信息流推荐策略处理方法、装置、设备及计算机存储介质与流程

1.本技术实施例涉及大数据处理技术领域，涉及但不限于一种信息流推荐策略处理方法、装置、设备及计算机存储介质。


背景技术：

2.随着移动通信和互联网技术的发展，网络信息流服务逐步取代了传统媒体成为用户获取信息的主要途径。每个网络信息平台每天都能产生大量的信息，如果将这些信息全部推送给用户，用户并没有时间一一阅读，甚至没有时间从大量的信息中筛选自己真正感兴趣的信息。这就要求网络信息平台需要在海量用户中确定出目标人群，并且庞大的信息流中找出目标人群感兴趣的信息并进行推送，才能提升网络信息平台的运营目标。


技术实现要素：

3.本技术实施例提供一种信息流推荐策略处理方法、装置、设备及计算机存储介质，通过历史数据和运营目标属性自动确定出目标推荐人群和推荐策略，能够提高推荐效率和推荐准确度。
4.本技术实施例的技术方案是这样实现的：
5.本技术实施例提供一种信息流推荐策略处理方法，包括：
6.获取预设的运营目标属性，并确定对所述运营目标属性产生影响的至少一个影响特征；
7.响应于针对所述至少一个影响特征的选择操作，确定目标影响特征；
8.基于历史信息流和所述运营目标属性，确定所述目标影响特征对应的目标推荐人群和目标对应关系，其中，所述目标对应关系包括目标影响特征的特征值与所述运营目标属性的目标值之间的对应关系；
9.基于所述目标推荐人群和所述目标对应关系，确定并呈现推荐策略，其中，所述推荐策略包括目标影响特征的推荐值和所述推荐值对应的所述运营目标属性的目标值。
10.本技术实施例提供一种信息流推荐策略处理装置，包括：
11.第一获取模块，用于获取预设的运营目标属性，并确定对所述运营目标属性产生影响的至少一个影响特征；
12.第一确定模块，用于响应于针对所述至少一个影响特征的选择操作，确定目标影响特征；
13.第二确定模块，用于基于历史信息流和所述运营目标属性，确定所述目标影响特征对应的目标推荐人群和目标对应关系，其中，所述目标对应关系包括目标影响特征的特征值与所述运营目标属性的目标值之间的对应关系；
14.第三确定模块，用于基于所述目标推荐人群和所述目标对应关系，确定并呈现推荐策略，其中，所述推荐策略包括目标影响特征的推荐值和所述推荐值对应的所述运营目标属性的目标值。
15.本技术实施例提供一种信息流推荐策略处理设备，包括：
16.存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现上述的方法。
17.本技术实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现上述的方法。
18.本技术实施例具有以下有益效果：
19.在本技术实施例提供的信息流推荐策略处理方法中，在获取预设的运营目标属性之后，确定并呈现对所述运营目标属性产生影响的至少一个影响特征，响应于针对所述至少一个影响特征的选择操作，确定目标影响特征，进而基于历史信息流和所述运营目标属性，确定所述目标影响特征对应的目标推荐人群和目标对应关系，其中，该目标对应关系包括目标影响特征的特征值与所述运营目标属性的目标值之间的对应关系，最终基于所述目标推荐人群和所述目标对应关系，确定并呈现推荐策略，其中，所述推荐策略包括目标影响特征的推荐值和所述推荐值对应的所述运营目标属性的目标值，这样在确定运营目标属性和目标影响特征之后，可以通过对历史信息流的分析自动确定出目标推荐人群和推荐策略，不仅推荐效率高，并且能够提高推荐准确率。
附图说明
20.图1为本技术实施例提供的信息流推荐策略处理系统10的一个网络架构示意图；
21.图2为本技术实施例提供的运营平台300的结构示意图；
22.图3为本技术实施例提供的信息流推荐策略处理方法的一种实现流程示意图；
23.图4为本技术实施例提供的信息流推荐策略处理方法的另一种实现流程示意图；
24.图5为本技术实施例提供的信息流推荐策略处理方法的再一种实现流程示意图；
25.图6为本技术实施例提供的智能运营操作台的界面示意图；
26.图7为本技术实施例提供的信息流策略处理方法的再一种实现过程示意图；
27.图8为本技术实施例提供的信息流推荐策略处理方法的再一种实现流程示意图。
具体实施方式
28.为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地详细描述，所描述的实施例不应视为对本技术的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
29.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。除非另有定义，本技术实施例所使用的所有的技术和科学术语与属于本技术实施例的技术领域的技术人员通常理解的含义相同。本技术实施例所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
30.以下对本技术实施例涉及到的科学术语进行说明。
31.1)独立访客(uv，unique visitors)，指不同的用户，通过互联网访问同一个网页或产品的独立触发用户数。独立uv是按浏览器cookie为依据。只要cookie不清楚，两个人在0:00—24:00内用同一个浏览器不同的账号登陆，只会算作一个uv。uv可以作为大多数产品
衡量流量的关键指标，通过监测其uv的变化推断出其推广、转化等多个渠道所遇到的问题。
32.2)页面访问量(pv，page views)，不同的用户，通过互联网访问同一个网页或产品的总触发用户数。pv与uv成正比，可以通过pv推断某活动是否受用户欢迎或者关注。同时间段，pv一定是大于uv的。
33.3)重复访客(rv，repeat visitors)，指不同用户，通过互联网访问同一个网页或产品的重复触发用户数。重复访客越多可以体现出用户粘度越高。
