本技術(shù)屬于人工智能，尤其涉及一種目標(biāo)產(chǎn)品的潛在用戶識別方法、裝置及存儲介質(zhì)。

背景技術(shù)：

1、傳統(tǒng)的推薦場景廣泛用于互聯(lián)網(wǎng)平臺，通過分析用戶的行為和偏好，向用戶推薦產(chǎn)品或服務(wù)。例如通過機(jī)器學(xué)習(xí)算法，來預(yù)測用戶可能感興趣的產(chǎn)品，然后將產(chǎn)品推薦給對應(yīng)的用戶。

2、傳統(tǒng)的推薦場景在處理圖書、服裝、電子產(chǎn)品等商品時表現(xiàn)出色，然而一些產(chǎn)品，如家電、家具等，除了用戶的偏好外，往往還與用戶的長期生活需求、家庭環(huán)境等因素緊密相關(guān)，使得傳統(tǒng)的推薦場景針對家電、家具等一些產(chǎn)品所識別到的目標(biāo)用戶不夠準(zhǔn)確，難以將產(chǎn)品準(zhǔn)確推薦給高購買意向用戶。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一。為此，本技術(shù)提出一種目標(biāo)產(chǎn)品的潛在用戶識別方法、裝置及存儲介質(zhì)，以提高潛在用戶識別的準(zhǔn)確性。

2、第一方面，本技術(shù)提供了一種目標(biāo)產(chǎn)品的潛在用戶識別方法，包括：

3、基于用戶特征數(shù)據(jù)，采用多路召回策略，得到購買目標(biāo)產(chǎn)品的意向用戶集；其中，所述用戶特征數(shù)據(jù)至少包括與用戶相關(guān)聯(lián)的數(shù)據(jù)；

4、將所述意向用戶集中針對所述目標(biāo)產(chǎn)品具有歷史購買行為的意向用戶作為第一目標(biāo)意向用戶，基于所述歷史購買行為計算所述第一目標(biāo)意向用戶在不同購買場景下的購買概率；

5、根據(jù)所述購買概率對不同購買場景下的第一目標(biāo)意向用戶進(jìn)行合并，得到所述目標(biāo)產(chǎn)品的潛在用戶集。

6、根據(jù)本技術(shù)的目標(biāo)產(chǎn)品的潛在用戶識別方法，通過基于用戶特征數(shù)據(jù)，采用多路召回策略，得到購買目標(biāo)產(chǎn)品的意向用戶集；其中，所述用戶特征數(shù)據(jù)至少包括與用戶相關(guān)聯(lián)的數(shù)據(jù)；將所述意向用戶集中針對所述目標(biāo)產(chǎn)品具有歷史購買行為的意向用戶作為第一目標(biāo)意向用戶，基于所述歷史購買行為計算所述第一目標(biāo)意向用戶在不同購買場景下的購買概率；根據(jù)所述購買概率對不同購買場景下的第一目標(biāo)意向用戶進(jìn)行合并，得到所述目標(biāo)產(chǎn)品的潛在用戶集。本技術(shù)實(shí)施例通過使用多路召回策略，考慮到了用戶特征數(shù)據(jù)的多維度，從廣泛的用戶群體中初步篩選出具有購買意向的用戶，然后結(jié)合用戶不同的需求場景，深度分析用戶需求和偏好，從初步獲取的意向用戶中識別高意向的潛在客戶，增強(qiáng)了對潛在用戶行為的預(yù)測能力，提高了潛在用戶識別的準(zhǔn)確性。

7、根據(jù)本技術(shù)的一個實(shí)施例，所述方法還包括：

8、將所述意向用戶集中針對所述目標(biāo)產(chǎn)品不具有歷史購買行為的意向用戶作為第二目標(biāo)意向用戶，根據(jù)所述第二目標(biāo)意向用戶對應(yīng)的第二用戶特征數(shù)據(jù)為所述第二目標(biāo)意向用戶建立標(biāo)簽；其中，每個第二目標(biāo)意向用戶包括多個不同類型的標(biāo)簽；

9、根據(jù)不同類型的標(biāo)簽在第二目標(biāo)意向用戶中的占比以及不同類型的標(biāo)簽在意向用戶集中的占比計算所述第二目標(biāo)意向用戶的購買意向值；所述購買意向值表示購買所述目標(biāo)產(chǎn)品的意向程度；

