本发明专利技术公开了一种用户筛选方法、装置、电子设备及存储介质，方法包括：获取各个目标用户的用户画像，根据用户画像从各个目标用户中筛选候选用户；获取每个候选用户的推送价值和针对指定类目的意向概率；所述推送价值和意向概率均通过分析用户画像获得；根据推送价值和意向概率从候选用户中筛选用于推送指定类目下信息的用户。在从目标用户中筛选出候选用户后，通过获取候选用户的推送价值和针对指定类目的意向概率，并根据推送价值和意向概率进一步对候选用户进行筛选，以提高人群的推送精度，进而提高推送的覆盖面和有效性。并且由于用户的意向概率针对的是待推送信息所属的类目，因此筛选出的最终用户针对性更强，可以进一步提高人群推送精度。一步提高人群推送精度。一步提高人群推送精度。
【技术实现步骤摘要】
一种用户筛选方法、装置、电子设备及存储介质
[0001]本专利技术涉及计算机
，具体涉及一种用户筛选方法、装置、电子设备及存储介质。
技术介绍
[0002]目前，在相似人群扩展方案中，是通过计算候选用户(属于除种子用户之外的用户)与种子用户集的相似度，并按照相似度从高到低的顺序，选择一定数量的候选用户作为种子用户集的相似人群包。
[0003]然而，这种基于相似度方式确定的相似人群包的筛选精度并不高，从而降低了信息推送效果。
技术实现思路
[0004]本专利技术的目的是针对上述现有技术的不足提出的一种用户筛选方法、装置、电子设备及存储介质，该目的是通过以下技术方案实现的。
[0005]本专利技术的第一方面提出了一种用户筛选方法，所述方法包括：
[0006]获取各个目标用户的用户画像，并根据用户画像从各个目标用户中筛选候选用户；
[0007]获取每个候选用户的推送价值和针对指定类目的意向概率；所述推送价值和意向概率均通过分析用户画像获得；
[0008]根据所述推送价值和意向概率，从候选用户中筛选用于推送所述指定类目下信息的用户。
[0009]在本申请的一些实施例中，所述根据用户画像从各个目标用户中筛选候选用户，包括：
[0010]针对每个目标用户，根据所述目标用户的用户画像预测推送概率；根据推送概率从各个目标用户中筛选候选用户。
[0011]在本申请的一些实施例中，所述根据所述目标用户的用户画像预测推送概率，包括：
[0012]基于所述目标用户的用户画像提取第一指定类型的用户特征；将所述用户特征输入已训练的第一分类模型中，以由所述第一分类模型根据所述用户特征预测目标用户的推送概率并输出。
[0013]在本申请的一些实施例中，针对所述第一分类模型的训练过程包括：
[0014]基于已下单用户的用户画像提取第一指定类型的用户特征作为正样本特征；基于未下单且活跃度高于第一阈值的用户的用户画像提取第一指定类型的用户特征作为负样本特征；利用所述正样本特征和所述负样本特征对已构建的第一分类模型进行训练，直至收敛。
[0015]在本申请的一些实施例中，所述根据推送概率从各个目标用户中筛选候选用户，
包括：
[0016]从各个目标用户中选择推送概率大于第二阈值的目标用户作为候选用户。
[0017]在本申请的一些实施例中，所述获取每个候选用户的推送价值，包括：
[0018]针对每个候选用户，基于所述候选用户的用户画像提取第二指定类型的用户特征；将所述第二指定类型的用户特征分别输入不同的回归模型，以由每个回归模型根据所述用户特征预测候选用户的子推送价值；根据每个回归模型输出的子推送价值确定所述候选用户的推送价值。
[0019]在本申请的一些实施例中，针对每个回归模型的训练过程包括：
[0020]基于已下单用户的用户画像提取第二指定类型的用户特征作为正样本特征，并获取已下单用户的平均交易金额作为正样本特征对应的样本标签；基于未下单用户的用户画像提取第二指定类型的用户特征作为负样本特征，并将第一预设值作为负样本特征对应的样本标签；利用正样本特征和其对应的样本标签、负样本特征和其对应的样本标签，对每个回归模型分别进行训练，直至收敛。
[0021]在本申请的一些实施例中，在利用正样本特征和其对应的样本标签、负样本特征和其对应的样本标签，对每个回归模型分别进行训练之后，所述方法还包括：
[0022]将未下单用户的负样本特征分别输入每个已训练的回归模型，以由每个已训练的回归模型根据所述负样本特征预测未下单用户的子推送价值；根据每个回归模型输出的子推送价值确定所述未下单用户的推送价值，并利用所述推送价值更新负样本特征对应的样本标签；利用负样本特征和其对应的更新后的样本标签对每个已训练的回归模型分别再训练，直至收敛。
[0023]在本申请的一些实施例中，所述获取每个候选用户的推送价值，包括：
[0024]针对每个候选用户，如果所述候选用户产生有下单行为，则获取所述候选用户的平均交易金额作为推送价值；如果所述候选用户未产生下单行为，则将第二预设值作为推送价值。
[0025]在本申请的一些实施例中，所述获取每个候选用户针对指定类目的意向概率，包括：
[0026]针对每个候选用户，基于所述候选用户的用户画像提取第一指定类型的用户特征；将第一指定类型的用户特征输入所述指定类目对应的第二分类模型，以由所述第二分类模型根据所述用户特征预测候选用户针对指定类目的意向概率。
