一种基于深度学习的营销策略优化处理方法及系统与流程

本发明涉及数据处理，尤其涉及一种基于深度学习的营销策略优化处理方法及系统。

背景技术：

1、随着电子商务和移动互联网营销的发展，企业通常根据用户行为、商品属性、优惠内容和触达渠道生成营销策略，利用规则匹配、人工分群、历史转化率排序或者点击率、转化率预测模型，从多个候选营销策略组合中选择预期效果较高的策略进行执行。上述方式能够实现基本的用户匹配和策略筛选，但更多依赖历史统计结果或者整体预测分数。

2、现有方法通常将候选营销策略组合作为整体输入模型，直接输出预测效果值，缺少对策略组成内容之间承接关系的建模，难以判断用户群、推荐对象、优惠内容和触达方式之间是否形成连续一致的营销执行链条。现有模型训练多基于单条历史策略组合与转化标签之间的关系，未充分利用不同真实策略组合之间的替换过程，导致模型难以识别某一策略组成内容变化对整体转化结果的影响。由于上述原因，现有方法在候选策略筛选时容易忽略策略组成内容之间的不协调关系，导致输出的营销策略虽然预测分数较高，但在实际执行中存在匹配不足、转化效果不稳定的问题。

3、因此，如何提供一种基于深度学习的营销策略优化处理方法及系统是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于深度学习的营销策略优化处理方法及系统，本发明利用改进autoint模型对候选营销策略组合进行特征交互建模，结合闭环校验、替换路径训练和交互残差改写过程，实现对营销策略的预测评分和优化输出，具备策略匹配准确、优化过程可追踪、输出结果可执行的优点。

2、根据本发明实施例的一种基于深度学习的营销策略优化处理方法，包括如下步骤：

3、获取历史营销执行数据和当前营销任务数据，对历史营销执行数据编码生成历史策略组合样本，对当前营销任务数据生成初始候选营销策略组合；

4、构建autoint模型，将初始候选营销策略组合映射为策略组成嵌入向量；

5、在autoint模型的自注意力特征交互层中设置策略组成闭环校验结构，基于策略组成嵌入向量生成相邻策略组成内容的交互表示，按照营销执行顺序串联交互表示，生成闭环交互表示和闭环断点表示；

6、从历史策略组合样本中选取营销场景标识相同且转化标签不同的两个真实策略组合；

7、对两个真实策略组合之间的差异组成内容进行逐项替换，生成替换路径样本，将历史策略组合样本和替换路径样本输入autoint模型训练，autoint模型学习替换前后闭环交互变化与转化标签变化之间的对应关系，得到改进autoint模型；

8、将初始候选营销策略组合输入改进autoint模型，根据闭环交互表示与转化标签为第一标签的闭环交互基准计算交互残差，依据交互残差确定低匹配组成关系并生成局部改写候选营销策略组合；

9、将局部改写候选营销策略组合输入改进autoint模型重新评分，输出预测效果值最大的目标营销策略组合。

10、可选的，所述获取历史营销执行数据和当前营销任务数据具体包括：

11、对历史营销执行数据进行去重、缺失字段补全、异常触达记录剔除和转化时间窗口标定，得到标准化历史营销记录；

12、按照统一字段字典对标准化历史营销记录中的策略组成内容和转化结果进行编码，生成带有转化标签的历史策略组合样本；

13、对当前营销任务数据进行任务字段校验和可执行内容筛选，得到当前可用策略组成内容；

14、将当前可用策略组成内容按照营销执行顺序进行组合，生成初始候选营销策略组合。

15、可选的，所述构建autoint模型具体包括：

16、构建包含输入层、特征嵌入层、自注意力特征交互层、残差连接层、策略组成闭环校验层和预测输出层的autoint模型；

17、输入层接收初始候选营销策略组合对应的策略组成编码序列；

18、特征嵌入层将策略组成编码序列中的离散编码值映射为同一维度的策略组成嵌入向量；

19、自注意力特征交互层基于多头自注意力机制对策略组成嵌入向量进行交互计算，生成高阶交互表示；

20、残差连接层将策略组成嵌入向量与高阶交互表示进行连接，生成残差交互表示；

21、策略组成闭环校验层接收残差交互表示，按照营销执行顺序形成闭环交互表示；

22、预测输出层基于闭环交互表示输出预测效果值。

23、可选的，所述在autoint模型的自注意力特征交互层中设置策略组成闭环校验结构具体包括：

24、将残差交互表示按照营销执行顺序排列，依次选取相邻两个残差交互表示作为前序表示和后序表示，基于前序表示对后序表示进行顺向重构，基于后序表示对前序表示进行逆向回证，计算顺向重构结果与后序表示之间的第一差异值，计算逆向回证结果与前序表示之间的第二差异值，融合第一差异值和第二差异值得到对应连接位置的闭环承接偏差；

25、对排列末位的残差交互表示与排列首位的残差交互表示执行相同处理，得到首尾连接位置的闭环承接偏差；

26、按照营销执行顺序将各连接位置的闭环承接偏差与对应残差交互表示融合，生成闭环交互表示；

27、将闭环承接偏差最大的连接位置对应的残差交互表示和闭环承接偏差融合，生成闭环断点表示。

28、可选的，所述从历史策略组合样本中选取营销场景标识相同且转化标签不同的两个真实策略组合具体包括：

29、根据历史策略组合样本中的目标用户群、营销任务类型和执行周期生成营销场景标识，按照营销场景标识对历史策略组合样本进行分组，在同一分组内选取转化标签为第一标签的历史策略组合样本作为第一真实策略组合，选取转化标签为第二标签且策略组成内容不同的历史策略组合样本作为第二真实策略组合。

