一种信息推荐方法、装置及存储介质制造方法及图纸

本申请公开了一种基于机器算法实现的信息推荐的方法、装置及存储介质，且该方法还可以应用于大数据领域。本申请包括：获取针对于待推荐信息的候选用户所对应的用户画像特征，根据候选用户在历史时间段内的推荐信息的信息推荐状态，确定候选用户对应的曝光点击特征。根据候选用户的用户画像特征和曝光点击特征，确定待推送信息针对候选用户的预估曝光率、预估点击率和预估转化率。根据待推送信息针对候选用户的预估曝光率、预估点击率和预估转化率，确定待推送信息针对于候选用户的预估投放结果。若预估投放结果满足信息投放条件，则向候选用户使用的终端设备推荐待推荐信息，由此提高该待推荐信息的转化率，降低信息投放成本。成本。成本。

【技术实现步骤摘要】
一种信息推荐方法、装置及存储介质


[0001]本申请涉及大数据领域，尤其涉及一种信息推荐的方法、装置及存储介质。

技术介绍

[0002]随着社交网络的不断发展，越来越多的广告主会选择将广告投放至社交网络上，可以将社交网络的大盘用户作为其受众人群，以达到广告宣传、推荐的目的。具体的，广告主可以在大盘用户中圈定候选人群，社交网络运营商则根据广告主需求向候选人群推送广告，这样，用户在使用该社交网络时就可以看到广告推荐，以便后续根据广告推荐去购买相关产品。
[0003]当广告主圈定候选人群后，社交网络运营商会根据用户活跃度等条件选择部分人群曝光广告，同时，被曝光广告的人群会存在部分用户不打开广告链接，且打开广告链接的用户也不一定会购买商品，这将导致广告的宣传效果受到极大的影响，因此，社交网络运营商对大盘用户进行分析，确定对广告感兴趣的用户人群并推荐给广告主，将减少广告主的成本，提高广告推荐效率。
[0004]现有的，社交网络运营商只会对购买相关商品的转换人群进行分析，并根据转换人群的特征对大盘用户进行简单筛选，这将导致其确定的定向人群仍然不能实现精准投放，实际转换效率极低，增加广告主的成本，从而影响社交网络运营商的广告投放效果。

