一种用户信息管理方法和装置与流程

1.本发明涉及计算机技术领域，尤其涉及一种用户信息管理方法和装置。


背景技术：

2.目前，人工智能技术在电子商务领域得到广泛应用，通过人工智能技术以实现智能营销；现有的智能营销模型主要基于用户的点击率、商品成交总额等预测；由于促销的主要目标是实现在投入设定成本的情况下获得最大化利益，因此智能营销模型通常也用于对用户信息进行管理，以更准确的找到对促销敏感的目标用户。
3.但是，现有的这种基于用户的点击率、商品成交总额构建出的智能营销模型管理用户信息的方式，只能通过预测用户的点击概率或者购买概率，对用户进行管理。难以确定用户是否因为促销方法而进行了购买，因此存在对促销对应的转化用户群体的管理和预测结果准确度较低的问题。


技术实现要素：

4.有鉴于此，本发明实施例提供一种用户信息管理方法和装置，能够根据多个促销手段组合成的物品的促销特征，结合物品特征和对应的用户特征，利用促销场景用户数据训练神经网络模型，生成第一评估模型；并利用非促销场景用户数据训练神经网络模型，生成第二评估模型；基于所述第一评估模型和第二评估模型的输出值的差值，确定增益预测模型，通过增益预测模型预测用户基于物品促销特征而获得的增益值；提高了针对物品促销特征管理用户信息的准确性，进而提高了评估物品促销效果的准确性。
5.为实现上述目的，根据本发明实施例的一个方面，提供了一种用户信息管理方法，其特征在于，包括：获取用户历史数据，并根据所述用户历史数据包括的用户对物品展示页面的操作情况以及所述物品展示页面所展示的物品的促销特征，将所述用户历史数据划分为促销场景用户数据和非促销场景用户数据；利用所述促销场景用户数据训练神经网络模型，生成第一评估模型；利用所述非促销场景用户数据训练神经网络模型，生成第二评估模型；将待预测用户数据分别输入所述第一评估模型和所述第二评估模型，得到所述第一评估模型的输出值与所述第二评估模型的输出值；基于所述第一评估模型的输出值与所述第二评估模型的输出值的差值、所述待预测用户数据包括的待预测用户所操作的物品展示页面的物品促销特征以及物品特征，计算所述待预测用户的增益值；根据所述增益值，管理所述待预测用户。
6.可选地，所述用户信息管理方法，其特征在于，
7.利用所述促销场景用户数据训练神经网络模型，包括：利用所述促销场景用户数据包括的多个用户的用户特征、所述用户操作的物品展示页面的物品特征、物品促销特征以及所述用户对物品展示页面的操作情况训练神经网络模型；和/或，利用所述非促销场景用户数据训练神经网络模型，包括：利用所述非促销场景用户数据包括的多个用户的用户特征、所述用户操作的物品展示页面的物品特征以及所述用户对物品展示页面的操作情况
训练神经网络模型。
8.可选地，所述用户信息管理方法，其特征在于，进一步包括：利用所述第一评估模型的输出值与所述第二评估模型的输出值的差值、所述待预测用户数据包括的待预测用户所操作的物品展示页面的物品促销特征以及物品特征构建增益预测模型；利用所述增益预测模型，执行计算所述待预测用户的增益值的步骤。
9.可选地，所述用户信息管理方法，其特征在于，进一步包括：获取正样本和负样本，其中，所述正样本包括对所述物品的促销特征敏感的用户数据，所述负样本包括对所述物品的促销特征不敏感的用户数据；利用所述正样本和所述负样本，调整所述增益预测模型；利用调整后的增益预测模型，执行计算所述待预测用户的增益值的步骤。
10.可选地，所述用户信息管理方法，其特征在于，调整所述增益预测模型，包括：结合所述正样本和所述负样本包括的用户对物品展示页面的操作情况和用户对所述物品的促销特征敏感情况生成训练标签；利用所述正样本、所述负样本、所述正样本对应的训练标签以及所述负样本对应的训练标签，调整所述增益预测模型。
11.可选地，所述用户信息管理方法，其特征在于，
12.所述物品促销特征由多个物品促销方式合并后生成。
13.可选地，所述用户信息管理方法，其特征在于，进一步包括：
14.在训练神经网络模型时，训练所述物品展示页面展示物品的物品价格，根据对所述物品价格的训练结果，确定所述物品的目标价格。
15.可选地，所述用户信息管理方法，其特征在于，
16.所述神经网络模型包括：输入层，多个隐藏层，输出层；
