本发明涉及页面版本选优和个性化推荐领域，尤其涉及到一种基于上下文背景信息的自动多版本漏斗页面选优方法。
背景技术：
：：在快速发展互联网时代，应用app、网页等产品给用户的前端展现往往直接决定了用户对产品的接受程度，进而也决定了产品的成败，因此页面设计对产品至关重要。然而，不同用户对于页面设计的喜好是不一样的，甚至同一个用户对于同一个内容的页面设计在不同的时间点或访问背景下的喜好也是不一样的，因此页面和产品设计人员常常面临众口难调、顾此失彼的困境，无法设计出一款让大家都满意的单一页面来。所以，产品设计人员往往会为同一个页面内容设计出多个不同的页面版本来，然后通过一些方法来让不同的用户看到不同的页面版本，比如基于上下文或推荐算法的方法。这样的方法对于单页面的场景来说可能是有效的。在互联网应用中，除了单页面场景外，实际更多的是基于漏斗的场景。所谓基于漏斗的场景，就是多个页面依顺序展现给客户，客户在最后那个页面完成最终的转化或触发产品期望的关键指标。互联网电商的购物场景就是典型的漏斗场景。例如，某个互联网电商有几个连续的页面：商品选择页面、收货地址填写页面、付费页面。这三个页面构成了一个拥有三层页面的漏斗。一般来说，用户会依顺序进入每一个页面，而且每个页面都会有一个自己的转化率。比如，100个用户进入了商品选择页面，然而最后只有80个用户进入了收货地址填写页面，那么商品选择页面的转化率就是80％；进入收货地址填写页面的80个用户有40个进入了付费页面，那么收货地址填写页面的转化率就是50％；进入付费页面的40个用户，最终有10个最终完成了付费操作，那么付费页面的转化率就是25％。漏斗场景也有类似于单页面多版本设计的需求。拿前述的商品选择页面来说，不同用户可能喜欢不同的商品选择页面风格，同一个用户可能在不同上下文背景下(比如白天或黑夜)喜欢不同的商品选择页面风格，因此设计多个版本的商品选择页面并在不同上下文环境下展现给不同用户是很有必要的。所以，在漏斗模型中，它的每一层页面都应该有若干个不同的版本。但是，对于漏斗场景来说，它有特殊性：在选择当前页面合适页面版本的时候，不能只考虑当前页面版本的转化率，而应该综合下一个页面的转化率来考虑，从而应该选择出总体转化率更高的漏斗路径来。图1为一个例子。在图1中可以看出：(1)对于版本的分派需要考虑用户的上下文信息(context)。即对于同一个漏斗来说，不同用户的最终转化率是不同的。比如，同是对于漏斗“l1_v2->l2_v1”，男性(male)用户的最终转化率是32％，而女性(female)用户的最终转化率是20％。(2)对于同一个用户来说，在所有漏斗版本里会有一个最终整体转化率最好的漏斗版本，并且该漏斗版本中的第一层的转化率并不一定是所有漏斗版本中最高的，因此并不能按层的顺序依次选择转化率最高的层版本便能找出最终整体转化率最好的漏斗版本。比如，对于男性(male)用户，虽然漏斗层1中，转化率最高的是版本“l1_v1”，但所有漏斗版本中整体转化率最好的“l1_v2->l2_v1”却没有包含“l1_v1”。因此，需要有一个合理的方法能在多版本漏斗场景中找出一个最终整体转化率最高的漏斗版本来。技术实现要素：针对现有技术的不足，本发明旨在提供一种基于上下文背景信息的自动多版本漏斗页面选优方法，以解决现有技术的不足之处。为了实现上述目的，本发明采用如下技术方案：一种基于上下文背景信息的自动多版本漏斗页面选优方法，包括如下步骤：s1、根据具体应用场景，设计出漏斗模型，所述漏斗模型按顺序包含多层页面，用户会依次访问每层页面，并且在任何一层页面时都有可能进入或不进入下一层页面，以及完成或不完成当层页面的转化；s2、为漏斗模型的每一层页面分别设计多个不同的页面版本；s3、通过漏斗模型的不同层的页面之间的页面版本交叉组合生成若干个漏斗版本；s4、将所有的上下文元素的变量值进行交叉组合，形成上下文元素组；s5、将步骤s4中得到的所有的上下文元素组和步骤s1中得到的漏斗模型进行交叉组合，得到若干带上下文信息的漏斗模型，各个带上下文信息的漏斗模型中相应地含有若干带上下文信息的漏斗版本；s6、为每一个带上下文信息的漏斗模型创建一个用于帮助选择最优漏斗版本的智能学习模型，得到若干带上下文信息的漏斗智能学习模型；s7、开始训练步骤s6中得到的带上下文信息的漏斗智能学习模型；s7.1、对每一个进入产品漏斗的用户，根据该用户所包含的上下文元素组，为其分配对应的带上下文信息的漏斗智能学习模型；s7.2、当每一个用户进入产品漏斗时，在漏斗模型中按同等概率随机为其选择一个漏斗版本，使其看到该漏斗版本所设定的产品功能和展示；s7.3、对每一个进入产品漏斗的用户，根据其在产品中的实际行为和表现，更新其所属的带上下文信息的漏斗智能学习模型，然后开始训练所更新的带上下文信息的漏斗智能学习模型，直至符合设定的结束条件后结束训练；结束训练后，此时每一个带上下文信息的漏斗智能学习模型将选出整体转化率最高的漏斗版本，该整体转化率最高的漏斗版本即为该带上下文信息的漏斗智能学习模型所对应的最佳漏斗版本。