34.4)日活跃用户(dau，daily active user)，指单日某产品或者网页的活跃用户数，日活跃用户可以简称日活，反应产品短时间内用户活跃度。
35.5)月活跃用户(mau，monthly active users)，单月某产品或者网页的活跃用户数，月活跃用户可以简称日活，反应产品长时间内用户活跃度。
36.6)用户留存率，指在某一统计时段内的新增用户数中再经过一段时间后仍启动该应用的用户比例。
37.7)销售额(gmv，gross merchandise volume)，指用户在某网站或产品的成交额。
38.8)用户平均收入(arpu，average revenue per user)，指总收入/用户数。传统行业使用客单价(总收入/订单数)，而互联网行业不仅用户基数较大，而且更关注对用户的运营，所以每个用户对产品的利益价值更高，故采用arpu的计算方式。arpu只会反映收入情况，无法反映利润情况。
39.9)页面停留时间(tp，time on page)，指用户在各个页面的停留时长。tp时长可以反映出某个网页或活动页对用户的吸引力。或者可以通过分析tp，来研究用户的行为偏好与喜好。
40.10)显著抓手特征，对运营目标有显著影响的、可修改、可操作的特征。
41.为了更好地理解本技术实施例中提供的信息流推荐策略处理方法，首先对相关技术中的信息流推荐策略处理方法进行说明：
42.相关技术中，在进行信息流推荐策略确定时，通过历史经验或数据挖掘长时间的探索将运营人群分类，并且通过对该人群的一定时期历史表现数据进行统计分析，得到运营的加推策略，以达到现有的运营目的。如此不仅浪费人力，而且运营效果不佳。
43.造成上述问题的原因主要有以下两点：
44.一、无法快速定位到在信息流中可以运营的人群；
45.二、确定出人群后无法快速准确的量化，也无法快速确定如何对该人群进行何种运营策略，导致用户流失严重或用户体验不佳。
46.基于此，本技术实施例提供一种运营策略确定方法，将用户的历史行为数据，通过复发事件分析模型自动遴选出对信息流运营核心目标(dau、时长等)有用的目标人群特征集合，并量化对特定目标人群可操作的特征操作值，以指导运营提升核心目标，并提供一个系统支持运营自主选择目标查看操作建议，辅助决策。
47.下面说明本技术实施例提供的信息流推荐策略处理设备的示例性应用，本技术实施例提供的信息流推荐策略处理设备可以实施为笔记本电脑，平板电脑，台式计算机，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)、智能机器人等任意具有屏幕显示功能的终端，也可以实施为服务器。下面，将说明信息流推荐策略处理设备实施为服务器时的示例性应用。
48.参见图1，图1为本技术实施例提供的信息流推荐策略处理系统10的网络架构示意图。如图1所示，该信息流推荐策略处理系统10中包括终端100(例如可以是智能手机、平板电脑、台式计算机、笔记本电脑等)、网络200、运营平台300(例如电脑等用户终端、服务器)和应用服务器400。其中，终端100上运行有应用程序，该应用程序可以是即时通讯应用程序、视频观看应用程序、电子书阅读应用程序等等，在实现本技术实施例的信息流推荐策略处理方法时，运营人员可以在运营平台设置运营目标属性，例如可以是活跃人数、成交金额、次日留存率等等，在设置好运营目标属性后，运营平台300可以确定会对运营目标属性产生影响的影响特征，并从应用服务器400获取用户运行并使用应用程序的历史信息流，进而基于历史信息流和运营目标属性确定出目标推荐人群和推荐策略，并通过运营平台100的前端呈现给运营人员，运营人员在获取到推荐策略后进行具体的策略实验和线上策略调整，并在进行实验和调整后向推荐策略上线，也即发送给应用服务器400，应用服务器400基于该推荐策略，向目标推荐人群对应的终端100发送推荐信息。
49.参见图2，图2为本技术实施例提供的运营后台300的结构示意图，图2所示的服务器300包括：至少一个处理器310、存储器350、至少一个网络接口320和用户接口330。服务器300中的各个组件通过总线系统340耦合在一起。可理解，总线系统340用于实现这些组件之间的连接通信。总线系统340除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统340。
50.处理器310可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(dsp，digital signal processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
51.用户接口330包括使得能够呈现媒体内容的一个或多个输出装置331，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口330还包括一个或多个输入装置332，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
52.存储器350可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器350可选地包括在物理位置上远离处理器310的一个或多个存储设备。存储器350包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(rom，read only memory)，易失性存储器可以是随机存取存储器(ram，random access memory)。本技术实施例描述的存储器350旨在包括任意适合类型的存储器。在一些实施例中，存储器350能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。
