/275,0741.一种促进预定目标用户行为的计算机实现的网页界面生成和测试系统，其包括：存储具有候选个体群体的候选数据库的存储器，所述候选个体的每个都识别所述候选个体的多个超参数的相应值，所述超参数描述相应神经网络的拓扑和用于所述相应神经网络的互连的系数，所述神经网络的每个都将用户特性映射到具有一个或多个网页界面的相应漏斗，每个漏斗都具有多个维度，可以由所述神经网络给所述维度分配值，并且还具有一种机制，可以通过所述机制检测所述目标用户行为的实现，并且所述神经网络识别可以为其分配值的所述维度的每个的值；群体初始化模块，其将候选个体的初步池写入到所述候选个体群体中；候选测试模块，其通过使所述漏斗经受实时在线评估来测试所述候选个体群体中的所述候选个体的每个，所述候选测试模块根据所述实时在线评估，为所述候选个体的每个开发性能度量，所述性能度量是所述候选个体在实现所述目标用户行为方面的成功的指示符；生育模块，其将根据来自所述候选个体群体的相应一组一个或多个亲本个体和所述亲本的性能度量而形成的新个体添加到所述候选个体群体；以及控制模块，其迭代所述候选测试模块和所述生育模块。2.如权利要求1所述的系统，其中所述生育模块形成所述新个体中的一个，使得所述新个体的基因是按适合度比例从所述候选个体群体中的所述亲本个体中选择的。3.如权利要求1所述的系统，其还被配置为包括竞争模块，其根据所述开发的性能度量来从所述候选个体群体中选择用于丢弃的经历所述实时在线评估的个体。4.如权利要求3所述的系统，其中所述生育模块向所述候选个体群体添加新个体，所述新个体是根据来自所述候选个体群体并且尚未被选择用于丢弃的相应一组一个或多个亲本个体形成的。5.如权利要求4所述的系统，所述生育模块至少部分地通过两个选定的亲本个体的超参数值之间的交叉来形成新个体。6.如权利要求4所述的系统，其中所述生育模块至少部分地通过亲本个体的至少一个超参数值的变异来形成新个体。7.如权利要求3所述的系统，其中所述控制模块迭代所述候选测试模块、所述竞争模块和所述生育模块。8.如权利要求1所述的系统，其中由所述候选个体的每个识别的所述神经网络包括神经元的输入层、神经元的输出层和至少一个隐藏的神经元层，其中所述输入层中的多个神经元是为所有候选个体先验地配置的，并且其中所述生育模块使得添加到所述候选个体群体中的所有新个体在所述输入层中具有与该个体的亲本相同数量的神经元。9.如权利要求1所述的系统，其中所述目标用户行为是最终用户的转换。10.如权利要求9所述的系统，其中由所述候选测试模块开发的所述性能度量基于由候选个体的神经网络产生并经受所述实时在线评估的一组漏斗的转换率。11.如权利要求9所述的系统，其中由所述候选测试模块开发的所述性能度量基于从由候选个体的神经网络产生并经受所述实时在线评估的一组漏斗接收到的收益。12.一种用于生成改进的网页界面的计算机实现的系统，用于与用户属性数据源一起使用，所述系统包括：存储具有基因组池的候选数据库的存储器，所述基因组的每个都通过识别所述基因组的多个超参数的相应值来识别相应的神经网络，所述超参数描述所述相应神经网络的拓扑以及所述相应神经网络的互连的系数，所述相应的神经网络根据来自所述用户属性数据的不同组的用户属性值来产生一个或多个网页界面的输出漏斗，每个基因组还具有与其相关联的存储装置，用于指示相应的适合度估计；以及基因组池处理器，其：针对用户属性数据，测试来自所述基因组池的基因组，正在被测试的每个基因组都经历有至少一个试验的相应一组试验，每个试验都将相应的一组用户属性值应用于所述相应基因组的所述神经网络，以产生对应的输出漏斗，根据在所述试验组中所述基因组的所述神经网络在产生输出漏斗时的预定适合度度量，更新与正在被测试的所述基因组的每个相关联的所述适合度估计，以及根据基因组更新的适合度估计，从所述基因组池中选择用于丢弃的基因组。13.如权利要求12所述的系统，其中所述神经网络中的给定一个的所述预定适合度度量取决于在所述试验组中由所述给定神经网络产生的所述输出漏斗的转换率。14.如权利要求12所述的系统，其中所述神经网络中的给定一个的所述预定适合度度量取决于在所述试验组中由所述给定神经网络产生的所述输出漏斗的收益率。15.如权利要求12所述的系统，其中与正在被测试的所述基因组中的给定每个相关联的所述适合度估计的每次更新都改进了与所述给定基因组相关联的所述适合度估计。16.如权利要求12所述的系统，其中所述基因组池处理器还包括生育模块，其根据来自所述基因组池的相应一组一个或多个亲本基因组，形成新的基因组。17.如权利要求12所述的系统，其中每个试验组都包括多个试验。18.