17.所述训练神经网络模型，包括：所述输入层包括所述促销场景用户数据或者所述非促销场景用户数据；所述多个隐藏层基于所述促销场景用户数据或者所述非促销场景用户数据，进行特征提取和特征分类，基于特征提取的结果和特征分类的结果，得到输出层；针对所述第一评估模型，所述输出层输出对应于所述物品的促销特征的第一购买转化率，所述第一购买转化率为所述第一评估模型的输出值；针对所述第二评估模型，所述输出层输出第二购买转化率，所述第二购买转化率为所述第二评估模型的输出值。
18.为实现上述目的，根据本发明实施例的第二方面，提供了一种用户信息管理装置，其特征在于，包括：获取历史数据模块、生成第一评估模型模块、生成第二评估模型模块、和计算用户增益值模块；其中，
19.所述获取历史数据模块，用于获取用户历史数据，并根据所述用户历史数据包括的用户对物品展示页面的操作情况以及所述物品展示页面所展示的物品的促销特征，将所述用户历史数据划分为促销场景用户数据和非促销场景用户数据；
20.所述生成第一评估模型模块，用于利用所述促销场景用户数据训练神经网络模型，生成第一评估模型；
21.所述生成第二评估模型模块，用于利用所述非促销场景用户数据训练神经网络模型，生成第二评估模型；
22.所述计算用户增益值模块，用于将待预测用户数据分别输入所述第一评估模型和所述第二评估模型，得到所述第一评估模型的输出值与所述第二评估模型的输出值；基于所述第一评估模型的输出值与所述第二评估模型的输出值的差值、所述待预测用户数据包
括的待预测用户所操作的物品展示页面的物品促销特征以及物品特征，计算所述待预测用户的增益值；根据所述增益值，管理所述待预测用户。
23.可选地，所述用户信息管理装置，其特征在于，
24.所述计算用户增益值模块，还用于利用所述第一评估模型的输出值与所述第二评估模型的输出值的差值、所述待预测用户数据包括的待预测用户所操作的物品展示页面的物品促销特征以及物品特征构建增益预测模型；利用所述增益预测模型，执行计算所述待预测用户的增益值的步骤。
25.可选地，所述用户信息管理装置，其特征在于，
26.所述计算用户增益值模块，还用于获取正样本和负样本，其中，所述正样本包括对所述物品的促销特征敏感的用户数据，所述负样本包括对所述物品的促销特征不敏感的用户数据；利用所述正样本和所述负样本，调整所述增益预测模型；利用调整后的增益预测模型，执行计算所述待预测用户的增益值的步骤。
27.为实现上述目的，根据本发明实施例的第三方面，提供了一种用户信息管理的电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述用户信息管理方法中任一所述的方法。
28.为实现上述目的，根据本发明实施例的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如上述用户信息管理方法中任一所述的方法。
29.上述发明中的一个实施例具有如下优点或有益效果：通过增益预测模型预测用户基于物品促销特征而获得的增益值；提高了针对物品促销特征管理用户信息的准确性，进而提高了评估物品促销效果的准确性。
30.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
31.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
32.图1是本发明第一实施例提供的一种用户信息管理方法的流程示意图；
33.图2是本发明第二实施例提供的一种用户信息管理方法的流程示意图；
34.图3是本发明一个实施例提供的一种生成增益预测模型的示意图；
35.图4是本发明一个实施例提供的一种用户信息管理装置的结构示意图；
36.图5是本发明实施例可以应用于其中的示例性系统架构图；
37.图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
38.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同
样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