53.操作系统351，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；
54.网络通信模块352，用于经由一个或多个(有线或无线)网络接口320到达其他计算设备，示例性的网络接口320包括：蓝牙、无线相容性认证(wifi)、和通用串行总线(usb，universal serial bus)等；
55.输入处理模块353，用于对一个或多个来自一个或多个输入装置332之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
56.在一些实施例中，本技术实施例提供的装置可以采用软件方式实现，图2示出了存储在存储器350中的一种信息流推荐策略处理装置354，该信息流推荐策略处理装置354可以是服务器300中的信息流推荐策略处理装置，其可以是程序和插件等形式的软件，包括以下软件模块：第一获取模块3541、第一确定模块3542、第二确定模块3543和第三确定模块3544，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
57.在另一些实施例中，本技术实施例提供的装置可以采用硬件方式实现，作为示例，本技术实施例提供的装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本技术实施例提供的信息流推荐策略处理方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(asic，applic ation specific integrated circuit)、dsp、可编程逻辑器件(pld，programmabl e logic device)、复杂可编程逻辑器件(cpld，complex programmable logi c device)、现场可编程门阵列(fpga，field-programmable gate array)或其他电子元件。
58.下面将结合本技术实施例提供的运营后台300的示例性应用和实施，说明本技术实施例提供的信息流推荐策略处理方法。参见图3，图3为本技术实施例提供的信息流推荐策略处理方法的一种实现流程示意图，该方法应用于图1所示的运营平台300，以下将结合图3示出的步骤进行说明。
59.步骤s101，获取预设的运营目标属性，并确定对所述运营目标属性产生影响的至少一个影响特征。
60.这里，步骤s101在实现时，可以是基于运营人员针对运营目标属性的设置操作，获取预设的运营目标属性，其中，该运营目标属性可以是活跃程度、da u、uv、新增注册用户数、消费转化用户数、arpu、用户留存率等。
61.在本技术实施例中，可以预先设置会对各个运营目标属性产生影响的影响特征。例如，当应用程序为视频观看app时，对活跃程度、dau来说，其影响特征可以预设为综艺娱乐频道的曝光量、体育频道的曝光量、电视剧频道的曝光量等。影响特征是可以被运营人员进行操作、修改的特征，在一些实施例中，该影响特征可以称为抓手特征。
62.影响特征的特征值可以对运营目标属性的目标值产生影响，影响特征可以对运营目标属性产生正向影响的特征，也可以是对运营目标属性产生负向影响的特征。但是对于每一个影响特征来说，一般都会存在一个或多个特定人群，该影响特征为对运营目标属性产生正向影响的特征。也就是说，当影响特征的特征值增大时，运营目标属性的目标值也会增大。
63.在获取到预设的运营目标属性之后，可以基于该运营目标属性，确定出会对该运营目标属性产生影响的一个或多个影响特征，并在运营平台的显示设备上以下拉框的形式呈现该一个或多个影响特征。
64.步骤s102，响应于针对所述至少一个影响特征的选择操作，确定目标影响特征。
65.这里，步骤s102在实现时，当在运营平台的显示设备上呈现一个或多个影响特征后，运营人员可以根据实际需求选择一个作为目标影响特征。
66.步骤s103，基于历史信息流和所述运营目标属性，确定所述目标影响特征对应的目标推荐人群和目标对应关系。
67.这里，步骤s103在实现时，首先获取历史信息流，进而提取历史信息流中的特征数据，其中，可以包括人群特征数据、页面特征数据、任务特征数据等等，当前在提取历史信息流中的特征数据时，还需要提取目标影响特征数据和运营目标属性对应的特征数据，进而基于提取出的特征数据和运营目标属性，确定出目标影响特征对应的目标推荐人群和目标对应关系，其中，目标对应关系包括目标影响特征的特征值与所述运营目标属性的目标值之间的对应关系，对于目标推荐人群来说，目标影响特征为对运营目标属性产生正向影响的特征。
68.在本技术实施例中，目标影响特征对应的目标推荐人群可以有一个或多个，例如目标推荐人群可以是年龄为30至40的人群，还可以是性别为男性的人群，还可以是点击了包含“人生”这一关键字的文章的人群。每个目标推荐人群对应有一个目标对应关系，不同目标推荐人群对应的目标对应关系一般是不同的。
69.举例来说，运营目标属性为日活跃用户量，目标影响特征为综艺娱乐频道的曝光量，确定出来的目标推荐人群为年龄在15至25岁的女性，也就是说，对该目标推荐人群提高综艺娱乐频道的曝光量，能够提高日活跃用户量，该目标对应关系，可以是线性关系，还可以是非线性关系。当目标对应关系为线性关系时，例如可以是日活跃用户量＝120*综艺娱乐频道的曝光量+3000。
70.步骤s104，基于所述目标推荐人群和所述目标对应关系，确定并呈现推荐策略。
71.这里，该推荐策略包括目标影响特征的推荐值和该推荐值对应的所述运营目标属性的目标值，例如，推荐策略可以是将年龄在15至25岁的女性这一目标推荐人群的综艺娱乐频道的曝光量提高到两万，对应的dau可以提高到15万。在一些实施例中，推荐策略还可以包括目标影响特征的调整幅度，以及对应的运营目标属性的变化幅度，例如，推荐策略可以是将目标影响特征的特征值提高15％，运营目标属性的变化幅度为提高20％。