10、根據(jù)所述購買意向值將所述第二目標(biāo)意向用戶合并至所述目標(biāo)產(chǎn)品的潛在用戶集中。

11、在該實(shí)施例中，對于缺乏購買歷史行為的用戶，通過采用這種用戶的特征數(shù)據(jù)建立不同類型的標(biāo)簽，如用戶的瀏覽歷史標(biāo)簽、搜索偏好標(biāo)簽、社交互動標(biāo)簽等，并根據(jù)這些類型的標(biāo)簽在不同用戶群體中的占比計算購買意向值，以量化了用戶的購買可能性，有助于識別那些尚未表現(xiàn)出明顯購買行為但具有潛在興趣的用戶群體，進(jìn)一步提高了潛在用戶識別的準(zhǔn)確性。

12、根據(jù)本技術(shù)的一個實(shí)施例，所述購買場景包括套購場景；

13、所述基于所述歷史購買行為計算所述目標(biāo)意向用戶在不同購買場景下的購買概率，包括：

14、獲取所述第一目標(biāo)意向用戶對應(yīng)的第一用戶特征數(shù)據(jù)；

15、將所述第一用戶特征數(shù)據(jù)輸入至結(jié)合因子分解機(jī)的深度神經(jīng)網(wǎng)絡(luò)模型中，得到所述深度神經(jīng)網(wǎng)絡(luò)模型基于所述歷史購買行為輸出的第一目標(biāo)意向用戶在套購場景下的購買概率；其中，所述深度神經(jīng)網(wǎng)絡(luò)模型是基于第一樣本集訓(xùn)練得到的，所述第一樣本集為第一時間段內(nèi)的與用戶相關(guān)聯(lián)的數(shù)據(jù)，正樣本為未來n個月內(nèi)購買目標(biāo)產(chǎn)品的用戶，負(fù)樣本為用戶未來n個月內(nèi)未購買目標(biāo)產(chǎn)品的用戶。

16、在該實(shí)施例中，結(jié)合因子分解機(jī)的深度神經(jīng)網(wǎng)絡(luò)模型經(jīng)過在第一樣本集上的訓(xùn)練，已經(jīng)學(xué)習(xí)到了如何從用戶的歷史行為中預(yù)測其未來購買目標(biāo)產(chǎn)品的傾向，使得深度神經(jīng)網(wǎng)絡(luò)模型能夠利用深度學(xué)習(xí)技術(shù)從復(fù)雜的用戶行為中，提取出在套購場景下與購買概率相關(guān)的模式和特征，能夠更精細(xì)化地識別和預(yù)測用戶在套購場景中的購買行為，進(jìn)一步提高了潛在用戶識別的準(zhǔn)確性。

17、根據(jù)本技術(shù)的一個實(shí)施例，所述購買場景包括以舊換新場景；

18、所述基于所述歷史購買行為計算所述目標(biāo)意向用戶在不同購買場景下的購買概率，包括：

19、獲取所述第一目標(biāo)意向用戶對應(yīng)的第一用戶特征數(shù)據(jù)；

20、將所述第一用戶特征數(shù)據(jù)輸入至基于自注意力機(jī)制構(gòu)建的序列模型中，得到所述序列模型基于所述歷史購買行為輸出的第一目標(biāo)意向用戶在以舊換新場景下的購買概率；其中，所述序列模型是基于第二樣本集訓(xùn)練得到的，所述第二樣本集為第二時間段內(nèi)的與用戶相關(guān)聯(lián)的數(shù)據(jù)，正樣本為未來m個月內(nèi)購買目標(biāo)產(chǎn)品相同品類的產(chǎn)品的用戶，負(fù)樣本為未來m個月內(nèi)未購買目標(biāo)產(chǎn)品的用戶；所述第二時間段范圍大于第一時間段。

21、在該實(shí)施例中，通過利用第二樣本集進(jìn)行訓(xùn)練，使得引入自注意力機(jī)制的序列模型不僅學(xué)習(xí)了用戶對目標(biāo)產(chǎn)品相同品類產(chǎn)品的購買行為，而且考慮了更長時間范圍內(nèi)的用戶行為數(shù)據(jù)，使得模型能夠處理和分析用戶在較長時間段內(nèi)的歷史購買行為，捕捉隨時間變化的購買模式和趨勢，能夠更精細(xì)化地識別和預(yù)測用戶在以舊換新場景中的購買行為。