39.目前，增益模型(uplift model)可以用于预测某种干预对于个体行为的因果效应，从而预测干预带来的增量。我们假设x表示用户特征，y＝1表示用户的正向行为(如点击或购买)，g用于表示干预手段(如促销特征包含的优惠券促销)，则响应模型表示为：p(y＝1|x)，增益模型表示为：p(y＝1|g,x)。因此，增益模型可以预测用户的促销敏感程度，从而避免营销成本的浪费。常见的增益模型建模方法有：
40.差分响应模型：差分响应模型是分别对ab实验中的实验组与对照组的数据进行独立的建模，预测时两个模型的分数相减就可以得到对应的增益分值。差分模型实现简单，是增益模型常见的基础方法，也称为t
‑
learning。
41.x
‑
learning：x
‑
learning算法是在t
‑
learning模型的基础上提出的，它是基于利用观察到的样本结果与预估未观察到的样本结果的思想，对增量进行近似学习。同时，x
‑
learning还会对结果进行倾向性的权重调整，以达到优化近似结果的目的。
42.直接建模：直接建模是指通过修改已有的学习器结构从而对增益进行直接建模，比较通用的做法是修改树模型中的特征分裂方法。将增益作为节点分裂中主要的信息增益部分，从而更好将促销敏感人群区分开来。
43.但是，目前应用于电商领域的增益模型主要存在的问题如下：
44.差分响应模型是独立的构建两个模型，两个模型产生的误差会累积到最后的结果上，而且本身建模的目标仍是响应模型中的点击转化目标，缺乏对增益部分的识别能力。
45.改进的差分响应模型虽然在数据层面实现了在一个模型内训练，但是无法满足用户特征与条件策略独立的要求。
46.修改树模型的方法是一种直接针对增益建模的方法，但是由于需要对损失函数，剪枝做修改，模型收敛性与泛化性都较差。
47.鉴于此，本发明实施例提供了如图1所示的一种用户信息管理方法，该方法可以包括以下步骤：
48.步骤s101：获取用户历史数据，并根据所述用户历史数据包括的用户对物品展示页面的操作情况以及所述物品展示页面所展示的物品的促销特征，将所述用户历史数据划分为促销场景用户数据和非促销场景用户数据。
49.具体地，获取设定时间范围内的用户历史数据，用户历史数据包括用户特征，用户特征包括用户画像数据(例如：用户年龄、性别、用户职业、购买数量、浏览物品的数量、花费数据)等；进一步地，用户对物品展示页面的操作情况以及所述物品展示页面所展示的物品的促销特征，其中，操作情况指示为用户对物品展示页面的操作，例如：浏览物品展示页面包含的物品、购买物品展示页面包含的物品等，其中，用户浏览或购买物品包含物品特征，例如：物品的类别、价格、颜色、型号等；物品的促销特征为针对物品的促销方式；例如：是否使用优惠券，是否打折，是否送赠品，是否满减等，通过编码后得到促销特征向量，例如：1,0,1
…
其中，1表示物品具有该促销方法。即，所述物品促销特征由多个物品促销方式合并后生成。通过使用合并的物品促销特征克服了现有的改进的差分响应模型中仅判断是否有促销的缺陷，提高了预测促销效果的准确性。
50.进一步地，根据用户对应的所述物品展示页面所展示的物品的促销特征，将用户历史数据划分为促销场景用户数据和非促销场景用户数据；若用户所浏览或购买的物品
(物品展示页面所展示的物品)具有促销特征(例如：促销方式为可以使用优惠券，可以打折，送赠品，可以满减中的任意一种或多种)，则对应的用户历史数据为促销场景用户数据；否则为非促销场景用户数据，即，将所述用户历史数据划分为促销场景用户数据和非促销场景用户数据。
51.步骤s102：利用所述促销场景用户数据训练神经网络模型，生成第一评估模型。
52.具体地，利用所述促销场景用户数据训练神经网络模型，包括：利用所述促销场景用户数据包括的多个用户的用户特征(例如：用户年龄、性别、用户职业、购买数量、浏览物品的数量、花费数据等)、所述用户操作的物品展示页面的物品特征(例如：物品的类别、价格、颜色、型号等)、物品促销特征(例如：是否使用优惠券，是否打折，是否送赠品，是否满减等)以及所述用户对物品展示页面的操作情况(例如：浏览或购买等)训练神经网络模型；
53.进一步地，训练神经网络模型首先将所述用户特征、所述物品特征、所述物品促销特征作为训练神经网络模型的输入样本，输入样本还包括以及所述用户对物品展示页面的操作情况(例如：购买或未购买等)，例如：将输入样本表示为：[x1,x2,x3,
…