72.在本技术实施例中，推荐策略可以是根据目标对应关系按照预设规则进行计算而确定的，例如，该预设规则可以是目标影响特征的特征值不超过预设阈值。
73.在本技术实施例提供的信息流推荐策略处理方法中，在获取预设的运营目标属性之后，确定并呈现对所述运营目标属性产生影响的至少一个影响特征，响应于针对所述至少一个影响特征的选择操作，确定目标影响特征，进而基于历史信息流和所述运营目标属性，确定所述目标影响特征对应的目标推荐人群和目标对应关系，其中，该目标对应关系包括目标影响特征的特征值与所述运营目标属性的目标值之间的对应关系，最终基于所述目标推荐人群和所述目标对应关系，确定并呈现推荐策略，其中，所述推荐策略包括目标影响特征的推荐值和所述推荐值对应的所述运营目标属性的目标值，这样在确定运营目标属性和目标影响特征之后，可以通过对历史信息流的分析自动确定出目标推荐人群和推荐策略，不仅推荐效率高，并且能够提高推荐准确率。
74.在一些实施例中，上述步骤s103“基于历史信息流和所述运营目标属性，确定所述目标影响特征对应的目标推荐人群和目标对应关系”可以通过下述的步骤s1031至步骤s1033实现：
75.步骤s1031，获取历史信息流，并提取所述历史信息流中的特征数据。
76.这里，步骤s1031在实现时，可以从应用服务器的数据仓库中获取历史信息流，并对历史信息流进行数据清洗，也即对历史信息流中的数据进行重新审查和校验的过程，目
的在于删除重复信息、纠正存在的错误，并提供数据一致性。数据清洗，是整个数据分析过程中不可缺少的一个环节，其结果质量直接关系到模型效果和最终结论。
77.在进行数据清洗后，步骤s1031在实现时可以是以用户账户为粒度，提取所述历史信息流中各个用户账户对应的人群特征数据，其中所述人群特征数据中包括多个属性数据；提取所述历史信息流中的影响特征数据。
78.所述特征数据中包括多个特征属性和所述多个特征属性的特征值。例如，人群特征数据包括用户名、年龄、性别、所在地等特征数据，还可以包括用户的行为特征数据，例如可以包括浏览了哪些文章、搜索了哪些关键字、收藏了哪些音乐等等。
79.步骤s1032，将所述特征数据进行交叉处理，得到多个特征组合数据。
80.这里，多个特征组合数据中至少包括目标影响特征的历史特征值。
81.在本技术实施例中，该步骤s1032可以通过以下步骤实现：
82.步骤s321，基于所述特征数据，获取所述目标影响特征的至少一个历史特征值。
83.这里，步骤s321在实现时，可以是基于特征数据，获取某一个历史时间段或某几个历史时间段中目标影响特征的历史特征值。其中，该历史特征值可以是该时间段内的目标影响特征的平均值。例如可以是获取当前时刻到七天前的目标影响特征的历史特征值、获取七天至14天前的目标影响特征的历史特征值、获取14天至21天前的目标影响特征的历史特征值、获取21至28天前的目标影响特征的历史特征值。
84.步骤s322，获取各个历史特征值对应的人群特征数据。
85.这里，步骤s332在实现时，是基于各个历史特征值对应的历史时间段，获取各个历史特征值对应的人群特征数据，也就是说某一历史特征值对应的各个人群特征数据从该历史时间段内特征数据中获取的。该人群特征数据中包括有多个特征属性的特征值，其中可以包括用户基本特征属性的特征值，还可以包括行为特征属性的特征值。
86.步骤s323，将各个历史特征值和对应人群特征数据中的特征属性的特征值进行组合，得到多个特征组合数据。
87.这里，人群特征数据中的特征属性可以包括年龄、性别、所在地等，步骤s323在实现时，可以是将历史特征值和对应的人群特征数据中的一个特征属性的特征值进行组合，也可以是将历史特征值和多个特征属性的特征值进行组合。例如，可以将历史特征值和年龄的特征值进行组合，也可以将历史特征值和年龄、性别的特征值进行组合。
88.步骤s1033，基于所述多个特征组合数据，确定所述目标影响特征对应的目标推荐人群和目标对应关系。
89.这里，步骤s1033在实现时可以通过以下步骤实现：
90.步骤s331，确定每个特征组合数据对应的运营目标属性的各个历史目标值。
91.步骤s332，将所述各个特征组合数据和各个历史目标值输入至数据分析模型，得到各个特征组合数据对运营目标属性的各个影响参数和所述目标对应关系。
92.这里，该数据分析模型可以是生存模型，例如可以是ag-cp(anderson gill)模型，还可以是脆弱模型(fraity model)的组合模型，利用这两种模型能够解决事件之间的依赖关系以及人群的异构性问题。利用该数据分析模型计算各个特征组合数据对运营目标属性的影响参数，该影响参数能够表征对于特征组合数据对应的人群来说，目标影响特征对运营目标属性的影响程度和影响性质，其中影响性质可以包括正向影响和负向影响。
93.步骤s333，基于所述各个影响参数确定所述目标影响特征对应的目标推荐人群。
94.这里，该步骤s333在实现时可以通过以下步骤实现：
95.步骤s3331，基于所述各个影响参数和预设的影响阈值，确定目标特征组合数据。
96.这里，步骤s3331在实现时，可以是将各个影响参数和影响阈值进行比较，将大于影响阈值的影响参数对应的特征组合数据确定为目标特征组合数据。在该步骤中可以确定出一个或多个目标特征组合数据。
97.步骤s3332，基于所述目标特征数据中包括的人群特征数据，确定所述目标影响特征对应的目标推荐人群。
98.这里，人群特征数据中包括的人群特征可以包括一个或多个，例如可以包括年龄20-25，还可以包括女性，还可以包括年龄20-25的女性，还可以包括搜索过“音乐”这一关键字等等。基于该人群特征数据，即可确定该目标影响特征对应的目标推荐人群。
99.在一些实施例中，在步骤s104之后，还可以如图4所示的步骤s105至步骤s109，以下结合图4对各步骤进行说明。
