[發(fā)明專利]一種用戶投遞意愿模型的構(gòu)建方法和計(jì)算設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 201710827720.9
• 申請(qǐng)日: 2017-09-14
• 公開(kāi)（公告）號(hào): CN107633326A
• 公開(kāi)（公告）日: 2018-01-26
• 發(fā)明（設(shè)計(jì)）人: 方軻
• 申請(qǐng)（專利權(quán)）人: 北京拉勾科技有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/10;G06K9/62;H04L29/08
• 代理公司: 北京思睿峰知識(shí)產(chǎn)權(quán)代理有限公司11396
• 代理人: 謝建云,趙愛(ài)軍

技術(shù)領(lǐng)域

本發(fā)明涉及互聯(lián)網(wǎng)技術(shù)領(lǐng)域，尤其涉及一種用戶投遞意愿模型的構(gòu)建方法和計(jì)算設(shè)備。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)應(yīng)聘/招聘已經(jīng)成了求職者應(yīng)聘工作、用人單位招聘員工的主要途徑。用人單位和求職者在第三方的人才招聘網(wǎng)站上注冊(cè)賬號(hào)，相互之間進(jìn)行搜索和交流，以尋求最滿意的對(duì)象。一般用戶找工作都具有很強(qiáng)的時(shí)效性，用戶通常只在某個(gè)時(shí)間窗口具有找工作的意愿，過(guò)了該時(shí)間窗口，用戶就不尋求就業(yè)機(jī)會(huì)了。如果能夠準(zhǔn)確預(yù)測(cè)用戶最近是否活躍，并根據(jù)用戶活躍程度對(duì)人才搜索結(jié)果調(diào)權(quán)，將非常有助于提升轉(zhuǎn)化率。

目前業(yè)界的預(yù)測(cè)方案是基于用戶上次登錄或投遞的時(shí)間，計(jì)算該時(shí)間距離當(dāng)前日期的間隔，間隔越長(zhǎng)則今日投遞意愿越低。但實(shí)際上，用戶求職是周期性需求，且受節(jié)假日影響明顯，而該方案對(duì)周期性投遞行為的冷啟動(dòng)和節(jié)假日規(guī)律乏力。另外，用戶在投遞期間的動(dòng)作存在規(guī)律，例如用戶往往在求職初期前投遞頻繁，后期投遞量逐漸減少，且不同用戶的投遞行為存在顯著差異，例如A用戶每日投遞量超過(guò)100但B用戶僅僅每天1-2次投遞，用基于上次投遞時(shí)間的方案無(wú)法對(duì)投遞動(dòng)作的變化做出相應(yīng)的改變，也不能針對(duì)不同的用戶實(shí)現(xiàn)個(gè)性化。

因此，需要提供一種更有效的用戶投遞意愿概率的預(yù)測(cè)方法。

發(fā)明內(nèi)容

為此，本發(fā)明提供一種用戶投遞意愿模型的構(gòu)建方法和計(jì)算設(shè)備，以力圖解決或至少緩解上面存在的問(wèn)題。

根據(jù)本發(fā)明的一個(gè)方面，提供了一種用戶投遞意愿模型的構(gòu)建方法，適于在計(jì)算設(shè)備中執(zhí)行，計(jì)算設(shè)備與數(shù)據(jù)存儲(chǔ)裝置連接，數(shù)據(jù)存儲(chǔ)裝置中存儲(chǔ)有多個(gè)用戶在目標(biāo)網(wǎng)站的操作數(shù)據(jù)，操作數(shù)據(jù)包括動(dòng)作數(shù)據(jù)和投遞數(shù)據(jù)，該方法包括：獲取多個(gè)用戶在當(dāng)前日期之前預(yù)定天數(shù)內(nèi)的操作數(shù)據(jù)，并根據(jù)獲取到的操作數(shù)據(jù)構(gòu)造樣本集，樣本集中的每條樣本包括用戶標(biāo)識(shí)、用戶每天的操作數(shù)據(jù)和用戶在當(dāng)前日期的前一天是否有投遞操作；根據(jù)用戶在當(dāng)前日期的前一天是否有投遞操作將各條樣本標(biāo)記為正樣本或負(fù)樣本，對(duì)負(fù)樣本按照第一比例進(jìn)行抽樣，并將正樣本與抽樣后的負(fù)樣本按照第二比例生成訓(xùn)練集；根據(jù)訓(xùn)練集中的操作數(shù)據(jù)計(jì)算各條樣本的多個(gè)特征值，并將正負(fù)樣本標(biāo)識(shí)和多個(gè)特征值構(gòu)造為樣本的特征向量；以及采用預(yù)定算法對(duì)訓(xùn)練集中各樣本的特征向量進(jìn)行訓(xùn)練，得到用戶投遞意愿模型，用戶投遞意愿模型的輸入為目標(biāo)用戶的多個(gè)特征值，輸出為該用戶的投遞意愿概率值。