22、根據(jù)本技術(shù)的一個實(shí)施例，所述根據(jù)所述購買概率對不同購買場景下的第一目標(biāo)意向用戶進(jìn)行合并，得到所述目標(biāo)產(chǎn)品的潛在用戶集，包括：

23、將不同場景下所述購買概率大于預(yù)設(shè)閾值的第一目標(biāo)意向用戶進(jìn)行合并，得到所述目標(biāo)產(chǎn)品的潛在用戶集。

24、在該實(shí)施例中，通過精細(xì)化管理不同購買場景下的用戶購買概率，將不同場景下購買概率大于預(yù)設(shè)閾值的意向用戶進(jìn)行合并，有助于集中資源和注意力在那些最有可能進(jìn)行購買的用戶上，進(jìn)一步提高了潛在用戶識別的準(zhǔn)確性。同時，這種方法還能夠動態(tài)適應(yīng)市場變化和用戶行為的演進(jìn)，因?yàn)橘徺I概率是動態(tài)計算并更新的，提高了潛在用戶集的時效性和準(zhǔn)確性。

25、根據(jù)本技術(shù)的一個實(shí)施例，所述方法還包括：

26、獲取所述潛在用戶集中潛在用戶對應(yīng)的第三用戶特征數(shù)據(jù)和所述目標(biāo)產(chǎn)品的特征數(shù)據(jù)；

27、將所述第三用戶特征數(shù)據(jù)和所述目標(biāo)產(chǎn)品的特征數(shù)據(jù)輸入至預(yù)先構(gòu)建的圖神經(jīng)網(wǎng)絡(luò)模型中，得到所述圖神經(jīng)網(wǎng)絡(luò)模型為所述潛在用戶生成的推薦列表；所述推薦列表中包括多個不同類型的目標(biāo)產(chǎn)品；所述圖神經(jīng)網(wǎng)絡(luò)是根據(jù)與用戶相關(guān)聯(lián)的數(shù)據(jù)和與目標(biāo)產(chǎn)品相關(guān)聯(lián)的數(shù)據(jù)構(gòu)建的二部圖訓(xùn)練得到。

28、在該實(shí)施例中，由于圖神經(jīng)網(wǎng)絡(luò)模型是基于與用戶和產(chǎn)品相關(guān)聯(lián)的數(shù)據(jù)構(gòu)建的二部圖進(jìn)行訓(xùn)練的，它能夠很好地處理用戶和產(chǎn)品之間的多維關(guān)系，使得圖神經(jīng)網(wǎng)絡(luò)模型能夠通過結(jié)合潛在用戶的第三用戶特征數(shù)據(jù)和目標(biāo)產(chǎn)品的特征數(shù)據(jù)，捕捉和學(xué)習(xí)用戶與產(chǎn)品之間復(fù)雜的交互關(guān)系，以及產(chǎn)品之間的相似性或關(guān)聯(lián)性，這種數(shù)據(jù)驅(qū)動的方法不僅提高了推薦的準(zhǔn)確性，還能夠發(fā)現(xiàn)用戶可能感興趣的多個不同類型的目標(biāo)產(chǎn)品，增加推薦的多樣性。

29、根據(jù)本技術(shù)的一個實(shí)施例，所述方法還包括：

30、獲取所述潛在用戶集的潛在用戶在不同渠道的行為數(shù)據(jù)；所述渠道至少包括購買所述目標(biāo)產(chǎn)品的線下渠道和線上渠道；

31、根據(jù)所述行為數(shù)據(jù)為所述潛在用戶建立渠道標(biāo)簽。

32、在該實(shí)施例中，通過分析潛在用戶在不同渠道的行為數(shù)據(jù)，識別用戶在線下和線上渠道的購買行為模式，能夠更好地理解用戶的購買習(xí)慣和偏好，有助于提高營銷資源的使用效率，為用戶提供更加連貫和滿意的購物體驗(yàn)。

