[发明专利]一种基于上下文背景信息的自动多版本漏斗页面选优方法

权利要求书

1.一种基于上下文背景信息的自动多版本漏斗页面选优方法，其特征在于，包括如下步骤：

S1、根据具体应用场景，设计出漏斗模型，所述漏斗模型按顺序包含多层页面，用户会依次访问每层页面，并且在任何一层页面时都有可能进入或不进入下一层页面，以及完成或不完成当层页面的转化；

S2、为漏斗模型的每一层页面分别设计多个不同的页面版本；

S3、通过漏斗模型的不同层的页面之间的页面版本交叉组合生成若干个漏斗版本；

S4、将所有的上下文元素的变量值进行交叉组合，形成若干上下文元素组；

S5、将步骤S4中得到的所有的上下文元素组和步骤S1中得到的漏斗模型进行交叉组合，得到若干带上下文信息的漏斗模型，各个带上下文信息的漏斗模型中相应地含有若干带上下文信息的漏斗版本；

S6、为每一个带上下文信息的漏斗模型创建一个用于帮助选择最优漏斗版本的智能学习模型，得到若干带上下文信息的漏斗智能学习模型；

S7、开始训练步骤S6中得到的带上下文信息的漏斗智能学习模型：

S7.1、对每一个进入产品漏斗的用户，根据该用户所包含的上下文元素组，为其分配对应的带上下文信息的漏斗智能学习模型；

S7.2、当每一个用户进入产品漏斗时，在漏斗模型中按同等概率随机为其选择一个漏斗版本，使其看到该漏斗版本所设定的产品功能和展示；

S7.3、对每一个进入产品漏斗的用户，根据其在产品中的实际行为和表现，更新其所属的带上下文信息的漏斗智能学习模型，然后开始训练所更新的带上下文信息的漏斗智能学习模型，直至符合设定的结束条件后结束训练；结束训练后，此时每一个带上下文信息的漏斗智能学习模型将选出整体转化率最高的漏斗版本，该整体转化率最高的漏斗版本即为该带上下文信息的漏斗智能学习模型所对应的最佳漏斗版本。

2.根据权利要求1所述的基于上下文背景信息的自动多版本漏斗页面选优方法，其特征在于，所述智能学习模型采用Q Learning、SARSA、Policy Gradients、Actor-Critic、Monte-carlo learning或Deep-Q-Learning。

3.根据权利要求1所述的基于上下文背景信息的自动多版本漏斗页面选优方法，其特征在于，在选出最佳漏斗版本后，开始使用漏斗模型时，当每一个用户进入某一产品的漏斗模型时，根据该用户所包含的上下文元素组，找到其对应的带上下文信息的漏斗智能学习模型，并且将该漏斗智能学习模型在模型训练中选择出的最佳漏斗版本分配给该用户，使其看到最佳漏斗版本所设定的产品功能和展示。