进一步地，所述智能学习模型包括但不限于qlearning、qlearning、sarsa、policygradients、actor-critic、monte-carlolearning、deep-q-learning。进一步地，在选出最佳漏斗版本后，开始使用模型时，当每一个用户进入某一产品的漏斗模型时，根据该用户所包含的上下文元素组，找到其对应的带上下文信息的漏斗智能学习模型，并且将该漏斗智能学习模型在模型训练中选择出的最佳漏斗版本分配给该用户，使其看到最佳漏斗版本所设定的产品功能和展示。本发明的有益效果在于：通过本发明方法，可以结合上下文信息，有效地在多版本漏斗场景中找出一个最终整体转化率最高的漏斗版本。附图说明图1为现有技术的实施方式举例示意图；图2为本发明实施例中的方法流程示意图。具体实施方式以下将结合附图对本发明作进一步的描述，需要说明的是，以下实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。如图2所示，一种基于上下文背景信息的自动多版本漏斗页面选优方法，包括如下步骤：s1、根据具体应用场景，设计出一个漏斗模型：该漏斗模型按顺序包含多层页面，用户会依次访问每层页面，并且在任何一层页面时都有可能进入或不进入下一层页面，以及完成或不完成当层页面的转化；s2、为漏斗模型的每一层页面分别设计多个不同的页面版本；s3、通过漏斗模型的不同层的页面之间的页面版本交叉组合生成若干个漏斗版本；s4、将所有的上下文(context)元素(feature)的变量值(variable)进行交叉组合，形成若干上下文元素组；s5、将步骤s4中得到的所有的上下文元素组和步骤s1中得到的漏斗模型进行交叉组合，得到若干带上下文信息的漏斗模型，各个带上下文信息的漏斗模型中相应地含有若干带上下文信息的漏斗版本；s6、为每一个带上下文信息的漏斗模型创建一个用于帮助选择最优漏斗版本的智能学习模型，得到若干带上下文信息的漏斗智能学习模型；具体的智能学习模型算法可以根据需要来实际设定，比如使用qlearning、sarsa、policygradients、actor-critic、monte-carlolearning和deep-q-learning等强化学习模型或其它算法。s7、开始训练步骤s6中得到的带上下文信息的漏斗智能学习模型；s7.1、对每一个进入产品漏斗的用户，根据该用户所包含的上下文元素组，为其分配对应的带上下文信息的漏斗智能学习模型；s7.2、当每一个用户进入产品漏斗时，在漏斗模型中按同等概率随机为其选择一个漏斗版本，使其看到该漏斗版本所设定的产品功能和展示；s7.3、对每一个进入产品漏斗的用户，根据其在产品中的实际行为和表现，更新其所属的带上下文信息的漏斗智能学习模型，然后开始训练所更新的带上下文信息的漏斗智能学习模型，直至符合设定的结束条件后结束训练；结束训练后，此时每一个带上下文信息的漏斗智能学习模型将选出整体转化率最高的漏斗版本，该整体转化率最高的漏斗版本即为该带上下文信息的漏斗智能学习模型所对应的最佳漏斗版本。所述结束条件可以是训练模型基本收敛、训练既定时间结束、训练既定样本量已经使用完成等，可以根据实际情况设定。s8、开始使用模型：当每一个用户进入某一产品的漏斗模型时，根据该用户所包含的上下文元素组，找到其对应的带上下文信息的漏斗智能学习模型，并且将该漏斗智能学习模型在模型训练中选择出的最佳漏斗版本分配给该用户，使其看到最佳漏斗版本所设定的产品功能和展示。实施例1一、产品p为了提升用户的充值率，设计一个转化漏斗模型，名叫漏斗模型a。漏斗模型a包含2层页面：l1(layer1)和l2(layer2)。l1是广告页，主要负责流量的获取；l2是充值页，负责完成充值操作。l1的用户中，有一部分人可能会进入l2，而另外的人则会离开产品；l2的用户中，有一部分人可能会完成充值操作、完成产品转化(conversion，简称cov)目标，另外的人则会离开产品。二、漏斗模型a的l1包含两个不同的页面版本“l1v1”和“l1v2”；l2包含两个不同的页面版本“l2v1”和“l2v2”。三、通过漏斗模型a不同层页面之间的页面版本交叉组合生成若干个漏斗版本：“l1v1_l2v1”、“l1v1_l2v2”、“l1v2_l2v1”和“l1v2_l2v2”。因此，漏斗模型a就包含了4个不同的漏斗版本。