营销产品的推荐方法和装置制造方法及图纸

本说明书提供一种营销产品的推荐方法，包括：在收到用户对营销产品数据的请求后，获取所述用户的用户特征和每个营销产品的产品特征；基于用户特征和产品特征生成交叉特征；将用户特征、产品特征和交叉特征输入点击率评估模型，得到所述用户对每个营销产品的点击率评估值；所述点击率评估模型为机器学习模型，采用已知点击率的用户特征和营销产品特征样本进行训练；根据所述点击率评估值确定M个营销产品，向用户返回的所述M个营销产品的数据；M为自然数。

Recommending methods and devices for marketing products

This specification provides a recommendation method for marketing products, including: after receiving a user's request for marketing product data, obtaining the user characteristics of the user and the product characteristics of each marketing product; generating cross-features based on the user characteristics and product characteristics; input and click user characteristics, product features and cross-features The rate evaluation model obtains the click-through rate evaluation value of each marketing product of the user; the click-through rate evaluation model is a machine learning model, trained by the user characteristics of the known click-through rate and the marketing product characteristic samples; the M marketing products are determined according to the click-through rate evaluation value, and the M marketing products are returned to the user. Product data; M is a natural number.

【技术实现步骤摘要】
营销产品的推荐方法和装置
本说明书涉及数据处理
，尤其涉及一种营销产品的推荐方法和装置。
技术介绍
网络技术的发展，使得人们能够超越时间约束和空间限制，随时随地的获取信息、并通过与他人或企业进行信息交换来完成生活和工作中的各种事项。随着人们将更多的注意力和时间转移到网络上，企业逐渐将营销资源更多的投入到互联网营销中，来适应人们行为的变化。互联网营销最重要的优势之一在于具备一对一的营销能力，能够针对不同的用户推荐不同的营销产品。如何将更加符合用户的兴趣和需求的营销产品推荐给用户，是提高营销效率、避免无效信息对用户造成干扰的关键所在。
技术实现思路
有鉴于此，本说明书提供一种营销产品的推荐方法，包括：在收到用户对营销产品数据的请求后，获取所述用户的用户特征和每个营销产品的产品特征；基于用户特征和产品特征生成交叉特征；将用户特征、产品特征和交叉特征输入点击率评估模型，得到所述用户对每个营销产品的点击率评估值；所述点击率评估模型为机器学习模型，采用已知点击率的用户特征和营销产品特征样本进行训练；根据所述点击率评估值确定M个营销产品，向用户返回的所述M个营销产品的数据；M为自然数。本说明书还提供了一种营销产品的推荐装置，包括：特征获取单元，用于在收到用户对营销产品数据的请求后，获取所述用户的用户特征和每个营销产品的产品特征；交叉特征单元，用于基于用户特征和产品特征生成交叉特征；点击率评估单元，用于将用户特征、产品特征和交叉特征输入点击率评估模型，得到所述用户对每个营销产品的点击率评估值；所述点击率评估模型为机器学习模型，采用已知点击率的用户特征和营销产品特征样本进行训练；营销产品单元，用于根据所述点击率评估值确定M个营销产品，向用户返回的所述M个营销产品的数据；M为自然数。本说明书提供的一种计算机设备，包括：存储器和处理器；所述存储器上存储有可由处理器运行的计算机程序；所述处理器运行所述计算机程序时，执行上述营销产品的推荐方法所述的步骤。本说明书提供的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行上述营销产品的推荐方法所述的步骤。