基于深度学习的营销短信生成方法、系统及电子设备技术方案

本发明专利技术提供了一种基于深度学习的营销短信生成方法、系统及电子设备，涉及数据处理技术领域，包括：利用预先获取的历史用户轨迹对深度学习网络模型进行训练，生成训练后的深度学习网络模型；对实时获取的用户浏览轨迹进行筛选，生成候选轨迹；利用训练好的深度学习网络模型对候选轨迹进行预测，生成营销短信。通过该方法可以缓解现有技术中短信推荐的准确度低的技术问题，提高了短息营销的效果。提高了短息营销的效果。提高了短息营销的效果。

【技术实现步骤摘要】
基于深度学习的营销短信生成方法、系统及电子设备


[0001]本专利技术涉及数据处理
，尤其是涉及一种基于深度学习的营销短信生成方法、系统及电子设备。

技术介绍

[0002]短信营销是企业进行站外触达用户的重要手段，在完整短信营销流程主要包含确定待营销人群、短信文案确定和短信发送三个环节。在短信文案确定环节中，通常使用红包、折扣、职业等用户画像进行内容生成。其中用户画像标签是依据用户历史行为提炼生成，标签状态离线(非实时)，且可用标签种类稀少，最终生成的短信文案内容往往十分单调，千篇一律。这种短信文案确定方式基本可以满足大多数离线场景，但是在实时营销场景中却无法抓住用户当前最新的需求。
[0003]实时短信营销是在用户有站内浏览行为并在用户退出平台后进行的短信发送的方式。如果在实时短信营销场景中依然使用离线的方式进行营销，就形成了实时人群与离线用户画像标签的矛盾，即当前用户实时意图可能与用户历史行为生成的画像标签发生偏移，同时非老客用户存在无用户画像标签的可能，最终导致实时场景中短信营销效果低下。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的营销短信生成方法、系统及电子设备，以缓解实时短信营销场景中存在的推荐准确度低、营销效果差的技术问题。
[0005]为了实现上述目的，本专利技术实施例采用的技术方案如下：
[0006]第一方面，本专利技术实施例提供了一种基于深度学习的营销短信生成方法，包括：
[0007]利用预先获取的历史用户轨迹对深度学习网络模型进行训练，生成训练后的深度学习网络模型；上述历史用户轨迹包括按照下单顺序排列的用户下单的目标产品，以及按照浏览顺序排列的用户下单前的历史浏览产品；
[0008]对实时获取的用户浏览轨迹进行筛选，生成候选轨迹；上述用户浏览轨迹包括当前用户浏览的产品以及当前时间；
[0009]利用训练好的上述深度学习网络模型对上述候选轨迹进行预测，生成营销短信；上述营销短信包括待推荐用户以及至少一个目标推荐产品。
[0010]在一些可能的实施方式中，利用训练好的上述深度学习网络模型对上述候选轨迹进行预测，生成营销短信，包括：利用训练好的上述深度学习网络模型对上述候选轨迹进行预测，生成用户画像；上述用户画像包括用户信息和上述候选轨迹中的若干个候选目标产品；对上述若干个候选目标产品进行筛选，确定至少一个目标推荐产品；根据上述至少一个目标推荐产品和上述用户信息，生成营销短信；
[0011]上述方法还包括：根据上述用户信息将上述营销短信发送至待推荐用户。
[0012]在一些可能的实施方式中，对实时获取的用户浏览轨迹进行筛选，生成候选轨迹，包括：实时获取用户的浏览轨迹；对上述用户的浏览轨迹进行初步筛选，确定至少一个第一
候选资源；根据预定规则对上述至少一个候选资源进行召回，生成第一数量个第二候选资源；在上述第一数量个第二候选资源中进行二次筛选，确定候选轨迹。
[0013]在一些可能的实施方式中，每个上述第一候选资源均为实时获取的上述用户浏览轨迹中的候选目标产品；上述预定规则包括：确定与上述第一候选资源中的上述候选目标产品的距离为第一距离的候选目标产品，作为第二候选资源。
[0014]在一些可能的实施方式中，上述第一数量的范围为150至200；上述第一距离为10km。
[0015]在一些可能的实施方式中，利用预先获取的历史用户轨迹对深度学习网络模型进行训练，生成训练后的深度学习网络模型，包括：对预先获取的历史用户轨迹进行特征提取，生成轨迹特征；上述历史用户轨迹包括用户的历史订单信息和用户下单前的历史浏览信息；将上述轨迹特征作为输入，对深度学习网络模型进行训练，生成训练后的深度学习网络模型；其中，上述深度学习网络模型包括基础结构Transformer；上述轨迹特征包括：上述产品的位置特征和用户针对上述产品的浏览时长。
[0016]在一些可能的实施方式中，上述深度学习网络模型的损失函数为：
[0017][0018]其中，y
+