技术实现思路

[0005]本申请实施例提供了一种信息推荐的方法、装置及存储介质，可以根据预估的待推荐信息针对于候选用户的曝光率、点击率和转换率来预测待推荐信息针对于候选用户的投放结果，这样就可以根据大盘用户对应的预估投放结果来选择最终用户来推荐该信息，提高该待推荐信息的投放效果，减少信息推荐成本。
[0006]有鉴于此，本申请一方面提供一种信息推荐的方法，包括：
[0007]获取针对于待推荐信息的候选用户所对应的用户画像特征。
[0008]根据候选用户在历史时间段内的推荐信息的信息推荐状态，确定候选用户对应的曝光点击特征，其中，历史时间段内的推荐信息与待推荐信息具有关联关系。
[0009]根据候选用户的用户画像特征和曝光点击特征，确定待推送信息针对候选用户的预估曝光率、预估点击率和预估转化率。
[0010]根据待推送信息针对候选用户的预估曝光率、预估点击率和预估转化率，确定待推送信息针对于候选用户的预估投放结果。
[0011]若预估投放结果满足信息投放条件，则向候选用户使用的终端设备推荐待推荐信息。
[0012]本申请另一方面提供一种信息推荐装置，该信息推荐装置包括：
[0013]获取单元，用于获取针对于待推荐信息的候选用户所对应的用户画像特征。
[0014]确定单元，用于根据候选用户在历史时间段内的推荐信息的信息推荐状态，确定
候选用户对应的曝光点击特征，其中，历史时间段内的推荐信息与待推荐信息具有关联关系。
[0015]确定单元，还用于根据候选用户的用户画像特征和曝光点击特征，确定待推送信息针对候选用户的预估曝光率、预估点击率和预估转化率。
[0016]处理单元，用于根据待推送信息针对候选用户的预估曝光率、预估点击率和预估转化率，确定待推送信息针对于候选用户的预估投放结果。
[0017]发送单元，用于若预估投放结果满足信息投放条件，则向候选用户使用的终端设备推荐待推荐信息。
[0018]在一种可能的设计中，确定单元，具体用于将候选用户的用户画像特征和曝光点击特征输入至第一模型，通过第一模型确定待推荐信息针对候选用户的预估曝光率。将候选用户的用户画像特征和曝光点击特征输入至第二模型，通过第二模型确定待推荐信息针对候选用户的点击率。将候选用户的用户画像特征输入至第三模型，通过第三模型确定待推荐信息针对候选用户的预估转化率。
[0019]在一种可能的设计中，该信息推荐装置还包括训练单元，其中：
[0020]获取单元，还用于获取至少一个历史推荐信息对应的人群定向数据和曝光人群数据，其中，历史推荐信息和待推荐信息的信息类型相同。
[0021]确定单元，还用于根据人群定向数据和曝光人群数据确定历史推荐信息对应的未曝光人群数据。将曝光人群数据确定为第一正样本训练数据，并将未曝光人群数据确定为第一负样本数据，其中每一个第一正样本数据和每一个第一负样本数据均包括历史用户的用户画像特征和曝光点击特征，以及历史推荐信息针对历史用户的实际曝光结果。
[0022]训练单元，用于根据第一正样本数据和第一负样本数据训练第一模型。
[0023]在一种可能的设计中，该信息推荐装置还包括训练单元，其中：
[0024]获取单元，还用于获取至少一个历史推荐信息对应的曝光人群数据和点击人群数据，其中，历史推荐信息和待推荐信息的信息类型相同。
[0025]确定单元，还用于根据曝光人群数据和点击人群数据确定历史推荐信息对应的曝光未点击人群数据。将点击人群数据确定为第二正样本训练数据，并将曝光未点击人群数据确定为第二负样本数据，其中每一个第二正样本数据和每一个第二负样本数据均包括历史用户的用户画像特征和曝光点击特征，以及历史推荐信息针对历史用户的实际点击结果。
[0026]训练单元，用于根据第二正样本数据和第二负样本数据训练第二模型。
[0027]在一种可能的设计中，该信息推荐装置还包括训练单元，其中：
[0028]获取单元，用于获取至少一个历史推荐信息对应的点击人群数据和转换人群数据，其中，历史推荐信息和待推荐信息的信息类型相同。
[0029]确定单元，用于根据点击人群数据和转换人群数据确定历史推荐信息对应的点击未转换人群数据，将转换人群数据确定为第三正样本训练数据，并将点击未转换人群数据确定为所述第三负样本数据，其中每一个第三正样本数据和每一个第三负样本数据均包括历史用户的用户画像特征，以及历史推荐信息针对历史用户的实际转换结果。
[0030]训练单元，用于根据第三正样本数据和第三负样本数据训练第三模型。
[0031]在一种可能的设计中，确定单元，具体用于将待推送信息针对候选用户的预估曝
光率、预估点击率和预估转化率输入至信息推荐预估模型，通过信息推送预估模型输出待推送信息针对于候选用户的预估投放结果。
[0032]在一种可能的设计中，该信息推荐装置还包括训练单元，其中：
[0033]获取单元，还用于获取至少一个历史推荐信息对应的人群定向数据，历史推荐信息和待推荐信息的信息类型相同，人群定向数据包括历史用户的用户画像特征和曝光点击特征，以及历史推荐信息针对历史用户的实际投放结果；
[0034]获取单元，还用于将用户画像特征和曝光点击特征输入至第一模型，通过第一模型获取历史推荐信息针对历史用户的预估曝光率。将用户画像特征和曝光点击特征输入至第二模型，通过第二模型获取历史推荐信息针对历史用户的预估点击率。将用户画像特征输入至第三模型，通过第三模型获取历史推荐信息针对历史用户的预估转换率。