33、第二方面，本技術(shù)提供了一種目標(biāo)產(chǎn)品的潛在用戶識別裝置，包括：

34、召回模塊，用于基于用戶特征數(shù)據(jù)，采用多路召回策略，得到購買目標(biāo)產(chǎn)品的意向用戶集；其中，所述用戶特征數(shù)據(jù)至少包括與用戶相關(guān)聯(lián)的數(shù)據(jù)；

35、計算模塊，用于將所述意向用戶集中針對所述目標(biāo)產(chǎn)品具有歷史購買行為的意向用戶作為第一目標(biāo)意向用戶，基于所述歷史購買行為計算所述第一目標(biāo)意向用戶在不同購買場景下的購買概率；

36、合并模塊，用于根據(jù)所述購買概率對不同購買場景下的第一目標(biāo)意向用戶進(jìn)行合并，得到所述目標(biāo)產(chǎn)品的潛在用戶集。

37、根據(jù)本技術(shù)的目標(biāo)產(chǎn)品的潛在用戶識別裝置，通過基于用戶特征數(shù)據(jù)，采用多路召回策略，得到購買目標(biāo)產(chǎn)品的意向用戶集；其中，所述用戶特征數(shù)據(jù)至少包括與用戶相關(guān)聯(lián)的數(shù)據(jù)；將所述意向用戶集中針對所述目標(biāo)產(chǎn)品具有歷史購買行為的意向用戶作為第一目標(biāo)意向用戶，基于所述歷史購買行為計算所述第一目標(biāo)意向用戶在不同購買場景下的購買概率；根據(jù)所述購買概率對不同購買場景下的第一目標(biāo)意向用戶進(jìn)行合并，得到所述目標(biāo)產(chǎn)品的潛在用戶集。本技術(shù)實(shí)施例通過使用多路召回策略，考慮到了用戶特征數(shù)據(jù)的多維度，從廣泛的用戶群體中初步篩選出具有購買意向的用戶，然后結(jié)合用戶不同的需求場景，深度分析用戶需求和偏好，從初步獲取的意向用戶中識別高意向的潛在客戶，增強(qiáng)了對潛在用戶行為的預(yù)測能力，提高了潛在用戶識別的準(zhǔn)確性。

38、第三方面，本技術(shù)提供了一種電子設(shè)備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實(shí)現(xiàn)如上述第一方面所述的目標(biāo)產(chǎn)品的潛在用戶識別方法。

39、第四方面，本技術(shù)提供了一種非暫態(tài)計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如上述第一方面所述的目標(biāo)產(chǎn)品的潛在用戶識別方法。

40、第五方面，本技術(shù)提供了一種芯片，所述芯片包括處理器和通信接口，所述通信接口和所述處理器耦合，所述處理器用于運(yùn)行程序或指令，實(shí)現(xiàn)如上述第一方面所述的目標(biāo)產(chǎn)品的潛在用戶識別方法。

41、第六方面，本技術(shù)提供了一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如上述第一方面所述的目標(biāo)產(chǎn)品的潛在用戶識別方法。

42、本技術(shù)實(shí)施例中的上述一個或多個技術(shù)方案，至少具有如下技術(shù)效果之一：

43、根據(jù)本技術(shù)的目標(biāo)產(chǎn)品的潛在用戶識別方法，通過基于用戶特征數(shù)據(jù)，采用多路召回策略，得到購買目標(biāo)產(chǎn)品的意向用戶集；其中，所述用戶特征數(shù)據(jù)至少包括與用戶相關(guān)聯(lián)的數(shù)據(jù)；將所述意向用戶集中針對所述目標(biāo)產(chǎn)品具有歷史購買行為的意向用戶作為第一目標(biāo)意向用戶，基于所述歷史購買行為計算所述第一目標(biāo)意向用戶在不同購買場景下的購買概率；根據(jù)所述購買概率對不同購買場景下的第一目標(biāo)意向用戶進(jìn)行合并，得到所述目標(biāo)產(chǎn)品的潛在用戶集。本技術(shù)實(shí)施例通過使用多路召回策略，考慮到了用戶特征數(shù)據(jù)的多維度，從廣泛的用戶群體中初步篩選出具有購買意向的用戶，然后結(jié)合用戶不同的需求場景，深度分析用戶需求和偏好，從初步獲取的意向用戶中識別高意向的潛在客戶，增強(qiáng)了對潛在用戶行為的預(yù)測能力，提高了潛在用戶識別的準(zhǔn)確性。

