【技术实现步骤摘要】
文案处理方法、装置、电子设备、存储介质及程序产品
[0001]本申请涉及人工智能领域，尤其涉及一种文案处理方法、装置、电子设备、存储介质及程序产品。
技术介绍
[0002]随着移动互联网的进步，人们的生活方式和消费模式发生了巨大的变化，面向用户的推荐行为也得到了越来越广泛的应用。例如，在电商领域，可以根据待售的商品生成对应的文案并推送给用户。
[0003]目前，文案往往通过人工手动生成，或者，基于预先设置好的模板自动生成。文案生成的效率和准确性依然有待提高。
技术实现思路
[0004]本申请提供一种文案处理方法、装置、电子设备、存储介质及程序产品，用以提升文案生成的效率和准确性。
[0005]第一方面，本申请实施例提供一种文案处理方法，包括：
[0006]获取多个历史文案以及每一历史文案发送给至少一个历史用户后对应的转化率；
[0007]针对每一历史用户，根据所述历史用户的用户基础特征、推荐目的和推荐渠道，确定所述历史用户所属的客群；
[0008]确定各个历史文案对应的要素，其中，所述历史文案对应的要素包括：所述历史文案中提取的至少一个词语、所述历史文案的推荐关键词、所述历史文案的长度；
[0009]根据确定的客群、要素以及转化率，训练机器学习模型，所述机器学习模型用于根据输入的客群和要素，预测对应的转化率；
[0010]针对待推荐文案的目标客群，根据所述机器学习模型确定转化率满足预设要求的文案，并将所述文案发送给所述目标客群对应的用户。>[0011]可选的，根据确定的客群、要素以及转化率，训练机器学习模型，包括：
[0012]根据确定的客群、要素以及转化率，构建训练样本集，其中，训练样本集中的每一训练样本包括：客群、要素，所述训练样本对应的标签为所述要素面向所述客群时对应的转化率，该转化率通过所述要素所属的历史文案面向所述客群时对应的转化率确定；
[0013]根据构建的训练样本集，训练机器学习模型。
[0014]可选的，针对待推荐文案的目标客群，根据所述机器学习模型确定转化率满足预设要求的文案，包括：
[0015]针对每一客群，通过训练好的机器学习模型，预测多个要素中各个要素面向该客群时对应的转化率，并根据机器学习模型预测的转化率，对所述多个要素进行排序，根据排序结果确定所述客群对应的正向要素和/或负向要素；
[0016]在确定待推荐文案的目标客群后，查找所述目标客群对应的正向要素和/或负向要素，并根据正向要素和/或负向要素确定对应的文案；
[0017]其中，所述正向要素或负向要素分别为对所述客群的转化率有正向影响或负向影响的要素。
[0018]可选的，确定各个历史文案对应的要素，包括：
[0019]针对每一历史文案，通过TF
‑
IDF模型确定所述历史文案的多个词语中各个词语的重要程度；
[0020]根据所述重要程度，从所述多个词语中筛选出所述历史文案对应的要素。
[0021]可选的，每一训练样本具体包括：客群、要素以及该要素对应的重要程度，所述训练样本对应的标签为具有该重要程度的该要素面向该客群时对应的转化率；
[0022]所述机器学习模型具体用于根据客群、要素以及要素对应的重要程度，确定对应的转化率。
[0023]可选的，根据确定的客群、要素以及转化率，训练机器学习模型，包括：
[0024]根据确定的客群、历史文案中的要素以及转化率，构建训练样本集，其中，训练样本集中的每一训练样本包括：客群、历史文案对应的所有要素，所述训练样本对应的标签为所述历史文案面向所述客群时对应的转化率；
[0025]根据构建的训练样本集，训练机器学习模型；
[0026]相应的，针对待推荐文案的目标客群，根据所述机器学习模型确定转化率满足预设要求的文案，包括：
[0027]确定备选的至少一个文案，针对每一文案，根据所述文案对应的要素和目标客群，基于训练好的机器学习模型预测对应的转化率；
[0028]根据预测的转化率，从所述至少一个文案中选择满足预设要求的文案。
[0029]第二方面，本申请实施例提供一种文案处理装置，包括：
[0030]获取模块，用于获取多个历史文案以及每一历史文案发送给至少一个历史用户后对应的转化率；
[0031]确定模块，用于针对每一历史用户，根据所述历史用户的用户基础特征、推荐目的和推荐渠道，确定所述历史用户所属的客群；
[0032]提取模块，用于确定各个历史文案对应的要素，其中，所述历史文案对应的要素包括：所述历史文案中提取的至少一个词语、所述历史文案的推荐关键词、所述历史文案的长度；
[0033]训练模块，用于根据确定的客群、要素以及转化率，训练机器学习模型，所述机器学习模型用于根据输入的客群和要素，预测对应的转化率；
