自然转化用户确定方法、装置、设备及存储介质与流程

1.本公开涉及数据处理技术领域，尤其涉及一种自然转化用户确定方法、装置、设备及存储介质。


背景技术：

2.广告营销是指企业通过广告对产品展开宣传推广，促成消费者的直接购买，扩大产品的销售，提高企业的知名度、美誉度和影响力的活动。广告营销的关键之一在于如何确定广告面向的目标人群，以提升营销效率。相关技术中，可以在确定购买预设类型商品(如，手机或汽车等)的意向用户后，直接将所确定的意向用户作为目标人群来投放广告，然而这种投放方式的准确性不足，容易造成广告预算的浪费。


技术实现要素：

3.为克服相关技术中存在的问题，本公开实施例提供一种自然转化用户确定方法、装置、设备及存储介质，用以解决相关技术中的缺陷。
4.根据本公开实施例的第一方面，提供一种自然转化用户确定方法，所述方法包括：
5.响应于从待筛选用户中确定具有设定购买意向的意向用户，确定所述意向用户针对预设类型商品的目标特征信息，所述设定购买意向是指具有购买所述预设类型商品的意向；
6.基于所述目标特征信息，确定所述意向用户中的自然转化用户；其中，所述自然转化用户为具有目标购买意向的用户，所述目标购买意向是指在未收到广告的情况下具有购买所述预设类型商品中的目标商品的意向。
7.在一些实施例中，所述目标特征信息包括以下至少一项：
8.用户特征信息、行为特征信息以及广告推送特征信息，所述用户特征信息用于表征所述意向用户的用户画像信息，所述行为特征信息用于表征所述意向用户针对与所述预设类型商品相关的广告消息的操作统计信息，所述广告推送信息用于表征所述意向用户接收到的与所述预设类型商品相关的广告消息的属性信息。
9.在一些实施例中，所述目标特征信息包括用户特征信息、行为特征信息以及广告推送特征信息；
10.所述基于所述目标特征信息，确定所述意向用户中的自然转化用户，包括：
11.将所述用户特征信息、所述行为特征信息以及所述广告推送特征信息输入预先训练好的购买意向预测模型，得到所述意向用户中的所述自然转化用户。
12.在一些实施例中，所述将所述用户特征信息、所述行为特征信息以及所述广告推送特征信息输入预先训练好的购买意向预测模型，得到所述意向用户中的所述自然转化用户，包括：
13.对所述用户特征信息、所述行为特征信息以及所述广告推送特征信息分别进行编码，得到用户特征向量、行为特征向量以及广告推送特征向量；
14.拼接所述用户特征向量、所述行为特征向量以及所述广告推送特征向量，得到第一特征向量；
15.基于所述第一特征向量生成第二特征向量，所述第一特征向量为用于表征所述意向用户在收到广告的情况下具有购买所述目标商品的意向的向量，所述第二特征向量为用于表征所述意向用户在未收到广告的情况下具有购买所述目标商品的意向的向量；
16.将所述第一特征向量与所述第二特征向量的乘积输入所述购买意向预测模型，得到所述意向用户具有所述目标购买意向的概率，其中，所述乘积为所述第一特征向量与所述第二特征向量按位相乘的结果；
17.基于所述概率确定所述意向用户中的所述自然转化用户。
18.在一些实施例中，所述第二特征向量的长度与所述第一特征向量的长度相同，且所述第二特征向量中对应于所述第一特征向量中的广告推送特征向量的元素为0。
19.在一些实施例中，所述基于所述概率确定所述意向用户中的所述自然转化用户，包括：
20.基于所述概率由高到低的顺序，对所述意向用户进行排序；
21.将所述概率高于设定概率阈值的所述意向用户，确定为所述自然转化用户，k为正整数。
22.在一些实施例中，所述购买意向预测模型为cnn卷积神经网络模型。
23.根据本公开实施例的第二方面，提供一种自然转化用户确定装置，所述装置包括：
24.特征确定模块，用于响应于从待筛选用户中确定具有设定购买意向的意向用户，确定所述意向用户针对预设类型商品的目标特征信息，所述设定购买意向是指具有购买所述预设类型商品的意向；
25.用户确定模块，用于基于所述目标特征信息，确定所述意向用户中的自然转化用户；其中，所述自然转化用户为具有目标购买意向的用户，所述目标购买意向是指在未收到广告的情况下具有购买所述预设类型商品中的目标商品的意向。
26.在一些实施例中，所述目标特征信息包括以下至少一项：