30、可选的，所述对两个真实策略组合之间的差异组成内容进行逐项替换具体包括：

31、对第一真实策略组合和第二真实策略组合的策略组成编码序列进行逐位比对，确定编码值不同的差异组成位置；

32、以第一真实策略组合为起始策略组合，按照营销执行顺序依次选取差异组成位置，将起始策略组合在被选取差异组成位置的编码值替换为第二真实策略组合中对应位置的编码值，生成中间策略组合；

33、每完成一次替换，将替换前策略组合、替换后策略组合、被替换的差异组成位置和对应转化标签变化进行绑定，形成单步替换样本；

34、按照替换执行顺序串联全部单步替换样本，生成替换路径样本。

35、可选的，所述将历史策略组合样本和替换路径样本输入autoint模型训练具体包括：

36、将历史策略组合样本输入autoint模型，得到对应的预测效果值，根据预测效果值与转化标签计算转化预测损失；

37、将替换路径样本中的单步替换样本依次输入autoint模型，分别得到替换前策略组合和替换后策略组合对应的闭环交互表示；

38、计算替换前后闭环交互表示之间的闭环变化量，将闭环变化量与对应转化标签变化进行绑定，生成替换监督信号；

39、基于转化预测损失和替换监督信号对autoint模型进行联合训练，更新特征嵌入层、自注意力特征交互层、残差连接层、策略组成闭环校验层和预测输出层的参数，得到改进autoint模型。

40、可选的，所述依据交互残差确定低匹配组成关系并生成局部改写候选营销策略组合具体包括：

41、将初始候选营销策略组合输入改进autoint模型，得到闭环交互表示；

42、从相同营销场景标识且转化标签为第一标签的历史策略组合样本中生成闭环交互基准；

43、根据闭环交互表示与闭环交互基准之间的差异生成交互残差，按照交互残差选取至少两个低匹配组成关系；

44、在相同营销场景标识且转化标签为第一标签的历史策略组合样本中，选取与闭环交互基准差异最小的历史策略组合样本作为替换来源样本；

45、提取替换来源样本中对应低匹配组成关系的策略组成编码，对初始候选营销策略组合中相同位置的策略组成编码进行替换，生成局部改写候选营销策略组合。

46、可选的，所述输出预测效果值最大的目标营销策略组合具体包括：

47、将局部改写候选营销策略组合和初始候选营销策略组合分别输入改进autoint模型，得到对应预测效果值；

48、按照预测效果值最大的候选营销策略组合确定为目标营销策略组合；

49、输出目标营销策略组合的结构化结果，结构化结果包括目标用户群、推荐营销对象、优惠方式及优惠力度、触达渠道及触达时间和预测效果值。

50、根据本发明实施例的一种基于深度学习的营销策略优化处理系统，包括：

51、数据处理模块，用于获取历史营销执行数据和当前营销任务数据，对历史营销执行数据编码生成历史策略组合样本，根据当前营销任务数据生成初始候选营销策略组合；

52、autoint建模模块，用于构建包含特征嵌入层、自注意力特征交互层、残差连接层、策略组成闭环校验层和预测输出层的autoint模型，将初始候选营销策略组合映射为策略组成嵌入向量；

53、闭环校验模块，用于基于策略组成嵌入向量生成残差交互表示，对残差交互表示执行顺向重构和逆向回证，生成闭环交互表示和闭环断点表示；

54、路径训练模块，用于从历史策略组合样本中选取营销场景标识相同且转化标签不同的两个真实策略组合，生成替换路径样本，基于历史策略组合样本和替换路径样本训练autoint模型，得到改进autoint模型；

55、策略改写模块，用于将初始候选营销策略组合输入改进autoint模型，根据闭环交互表示与闭环交互基准计算交互残差，依据交互残差生成局部改写候选营销策略组合；

56、策略输出模块，用于将局部改写候选营销策略组合输入改进autoint模型重新评分，输出预测效果值最大的目标营销策略组合。

57、本发明的有益效果是：

58、（1）本发明在autoint模型中设置策略组成闭环校验结构，将候选营销策略组合中的策略组成内容按照营销执行顺序进行闭环交互建模，能够减少仅依据整体预测分数进行策略筛选时对组成内容承接关系考虑不足的问题，使输出的目标营销策略组合更符合实际营销执行逻辑。

59、（2）本发明通过构造替换路径样本，将历史策略组合样本和替换路径样本共同用于模型训练，使模型不仅学习历史策略组合与转化标签之间的对应关系，还学习策略组成内容替换前后的闭环交互变化，有利于提高模型对策略组成内容变化影响的识别能力。

60、（3）本发明根据闭环交互表示和闭环交互基准计算交互残差，并依据交互残差生成局部改写候选营销策略组合，再通过改进autoint模型重新评分输出目标营销策略组合，能够减少无目的枚举候选策略的处理量，提高营销策略优化结果的针对性和可执行性。