一种促进预定目标用户行为的计算机实现的网页界面生成和测试方法，其包括：提供存储具有候选个体群体的候选数据库的存储器，所述候选个体的每个都识别所述候选个体的多个超参数的相应值，所述超参数描述相应神经网络的拓扑和用于所述相应神经网络的互连的系数，所述神经网络的每个都将用户特性映射到具有一个或多个网页界面的相应漏斗，每个漏斗都具有多个维度，可以由所述神经网络给所述维度分配值，并且还具有一种机制，可以通过所述机制检测所述目标用户行为的实现，并且所述神经网络识别可以为其分配值的所述维度的每个的值；群体初始化步骤，其将候选个体的初步池写入到所述候选个体群体中；候选测试步骤，其通过使所述漏斗经受实时在线评估来测试所述候选个体群体中的所述候选个体的每个，所述候选测试模块根据所述实时在线评估，为所述候选个体的每个开发性能度量，所述性能度量是所述候选个体在实现所述目标用户行为方面的成功的指示符；生育步骤，其将根据来自所述候选个体群体的相应一组一个或多个亲本个体和所述亲本的性能度量而形成的新个体添加到所述候选个体群体；以及在所述生育步骤之后重复所述候选测试步骤的迭代步骤。19.一种用于生成改进的网页界面的计算机实现的方法，用于与用户属性数据源一起使用，所述方法包括：提供存储具有基因组池的候选数据库的存储器，所述基因组的每个都通过识别所述基因组的多个超参数的相应值来识别相应的神经网络，所述超参数描述所述相应神经网络的拓扑以及所述相应神经网络的互连的系数，所述相应的神经网络根据来自所述用户属性数据的不同组的用户属性值来产生一个或多个网页界面的输出漏斗，每个基因组还具有与其相关联的存储装置，用于指示相应的适合度估计；以及提供基因组池处理器，其：针对用户属性数据，测试来自所述基因组池的基因组，正在被测试的每个基因组都经历有至少一个试验的相应一组试验，每个试验都将相应的一组用户属性值应用于所述相应基因组的所述神经网络，以产生对应的输出漏斗，根据在所述试验组中所述基因组的所述神经网络在产生输出漏斗时的预定适合度度量，更新与正在被测试的所述基因组的每个相关联的所述适合度估计，以及根据基因组更新的适合度估计，从所述基因组池中选择用于丢弃的基因组。20.一种计算机实现的网页界面产生和部署系统，用于与用户属性数据源一起使用，所述系统包括：存储具有候选个体群体的候选数据库的存储器，所述候选个体的每个都识别所述候选个体的多个超参数的相应值，所述超参数描述相应神经网络的拓扑和用于所述相应神经网络的互连的系数，所述神经网络的每个都将用户特性映射到具有一个或多个网页界面的相应漏斗，每个漏斗都具有多个漏斗维度，可以由所述神经网络给所述维度分配值，并且所述神经网络识别可以为其分配值的所述维度的每个的值；呈现数据库，其识别所述漏斗的所述维度的每个的至少一个可用值中的每一个的前端元素值；以及呈现模块，其：根据由所述候选个体中的选定候选个体描述的所述神经网络，确定由所述神经网络根据来自所述用户属性数据源的用户属性数据所识别的漏斗维度值，将所述所识别的漏斗维度值应用于所述呈现数据库，以确定对应于所述所识别的漏斗维度值的前端元素值，以及向用户呈现具有所述所确定的前端元素值的漏斗。21.如权利要求20所述的系统，其中所述维度的每个的所述可用值中的一个是默认值，其中所述漏斗具有所述维度的每个的所述默认维度值的默认前端元素值，以及其中所述呈现模块应用对应于由所述神经网络识别的除了所述维度的每个的所述默认维度值之外的所有维度值的所述前端元素值。22.一种用于可定制的网页界面漏斗的计算机实现的部署系统，所述漏斗是可沿多个维度定制的，所述系统包括：呈现数据库，其识别所述漏斗的所述维度的每个的至少一个可用值中的每一个的前端元素值；神经网络规范存储器，对于神经网络的特定变化，其存储描述所述神经网络的拓扑和用于所述神经网络的互连的系数的多个超参数中的每一个的值，所述神经网络将用户属性映射到具有一个或多个网页界面的相应漏斗，每个漏斗都具有多个漏斗维度，可以由所述神经网络给所述维度分配值，并且所述神经网络识别可以为其分配值的所述维度的每个的值；以及呈现模块，其：根据由存储在所述神经网络定制规范存储器中的所述值描述的所述神经网络，确定由所述神经网络根据用户属性数据所识别的漏斗维度值，将所述所识别的漏斗维度值应用于所述呈现数据库，以确定对应于所述所识别的漏斗维度值的前端元素值，以及向用户呈现具有所述所确定的前端元素值的漏斗。23.如权利要求22所述的系统，其中所述维度的每个的所述可用值中的一个是默认值，其中所述漏斗具有所述漏斗维度的每个的所述默认值的默认前端元素值，以及其中由所述呈现模块向所述用户呈现的所述漏斗具有前端元素值，所述前端元素值由所述呈现数据库指示为对应于由所述神经网络识别的除了所述漏斗维度的每个的所述默认维度值之外的所有所述漏斗维度值。24.如权利要求22所述的系统，其还被配置为利用所述超参数的每个的一组新值来更新所述神经网络定制规范存储器。25.如权利要求22所述的系统，其中所述系统响应于用于进入漏斗的用户行为来针对所述神经网络定制规范存储器检索所述值。26.如权利要求25所述的系统，其中所述系统还响应于用户行为来检索所述呈现数据库。27.一种计算机实现的网页界面产生和部署系统，其包括：存储具有候选个体群体的候选数据库的存储器，所述候选个体的每个都...

【专利技术属性】
技术研发人员：R·米卡莱南，N·伊斯科埃，
申请(专利权)人：思腾科技巴巴多斯有限公司，
类型：发明
国别省市：巴巴多斯,BB