由以上技术方案可见，本说明书的实施例中，采用用户特征、营销产品特征、以及用户特征和产品特征生成的交叉特征来构建点击率评估模型，利用训练完成的点击率评估模型来得出各个营销产品对某个用户的点击率评估值，并根据点击率评估值来选择向该用户推荐的营销产品，从而能够更为准确的衡量用户与营销产品的匹配程度，使得推荐的营销产品更为符合用户的兴趣和需求，减少了无效的营销信息对用户造成的干扰。附图说明图1是本说明书实施例中一种营销产品的推荐方法的流程图；图2是本说明书应用示例中一种点击率评估模型的结构示意图；图3是运行本说明书实施例的设备的一种硬件结构图；图4是本说明书实施例中一种营销产品的推荐装置的逻辑结构图。具体实施方式本说明书的实施例提出一种新的营销产品的推荐方法，分别采用用户特征和产品特征来对用户和营销产品进行描述，以用户特征、产品特征、以及由用户特征和产品特征生成的交叉特征来构建点击率评估模型，以点击率评估模型输出的点击率评估值来预测某个营销产品和某个用户的匹配程度，并依据点击率评估值来确定向该用户推荐的营销产品，使得营销产品相对于用户更加有针对性，提高了营销的效率和成功率，并且大大降低了无效营销信息对用户的打扰。本说明书的实施例可以运行在任何具有计算和存储能力的设备上，如手机、平板电脑、PC(PersonalComputer，个人电脑)、笔记本、服务器等设备；还可以由运行在两个或两个以上设备的逻辑节点来实现本说明书实施例中的各项功能。本说明书的实施例运行在网络服务提供商的服务端，当用户在自己的终端上访问服务端时，服务端在若干个营销产品中选择M(M为自然数)个推荐给用户。其中，营销产品可以是任何企业希望向用户推广的商品、服务、活动等的相关信息；营销产品的表现形式不做限定，可以是带有链接的文字、图片、动画等；营销产品的推广形式也不做限定，可以是页面上的广告位、向用户终端的消息推送、搜索结果中的优先排位等。本说明书的实施例中，采用用户特征、产品特征和交叉特征来建立机器学习模型，本说明书中称之点击率评估模型，用来对营销产品与用户之间的匹配程度进行评估。其中，用户特征可以是任何能够体现用户个性化特点的信息，可以将某个具体应用场景中反映对营销产品的兴趣和需求的用户个性化信息作为该应用场景中的用户特征，本说明书的实施例不做限定。在一个例子中，可以将用户的背景特征和/或用户的行为特征来作为用户特征。其中，用户的背景特征根据用户个人信息生成，是基于静态数据刻画的用户固有特性；用户的行为特征根据用户的历史行为记录生成，是通过用户互联网行为数据构建的动态特性。用户的背景特征可以基于用户在网络服务提供商的服务端的注册信息、以及用户在其它关联站点留存的静态数据来构建；背景特征可以是：用户的性别、年龄、受教育年限、最高学历、家庭住址、毕业院校等中的一项到多项。用户的历史行为记录可以包括用户在访问网络服务提供商的服务端时对营销产品相关服务的展示、点击浏览、购买等行为，也可以包括用户在访问和使用其他服务提供商时对上述服务的展示、点击浏览、购买等行为；可以采用这些动态的历史行为记录来构建出与营销产品相关的行为特征，例如对金融消费类的营销产品，行为特征可以是：购买力、品牌偏好、风险偏好、投资经验、偏好理财类型等中的一项到多项。产品特征可以是任何体现营销产品特性的信息，可以将某个具体应用场景中可能影响用户的兴趣和需求的营销产品特性，用来作为该应用场景中的产品特征，不做限定。例如，可以将营销产品的产品属性和/或营销属性来作为产品特征，其中，产品属性用来描述营销产品本身的产品特点，可以是产品类型、产品好评度、产品销量等中的一项到多项；产品属性用来描述营销产品的营销特点，可以是营销新颖度、折扣程度等中的一项到多项。交叉特征是将用户特征和产品特征进行交叉组合形成组合类特征，每个交叉特征由至少一个用户特征和至少一个产品特征组合而成，该交叉特征的值也由组合该交叉特征的各个用户特征和产品特征的取值来确定。可以根据实际应用场景的需要，来确定交叉特征的数量、各个交叉特征由哪些用户特征和哪些产品特征进行交叉组合、以及如何得出交叉特征的取值，本说明书的实施例均不做限定。以下以两种实现方式为例说明。在第一种实现方式中，交叉特征由部分用户特征和部分产品特征组合而成。可以在服务端预置在点击率评估模型中使用的每个交叉特征的取值计算方式，即：在点击率评估模型中使用了哪些交叉特征、以及如何通过组合某个交叉特征的用户特征和产品特征的值来得出该交叉特征的值。这样，在已知点击率评估模型中的用户特征取值、产品特征取值的前提下，即可计算得出每个交叉特征的取值。例如，某个点击率评估模型中使用了2个交叉特征，在服务端预置的交叉特征计算方式如表1所示：交叉特征1(用户特征a+用户特征b)/产品特征c交叉特征2用户特征d∨产品特征e表1在第二种实现方式中，用户特征和产品特征中包括连续型特征(即用户特征或产品特征的取值是连续的)和离散型特征(即用户特征或产品特征的取值是离散的)，交叉特征由离散型的用户特征和离散型的产品特征组合而成，交本文档来自技高网...