可選地，在根據(jù)本發(fā)明的用戶投遞意愿模型的構(gòu)建方法中，動(dòng)作數(shù)據(jù)包括動(dòng)作類型和動(dòng)作時(shí)間，動(dòng)作類型包括點(diǎn)擊、收藏、瀏覽，操作數(shù)據(jù)還包括登錄數(shù)據(jù)，登錄數(shù)據(jù)包括登錄時(shí)間，投遞數(shù)據(jù)包括投遞時(shí)間。

可選地，在根據(jù)本發(fā)明的用戶投遞意愿模型的構(gòu)建方法中，多個(gè)特征值包括以下特征值中的至少兩個(gè)：當(dāng)前日期是星期幾；當(dāng)前日期距離注冊(cè)日的天數(shù)；投遞總次數(shù)；平均每天投遞次數(shù)；當(dāng)前日期距離上次投遞的天數(shù)；當(dāng)前日期距離上次動(dòng)作的天數(shù)；最大連續(xù)動(dòng)作天數(shù)；有過(guò)動(dòng)作的天數(shù)；有過(guò)投遞的天數(shù)；平均投遞天數(shù)；平均動(dòng)作天數(shù)。

可選地，在根據(jù)本發(fā)明的用戶投遞意愿模型的構(gòu)建方法中，還包括步驟：將多個(gè)特征值中的每個(gè)特征值分別除以訓(xùn)練集中對(duì)應(yīng)特征值的最大值，以將各特征值進(jìn)行歸一化。

可選地，在根據(jù)本發(fā)明的用戶投遞意愿模型的構(gòu)建方法中，預(yù)定算法為GBDT回歸算法。

可選地，在根據(jù)本發(fā)明的用戶投遞意愿模型的構(gòu)建方法中，采用預(yù)定算法對(duì)訓(xùn)練集中各樣本的特征向量進(jìn)行訓(xùn)練的步驟包括：采用不同的GBDT算法參數(shù)，分別對(duì)訓(xùn)練集中各樣本的特征向量進(jìn)行訓(xùn)練，得到每種算法參數(shù)對(duì)應(yīng)的用戶投遞意愿模型；設(shè)定不同的判定閾值，對(duì)于每種算法參數(shù)對(duì)應(yīng)的用戶投遞意愿模型，計(jì)算訓(xùn)練集中各條樣本在該模型下的投遞意愿概率值，并計(jì)算每種判定閾值下對(duì)是否產(chǎn)生投遞的預(yù)測(cè)結(jié)果與真實(shí)值的誤差值；以及選取誤差值最小時(shí)的算法參數(shù)和判定閾值分別作為生效算法參數(shù)和生效判定閾值，并將生效算法參數(shù)對(duì)應(yīng)的用戶投遞意愿模型作為生效用戶投遞意愿模型。

可選地，在根據(jù)本發(fā)明的用戶投遞意愿模型的構(gòu)建方法中，還包括步驟：從數(shù)據(jù)存儲(chǔ)裝置中獲取全部用戶的操作數(shù)據(jù)，并根據(jù)該操作數(shù)據(jù)計(jì)算各用戶的多個(gè)特征值；以及分別將各用戶的多個(gè)特征值輸入到生效用戶投遞意愿模型中，計(jì)算得到各用戶的投遞意愿概率值，并根據(jù)生效判定閾值預(yù)測(cè)各用戶是否會(huì)在當(dāng)前日期進(jìn)行投遞操作。

根據(jù)本發(fā)明的另一方面，提供了一種計(jì)算設(shè)備，包括：一個(gè)或多個(gè)處理器；存儲(chǔ)器；和一個(gè)或多個(gè)程序，其中所述一個(gè)或多個(gè)程序存儲(chǔ)在所述存儲(chǔ)器中并被配置為由所述一個(gè)或多個(gè)處理器執(zhí)行，所述一個(gè)或多個(gè)程序包括用于執(zhí)行如上所述的用戶投遞意愿模型的構(gòu)建方法的指令。