27.用户特征信息、行为特征信息以及广告推送特征信息，所述用户特征信息用于表征所述意向用户的用户画像信息，所述行为特征信息用于表征所述意向用户针对与所述预设类型商品相关的广告消息的操作统计信息，所述广告推送信息用于表征所述意向用户接收到的与所述预设类型商品相关的广告消息的属性信息。
28.在一些实施例中，所述目标特征信息包括用户特征信息、行为特征信息以及广告推送特征信息；
29.所述用户确定模块还用于将所述用户特征信息、所述行为特征信息以及所述广告推送特征信息输入预先训练好的购买意向预测模型，得到所述意向用户中的所述自然转化用户。
30.在一些实施例中，所述用户确定模块，包括：
31.编码单元，用于对所述用户特征信息、所述行为特征信息以及所述广告推送特征信息分别进行编码，得到用户特征向量、行为特征向量以及广告推送特征向量；
32.拼接单元，用于拼接所述用户特征向量、所述行为特征向量以及所述广告推送特征向量，得到第一特征向量；
33.生成单元，用于基于所述第一特征向量生成第二特征向量，所述第一特征向量为用于表征所述意向用户在收到广告的情况下具有购买所述目标商品的意向的向量，所述第二特征向量为用于表征所述意向用户在未收到广告的情况下具有购买所述目标商品的意向的向量；
34.输入单元，用于将所述第一特征向量与所述第二特征向量的乘积输入所述购买意向预测模型，得到所述意向用户具有所述目标购买意向的概率，其中，所述乘积为所述第一特征向量与所述第二特征向量按位相乘的结果；
35.确定单元，用于基于所述概率确定所述意向用户中的所述自然转化用户。
36.在一些实施例中，所述第二特征向量的长度与所述第一特征向量的长度相同，且所述第二特征向量中对应于所述第一特征向量中的广告推送特征向量的元素为0。
37.在一些实施例中，所述确定单元还用于：
38.基于所述概率由高到低的顺序，对所述意向用户进行排序；
39.将所述概率高于设定概率阈值的所述意向用户，确定为所述自然转化用户，k为正整数。
40.在一些实施例中，所述购买意向预测模型为cnn卷积神经网络模型。
41.根据本公开实施例的第三方面，提供一种电子设备，所述设备包括：
42.处理器以及用于存储计算机程序的存储器；
43.其中，所述处理器被配置为在执行所述计算机程序时，实现：
44.响应于从待筛选用户中确定具有设定购买意向的意向用户，确定所述意向用户针对预设类型商品的目标特征信息，所述设定购买意向是指具有购买所述预设类型商品的意向；
45.基于所述目标特征信息，确定所述意向用户中的自然转化用户；其中，所述自然转化用户为具有目标购买意向的用户，所述目标购买意向是指在未收到广告的情况下具有购买所述预设类型商品中的目标商品的意向。
46.根据本公开实施例的第四方面，提供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：
47.响应于从待筛选用户中确定具有设定购买意向的意向用户，确定所述意向用户针对预设类型商品的目标特征信息，所述设定购买意向是指具有购买所述预设类型商品的意向；
48.基于所述目标特征信息，确定所述意向用户中的自然转化用户；其中，所述自然转化用户为具有目标购买意向的用户，所述目标购买意向是指在未收到广告的情况下具有购买所述预设类型商品中的目标商品的意向。
49.本公开的实施例提供的技术方案可以包括以下有益效果：
50.本公开通过响应于从待筛选用户中确定具有设定购买意向的意向用户，确定所述意向用户针对预设类型商品的目标特征信息，进而基于所述目标特征信息，确定所述意向用户中的自然转化用户；其中，所述自然转化用户为具有目标购买意向的用户，可以实现后续为意向用户中的自然转化用户和其他用户适配不同的营销策略，进而可以提高广告投放的准确性，降低营销成本。
51.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不
能限制本公开。
附图说明
52.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
53.图1是根据本公开一示例性实施例示出的一种自然转化用户确定方法的流程图；
54.图2是根据本公开一示例性实施例示出的如何获取所述意向用户中的所述自然转化用户的流程图；
55.图3是根据本公开一示例性实施例示出的如何基于所述概率确定所述意向用户中的所述自然转化用户的流程图；