是用户历史下单的目标产品，是用户历史下单的目标产品，是通过规则在Y中选择的任意一个负样本，x表示y
+
对应的用户信息与实时获取的用户当前轨迹，F(x,y)表示通过模型计算x与y的相似度，F(x,y)∈(0,1)。
[0019]第二方面，本专利技术实施例提供了一种基于深度学习的营销短信生成系统，包括：
[0020]训练模块，用于利用预先获取的历史用户轨迹对深度学习网络模型进行训练，生成训练后的深度学习网络模型；上述历史用户轨迹包括按照下单顺序排列的用户下单的目标产品，以及按照浏览顺序排列的用户下单前的历史浏览产品；
[0021]筛选模块，用于对实时获取的用户浏览轨迹进行筛选，生成候选轨迹；上述用户浏览轨迹包括当前用户浏览的产品以及当前时间；
[0022]预测模块，用于利用训练好的上述深度学习网络模型对上述候选轨迹进行预测，生成营销短信；上述营销短信包括待推荐用户以及至少一个目标推荐产品。
[0023]第三方面，本专利技术实施例提供了一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
[0024]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
[0025]本专利技术提供了一种基于深度学习的营销短信生成方法、系统及电子设备，该方法包括：利用预先获取的历史用户轨迹对深度学习网络模型进行训练，生成训练后的深度学习网络模型；对实时获取的用户浏览轨迹进行筛选，生成候选轨迹；利用训练好的深度学习网络模型对候选轨迹进行预测，生成营销短信。通过该方法可以缓解现有技术中短信推荐的准确度低的技术问题，提高了短息营销的效果。
附图说明
[0026]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为本专利技术实施例提供的一种基于深度学习的营销短信生成方法的流程示意图；
[0028]图2为本专利技术实施例提供的一种深度学习网络模型架构图；
[0029]图3为本专利技术实施例提供的一种轨迹特征输入结构示意图；
[0030]图4为本专利技术实施例提供的一种基于深度学习的营销短信生成系统的结构示意图；
[0031]图5为本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0032]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的营销短信生成方法，其特征在于，包括：利用预先获取的历史用户轨迹对深度学习网络模型进行训练，生成训练后的深度学习网络模型；所述历史用户轨迹包括按照下单顺序排列的用户下单的目标产品，以及按照浏览顺序排列的用户下单前的历史浏览产品；对实时获取的用户浏览轨迹进行筛选，生成候选轨迹；所述用户浏览轨迹包括当前用户浏览的产品以及当前时间；利用训练好的所述深度学习网络模型对所述候选轨迹进行预测，生成营销短信；所述营销短信包括待推荐用户以及至少一个目标推荐产品。2.根据权利要求1所述的基于深度学习的营销短信生成方法，其特征在于，利用训练好的所述深度学习网络模型对所述候选轨迹进行预测，生成营销短信，包括：利用训练好的所述深度学习网络模型对所述候选轨迹进行预测，生成用户画像；所述用户画像包括用户信息和所述候选轨迹中的若干个候选目标产品；对所述若干个候选目标产品进行筛选，确定至少一个目标推荐产品；根据所述至少一个目标推荐产品和所述用户信息，生成营销短信；所述方法还包括：根据所述用户信息将所述营销短信发送至待推荐用户。3.根据权利要求1所述的基于深度学习的营销短信生成方法，其特征在于，对实时获取的用户浏览轨迹进行筛选，生成候选轨迹，包括：实时获取用户的浏览轨迹；对所述用户的浏览轨迹进行初步筛选，确定至少一个第一候选资源；根据预定规则对所述至少一个候选资源进行召回，生成第一数量个第二候选资源；在所述第一数量个第二候选资源中进行二次筛选，确定候选轨迹。4.根据权利要求3所述的基于深度学习的营销短信生成方法，其特征在于，每个所述第一候选资源均为实时获取的所述用户浏览轨迹中的候选目标产品；所述预定规则包括：确定与所述第一候选资源中的所述候选目标产品的距离为第一距离的候选目标产品，作为第二候选资源。5.根据权利要求4所述的基于深度学习的营销短信生成方法，其特征在于，所述第一数量的范围为150至200；所述第一距离为10km。6.根据权利要求1所述的基于深度学习的营销短信生成方法，其特征在于，利用预...

【专利技术属性】
技术研发人员：吴闯，朱骏杰，陈鹤天，刘文源，周洲，张耀，
申请(专利权)人：成都同程智行科技有限公司，
类型：发明
国别省市：