100.步骤s105，获取当前信息流，并基于所述当前信息流获取所述目标影响特征的当前特征值和所述目标推荐人群对应的运营目标属性的当前目标值。
101.步骤s106，基于所述当前特征值和所述当前目标值，确定所述目标推荐人群在预设的第一坐标系的第一位置，并在所述第一位置按照第一预设方式呈现所述目标推荐人群。
102.这里，在第一坐标系中，以目标影响特征为横坐标，以运营目标属性为纵坐标，因此步骤s106在实现时，可以将当前特征值确定为横坐标的取值，将当前目标值作为纵坐标的取值，从而确定出该目标推荐人群在第一坐标系中的第一位置，并在该第一位置按照第一预设方式呈现该目标推荐人群，例如可以是形状为圆形的点来呈现该目标推荐人群。
103.步骤s107，响应于针对所述目标影响特征的调整操作，获取所述目标影响特征的调整值。
104.这里，该调整操作可以是运营人员输入目标影响特征的特征值的操作，此时可以直接将运营人员输入的特征值作为调整值；调整操作还可以是运营人员在第一坐标系中点击横坐标中某一点的操作，此时可以基于调整操作的作用位置获取目标影响特征的调整值。
105.在一些实施例中，还可以如图6所示，在第一坐标系的横坐标的下方，提供调整目标影响特征的操作入口，可以通过拖动该操作入口提供的端点来调整目标影响特征的特征值。
106.步骤s108，基于所述调整值和所述目标对应关系，确定所述运营目标属性的预测值。
107.这里，由于目标对应关系为目标影响特征与运营目标属性之间的对应关系，那么在获取到目标影响特征的调整值后，即可根据该目标对应关系确定运营目标属性的预测值。
108.步骤s109，基于所述调整值和所述预测值，确定所述目标推荐人群在所述第一坐标系的第二位置，并在所述第二位置按照第一预设方式呈现所述目标推荐人群。
109.这里，可以将调整值确定为横坐标的取值，将预测值作为纵坐标的取值，从而确定
出该目标推荐人群在第一坐标系中的第二位置，并在该第二位置按照第一预设方式呈现该目标推荐人群。也就是说，在本技术实施例中，目标推荐人群可以是以散列点的形式呈现于第一坐标系中。
110.在一些实施例中，对于不同的目标推荐人群，采用不同的显示方式在第一坐标系统中进行呈现，例如对于年龄为15至20的目标推荐人群用圆形的点呈现，对于性别为女性的目标推荐人群用三角形的点呈现。
111.通过上述的步骤s105至步骤s109，能够在确定出目标对应关系后，运营人员能够通过调整目标影响特征的特征值，从而确定出运营目标属性的预测值，并在第一坐标系中直观的呈现出来，能够使得运营人员能够直接了解到目标影响特征对运营目标属性的影响程度，便于确定最终的推荐策略。
112.在一些实施例中，在步骤s109之后，还可以执行以下步骤：
113.步骤s110，响应于针对所述第一坐标系中人群标识的选择操作，获取选择出的目标标识。
114.这里，选择操作可以是运营人员点击或触控第一坐标系中某个目标推荐人群的点，从而基于选择操作，获取选择出的目标标识。
115.步骤s111，获取所述目标标识对应的目标推荐人群中各个用户的目标影响特征的历史值和运营目标属性的历史值。
116.这里，第一坐标系中每个点代表一个可选择的目标推荐人群，当获取到该目标标识后，即可确定对应的目标推荐人群，从而基于目标推荐人群中各个用户的用户标识，获取各个用户对应的目标影响特征的历史值和运营目标属性的历史值。
117.步骤s112，基于各个用户的目标影响特征的历史值和运营目标属性的历史值，确定各个用户在预设的第二坐标系的各个第三位置。
118.这里，第二坐标系以目标影响特征为横坐标，以运营目标属性为纵坐标，在获取到各个用户的目标影响特征的历史值和运营目标属性的历史值后，将目标影响特征的历史值作为横坐标的取值，将运营目标属性的历史值作为纵坐标的取值，从而能够确定各个用户在第二坐标系中的各个第三位置。
119.步骤s113，在所述各个第三位置按照第二预设方式呈现各个用户。
120.这里，在显示各个用户时，可以以不同于显示目标推荐人群的方式，也即第二预设方式呈现各个用户。
121.通过上述步骤s110至步骤s113，运营人员能够在第一坐标系中选择特定的目标推荐人群，并在第二坐标系中展示该目标推荐人群的历史数据的具体表现。
122.基于前述的实施例，本技术实施例再提供一种信息流推荐策略处理方法，应用于图1所示的网络架构，图5为本技术实施例提供的信息流推荐策略处理方法的再一种实现流程示意图，如图5所示，该方法包括：
123.步骤s201，运营平台接收针对运营目标属性的设置操作，获取设置的运营目标属性。
124.这里，运营平台中可以提供有进行推荐策略处理的应用程序，在启动该应用程序后可以显示推荐策略处理主界面，该主界面中可以提供有设置运营目标属性的设置接口，运营人员可以通过该设置接口设置运营目标属性，例如可以设置为dau、uv等。
125.步骤s202，运营平台确定对所述运营目标属性产生影响的至少一个影响特征，并呈现所述至少一个影响特征。
126.在本技术实施例中，可以预先设置会对各个运营目标属性产生影响的影响特征。在获取到预设的运营目标属性之后，可以基于该运营目标属性，确定出会对该运营目标属性产生影响的一个或多个影响特征，并在运营平台的显示设备上以下拉框的形式呈现该一个或多个影响特征。
127.步骤s203，运营平台响应于针对所述至少一个影响特征的选择操作，确定目标影响特征。
128.步骤s204，运营平台获取历史信息流，并提取所述历史信息流中的特征数据。
129.这里，所述特征数据中包括多个特征属性和所述多个特征属性的特征值。该特征数据中可以包括人群特征数据和影响特征数据。
130.步骤s205，运营平台将所述特征数据进行交叉处理，得到多个特征组合数据。