56.图4是根据本公开一示例性实施例示出的一种自然转化用户确定装置的框图；
57.图5是根据本公开一示例性实施例示出的又一种自然转化用户确定装置的框图；
58.图6是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
59.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本公开相一致的所有实施例。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
60.广告营销是指企业通过广告对产品展开宣传推广，促成消费者的直接购买，扩大产品的销售，提高企业的知名度、美誉度和影响力的活动。广告营销的关键一方面需要确定目标人群从而提升营销效率，另一方面需要通过一些传统的营销手段导入自然流量。
61.相关技术中，当从预设对象库中确定品牌的意向用户后，即将全部意向用户作为目标人群来投放广告。这种投放方式看似是精准的、有意向的，但实际上，上述全部意向用户中还包含“自然转化用户”，即品牌的忠实用户，即便不投广告给他们，也存在“自然转化”为品牌购买用户的可能，因而面向这部分用户投放广告，不仅会造成广告预算的浪费，而且可能会对其造成打扰。有鉴于此，本公开实施例提供以下的自然转化用户确定方法、装置、设备及存储介质，用以解决相关技术中的上述缺陷。
62.图1是根据一示例性实施例示出的一种自然转化用户确定方法的流程图；本实施例的方法可以应用于具有数据处理功能的本地服务器和云服务器等服务端，该服务端可以部署在一台计算机或多台计算机组成的计算机集群中。
63.如图1所示，该方法包括以下步骤s101-s103：
64.在步骤s101中，响应于从待筛选用户中确定具有设定购买意向的意向用户，确定所述意向用户针对预设类型商品的目标特征信息。其中，设定购买意向可以指具有购买所述预设类型商品的意向。
65.本实施例中，待筛选用户可以指某一类型商品的用户群体，例如，待筛选用户可以是手机的用户群体。进一步地，待筛选用户也可以是品牌或商家的用户群体，例如，小米手机的用户。其中，待筛选用户可以包括至少一个用户。
66.上述预设类型商品可以指某一特定品类的商品，如预设类型商品可以为手机或车
辆等。
67.上述目标特征信息可以指待筛选用户关于预设类型商品的相关信息，例如，当预设类型商品是手机时，目标特征信息可以包括待筛选用户当前使用的手机品牌、型号、接收到的关于手机的广告消息等相关信息，本实施例对此不进行限定。特别说明的是，上述目标特征信息可以在征得用户许可之后再进行采集。
68.也即是说，本实施例中从待筛选用户中确定的意向用户可以指具有购买预设类型商品的意向的用户，例如具有购买手机的意向的用户。其中，购买预设类型商品的意向可以用于量化评估用户购买预设类型商品的意向大小，意向越大，表明用户越倾向于购买预设类型商品。
69.在步骤s102中，基于所述目标特征信息，确定所述意向用户中的自然转化用户；其中，所述自然转化用户为具有目标购买意向的用户。其中，目标购买意向可以指在未收到广告的情况下具有购买所述预设类型商品中的目标商品的意向。
70.本实施例中，从意向用户中确定的自然转化用户是指在未收到广告的情况下具有目标购买意向的用户，即即便不向其投放广告(如，商品推广信息和/或优惠券等)，也可能“自然转化”为目标商品购买用户者。
71.其中，目标购买意向是指具有购买预设类型商品中的目标商品的意向。其中，购买预设类型的商品中的目标商品的意向可以用于量化评估用户购买目标商品的意向大小，意向越大，表明用户越倾向于购买目标商品。可以理解的是，目标商品是预设类型商品中的一个品类的商品，如一个品牌的商品或者是特定的一个商品等。例如，预设类型商品为手机，目标商品则为小米手机等。
72.在一些实施例中，当确定所述意向用户针对预设类型商品的目标特征信息后，可以将目标特征信息输入预先训练好的神经网络模型，进而基于模型输出结果从确定所述意向用户中的自然转化用户；其中，所述自然转化用户为具有目标购买意向的用户。或者，可以根据预先确定的目标特征信息与目标购买意向之间的对应关系，确定所述意向用户中的自然转化用户；其中，所述自然转化用户为具有目标购买意向的用户。
73.本实施例中，上述目标特征信息可以包括以下至少一项：