y]；其中，x1代表用户特征、x2代表物品特征、x3代表物品促销特征(例如：如步骤s101所描述的特征向量)；y代表所述用户操作情况的标签；根据各个输入样本训练神经网络模型，其中，优选地，选择dnn(deep neural networks，dnn，深度神经网络)作为被训练的神经网络模型；进一步地，基于dnn所生成的第一评估模型包含输入层，多个隐藏层，输出层以及所述输出层对应的损失函数；即，所述神经网络模型包括：输入层，多个隐藏层，输出层。
[0054]
进一步地，所述输入层包括所述促销场景用户数据；所述多个隐藏层基于所述促销场景用户数据或者所述非促销场景用户数据，进行特征提取和特征分类，基于特征提取的结果和特征分类的结果，得到输出层；针对所述第一评估模型，所述输出层输出对应于所述物品的促销特征的第一购买转化率，所述第一购买转化率为所述第一评估模型的输出值；其中，输入层包含训练样本数据，所述训练样本数据包含所述用户特征、所述物品特征、所述物品促销特征，以及指示用户操作情况的标签(例如：所述用户是否购买所述物品的标签)；输入层表示为：a0＝[x1,x2,x3,
…
y]；
[0055]
所述多个隐藏层基于所述训练样本数据，将所述训练样本数据进行特征提取和特征分类；隐藏层表示为：a
n 1
＝relu(w
n
*a
n
b
n
)，其中，n为大于等于1的正整数，relu为隐藏层的激活函数，w
n
为矩阵，b
n
为偏移向量，可以理解的是，隐藏层可以为n 1层，n 1层的输入为第n层的输出，以此类推。
[0056]
进一步地，根据隐藏层的尾部层确定输出层，即，基于特征提取的结果和特征分类的结果，得到输出层，所述输出层输出所物品的物品促销特征的第一购买转化率。例如：隐藏层的尾部层为第h层，则可以表示为：p1＝w
h
*a
h
b
h
；训练dnn模型在确定输出层时使用交叉熵损失函数，即所述输出层对应的损失函数，其中，p1即为对应于所述物品的促销特征的第一购买转化率，也即所述第一购买转化率为所述第一评估模型的输出值。
[0057]
步骤s103：利用所述非促销场景用户数据训练神经网络模型，生成第二评估模型。
[0058]
具体地，利用所述非促销场景用户数据训练神经网络模型，包括：利用所述非促销场景用户数据包括的多个用户的用户特征、所述用户操作的物品展示页面的物品特征以及所述用户对物品展示页面的操作情况训练神经网络模型。其中，关于用户特征、物品特征、操作情况的具体描述与步骤s101或步骤s102的描述一致，在此不再赘述。
[0059]
进一步地，训练神经网络模型首先将所述用户特征、所述物品特征作为训练神经网络模型的输入样本，输入样本还包括以及所述用户对物品展示页面的操作情况(例如：购买或未购买等)，其中训练神经网络模型的输入样本包括用户特征、物品特征，以及所述用户对物品展示页面的操作情况(例如：指示所述用户是否购买所述物品的标签)例如：将输入样本表示为：[x1,x2,
…
y]；其中，x1代表用户特征、x2代表物品特征、y代表所述用户是否购买所述物品的标签；
[0060]
根据各个输入样本训练神经网络模型，优选地，选择dnn(deep neural networks，dnn，深度神经网络)作为被训练的神经网络模型；进一步地，基于dnn所生成的第二评估模型包含输入层，多个隐藏层，输出层；所述输入层包括所述非促销场景用户数据；所述多个隐藏层基于所述促销场景用户数据或者所述非促销场景用户数据，进行特征提取和特征分类，基于特征提取的结果和特征分类的结果，得到输出层；针对所述第二评估模型，所述输出层输出第二购买转化率，所述第二购买转化率为所述第二评估模型的输出值。
[0061]
其中，输入层包含训练样本数据，所述训练样本数据包含所述用户特征、所述物品特征，以及指示所述用户是否购买所述物品的标签；表示为：c0＝[x1,x2,
…
y]；
[0062]
所述多个隐藏层基于所述训练样本数据，将所述训练样本数据进行特征提取和特征分类；隐藏层表示为：c
n 1
＝relu(w
n
*c
n
b
n
)，其中，n为大于等于1的正整数，relu为隐藏层的激活函数，w
n
为矩阵，b
n
为偏移向量，可以理解的是，隐藏层可以为n 1层，n 1层的输入为第n层的输出，以此类推。
[0063]