131.这里，步骤s205在实现时，可以是将影响特征数据和人群特征数据进行交叉处理，由于人群特征数据中包括有多个特征属性以及多个特征属性对应的特征值，因此将影响特征数据和人群特征数据进行交叉处理可以是将影响特征数据和人群特征数据中的一个特征属性或多个特征属性对应的特征值进行组合，得到特征组合数据。也就是说，每个特征组合数据中至少包括目标影响特征的历史特征值。
132.步骤s206，运营平台基于所述多个特征组合数据，确定所述目标影响特征对应的目标推荐人群和目标对应关系。
133.这里，所述目标对应关系包括目标影响特征的特征值与所述运营目标属性的目标值之间的对应关系。
134.步骤s206在实现时，可以是将多个特征组合数据输入到至少一个数据分析模型中进行数据处理，从而确定目标影响特征对应的目标推荐人群和目标对应关系。
135.步骤s207，运营平台基于所述目标推荐人群和所述目标对应关系，确定并呈现推荐策略。
136.这里，所述推荐策略包括目标影响特征的推荐值和所述推荐值对应的所述运营目标属性的目标值。
137.步骤s208，运营平台对该推荐策略进行策略实验，并基于实验结果进行策略调整，得到最终的推荐策略。
138.这里，步骤s208在实现时，可以是执行该推荐策略，得到执行该推荐策略后的运营目标属性的实际值，以确定推荐策略是否准确，得到实验结果，进而基于实验结果进行策略调整，得到最终的推荐策略。
139.步骤s209，运营平台将最终的推荐策略发送至应用服务器，以上线该推荐策略。
140.步骤s210，应用服务器基于该推荐策略，确定目标推荐人群和推荐信息。
141.步骤s211，应用服务器向所述目标推荐人群对应的终端发送推荐信息。
142.在本技术实施例提供的信息流推荐策略处理方法中，在获取预设的运营目标属性之后，确定并呈现对所述运营目标属性产生影响的至少一个影响特征，响应于针对所述至少一个影响特征的选择操作，确定目标影响特征，进而基于历史信息流和所述运营目标属性，确定所述目标影响特征对应的目标推荐人群和目标对应关系，其中，该目标对应关系包
括目标影响特征的特征值与所述运营目标属性的目标值之间的对应关系，最终基于所述目标推荐人群和所述目标对应关系，确定并呈现推荐策略，其中，所述推荐策略包括目标影响特征的推荐值和所述推荐值对应的所述运营目标属性的目标值，这样在确定运营目标属性和目标影响特征之后，可以通过对历史信息流的分析自动确定出目标推荐人群和推荐策略，不仅推荐效率高，并且能够提高推荐准确率；并且运营人员在对推荐策略进行实验并调整后，可以将最终得到的推荐策略上线，以使得应用服务器执行该推荐策略，向目标推荐人群对应的终端发送推荐信息，从而达到运营目标。
143.下面，将说明本技术实施例在一个实际的应用场景中的示例性应用。
144.本技术实施例提供一种信息流推荐策略处理方法，该方法应用于运营平台，其中，该运营平台包括：特征收集和提取模块、特征交叉计算模块、显著特征遴选(复发事件分析模型)模块和运营策略生成模块，其中：
145.特征收集和提取模块，用于从数据流水中提取所有特征数据，并将这些特征的特征值存储到数据库中，方便后续流程使用。
146.特征交叉提取计算模块，用于对特征进行分级，例如将特征分为：用户特征、内容特征、任务特征等，不限于这几种特征类型，该模块还用于对特征进行交叉整理，也即将不同的特征进行组合。
147.显著特征遴选(复发事件分析模型)模块，包含多种数据科学模型，通过后台的不断计算，得到不同的特征组合对运营目标的影响，从而确定出对运营目标有正向影响的特征组合，并记录具体的特征影响数据。
148.该模块主要运用复发事件分析模型(recurrent event model)对不同特征组合进行回归，得到有显著效应的特征组合。
149.该模块还包含显著性特征判断算法，确定对运营目标有显著效应的特征组合在实现时，可以利用该显著性特征判断算法对各个不同特征组合的特征影响数据进行排序，从而自动发现显著的特征，减少人工干预，降低人工评估成本。
150.运营策略生成模块，用于将显著特征遴选模块得到的显著性特征与数值结果按照预设规则进行计算，得到运营指导策略，并且通过系统接口与前端页面进行交互。
151.利用上述运营平台进行信息流推荐策略处理时的实现流程可以包括：
152.步骤s501，特征收集和提取模块将流水数据进行提炼和特征提取，得到可用的特征集合，并存在于特征集合数据库中。
153.步骤s502，特征交叉提取计算模块通过不同的模型，利用特征集合进行建模，得到特征集合的结果。
154.步骤s503，显著特征遴选模块将采用一个特征集合效用评估模块对所有模型得出的特征集合的结果进行排序和对比，遴选出最优特征组和特征值，并保存在结果数据库中。
155.步骤s504，运营策略生成模块通过后台服务将数据在页面展示，并通过可交互的页面完成数据的动态展示。
156.图6为本技术实施例提供的智能运营操作台的界面示意图，如图6所示，在该界面中展示有运营系统支持的可运营目标和对应的可操作的显著抓手特征，在实现时，用户可以在该界面上选择核心目标601(活跃程度/dau等，不仅限于所举示例)，在确定了核心目标601后，系统会返回所选核心目标的显著抓手特征列表，并展示在变量下拉框中，用户可以
从显著抓手特征列表中选择一个显著抓手特征，并显示在界面的区域602中。
157.另外，通过该界面可以查看可运营人群的显著抓手特征及数值表现，进一步地，用户选择系统推荐的可操作变量(显著抓手特征)，系统将拉取所选核心目标和所选可操作变量的可操作特征人群，其中不同的人群用不同类型的形状表示，并展示在特征表现图表中(也即图6左侧的散点图，随着系统优化，图表形式会逐渐丰富，不仅限于图6中的散点图形式)。如图6所示，当用户选择了“活跃程度(次日留存概率)”这一运营目标，并且选择了“小说频道曝光”这一显著抓手特征后，系统拉取该运营目标和该显著抓手特征的可操作特征人群，如图6左侧的散点图所示，该可操作特征人群具有两类，分别为12至20(在图6中以方形点表示)和女性人群(在图6中以圆形点表示)。