74.用户特征信息、行为特征信息以及广告推送特征信息。
75.其中，用户特征信息可以用于表征所述意向用户的用户画像信息，例如意向用户的基础信息和/或当前正在使用的预设类型的商品的相关信息。示例性地，用户特征信息可以包括意向用户所在省份信息、城市信息、年龄信息以及性别信息等中的至少一项。例如，当预设类型商品为手机时，用户特征信息可以包括意向用户所使用的手机品牌、手机型号、手机的激活日期等。以预设类型商品为手机为例，用户特征信息可以如下表一所示：
76.表一
[0077][0078]
值得说明的是，表一中所示的用户特征信息仅用于对本公开实施例进行示例性说明，不用于限制用户特征信息的具体类型。在实际应用时，用户特征信息可以基于实际情况进行设置，本实施例对此不进行限定。其中，上述不同数据的维度是基于对应的数据类型确定的。
[0079]
本实施例中，行为特征信息可以用于表征所述意向用户针对与所述预设类型商品相关的广告消息的操作统计信息。例如，对于手机的广告消息，可以通过统计电商或非电商平台的push(消息推送)被点击的数量、目标商品的品牌或非目标商品的品牌被点击的push数、在电商平台中含有目标商品的品牌的push被点击的数量、电商平台推送的非目标商品的品牌的push的数量、电商平台推送的目标商品的品牌的push的数量、非电商平台推送的目标商品的品牌的push的数量、非电商平台推送的非目标商品的品牌的push的数量中的至少一项来确定操作统计信息。当目标商品为小米手机时，行为特征信息可以如下表二所示：
[0080]
表二
[0081][0082][0083]
值得说明的是，表二中所示的行为特征信息仅用于对本公开实施例进行示例性说明，不用于限制行为特征信息的具体类型。在实际应用时，行为特征信息可以基于实际情况进行设置，本实施例对此不进行限定。其中，上述不同数据的维度是基于对应的数据类型确定的。
[0084]
本实施例中，广告推送信息可以用于表征所述意向用户接收到的与所述预设类型
商品相关的广告消息的属性信息。其中，广告推送特征信息可以包括push content(消息推送的内容)、intent level(意向的层级)、feature name(组名称)、app group(应用分组)、app brand(应用品牌)、app type(应用类型)、push brand(消息推送的品牌)、push brand group(消息推送的品牌分组)、push sparse date(消息推送日期)中的至少一种。例如，当目标商品为小米手机时，广告推送特征信息可以如下表三所示：
[0085]
表三
[0086][0087][0088]
值得说明的是，表三中所示的广告推送信息仅用于对本公开实施例进行示例性说明，不用于限制广告推送信息的具体类型。在实际应用时，广告推送信息可以基于实际情况进行设置，本实施例对此不进行限定。其中，上述不同数据的维度是基于对应的数据类型确定的。
[0089]
在一些实施例中，目标特征信息包括用户特征信息、行为特征信息以及广告推送特征信息。在此基础上，上述步骤120中所述的基于所述目标特征信息，确定所述意向用户中的自然转化用户；其中，所述自然转化用户为具有目标购买意向的用户，可以包括：将所述用户特征信息、所述行为特征信息以及所述广告推送特征信息输入训练好的购买意向预测模型，得到所述意向用户中的所述自然转化用户。
[0090]
其中，上述购买意向预测模型可以是深度学习模型，如cnn神经网络模型。该训练好的购买意向预测模型可以是基于标注有目标购买意向的得分的用户特征信息、行为特征信息以及广告推送特征信息对未训练的机器学习模型进行机器学习训练得到的。具体地，
若将意向用户中各个用户的用户特征信息、行为特征信息以及广告推送特征信息输入训练好的购买意向预测模型，则该购买意向预测模型可以输出用户关于目标购买意向的得分，该得分可以用于表征用户购买预设类型商品中的目标商品的意向的大小，然后根据得分确定目标用户。在一些示例中，可以将得分大于预设阈值的意向用户确定为目标用户。
[0091]
示例性地，上述将所述用户特征信息、所述行为特征信息以及所述广告推送特征信息输入训练好的购买意向预测模型，得到所述意向用户中的所述自然转化用户的具体方式还可以参见下述图2所示实施例，在此先不进行详述。
[0092]
