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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。