进一步地，根据隐藏层的尾部层确定输出层，即，基于特征提取的结果和特征分类的结果，得到输出层，所述输出层输出所物品的物品促销特征，所述输出层用于生成所述用户对应于所述物品促销特征的第二购买转化率。例如：隐藏层的尾部层为第h层，则可以表示为：p0＝w
h
*c
h
b
h
；训练dnn模型在确定输出层时使用交叉熵损失函数，即为所述输出层对应的损失函数，其中，p0即为对应于所述物品的促销特征的第二购买转化率，也即所述第二购买转化率为所述第二评估模型的输出值。
[0064]
通过步骤s102、步骤s103的描述可知，第二评估模型与第一评估模型相比，第一评估模型的训练样本为促销场景用户数据，第二评估模型的训练样本为非促销场景用户数据，上述两个评估模型用于比较在有无促销特征的因素下用户购买物品的概率(即转化率，也即用户对于促销的敏感度)。
[0065]
进一步地，创建第一任务训练神经网络模型，生成第一评估模型；创建第二任务训练神经网络模型，生成第二评估模型；所述第一任务和所述第二任务同步进行；即基于条件平均因果效应，以多任务的方式训练神经网络模型(例如dnn)，并同时生成第一评估模型以及第二评估模型；当生成模型时，所能获取的历史训练数据是不完整的，因为训练样本集合中的单个用户历史数据样本，无法同时获取到有促销特征因素的影响以及没有促销特征因素的影响两种情况下的用户表现，因此需要使用所有用户(群体)的因果效应期望来近似评估整个用户群体的在促销特征下的转化率(即转化率在有促销和无促销下的差值即为增益)，这种效应为条件平均因果效应。
[0066]
步骤s104：将待预测用户数据分别输入所述第一评估模型和所述第二评估模型，得到所述第一评估模型的输出值与所述第二评估模型的输出值；基于所述第一评估模型的输出值与所述第二评估模型的输出值的差值、所述待预测用户数据包括的待预测用户所操
作的物品展示页面的物品促销特征以及物品特征，计算所述待预测用户的增益值；根据所述增益值，管理所述待预测用户。
[0067]
具体地，根据步骤s102、步骤s103的描述，获得第一评估模型和第二评估模型，将待预测用户数据分别输入所述第一评估模型和所述第二评估模型，得到所述第一评估模型的输出值(例如p1,j：表示第j个用户作为待预测用户)与所述第二评估模型的输出值(例如p0,j：表示第j个用户作为待预测用户)；进一步地，基于所述第一评估模型的输出值与所述第二评估模型的输出值的差值、所述待预测用户数据包括的待预测用户所操作的物品展示页面的物品促销特征以及物品特征，计算所述待预测用户的增益值。
[0068]
例如：计算待预测用户的增益值以计算多个待预测用户对应的物品的投入产出比为例，如公式(1)所示，公式(2)为公式(1)中cost的约束函数：
[0069][0070][0071]
其中，δroi代表投入产出比的总和，,p
1,j
代表第j个用户的第一评估模型的输出值(例如为第一购买转化率)；p
0,j
代表第j个用户的第二评估模型的输出值(例如为第二购买转化率)；cost表示物品的物品促销特征(例如：物品促销特征可以为促销成本，例如将优惠券的面值乘以优惠券的使用概率作为cost的值)；budget表示物品的成本，作为促销成本的约束条件(例如：促销成本不能低于物品成本、或者可以低于物品成本的设定数额或设定百分比等)。
[0072]
进一步地，利用所述第一评估模型的输出值与所述第二评估模型的输出值的差值(例如：基于第一购买转化率与第二购买转化率的差值)、所述待预测用户数据包括的待预测用户所操作的物品展示页面的物品促销特征(例如：为公式(1)中包含的cost)以及物品特征(例如：物品价格，即为公式(1)中包含的orderprice)构建增益预测模型；利用所述增益预测模型(以公式(1)为例)，执行计算所述待预测用户的增益值的步骤。
[0073]
进一步地，执行计算所述待预测用户的增益值的步骤，具体地，通过增益预测模型(以公式(1)为例)，计算并获取待预测用户的增益值，从而评估待预测用户对物品促销特征的敏感度，进而管理所述待预测用户，其中管理用户信息(即管理待预测用户的用户信息)可以为对用户信息进行分类，比如，划分为对促销敏感的用户，对促销不敏感的用户等，并可根据分类为用户设置对应的标签等；其中，对促销敏感的用户的用户行为是若物品促销则购买、以及物品不促销则不购买；对促销不敏感的用户对应的用户行为无关于物品是否具有促销特征，即购买或者不购买物品与物品是否促销关联性低。通过管理用户信息，获取针对目标人群执行促销的数据依据，提高了物品的促销的准确率。