由上述描述可知，本实施例的方法通过响应于从待筛选用户中确定具有设定购买意向的意向用户，确定所述意向用户针对预设类型商品的目标特征信息，进而基于所述目标特征信息，确定所述意向用户中的自然转化用户；其中，所述自然转化用户为具有目标购买意向的用户，由于是当确定具有购买预设类型商品的意向的意向用户后，再基于目标特征信息从意向用户中进一步筛选出具有购买目标商品的意向的自然转化用户，可以实现为意向用户中的自然转化用户和其他用户适配不同的营销策略，进而可以提高广告投放的准确性，降低营销成本。
[0093]
图2是根据本公开一示例性实施例示出的如何获取所述意向用户中的所述自然转化用户的流程图；本实施例在上述实施例的基础上以如何获取所述意向用户中的所述自然转化用户为例进行示例性说明。如图2所示，上述图1所示实施例中所述的将所述用户特征信息、所述行为特征信息以及所述广告推送特征信息输入预先训练好的购买意向预测模型，得到所述意向用户中的所述自然转化用户，可以包括以下步骤s201-s205：
[0094]
在步骤s201中，对所述用户特征信息、所述行为特征信息以及所述广告推送特征信息分别进行编码，得到用户特征向量(user_vec)、行为特征向量(user_stat_vec)以及广告推送特征向量(push_vec)。
[0095]
本实施例中，对于用户特征信息中的各个特征可以使用onehot(独热)编码方式进行编码，获得用户特征向量。
[0096]
而由于行为特征信息中的各个特征为数值型特征，因而可以使用归一化方式进行编码处理，得到行为特征向量。
[0097]
而对于广告推送特征信息中的push内容可以采用词向量的方式对文本中各个词汇进行编码，其他特征可以采用onehot编码方式进行编码，得到广告推送特征向量。
[0098]
值得说明的是，各个特征信息被编码的维度为上述表一至表三中对应的维度。
[0099]
在步骤s202中，拼接所述用户特征向量、所述行为特征向量以及所述广告推送特征向量，得到第一特征向量。
[0100]
本实施例中，当对所述用户特征信息、所述行为特征信息以及所述广告推送特征信息分别进行编码，得到用户特征向量、行为特征向量以及广告推送特征向量后，可以拼接所述用户特征向量、所述行为特征向量以及所述广告推送特征向量，得到第一特征向量。示例性地，可以将所述用户特征向量、所述行为特征向量以及所述广告推送特征向量依次拼接，得到第一特征向量。
[0101]
在步骤s203中，基于所述第一特征向量生成第二特征向量。
[0102]
本实施例中，当拼接所述用户特征向量、所述行为特征向量以及所述广告推送特征向量，得到第一特征向量后，可以基于所述第一特征向量生成第二特征向量。
[0103]
其中，所述第一特征向量为用于表征所述意向用户在收到广告的情况下具有购买所述目标商品的意向的向量，而所述第二特征向量为用于表征所述意向用户在未收到广告的情况下具有购买所述目标商品的意向的向量。示例性地，上述第二特征向量的长度可以与第一特征向量的长度相同，且所述第二特征向量中对应于所述第一特征向量中的广告推送特征向量的元素为0。
[0104]
值得说明的是，本公开实施例中所关注的自然转化用户为品牌的忠实用户，这部分用户相对于普通用户而言，对于投放的各种广告其实不怎么敏感，即无论是否给他们推送商品推广消息或优惠券之类的信息，他们对于购买目标商品的意向不会有所增减。所以在基于模型进行预测的阶段，可以将先前筛选出的意向用户的第一特征向量的广告推送特征向量的元素全部置为0，即可得到第二特征向量(或可称为“自然转化因子”)。
[0105]
示例性地，第一特征向量[user_vec，user_stat_vec，push_vec]＝[1,1,1,1,
…
,1]，向量长度为用户特征向量(user_vec)、行为特征向量(user_stat_vec)以及广告推送特征向量(push_vec)的数据维度之和，那么预测阶段的第二特征向量＝[1,1,1,1,
…
,0,0,0,
…
,0]，且向量长度与第一特征向量[user_vec，user_stat_vec，push_vec]的长度，其中尾部0的个数为广告推送特征向量push_vec的长度。
[0106]
值得说明的是，在上述预测模型的训练阶段，上述第二特征向量＝[1,1,1,1,
…