158.并且用户在图6左侧显示的散点图中选择特定的操作人群(图6中的每一个点就是一个可选择的运营目标人群)，此时可以显示该操作人群的历史数据，如图6右侧的散点图所示，当选择年龄段为12-20的操作人群时，可以显示该年龄段历史数据的具体表现(不仅限于图6右侧的散点图形式，会有更佳丰富的效果)。
159.通过图6所示的界面，用户还可以针对该目标人群修改显著抓手特征的值，查看显著抓手特征的值变化后，预期带来的目标变化，并在图6左侧的散点图中显示变化结果。在实际操作时，图6所示的界面中提供有未来趋势预测的操作接口603，用户可以通过该操作接口603改变显著抓手特征的值，系统会对应给出改变后的显著抓手特征的值对应的运营目标的预测值。
160.在一些实施例中，系统还可以给出具体合理的运营建议，并进行显示，如增加对某类人群的曝光20％，最终可对dau提升15％。
161.用户可以根据系统给出的推荐进行具体的运营策略实验和线上策略调整，在确定运营策略的运营结果无误后，可以基于该运营策略，对目标人群进行相应的推荐。
162.图7为本技术实施例提供的信息流策略处理方法的再一种实现过程示意图，如图7所示，该实现过程包括两个阶段，其中在第一阶段中包括以下两个步骤：
163.步骤s701，问题建模。
164.这里，步骤s701在实现时，可以首先从数据仓库中获取历史信息流，然后对历史数据流进行数据清洗，得到清洗后的数据，进而对清洗后的数据进行特征提取，在实现时可以是提取用户特征集合、内容特征集合和任务特征集合，并将提取出的特征通过特征工程pipeline存储到特征数据库中，并将提取出的特征进行交叉整理，得到不同的特征组合。
165.步骤s702，模型训练。
166.这里，步骤s702在实现时，将步骤s701得到的不同的特征组合输入到不同的模型中，得到各个模型的处理结果，并根据各个模型的处理结果，确定出队运营目标有正向影响的显著抓手特征集合，并将显著抓手特征集合存储到模型对应的总结信息(summry)数据库中。
167.如图7所示，在第二阶段包括：
168.步骤s703，模型部署以及将模型得到的处理结果输出至操作台。
169.这里，步骤s703在实现时，模型服务在接收到智能运营操作台发出的请求后，从模型对应的summry数据库和特征数据库中获取到特征数据，确定不同特征组合对运营目标的影响数据，进而基于该影响数据遴选对运营目标有显著影响的显著抓手特征集合，最后基
于显著抓手特征集合与影响数据通过规则计算，得到运营指导策略，并将运营指导策略返回至智能运营操作台，给用户呈现和交互。
170.图8为本技术实施例提供的信息流推荐策略处理方法的再一种实现流程示意图，如图8所示，该流程包括：
171.步骤s801，获取原始的用户交互流水。
172.这里，步骤s801在实现时也即获取原始的用户交互信息流。
173.步骤s802，对用户交互信息流进行数据清洗和特征提取。
174.这里，可以通过特征收集和提取模块进行数据清洗和特征提取。
175.步骤s803，将提取出的特征沉淀到特征库进行存储。
176.步骤s804，基于数据库中的特征进行问题建模、模型训练、评估与选择。
177.这里，可以通过特征交叉提取计算模块，将数据库中的特征进行交叉计算，从而将特征进行组合，然后通过不同的算法模型确定不同的特征组合对运营目标的特征影响数据，并将特征影响数据存储在特征结果库表中。
178.步骤s805，将模型导出至模型文件。
179.步骤s806，将模型加载至模型部署服务。
180.步骤s807，进行特征选择。
181.这里，步骤s807在实现时，可以通过显著特征遴选模块利用显著性特征判断算法从特征结果库表中遴选出对运营目标具有显著效应的特征。
182.步骤s808，将遴选结果放入最终结果库表中。
183.步骤s809，智能运营平台获取显著抓手特征集合。
184.步骤s810，智能运营平台从显著抓手特征集合中选择至少一个显著抓手特征，向模型部署服务获取该显著抓手特征对应的运营策略。
185.这里，运营策略生成模块将基于用户选择的显著抓手特征，将最终结果库表的内容经过加工，返回到前端，给用户呈现和交互，在一些实施例中，前端展示如图6所示的界面。
186.以下对复发事件分析模型遴选显著抓手特征的实现过程进行说明。
187.复发事件分析模型将信息流中的用户维度、内容维度、行为维度作为特征输入生存模型，并将生存模型的生存概率映射成为活跃概率，从而得到各个组合特征对运营目标的影响值。进一步地，可以基于浏览器大盘的流水提取rfm模型特征并提取信息流流水的统计特征，该rfm特征和统计特征均可以为用户行为特征，在本技术实施例中可以将曝光作为可操作且可修改的抓手(treat ment)特征，其他作为人群(group)特征，交叉有效的treatment+group特征组合，最后将交叉得到的treatment+group特征组合输入到预设的生存模型，得到各个特征组合对运营目标的影响值。在本技术实施例中，预设的生存模型可以是ag-cp模型和脆弱模型(fraity model)的组合模型，利用这两种模型能够解决事件之间的依赖关系以及人群的异构性问题。
188.在一些实施例中，还可以根据生存模型预测数据集的生存曲线，将treatme nt特征置为均值，重新计算生存曲线，计算两条生存曲线的差异，再将生存曲线的日差值映射到每日访问概率，最终得到treatment特征对dau的影响。
189.在本技术实施例中，通过对历史数据的分析能够自动发现对运营目标有显著效应
的特征，并确定出目标人群以及对应的运营策略，从而提高核心运营目标，减少人力成本和发现有用特征的时间成本；并且能够量化目标人群和改变带来的实际收益，降低盲目实验带来的可能的用户损伤，提高产品运营的准确性。
190.下面继续说明本技术实施例提供的信息流推荐策略处理装置354实施为软件模块的示例性结构，在一些实施例中，如图2所示，存储在存储器350的信息流推荐策略处理装置354中的软件模块可以是运营后台300中的信息流推荐策略处理装置，包括：
