[发明专利]一种商品转化率预测方法

说明书

本发明属于互联网应用技术领域，具体涉及一种商品转化率预测方法，包括：通过电商平台获取原始数据，并根据原始数据计算得到用户商品交互特征；将用户商品交互特征输入多任务商品预测模型对多任务商品预测模型进行训练；获取目标用户和目标商品的属性信息，并计算目标用户商品交互特征，将目标用户商品交互特征输入训练好的多任务商品预测模型预测得到目标用户对目标商品的预测转化率、目标用户对目标商品的预测点击转化率、目标用户对目标商品的预测延迟转化率，利用EM算法得到目标用户对目标商品的最终转化率，本发明能够准确的预测商品的转化率，根据最终转化率精确的向用户推荐商品，提高平台的成交量，节约用户的浏览时间。

技术领域

本发明属于互联网应用技术领域，具体涉及一种商品转化率预测方法。

背景技术

随着互联网人口红利消退，用户规模增长放缓，促进用户活跃度和提高用户粘性已成为电商平台的未来重要发展方向。商品转化率是指用户在单击某个商品之后到最终购买下单的概率，是电商平台最重要的效益评估指标之一。对于商品转化率进行有效预测能够精准地建立用户与商品之间的偏好关系，通过对用户画像进而有效提高用户的实际购买体验，能大幅度提高平台收益。因此一个高效的转化率预测模型对于电商平台构建核心竞争力具有重要意义。

近些年，许多学者对商品转化率(CVR)预测进行了大量的研究，例如，阿里妈妈团队在SIGIR’2018发表的论文《Entire Space Multi-Task Model:An Effective Approachfor Estimating Post-Click Conversion Rate》中提出了一种CVR预估模型——ESMM，该模型通过点击率和点击转化率作为商品转化率的辅助任务模型，使商品转化率基于全样本空间进行训练有效的解决了真实场景中商品转化率预测面临的数据稀疏以及样本选择偏差这两个关键问题。ESMM虽然解决了CVR预估面临的数据稀疏以及样本选择偏差，但是ESMM没有考虑到用户点击商品之后到商品被用户下单之间存在的延迟时间，导致商品转化率的预测结果准确度低，预测效果不好。

发明内容

为了解决现有技术中存在没有考虑到用户点击商品之后到商品被用户下单之间存在的延迟时间，导致商品转化率的预测结果准确度低，预测效果不好的问题，本发明提出一种商品转化率预测方法，该方法包括以下步骤：

S1：通过电商平台获取原始数据；所述原始数据包括：用户属性信息、商品属性信息、用户历史点击行为信息、用户历史转化行为信息；

S2：对用户属性信息和商品属性信息进行特征处理得到用户特征矩阵和商品特征矩阵，并将用户特征矩阵和商品特征矩阵进行特征拼接得到用户商品交互特征矩阵；

S3：根据用户历史点击行为信息和用户历史转化行为信息预估用户对商品的点击率、用户对商品的点击转化率和用户对商品的延迟转化率，并将用户对商品的点击率作为点击标签、用户对商品的点击转化率作为点击转化标签以及用户对商品的延迟转化率作为延迟转化标签；

S4：构建多任务商品预测模型，并将用户商品交互特征矩阵中的用户商品交互特征作为多任务商品预测模型的输入对多任务商品预测模型进行训练，其中，所述多任务商品预测模型包括：点击率学习任务模型、点击转化率学习任务模型和延迟转化率学习任务模型；

S5：获取目标用户和目标商品的属性信息，并对目标用户和目标商品的属性信息进行特征提取得到目标用户和目标商品的特征向量，将目标用户和目标商品的特征向量进行拼接，得到目标用户商品交互特征；

S6：将目标用户商品交互特征输入训练好的多任务商品预测模型预测得到目标用户对目标商品的预测点击率、目标用户对目标商品的预测点击转化率、目标用户对目标商品的预测延迟转化率；

S7：根据目标用户对目标商品的预测转化率、目标用户对目标商品的预测点击转化率、目标用户对目标商品的预测延迟转化率利用EM算法计算得到目标用户对目标商品的最终转化率。

本发明至少具有以下有益效果