一种目标预估方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种目标预估方法、装置、设备及存储介质，其中，所述方法包括：获取预设购物平台的商品销售信息；对所述商品销售信息进行特征提取，得到所述商品销售信息的至少两类特征；基于所述至少两类特征，预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值；如此，能够得到更加准确的优惠券信息的用户曝光转化率和优惠券信息关联的消费价值，提升预设购物平台的收益。提升预设购物平台的收益。提升预设购物平台的收益。

【技术实现步骤摘要】
一种目标预估方法、装置、设备及存储介质


[0001]本申请涉及数据处理
，尤其涉及一种目标预估方法、装置、设备及存储介质。

技术介绍

[0002]相关技术中，多目标建模存在两种模式：一种是Shared
‑
Bottom模式，另一种是MOE模式；然而，这两种模式在特征层面上，都是一阶特征的计算学习；显然Shared
‑
Bottom网络结构的设计对于模型的效果有较大的影响，数据的高阶特征的损失对于模型的效果也有影响。

技术实现思路

[0003]为解决上述技术问题，本申请实施例提供一种目标预估方法、装置、设备及存储介质，基于预设购物平台的商品销售信息的至少两类特征，对优惠券信息的用户曝光转化率和优惠券信息关联的消费价值进行预测；如此，能够得到更加准确的优惠券信息的用户曝光转化率和优惠券信息关联的消费价值，提升预设购物平台的收益。
[0004]为达到上述目的，本申请的技术方案是这样实现的：
[0005]本申请实施例提供一种目标预估方法，所述方法包括：
[0006]获取预设购物平台的商品销售信息；其中，所述商品销售信息至少包括：用户在所述预设购物平台的历史消费数据和所述预设购物平台的优惠券信息；
[0007]对所述商品销售信息进行特征提取，得到所述商品销售信息的至少两类特征；
[0008]基于所述至少两类特征，预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
[0009]本申请实施例提供一种目标预估装置，所述装置包括：
[0010]第一获取模块，用于获取预设购物平台的商品销售信息；所述商品销售信息至少包括：用户在所述预设购物平台的历史消费数据和所述预设购物平台的优惠券信息；
[0011]第一处理模块，用于对所述商品销售信息进行特征提取，得到所述商品销售信息的至少两类特征；
[0012]第一预测模块，用于基于所述至少两类特征，预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。
[0013]相应地，本申请实施例还提供一种电子设备，所述电子设备包括：处理器、存储器和通信总线；
[0014]所述通信总线用于实现所述处理器和所述存储器之间的通信连接；
[0015]所述处理器用于执行所述存储器中的程序，以实现上述信息处理方法。
[0016]本申请实施例还提供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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述目标预估方法。
[0017]本申请实施例提供一种目标预估方法、装置、设备及存储介质，首先，获取预设购物平台的商品销售信息；其次，对所述商品销售信息进行特征提取，得到所述商品销售信息的至少两类特征；最后，基于所述至少两类特征，预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值；如此，能够得到更加准确的优惠券信息的用户曝光转化率和优惠券信息关联的消费价值，提升预设购物平台的收益。
附图说明
[0018]图1为本申请实施例提供的一种目标预估方法的实现流程示意图；
[0019]图2为本申请实施例提供的一种目标预估方法的实现流程示意图；
[0020]图3为本申请实施例提供的一种目标预估方法的实现流程示意图；
[0021]图4为本申请实施例提供的一种目标预估方法的实现流程示意图；
[0022]图5为本申请实施例提供的一种目标预估方法的实现流程示意图；
[0023]图6为本申请实施例提供的一种目标预估方法的实现流程示意图；
[0024]图7为本申请实施例提供的一种多目标预估方法的实现流程示意图；
[0025]图8为本申请实施例提供的一种Ziln模型的结构示意图；
[0026]图9为本申请实施例提供的一种推荐系统结构示意图；
[0027]图10为本申请实施例提供的一种目标预估装置的组成结构示意图；