[0035]确定单元，还用于将历史推荐信息针对历史用户的预估曝光率、预估点击率和预估转换率输入至信息推荐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息推荐的方法，其特征在于，所述方法包括：获取针对于待推荐信息的候选用户所对应的用户画像特征；根据所述候选用户在历史时间段内的推荐信息的信息推荐状态，确定所述候选用户对应的曝光点击特征，所述历史时间段内的推荐信息与所述待推荐信息具有关联关系；根据所述候选用户的所述用户画像特征和所述曝光点击特征，确定所述待推送信息针对所述候选用户的预估曝光率、预估点击率和预估转化率；根据所述待推送信息针对所述候选用户的所述预估曝光率、所述预估点击率和所述预估转化率，确定所述待推送信息针对于所述候选用户的预估投放结果；若所述预估投放结果满足信息投放条件，则向所述候选用户推荐所述待推荐信息。2.根据权利要求1所述的方法，其特征在于，所述根据所述候选用户的所述用户画像特征和所述曝光点击特征，确定所述待推送信息针对所述候选用户的预估曝光率、预估点击率和预估转化率，包括：将所述候选用户的所述用户画像特征和所述曝光点击特征输入至第一模型，通过所述第一模型确定所述待推荐信息针对所述候选用户的预估曝光率；将所述候选用户的所述用户画像特征和所述曝光点击特征输入至第二模型，通过所述第二模型确定所述待推荐信息针对所述候选用户的预估点击率；将所述候选用户的所述用户画像特征输入至第三模型，通过所述第三模型确定所述待推荐信息针对所述候选用户的预估转化率。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：获取至少一个历史推荐信息对应的人群定向数据和曝光人群数据；所述历史推荐信息和所述待推荐信息的信息类型相同；根据所述人群定向数据和所述曝光人群数据确定所述历史推荐信息对应的未曝光人群数据；将所述曝光人群数据确定为第一正样本训练数据，并将所述未曝光人群数据确定为所述第一负样本数据；其中每一个第一正样本数据和每一个第一负样本数据均包括历史用户的用户画像特征和曝光点击特征，以及所述历史推荐信息针对所述历史用户的实际曝光结果；根据所述第一正样本数据和所述第一负样本数据训练所述第一模型。4.根据权利要求2所述的方法，其特征在于，所述方法还包括：获取至少一个历史推荐信息对应的曝光人群数据和点击人群数据；所述历史推荐信息和所述待推荐信息的信息类型相同；根据所述曝光人群数据和所述点击人群数据确定所述历史推荐信息对应的曝光未点击人群数据；将所述点击人群数据确定为第二正样本训练数据，并将所述曝光未点击人群数据确定为所述第二负样本数据；其中每一个第二正样本数据和每一个第二负样本数据均包括历史用户的用户画像特征和曝光点击特征，以及所述历史推荐信息针对所述历史用户的实际点击结果；根据所述第二正样本数据和所述第二负样本数据训练所述第二模型。5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取至少一个历史推荐信息对应的点击人群数据和转换人群数据；所述历史推荐信息和所述待推荐信息的信息类型相同；根据所述点击人群数据和所述转换人群数据确定所述历史推荐信息对应的点击未转换人群数据；将所述转换人群数据确定为第三正样本训练数据，并将所述点击未转换人群数据确定为所述第三负样本数据；其中每一个第三正样本数据和每一个第三负样本数据均包括历史用户的用户画像特征，以及所述历史推荐信息针对所述历史用户的实际转换结果；根据所述第三正样本数据和所述第三负样本数据训练所述第三模型。6.根据权利要求2至5任一项所述的方法，其特征在于，所述根据所述待推送信息针对所述候选用户的所述预估曝光率、所述预估点击率和所述预估转化率，确定所述待推送信息针对于所述候选用户的预估投放结果，包括：通过信息推送预估模型输出所述待推送信息针对于所述候选用户的预估投放结果；所述信息推送预估模型用于根据所述候选用户的所述预估曝光率、所述预估点击率和所述预估转化率得到分类结果或者投放分值；其中，所述信息推送预估模型的输入端连接所述第一模型的输出端、所述第二模型的输出端和所述第三模型的输出端。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：获取至少一个历史推荐信息对应的人群定向数据，所述历史推荐信息和所述待推荐信息的信息类型相同；所述人群定向数据包括历史用户的用户画像特征和曝光点击特征，以及所述历史推荐信息针对所述历史用户的实际投放结果；将所述用户画像特征和所述曝光点击特征输入至第一模型，通过所述第一模型获取所述历史推荐信息针对所述历史用户的预估曝光率；将所述用户画像特征和所述曝光点击特征输入至第二模型，通过所述第二模型获取所述历史推荐信息针对所述历史用户的预估点击率；将所述用户画像特征输入至第三模型，通过所述第三模型获取所述历史推荐信息针对所述历史用户的预...

【专利技术属性】
技术研发人员：张思远，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：