[0034]预测模块，用于针对待推荐文案的目标客群，根据所述机器学习模型确定转化率满足预设要求的文案，并将所述文案发送给所述目标客群对应的用户。
[0035]第三方面，本申请实施例提供一种电子设备，包括：
[0036]至少一个处理器；以及
[0037]与所述至少一个处理器通信连接的存储器；
[0038]其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述电子设备执行上述任一方面所述的方法。
[0039]第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现上述任一方面所
述的方法。
[0040]第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一方面所述的方法。
[0041]本申请提供的文案处理方法、装置、电子设备、存储介质及程序产品，可以获取多个历史文案以及每一历史文案发送给至少一个历史用户后对应的转化率，针对每一历史用户，根据所述历史用户的用户基础特征、推荐目的和推荐渠道，确定所述历史用户所属的客群，确定各个历史文案对应的要素，其中，所述历史文案对应的要素包括：所述历史文案中提取的至少一个词语、所述历史文案的推荐关键词、所述历史文案的长度，根据确定的客群、要素以及转化率，训练机器学习模型，所述机器学习模型用于根据输入的客群和要素，预测对应的转化率，针对待推荐文案的目标客群，根据所述机器学习模型确定转化率满足预设要求的文案，并将所述文案发送给所述目标客群对应的用户，从而可以将用户按不同推荐目的和推荐渠道等层次细分为各类客群，结合实际的转化率对深度学习模型进行训练，能够有效提高推荐结果的精准性，并且，训练的模型用于确定要素级别的推荐结果，可以提升文案生成的整体效率和准确性，使得生成的文案尽量满足实际使用需求，提升用户体验，进而提升转化率。
附图说明
[0042]此处的附图被并入说明书中并构成本说明书的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种文案处理方法，其特征在于，包括：获取多个历史文案以及每一历史文案发送给至少一个历史用户后对应的转化率；针对每一历史用户，根据所述历史用户的用户基础特征、推荐目的和推荐渠道，确定所述历史用户所属的客群；确定各个历史文案对应的要素，其中，所述历史文案对应的要素包括：所述历史文案中提取的至少一个词语、所述历史文案的推荐关键词、所述历史文案的长度；根据确定的客群、要素以及转化率，训练机器学习模型，所述机器学习模型用于根据输入的客群和要素，预测对应的转化率；针对待推荐文案的目标客群，根据所述机器学习模型确定转化率满足预设要求的文案，并将所述文案发送给所述目标客群对应的用户。2.根据权利要求1所述的方法，其特征在于，根据确定的客群、要素以及转化率，训练机器学习模型，包括：根据确定的客群、要素以及转化率，构建训练样本集，其中，训练样本集中的每一训练样本包括：客群、要素，所述训练样本对应的标签为所述要素面向所述客群时对应的转化率，该转化率通过所述要素所属的历史文案面向所述客群时对应的转化率确定；根据构建的训练样本集，训练机器学习模型。3.根据权利要求2所述的方法，其特征在于，针对待推荐文案的目标客群，根据所述机器学习模型确定转化率满足预设要求的文案，包括：针对每一客群，通过训练好的机器学习模型，预测多个要素中各个要素面向该客群时对应的转化率，并根据机器学习模型预测的转化率，对所述多个要素进行排序，根据排序结果确定所述客群对应的正向要素和/或负向要素；在确定待推荐文案的目标客群后，查找所述目标客群对应的正向要素和/或负向要素，并根据正向要素和/或负向要素确定对应的文案；其中，所述正向要素或负向要素分别为对所述客群的转化率有正向影响或负向影响的要素。4.根据权利要求2或3所述的方法，其特征在于，确定各个历史文案对应的要素，包括：针对每一历史文案，通过TF
‑
IDF模型确定所述历史文案的多个词语中各个词语的重要程度；根据所述重要程度，从所述多个词语中筛选出所述历史文案对应的要素。5.根据权利要求4所述的方法，其特征在于，每一训练样本具体包括：客群、要素以及该要素对应的重要程度，所述训练样本对应的标签为具有该重要程度的该要素面向该客群时对应的转化率；所述机器学习模型具体用于根据...
【专利技术属性】
技术研发人员：张逸群，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：
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。