【技术保护点】
1.一种营销产品的推荐方法，包括：在收到用户对营销产品数据的请求后，获取所述用户的用户特征和每个营销产品的产品特征；基于用户特征和产品特征生成交叉特征；将用户特征、产品特征和交叉特征输入点击率评估模型，得到所述用户对每个营销产品的点击率评估值；所述点击率评估模型为机器学习模型，采用已知点击率的用户特征和营销产品特征样本进行训练；根据所述点击率评估值确定M个营销产品，向用户返回的所述M个营销产品的数据；M为自然数。

【技术特征摘要】
1.一种营销产品的推荐方法，包括：在收到用户对营销产品数据的请求后，获取所述用户的用户特征和每个营销产品的产品特征；基于用户特征和产品特征生成交叉特征；将用户特征、产品特征和交叉特征输入点击率评估模型，得到所述用户对每个营销产品的点击率评估值；所述点击率评估模型为机器学习模型，采用已知点击率的用户特征和营销产品特征样本进行训练；根据所述点击率评估值确定M个营销产品，向用户返回的所述M个营销产品的数据；M为自然数。2.根据权利要求1所述的方法，所述用户特征包括以下至少一项：根据用户个人信息生成的背景特征、根据用户的历史行为记录生成的行为特征；所述背景特征包括以下的一项到多项：性别、年龄、受教育年限、最高学历、家庭住址、毕业院校；所述行为特征包括以下的一项到多项：购买力、品牌偏好、风险偏好、投资经验、偏好理财类型。3.根据权利要求1所述的方法，所述产品特征包括以下至少一项：用于描述产品特点的产品属性、用于描述营销特点的营销属性；所述产品属性包括以下的一项到多项：产品类型、产品好评度、产品销量；所述营销属性包括以下的一项到多项：营销新颖度、折扣程度。4.根据权利要求1所述的方法，所述用户特征包括S项离散型特征，所述产品特征包括T项离散型特征，每项离散型用户特征和离散型产品特征的取值为0或1；S、T为自然数；所述基于用户特征和产品特征生成交叉特征生成交叉特征，包括：将每项离散型用户特征和每项离散型产品特征分别组合为S◇T项交叉特征，以离散型用户特征取值和离散型产品特征取值的逻辑与运算结果作为交叉特征的取值。5.根据权利要求1所述的方法，所述已知点击率根据展示数和点击综合数确定；所述展示数为预定时间段内向用户展示营销产品的次数；所述点击综合数根据预定时间段内用户针对所述营销产品所进行的行为以及行为的次数确定，用户针对所述营销产品所进行的行为包括以下至少一项：主动浏览、收藏、评论、预订、购买所述营销产品的行为。6.根据权利要求5所述的方法，所述已知点击率根据以下方式确定：将预定时间段内用户购买所述营销产品的次数按预定比例折算为点击数，以预定时间段内用户点击浏览所述营销产品的次数与折算后的点击数之和作为点击综合数，将点击综合数相对于展示数的比例作为已知点击率。7.根据权利要求1所述的方法，所述点击率评估模型为深度和广度WideandDeep模型，所述WideandDeep模型包括线性子模型和深度神经网络子模型，以离散型特征作为线性子模型的输入，以连续型特征作为深度神经网络子模型的输入。8.根据权利要求7所述的方法，所述线性子模型为通过L1范数进行约束的逻辑回归LR模型。9.根据权利要求1所述的方法，所述在收到用户对营销产品数据的请求后，获取所述用户的用户特征和每个营销产品的产品特征，包括：在收到用户对营销产品数据的请求后，根据所述用户的偏好从所有营销产品中筛选出N个营销产品，获取所述用户的用户特征和筛选出的N个营销产品的产品特征；N为不小于M的自然数。10.一种营销产品的推荐装置，包括：特征获取单元，用于在收到用户对营销产品数据的请求后，获取所述用户的用户特征和每个营销产品的产品特征；交叉特征单...

【专利技术属性】
技术研发人员：王义，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY