[發明專利]基于快消行業用戶觸達的OCPX自適應學習方法和系統

在審

• 申請號: 202110067803.9
• 申請日: 2021-01-19
• 公開（公告）號: CN112651790A
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 景艷山;姚俊盛
• 申請（專利權）人: 恩億科（北京）數據科技有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N20/00;G06K9/62
• 代理公司: 青島清泰聯信知識產權代理有限公司 37256
• 代理人: 李紅巖

1.一種基于快消行業用戶觸達的OCPX自適應學習，其特征在于，包括以下步驟：

數據提取步驟，一算法平臺基于行為監測數據日志對廣告投放數據和轉化數據進行提取；

特征提取步驟，根據所述廣告投放數據，從所述轉化數據中選擇相應的樣本，并根據所述樣本進行特征提取；

模型訓練步驟，基于所述特征，根據極限梯度提升樹原理訓練一二分類模型；

結果上傳步驟，根據所述二分類模型依次對用戶包進行打分，根據評分結果選取所述用戶包中一部分用戶作為預測結果并上傳至一前置機；

結果查詢步驟，廣告服務方通過所述前置機完成對所述預測結果的查詢及相應操作。

2.根據權利要求1所述的基于快消行業用戶觸達的OCPX自適應學習方法，其特征在于，所述模型訓練步驟具體包括以下步驟：

特征系數獲得步驟，根據優化目標模型獲得對應特征的特征系數；

模型打分步驟，根據所述正樣本和所述負樣本的各特征與特征系數進行模型打分，具體為：

其中，h＝∑特征*特征系數。

3.根據權利要求2所述的基于快消行業用戶觸達的OCPX自適應學習方法，其特征在于，所述優化目標模型表示為：

L＝|y_預測-y_真實|

其中，h＝∑特征*特征系數，當L最小時，選擇此時的特征系數為最終的特征系數值，所述特征系統與正負樣本數的比例相關。

4.根據權利要求1所述的基于快消行業用戶觸達的OCPX自適應學習方法，其特征在于，所述結果查詢步驟具體包括：

一廣告服務商通過所述前置機查詢所述預測結果，判斷該次流量請求的訂單序號是否存在，若存在則進行投放。

5.根據權利要求1所述的基于快消行業用戶觸達的OCPX自適應學習方法，其特征在于，所述特征提取步驟具體包括：

數據清洗步驟，對所述廣告投放數據和所述轉化數據中的異常數據進行過濾；

樣本獲取步驟，根據廣告投放目的的不同，根據所述廣告投放數據，從所述轉化數據中選擇相應的正樣本，并從剩余所述轉化數據中隨機選取負樣本；

特征值統計步驟，對所述正樣本和所述負樣本的特征值進行統計，所述特征值包括靜態特征值和行為特征值。

6.根據權利要求1所述的基于快消行業用戶觸達的OCPX自適應學習方法，其特征在于，所述模型訓練步驟和所述結果上傳步驟之間還包括模型評估步驟，具體包括以下步驟：

樣本集獲得步驟，將待測樣本與所述特征進行匹配，得到正樣本集和負樣本集；

訓練集獲得步驟，從所述正樣本集和所述負樣本集中隨機抽取20％作為測試集，其余作為訓練集；

模型訓練步驟，通過所述訓練集訓練所述二分類模型；

評估分數獲得步驟，通過所述測試集驗證所述二分類模型，并得到相關評估分數。

7.根據權利要求6所述的基于快消行業用戶觸達的OCPX自適應學習方法，其特征在于，所述相關評估分數包括準確率Accuracy、精確率Precison、召回率Recall、ROC曲線和AUC，其中：

Accuracy＝ncorrect*ntotal；

Precison＝ncorrect/njuge；

Recall＝ncorrect/rtotal；

ROC曲線的橫坐標設置為假陽性率FPR，縱坐標設置為真陽性率TPR，其中：

FPR＝FP*N；

TPR＝njuge*rtotal；

其中，Ncorrect為被正確分類的樣本個數，ntotal為總樣本的個數,njuge代表分類器判定為正樣本的樣本個數，rtotal代表真正的正樣本數，N代表真正的負樣本數，FP代表負樣本中分類器判定為正樣本的個數。