1]，总长度为[user_vec，user_stat_vec，push_vec]向量的长度。
[0107]
在步骤s204中，将所述第一特征向量与所述第二特征向量的乘积输入所述购买意向预测模型，得到所述意向用户具有所述目标购买意向的概率，其中，所述乘积为所述第一特征向量与所述第二特征向量按位相乘的结果。具体地，本实施例的按位相乘可以是按相同位置元素相乘，比如向量(1,2,3)和(4,5,6)，相乘得到(4,10,30)，即得到的结果仍是向量。
[0108]
本实施例中，当基于所述第一特征向量生成第二特征向量后，可以将所述第一特征向量与所述第二特征向量的乘积输入所述购买意向预测模型，得到所述意向用户具有所述目标购买意向的概率。也即是说，可以将向量[user_vec，user_stat_vec，push_vec]与上述自然转化因子按位相乘，将得到的乘积向量作为购买意向预测模型的输入，从而得到用户为自然转化用户的概率。
[0109]
在步骤s205中，基于所述概率确定所述意向用户中的所述自然转化用户。
[0110]
本实施例中，当将所述第一特征向量与所述第二特征向量的乘积输入所述购买意向预测模型，得到所述意向用户具有所述目标购买意向的概率后，可以基于所述概率确定所述意向用户中的所述自然转化用户。示例性地，可以基于概率与预设概率阈值的比较结果，确定上述意向用户中的所述自然转化用户。值得说明的是，上述预设概率阈值的大小可以基于实际需要进行设置，本实施例对此不进行限定。可以理解的是，在进行广告投放时直接对1亿的大盘用户进行筛选是很困难的，本公开实施例中通过层级筛选，先从品牌的大盘用户(如，品牌或商家的用户群体)中筛选出具有预设类型商品购买意向的用户(即，意向用户)400w，再对这400w人进行是否为自然转化用户的判断，则可以确保自然转化用户的定位更加精准。
[0111]
在另一实施例中，上述基于所述概率确定所述意向用户中的所述自然转化用户的方式可以参见下述图3所示实施例，在此不进行赘述。
[0112]
图3是根据本公开一示例性实施例示出的如何基于所述概率确定所述意向用户中的所述自然转化用户的流程图；本实施例在上述实施例的基础上以如何基于所述概率确定所述意向用户中的所述自然转化用户为例进行示例性说明。如图3所示，上述步骤s205中所述的基于所述概率确定所述意向用户中的所述自然转化用户，可以包括以下步骤s301-s302：
[0113]
在步骤s301中，基于所述概率由高到低的顺序，对所述意向用户进行排序。
[0114]
本实施例中，当将所述第一特征向量与所述第二特征向量的乘积输入所述购买意向预测模型，得到所述意向用户具有所述目标购买意向的概率后，可以基于所述概率由高到低的顺序，对所述意向用户进行排序。
[0115]
举例来说，当获取多个意向用户中的每个意向用户具有所述目标购买意向的概率后，可以基于概率的数值按照由高到低的顺序，对多个意向用户进行排序。
[0116]
在步骤s302中，将所述概率高于设定概率阈值的所述意向用户，确定为所述自然转化用户。
[0117]
本实施例中，当基于所述概率由高到低的顺序，对所述意向用户进行排序后，可以将所述概率高于设定概率阈值的所述意向用户，确定为所述自然转化用户，其中，k为正整数。
[0118]
举例来说，当基于所述概率由高到低的顺序，对400万个意向用户进行排序后，可以将其中概率高于设定概率阈值的60万个意向用户，确定为自然转化用户。在此基础上，当后续需要进行广告的投放时，可以减少对当前确定的60万个自然转化用户的投放量，甚至不对该60万个自然转化用户进行投放，如此即可降低针对自然转化用户的营销成本，还可以减少对自然转化用户的打扰。
[0119]
值得说明的是，由于自然转化用户在未收到广告的情况下也具有购买目标商品的意向，因而减少对他们的投放量并不会影响目标商品的gmv(商品交易总额，gross merchandise volume)。实际上，基于上述购买意向预测模型，召回率相比传统的单目标、单任务模型可提升8％，准确率可提升13％。其中，召回率可以指当日圈中的自然转化用户中购买目标产品的人数与当前购买目标产品的总人数的比值，准确率可以指当日圈中的自然转化用户中，购买目标产品的人数与购买预设类型商品的人数的比值。
[0120]