[0027]在本申请的一些实施例中，针对所述第二分类模型的训练过程包括：
[0028]获取在所述指定类目下的已下单用户，并基于获取的已下单用户的用户画像提取第一指定类型的用户特征作为正样本特征；基于未下单用户的用户画像提取第一指定类型的用户特征作为负样本特征；利用所述正样本特征和所述负样本特征对已构建的第二分类模型进行训练，直至收敛。
[0029]在本申请的一些实施例中，所述根据所述推送价值和意向概率，从候选用户中筛选用于推送所述指定类目下信息的用户，包括：
[0030]从候选用户中选择推送价值高于第三阈值且意向概率高于第四阈值的候选用户，作为用于推送所述指定类目下信息的用户。
[0031]本专利技术的第二方面提出了一种用户筛选装置，所述装置包括：
[0032]第一筛选模块，用于获取各个目标用户的用户画像，并根据用户画像从各个目标用户中筛选候选用户；
[0033]获取模块，用于获取每个候选用户的推送价值和针对指定类目的意向概率；所述推送价值和意向概率均是通过分析用户画像获得；
[0034]第二筛选模块，用于根据所述推送价值和意向概率，从候选用户中筛选用于推送所述指定类目下信息的用户。
[0035]本专利技术的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所述方法的步骤。
[0036]本专利技术的第四方面提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述第一方面所述方法的步骤。
[0037]基于上述第一方面和第二方面所述的用户筛选方法及装置，本专利技术至少具有如下有益效果或优点：
[0038]在从目标用户中筛选出候选用户后，通过获取候选用户的推送价值和针对指定类目的意向概率，并根据推送价值和意向概率进一步对候选用户进行筛选，以提高人群的推送精度，进而提高推送的覆盖面和有效性。并且由于用户的意向概率针对的是待推送信息所属的类目，因此筛选出的最终用户针对性更强，可以进一步提高人群的推送精度。
附图说明
[0039]此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0040]图1为本专利技术根据一示例性实施例示出的一种用户筛本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用户筛选方法，其特征在于，所述方法包括：获取各个目标用户的用户画像，并根据用户画像从各个目标用户中筛选候选用户；获取每个候选用户的推送价值和针对指定类目的意向概率；所述推送价值和意向概率均通过分析用户画像获得；根据所述推送价值和意向概率，从候选用户中筛选用于推送所述指定类目下信息的用户。2.根据权利要求1所述的方法，其特征在于，所述根据用户画像从各个目标用户中筛选候选用户，包括：针对每个目标用户，根据所述目标用户的用户画像预测推送概率；根据推送概率从各个目标用户中筛选候选用户。3.根据权利要求2所述的方法，其特征在于，所述根据所述目标用户的用户画像预测推送概率，包括：基于所述目标用户的用户画像提取第一指定类型的用户特征；将所述用户特征输入已训练的第一分类模型中，以由所述第一分类模型根据所述用户特征预测目标用户的推送概率并输出。4.根据权利要求3所述的方法，其特征在于，针对所述第一分类模型的训练过程包括：基于已下单用户的用户画像提取第一指定类型的用户特征作为正样本特征；基于未下单且活跃度高于第一阈值的用户的用户画像提取第一指定类型的用户特征作为负样本特征；利用所述正样本特征和所述负样本特征对已构建的第一分类模型进行训练，直至收敛。5.根据权利要求1所述的方法，其特征在于，所述根据推送概率从各个目标用户中筛选候选用户，包括：从各个目标用户中选择推送概率大于第二阈值的目标用户作为候选用户。6.根据权利要求1所述的方法，其特征在于，所述获取每个候选用户的推送价值，包括：针对每个候选用户，基于所述候选用户的用户画像提取第二指定类型的用户特征；将所述第二指定类型的用户特征分别输入不同的回归模型，以由每个回归模型根据所述用户特征预测候选用户的子推送价值；根据每个回归模型输出的子推送价值确定所述候选用户的推送价值。7.根据权利要求6所述的方法，其特征在于，针对每个回归模型的训练过程包括：基于已下单用户的用户画像提取第二指定类型的用户特征作为正样本特征，并获取已下单用户的平均交易金额作为正样本特征对应的样本标签；基于未下单用户的用户画像提取第二指定类型的用户特征作为负样本特征，并将第一预设值作为负样本特征对应的样本标签；利用正样本特征和其对应的样本标签、负样本特征和其对应的样本标签，对每个回归模型分别进行训练，直至收敛。8.根据权利要求7所述的方法，其特征在于，在利用正样本特征和其对应的样本标签、负样本特征和其对应的样本标签，对每个回归模型分别进行训练之后，所述方法还包括：将未下单用户的负样本特征分...
【专利技术属性】
技术研发人员：卿建飞，
申请(专利权)人：北京新氧万维科技咨询有限公司，
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。