四、产品p设定了2个用户的上下文元素：性别(gender)和访问时间(time)。这2个用户的上下文元素又各自拥有不同的变量值：性别有男(male)和女(female)；时间有白天(day)和黑夜(night)。将这些变量值跨元素进行交叉，则会生成若干上下文元素组：male_day、male_night、female_day、female_night。如果只有一个用户上下文元素，那么就只会有相同于该上下文元素的变量值数量的上下文元素组。比如，如果只有1个用户的上下文元素性别(gender)，那么总共有的上下文元素组为male和female。五、将所有的上下文元素组和所有的漏斗模型a交叉组合，形成4个带上下文信息的漏斗模型：1)male_day&漏斗模型a。它包含的漏斗版本是：male_day&l1v1_l2v1、male_day&l1v1_l2v2、male_day&l1v2_l2v1、male_day&l1v2_l2v2；2)male_night&漏斗模型a。它包含的漏斗版本是：male_night&l1v1_l2v1、male_night&l1v1_l2v2、male_night&l1v2_l2v1、male_night&l1v2_l2v2；3)female_day&漏斗模型a。它包含的漏斗版本是：female_day&l1v1_l2v1、female_day&l1v1_l2v2、female_day&l1v2_l2v1、female_day&l1v2_l2v2；4)female_night&漏斗模型a。它包含的漏斗版本是：female_night&l1v1_l2v1、female_night&l1v1_l2v2、female_night&l1v2_l2v1、female_night&l1v2_l2v2。如果只有1个用户的上下文元素性别(gender)，那么总共有的带上下文信息的漏斗是：1)male&漏斗模型a。它包含的漏斗版本是：male&l1v1_l2v1、male&l1v1_l2v2、male&l1v2_l2v1、male&l1v2_l2v2；2)female&漏斗模型a。它包含的漏斗版本是：female&l1v1_l2v1、female&l1v1_l2v2、female&l1v2_l2v1、female&l1v2_l2v2。六、为每一个带上下文信息的漏斗模型创建一个帮助选择最优漏斗版本的智能模型，从而形成若干带上下文信息的漏斗智能学习模型：①male_day&漏斗模型a&智能学习模型；②male_night&漏斗模型a&智能学习模型；③female_day&漏斗模型a&智能学习模型；④female_night&漏斗模型a&智能学习模型。七、开始训练步骤六得到的带上下文信息的漏斗智能学习模型：7.1、用户a进入产品p，用户a的上下文元素组是female_night，因此为其分配对应的带上下文信息的漏斗智能学习模型为female_night&漏斗a&智能学习模型；7.2、用户a进入产品p，在漏斗模型a中按同等概率随机为用户a选择一个漏斗版本，比如l1v1_l2v1；使其看到该漏斗版本所设定的产品功能和展示；7.3、用户a在产品中可能有不同的实际行为和表现，比如“从广告页成功进入到了下一个充值页”、“在充值页没有完成充值就离开了”等等。此时根据用户的实际行为和表现更新其所属的带上下文信息的漏斗智能学习模型，比如qlearning模型中的qtable，然后完成所更新的带上下文信息的漏斗智能学习模型的训练。7.4、当满足设定的条件时，退出模型训练阶段，此时每一个带上下文信息的漏斗智能模型都会选出一个整体转化率最高的漏斗版本，比如：male_day&漏斗模型a&智能学习模型&最佳漏斗版本：“l1v1_l2v1”；male_night&漏斗模型a&智能学习模型&最佳漏斗版本：、“l1v2_l2v1”；female_day&漏斗模型a&智能学习模型&最佳漏斗版本：“l1v2_l2v2”；female_night&漏斗模型a&智能学习模型&最佳漏斗版本：“l1v1_l2v2”。八、正式开始使用漏斗模型时，用户a进入产品p漏斗a时，系统自动会根据其上下文元素组“female_night”找到其对应的带上下文信息的漏斗智能学习模型“female_night&漏斗模型a&智能学习模型”，并且将该带上下文信息的漏斗智能学习模型已选出的最佳漏斗版本“l1v1_l2v2”分配给用户a，使其看到该最佳漏斗版本“l1v1_l2v2”所设定的产品功能和展示。对于本领域的技术人员来说，可以根据以上的技术方案和构思，给出各种相应的改变和变形，而所有的这些改变和变形，都应该包括在本发明权利要求的保护范围之内。当前第1页12当前第1页12