[0028]图11为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0029]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0030]应理解，说明书通篇中提到的“本申请实施例”或“前述实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“本申请实施例中”或“在前述实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中应。在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
[0031]为了能够更加详尽地了解本申请实施例的特点与
技术实现思路
，下面结合附图对本申请实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本申请。
[0032]在工业界深度学习网络模型在推荐等场景业务应用越来越广泛，而且在实际业务场景中，大多需要多任务学习，比如在推荐系统中对用户推荐优惠券，不仅要推荐用户感兴趣的优惠券，促进用户下单，还要尽可能地促进用户转化和购买，即用户下单金额越高越好。
[0033]在优惠券营销场景中，采用Ziln算法模型，使用的Shared
‑
Bottom网络模型无法获取不同任务之间的特征差异，会导致模型的不稳定性；即，某个任务的准确率达到预期，其他任务的准确率会较低。多任务目标MMoE模型，采用n个专家网络，对不同任务采用不同的门网络，虽然能够解决上述Shared
‑
Bottom网络模型的缺陷。但是无论是Shared
‑
Bottom网
络模型结构，还是多任务目标MMoE模型，在特征层面上，都是一阶特征的计算学习。
[0034]基于以上问题，图1为本申请实施例提供的一种目标预估方法的实现流程示意图，如图1所示，该方法包括以下步骤：
[0035]步骤S101：获取预设购物平台的商品销售信息。
[0036]在一些实施例中，所述商品销售信息至少包括：用户在所述预设购物平台的历史消费数据和所述预设购物平台的优惠券信息。
[0037]在一些实施例中，预设购物平台一般至少包括以下功能，如：用户管理、商品展示、商品交易、商品搜索等；其中，用户管理用于对登录用户的用户信息进行管理，比如：密码修改、用户基本信息修改等；商品展示用于实现对商品的分类查看、查询以及订购等功能；商品交易用于实现在购物车添加商品、删除商品、修改商品信息以及订单提交等功能；商品搜索用于实现根据商品的名称、类别、品牌等信息搜索详细商品信息等功能；商品讨论用于实现针对商品的购买过程、商品的属性等进行讨论等功能。
[0038]在一些实施例中，历史消费数据包括：一段时间内的用户数据和商品数据；其中，用户数据包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标预估方法，其特征在于，所述方法包括：获取预设购物平台的商品销售信息；其中，所述商品销售信息至少包括：用户在所述预设购物平台的历史消费数据和所述预设购物平台的优惠券信息；对所述商品销售信息进行特征提取，得到所述商品销售信息的至少两类特征；基于所述至少两类特征，预测优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。2.根据权利要求1所述的方法，其特征在于，所述至少两类特征至少包括一阶特征和二阶特征，所述对所述商品销售信息进行特征提取，得到所述商品销售信息的至少两类特征，包括：对所述商品销售信息进行特征提取，得到所述商品销售信息的一阶特征；基于所述一阶特征，确定所述二阶特征。3.根据权利要求2所述的方法，其特征在于，所述基于所述一阶特征，确定所述二阶特征，包括：获取每一一阶特征的权重；对带有权重的一阶特征进行交叉组合，得到所述二阶特征。4.根据权利要求3所述的方法，其特征在于，所述基于所述至少两类特征，预测所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值，包括：对所述一阶特征和所述二阶特征进行拼接，得到拼接特征；基于所述拼接特征和所述商品销售信息，确定所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值。5.根据权利要求3所述的方法，其特征在于，所述基于所述拼接特征和所述商品销售信息，确定所述优惠券信息的用户曝光转化率和所述优惠券信息关联的消费价值，包括：基于所述拼接特征的重要程度，对所述商品销售信息进行对应处理；在至少两个维度下，对处理后的商品销售信息进行特征提取，得到每一维度的商品销售特征；在所述至少两个维度中，确定每一维度下所述优惠券信息的用户曝光转化率的第一权重和所述优惠券信息关联的消费价值的第...

【专利技术属性】
技术研发人员：乔彦晨，范聪，白冰，
申请(专利权)人：北京京东世纪贸易有限公司，
类型：发明
国别省市：