191.第一获取模块3541，用于获取预设的运营目标属性，并确定对所述运营目标属性产生影响的至少一个影响特征；
192.第一确定模块3542，用于响应于针对所述至少一个影响特征的选择操作，确定目标影响特征；
193.第二确定模块3543，用于基于历史信息流和所述运营目标属性，确定所述目标影响特征对应的目标推荐人群和目标对应关系，其中，所述目标对应关系包括目标影响特征的特征值与所述运营目标属性的目标值之间的对应关系；
194.第三确定模块3544，用于基于所述目标推荐人群和所述目标对应关系，确定并呈现推荐策略，其中，所述推荐策略包括目标影响特征的推荐值和所述推荐值对应的所述运营目标属性的目标值。
195.在一些实施例中，该第二确定模块3543还用于：
196.获取历史信息流，并提取所述历史信息流中的特征数据，其中，所述特征数据中包括多个特征属性和所述多个特征属性的特征值；
197.将所述特征数据进行交叉处理，得到多个特征组合数据，其中，多个特征组合数据中至少包括目标影响特征的历史特征值；
198.基于所述多个特征组合数据，确定所述目标影响特征对应的目标推荐人群和目标对应关系。
199.在一些实施例中，该第二确定模块3543还用于：
200.基于所述特征数据，获取所述目标影响特征的至少一个历史特征值；
201.获取各个历史特征值对应的人群特征数据；
202.将各个历史特征值和对应的人群特征数据进行组合，得到多个特征组合数据。
203.在一些实施例中，该第二确定模块3543还用于：
204.确定对应的运营目标属性的各个历史目标值；
205.将所述各个特征组合数据和各个历史目标值输入至数据分析模型，得到各个特征组合数据对运营目标属性的各个影响参数和所述目标对应关系；
206.基于所述各个影响参数确定所述目标影响特征对应的目标推荐人群。
207.在一些实施例中，该第二确定模块3543还用于：
208.基于所述各个影响参数和预设的影响阈值，确定目标特征组合数据；
209.基于所述目标特征数据中包括的人群特征数据，确定所述目标影响特征对应的目标推荐人群。
210.在一些实施例中，该装置还包括：
211.第二获取模块，用于获取当前信息流，并基于所述当前信息流获取所述目标影响特征的当前特征值和所述目标推荐人群对应的运营目标属性的当前目标值；
212.第四确定模块，用于基于所述当前特征值和所述当前目标值，确定所述目标推荐人群在预设的第一坐标系的第一位置，并在所述第一位置按照第一预设方式呈现所述目标推荐人群；
213.第三获取模块，用于响应于针对所述目标影响特征的调整操作，获取所述目标影响特征的调整值；
214.第五确定模块，用于基于所述调整值和所述目标对应关系，确定所述运营目标属性的预测值；
215.第六确定模块，用于基于所述调整值和所述预测值，确定所述目标推荐人群在所述第一坐标系的第二位置，并在所述第二位置按照第一预设方式呈现所述目标推荐人群。
216.在一些实施例中，该装置还包括：
217.第四获取模块，用于响应于针对所述第一坐标系中人群标识的选择操作，获取选择出的目标标识；
218.第五获取模块，用于获取所述目标标识对应的目标推荐人群中各个用户的目标影响特征的历史值和运营目标属性的历史值；
219.第七确定模块，用于基于各个用户的目标影响特征的历史值和运营目标属性的历史值，确定各个用户在预设的第二坐标系的各个第三位置；
220.呈现模块，用于在所述各个第三位置按照第二预设方式呈现各个用户。
221.需要说明的是，本技术实施例装置的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本装置实施例中未披露的技术细节，请参照本技术方法实施例的描述而理解。
222.本技术实施例提供一种存储有可执行指令的存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本技术实施例提供的方法，例如，如图4示出的方法。
223.在一些实施例中，存储介质可以是计算机可读存储介质，例如，铁电存储器(fram，ferromagnetic random access memory)、只读存储器(rom，r ead only memory)、可编程只读存储器(prom，programmable read only memory)、可擦除可编程只读存储器(eprom，erasable programmable read only memory)、带电可擦可编程只读存储器(eeprom，electrically erasable programmable read only memory)、闪存、磁表面存储器、光盘、或光盘只读存储器(cd-rom，compact disk-read only memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
224.在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
225.作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(h tml，hyper text markup language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计
算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
226.以上所述，仅为本技术的实施例而已，并非用于限定本技术的保护范围。凡在本技术的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本技术的保护范围之内。