44、進(jìn)一步的，在一些實(shí)施例中，對于缺乏購買歷史行為的用戶，通過采用這種用戶的特征數(shù)據(jù)建立不同類型的標(biāo)簽，如用戶的瀏覽歷史標(biāo)簽、搜索偏好標(biāo)簽、社交互動標(biāo)簽等，并根據(jù)這些類型的標(biāo)簽在不同用戶群體中的占比計算購買意向值，以量化了用戶的購買可能性，有助于識別那些尚未表現(xiàn)出明顯購買行為但具有潛在興趣的用戶群體，進(jìn)一步提高了潛在用戶識別的準(zhǔn)確性。

45、進(jìn)一步的，在一些實(shí)施例中，結(jié)合因子分解機(jī)的深度神經(jīng)網(wǎng)絡(luò)模型經(jīng)過在第一樣本集上的訓(xùn)練，已經(jīng)學(xué)習(xí)到了如何從用戶的歷史行為中預(yù)測其未來購買目標(biāo)產(chǎn)品的傾向，使得深度神經(jīng)網(wǎng)絡(luò)模型能夠利用深度學(xué)習(xí)技術(shù)從復(fù)雜的用戶行為中，提取出在套購場景下與購買概率相關(guān)的模式和特征，能夠更精細(xì)化地識別和預(yù)測用戶在套購場景中的購買行為，進(jìn)一步提高了潛在用戶識別的準(zhǔn)確性。

46、更進(jìn)一步的，在一些實(shí)施例中，通過利用第二樣本集進(jìn)行訓(xùn)練，使得引入自注意力機(jī)制的序列模型不僅學(xué)習(xí)了用戶對目標(biāo)產(chǎn)品相同品類產(chǎn)品的購買行為，而且考慮了更長時間范圍內(nèi)的用戶行為數(shù)據(jù)，使得模型能夠處理和分析用戶在較長時間段內(nèi)的歷史購買行為，捕捉隨時間變化的購買模式和趨勢，能夠更精細(xì)化地識別和預(yù)測用戶在以舊換新場景中的購買行為。

47、更進(jìn)一步的，在一些實(shí)施例中，通過精細(xì)化管理不同購買場景下的用戶購買概率，將不同場景下購買概率大于預(yù)設(shè)閾值的意向用戶進(jìn)行合并，有助于集中資源和注意力在那些最有可能進(jìn)行購買的用戶上，進(jìn)一步提高了潛在用戶識別的準(zhǔn)確性。同時，這種方法還能夠動態(tài)適應(yīng)市場變化和用戶行為的演進(jìn)，因?yàn)橘徺I概率是動態(tài)計算并更新的，提高了潛在用戶集的時效性和準(zhǔn)確性。

48、再進(jìn)一步的，在一些實(shí)施例中，由于圖神經(jīng)網(wǎng)絡(luò)模型是基于與用戶和產(chǎn)品相關(guān)聯(lián)的數(shù)據(jù)構(gòu)建的二部圖進(jìn)行訓(xùn)練的，它能夠很好地處理用戶和產(chǎn)品之間的多維關(guān)系，使得圖神經(jīng)網(wǎng)絡(luò)模型能夠通過結(jié)合潛在用戶的第三用戶特征數(shù)據(jù)和目標(biāo)產(chǎn)品的特征數(shù)據(jù)，捕捉和學(xué)習(xí)用戶與產(chǎn)品之間復(fù)雜的交互關(guān)系，以及產(chǎn)品之間的相似性或關(guān)聯(lián)性，這種數(shù)據(jù)驅(qū)動的方法不僅提高了推薦的準(zhǔn)確性，還能夠發(fā)現(xiàn)用戶可能感興趣的多個不同類型的目標(biāo)產(chǎn)品，增加推薦的多樣性。

49、再進(jìn)一步的，在一些實(shí)施例中，通過分析潛在用戶在不同渠道的行為數(shù)據(jù)，識別用戶在線下和線上渠道的購買行為模式，能夠更好地理解用戶的購買習(xí)慣和偏好，有助于提高營銷資源的使用效率，為用戶提供更加連貫和滿意的購物體驗(yàn)。

50、本技術(shù)的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本技術(shù)的實(shí)踐了解到。