图4是根据一示例性实施例示出的一种自然转化用户确定装置的框图；本实施例的装置可以应用于具有数据处理功能的本地服务器和云服务器等服务端，该服务端可以部署在一台计算机或多台计算机组成的计算机集群中。如图4所示，该装置包括：特征确定模块110和用户确定模块120，其中：
[0121]
特征确定模块110，用于响应于从待筛选用户中确定具有设定购买意向的意向用户，确定所述意向用户针对预设类型商品的目标特征信息，所述设定购买意向是指具有购买所述预设类型商品的意向；
[0122]
用户确定模块120，用于基于所述目标特征信息，确定所述意向用户中的自然转化用户；其中，所述自然转化用户为具有目标购买意向的用户，所述目标购买意向是指在未收到广告的情况下具有购买所述预设类型商品中的目标商品的意向。
[0123]
由上述描述可知，本实施例的装置通过响应于从待筛选用户中确定具有设定购买意向的意向用户，确定所述意向用户针对预设类型商品的目标特征信息，进而基于所述目
标特征信息，确定所述意向用户中的自然转化用户；其中，所述自然转化用户为具有目标购买意向的用户，由于是当确定具有购买预设类型商品的意向的意向用户后，再基于目标特征信息从意向用户中进一步筛选出具有购买目标商品的意向的自然转化用户，可以实现为意向用户中的自然转化用户和其他用户适配不同的营销策略，进而可以提高广告投放的准确性，降低营销成本。
[0124]
图5是根据又一示例性实施例示出的一种自然转化用户确定装置的框图；本实施例的装置可以应用于具有数据处理功能的本地服务器和云服务器等服务端，该服务端可以部署在一台计算机或多台计算机组成的计算机集群中。其中，特征确定模块210和用户确定模块220与前述图4所示实施例中的特征确定模块110和用户确定模块120的功能相同，在此不进行赘述。
[0125]
本实施例中，目标特征信息可以包括以下至少一项：
[0126]
用户特征信息、行为特征信息以及广告推送特征信息，所述用户特征信息用于表征所述意向用户的用户画像信息，所述行为特征信息用于表征所述意向用户针对与所述预设类型商品相关的广告消息的操作统计信息，所述广告推送信息用于表征所述意向用户接收到的与所述预设类型商品相关的广告消息的属性信息。
[0127]
在一些实施例中，目标特征信息可以包括用户特征信息、行为特征信息以及广告推送特征信息；
[0128]
相应的，用户确定模块220还可以用于将所述用户特征信息、所述行为特征信息以及所述广告推送特征信息输入预先训练好的购买意向预测模型，得到所述意向用户中的所述自然转化用户。
[0129]
在一些实施例中，用户确定模块220，可以包括：
[0130]
编码单元221，用于对所述用户特征信息、所述行为特征信息以及所述广告推送特征信息分别进行编码，得到用户特征向量、行为特征向量以及广告推送特征向量；
[0131]
拼接单元222，用于拼接所述用户特征向量、所述行为特征向量以及所述广告推送特征向量，得到第一特征向量；
[0132]
生成单元223，用于基于所述第一特征向量生成第二特征向量，所述第一特征向量为用于表征所述意向用户在收到广告的情况下具有购买所述目标商品的意向的向量，所述第二特征向量为用于表征所述意向用户在未收到广告的情况下具有购买所述目标商品的意向的向量；
[0133]
输入单元224，用于将所述第一特征向量与所述第二特征向量的乘积输入所述购买意向预测模型，得到所述意向用户具有所述目标购买意向的概率，其中，所述乘积为所述第一特征向量与所述第二特征向量按位相乘的结果；
[0134]
确定单元225，用于基于所述概率确定所述意向用户中的所述自然转化用户。
[0135]
在一些实施例中，上述第二特征向量的长度与所述第一特征向量的长度相同，且所述第二特征向量中对应于所述第一特征向量中的广告推送特征向量的元素为0。
[0136]
在一些实施例中，确定单元225还可以用于：
[0137]
基于所述概率由高到低的顺序，对所述意向用户进行排序；
[0138]
将所述概率高于设定概率阈值的所述意向用户，确定为所述自然转化用户，k为正整数。
[0139]
在一些实施例中，上述购买意向预测模型可以为cnn卷积神经网络模型。
[0140]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0141]