[0074]
进一步地，区别于传统的响应模型不同，基于增益预测模型，可以选择电子商城abcd中的两组真实镜像用户，按照模型预估的增益值对实验组的用户进行排序，最后同时观察两组用户在不同人群分位数下的增益值。相同分位数下，实验组与对照组的转化率差值即为该分位数下的增益值，从而利于验证增益预测模型的准确性。
[0075]
如图2所示，本发明实施例提供了一种用户信息管理方法，该方法可以包括以下步骤：
[0076]
步骤s201：获取用户历史数据，并根据所述用户历史数据包括的用户对物品展示页面的操作情况以及所述物品展示页面所展示的物品的促销特征，将所述用户历史数据划分为促销场景用户数据和非促销场景用户数据；利用所述促销场景用户数据训练神经网络模型，生成第一评估模型；利用所述非促销场景用户数据训练神经网络模型，生成第二评估模型。
[0077]
具体地，关于训练神经网络模型生成第一评估模型和第二评估模型的描述与步骤s101
‑
步骤s103一致，在此不再赘述。
[0078]
步骤s202：利用所述第一评估模型的输出值与所述第二评估模型的输出值的差值、所述待预测用户数据包括的待预测用户所操作的物品展示页面的物品促销特征以及物品特征构建增益预测模型；利用所述增益预测模型，执行计算所述待预测用户的增益值的步骤。
[0079]
具体地，关于构建增益预测模型，执行计算所述待预测用户的增益值的步骤的具体描述与步骤s104一致，在此不再赘述。
[0080]
步骤s203：获取正样本和负样本，其中，所述正样本包括对所述物品的促销特征敏感的用户数据，所述负样本包括对所述物品的促销特征不敏感的用户数据；利用所述正样本和所述负样本，调整所述增益预测模型；利用调整后的增益预测模型，执行计算所述待预测用户的增益值的步骤。
[0081]
具体地，进一步训练增益预测模型，以提高增益预测模型的准确率，训练增益预测模型的方法为：
[0082]
获取正样本和负样本，其中，所述正样本包括对所述物品的促销特征敏感的用户数据，所述负样本包括对所述物品的促销特征不敏感的用户数据；其中，促销特征敏感对应的用户行为是若物品促销则购买、以及物品不促销则不购买；促销特征不敏感对应的用户行为无关于物品是否具有促销特征，即购买或者不购买物品与物品是否促销关联性低。
[0083]
进一步地，利用所述正样本和所述负样本，调整所述增益预测模型；具体地，对增益预测模型进行调整从而优化增益预测模型，并利用调整后的增益预测模型，执行计算所述待预测用户的增益值的步骤。进一步地，结合所述正样本和所述负样本包括的用户对物品展示页面的操作情况和用户对所述物品的促销特征敏感情况生成训练标签；利用所述正样本、所述负样本、所述正样本对应的训练标签以及所述负样本对应的训练标签，调整所述增益预测模型。
[0084]
例如：训练标签的确定方法为：如公式(3)所示，yn为用户对物品展示页面的操作情况(例如：是否购买物品)、ym为用户对所述物品的促销特征敏感情况(例如：用户对促销是否敏感)，进一步地，结合第一用户数据对应的转化率yn；第二用户数据对应的转化率ym，生成标签δroi，利用所述正样本、所述负样本、所述正样本对应的训练标签以及所述负样本对应的训练标签，调整所述增益预测模型(例如：增益预测模型如公式(1)所示)。
[0085][0086]
进一步地，并利用调整后的增益预测模型，执行计算所述待预测用户的增益值的步骤的描述与步骤s104的描述一致，在此不再赘述。
[0087]
如图3所示，本发明实施例提供了一种构建增益预测模型的示意图，其中：
[0088]
图中包括的输入层301、多个隐藏层303、输出层303、增益预测模型304。
[0089]
具体地，训练神经网络模型，包括：所述输入层301包括所述促销场景用户数据或者所述非促销场景用户数据；所述多个隐藏层302基于所述促销场景用户数据或者所述非促销场景用户数据，进行特征提取和特征分类，基于特征提取的结果和特征分类的结果，得到输出层303。
[0090]
其中，如图3所示，促销场景用户数据包括的多个用户的用户特征(用户特征1..用户特征n)、所述用户操作的物品展示页面的物品特征(物品特征1
…
物品特征n)、物品促销特征(物品促销特征1
…
物品促销特征n)以及所述用户对物品展示页面的操作情况；非促销场景用户数据包括的多个用户的用户特征(用户特征1..用户特征n)、所述用户操作的物品展示页面的物品特征(物品特征1
…
物品特征n)以及所述用户对物品展示页面的操作情况训练神经网络模型。
[0091]
进一步地，训练神经网络模型，利用多个隐藏层的特征提取和特征分类，得到输出层；针对所述第一评估模型，所述输出层输出对应于所述物品的促销特征的第一购买转化率，所述第一购买转化率为所述第一评估模型的输出值；针对所述第二评估模型，所述输出层输出第二购买转化率，所述第二购买转化率为所述第二评估模型的输出值。
[0092]
利用所述第一评估模型的输出值与所述第二评估模型的输出值的差值、所述待预测用户数据包括的待预测用户所操作的物品展示页面的物品促销特征以及物品特征构建增益预测模型(如图3的304所示)；
[0093]
进一步地，在训练神经网络模型时，训练所述物品展示页面展示物品的物品价格，根据对所述物品价格的训练结果，确定所述物品的目标价格。其中，如图3所示，输出层303包含的训练物品价格所获得的输出值，即，当生成所述第一评估模型或所述第二评估模型时，物品展示页面展示物品的物品价格，根据对所述物品价格的训练结果，确定所述物品的目标价格。具体地，通过训练物品价格，有助于物品提供方对物品智能定价、包括智能确定促销的方式和数额。
[0094]
进一步地，基于304所示的增益预测模型，进一步地优化和调整，并利用调整后的增益预测模型，执行计算所述待预测用户的增益值的步骤的描述与步骤s104的描述一致，在此不再赘述；即，获取正样本和负样本，其中，所述正样本包括对所述物品的促销特征敏感的用户数据，所述负样本包括对所述物品的促销特征不敏感的用户数据；利用所述正样本和所述负样本，调整所述增益预测模型；利用调整后的增益预测模型，执行计算所述待预测用户的增益值的步骤。
[0095]
如图4所示，本发明实施例提供了一种用户信息管理装置400，包括：获取历史数据模块401、生成第一评估模型模块402、生成第二评估模型模块403和计算用户增益值模块404；其中，
[0096]
所述获取历史数据模块401，用于获取用户历史数据，并根据所述用户历史数据包括的用户对物品展示页面的操作情况以及所述物品展示页面所展示的物品的促销特征，将所述用户历史数据划分为促销场景用户数据和非促销场景用户数据；
[0097]
所述生成第一评估模型模块402，用于利用所述促销场景用户数据训练神经网络模型，生成第一评估模型；
[0098]
所述生成第二评估模型模块403，用于利用所述非促销场景用户数据训练神经网
络模型，生成第二评估模型；
[0099]
所述计算用户增益值模块404，用于将待预测用户数据分别输入所述第一评估模型和所述第二评估模型，得到所述第一评估模型的输出值与所述第二评估模型的输出值；基于所述第一评估模型的输出值与所述第二评估模型的输出值的差值、所述待预测用户数据包括的待预测用户所操作的物品展示页面的物品促销特征以及物品特征，计算所述待预测用户的增益值；根据所述增益值，管理所述待预测用户。
[0100]
可选地，所述计算用户增益值模块404，还用于利用所述第一评估模型的输出值与所述第二评估模型的输出值的差值、所述待预测用户数据包括的待预测用户所操作的物品展示页面的物品促销特征以及物品特征构建增益预测模型；利用所述增益预测模型，执行计算所述待预测用户的增益值的步骤。
[0101]
可选地，所述计算用户增益值模块404，还用于获取正样本和负样本，其中，所述正样本包括对所述物品的促销特征敏感的用户数据，所述负样本包括对所述物品的促销特征不敏感的用户数据；利用所述正样本和所述负样本，调整所述增益预测模型；利用调整后的增益预测模型，执行计算所述待预测用户的增益值的步骤。
[0102]
本发明实施例还提供了一种用户信息管理装置的电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一实施例提供的方法。
[0103]
本发明实施例还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例提供的方法。