图6是根据一示例性实施例示出的一种电子设备的框图。例如，设备900可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0142]
参照图6，设备900可以包括以下一个或多个组件：处理组件902，存储器904，电源组件906，多媒体组件908，音频组件910，输入/输出(i/o)的接口912，传感器组件914，以及通信组件916。
[0143]
处理组件902通常控制设备900的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件902可以包括一个或多个处理器920来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件902可以包括一个或多个模块，便于处理组件902和其他组件之间的交互。例如，处理组件902可以包括多媒体模块，以方便多媒体组件908和处理组件902之间的交互。
[0144]
存储器904被配置为存储各种类型的数据以支持在设备900的操作。这些数据的示例包括用于在设备900上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0145]
电源组件906为设备900的各种组件提供电力。电源组件906可以包括电源管理系统，一个或多个电源，及其他与为设备900生成、管理和分配电力相关联的组件。
[0146]
多媒体组件908包括在所述设备900和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件908包括一个前置摄像头和/或后置摄像头。当设备900处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0147]
音频组件910被配置为输出和/或输入音频信号。例如，音频组件910包括一个麦克风(mic)，当设备900处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中，音频组件910还包括一个扬声器，用于输出音频信号。
[0148]
i/o接口912为处理组件902和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0149]
传感器组件914包括一个或多个传感器，用于为设备900提供各个方面的状态评估。例如，传感器组件914可以检测到设备900的打开/关闭状态，组件的相对定位，例如所述
组件为设备900的显示器和小键盘，传感器组件914还可以检测设备900或设备900一个组件的位置改变，用户与设备900接触的存在或不存在，设备900方位或加速/减速和设备900的温度变化。传感器组件914还可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件914还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0150]
通信组件916被配置为便于设备900和其他设备之间有线或无线方式的通信。设备900可以接入基于通信标准的无线网络，如wifi，2g或3g，4g或5g或它们的组合。在一个示例性实施例中，通信组件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件916还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0151]
在示例性实施例中，设备900可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子组件实现，用于执行上述方法。
[0152]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器904，上述指令可由设备900的处理器920执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0153]
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0154]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。