[0104]
图5示出了可以应用本发明实施例的用户信息管理装置方法或用户信息管理装置的示例性系统架构500。
[0105]
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0106]
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种客户端应用，例如电子商城客户端应用、网页浏览器应用、搜索类应用、即时通信工具和邮箱客户端等。
[0107]
终端设备501、502、503可以是具有显示屏并且支持各种客户端应用的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0108]
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所使用的客户端应用提供支持的后台管理服务器。后台管理服务器可以对接收到的访问页面物品的请求进行处理，并将物品对应的促销信息反馈给终端设备。
[0109]
需要说明的是，本发明实施例所提供的用户信息管理方法一般由服务器505执行，相应地，用户信息管理装置一般设置于服务器505中。
[0110]
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0111]
下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0112]
如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有系统600操作所需的各种程序和数据。cpu 601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0113]
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
[0114]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本发明的系统中限定的上述功能。
[0115]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0116]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规
定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0117]
描述于本发明实施例中所涉及到的模块和/或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取历史数据模块、生成第一评估模型模块、生成第二评估模型模块、计算用户增益值模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，计算用户增益值模块还可以被描述为“根据用户特征以及物品特征，基于目标增益预测模型，计算用户增益值的模块”。
[0118]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取用户历史数据，并根据所述用户历史数据包括的用户对物品展示页面的操作情况以及所述物品展示页面所展示的物品的促销特征，将所述用户历史数据划分为促销场景用户数据和非促销场景用户数据；利用所述促销场景用户数据训练神经网络模型，生成第一评估模型；利用所述非促销场景用户数据训练神经网络模型，生成第二评估模型；将待预测用户数据分别输入所述第一评估模型和所述第二评估模型，得到所述第一评估模型的输出值与所述第二评估模型的输出值；基于所述第一评估模型的输出值与所述第二评估模型的输出值的差值、所述待预测用户数据包括的待预测用户所操作的物品展示页面的物品促销特征以及物品特征，计算所述待预测用户的增益值；根据所述增益值，管理所述待预测用户。
[0119]
通过增益预测模型预测用户基于物品促销特征而获得的增益值；提高了针对物品促销特征管理用户信息的准确性，进而提高了评估物品促销效果的准确性。
[0120]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。