CN106610818A - 一种属性确定的方法及装置 - Google Patents
一种属性确定的方法及装置 Download PDFInfo
- Publication number
- CN106610818A CN106610818A CN201510674534.7A CN201510674534A CN106610818A CN 106610818 A CN106610818 A CN 106610818A CN 201510674534 A CN201510674534 A CN 201510674534A CN 106610818 A CN106610818 A CN 106610818A
- Authority
- CN
- China
- Prior art keywords
- attribute
- probability
- determined
- user
- destination object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种属性确定的方法及装置,该方法当监测到用户执行了指定操作时,根据该指定操作,确定与该指定操作的时间及其指定操作相关的目标对象的数据信息,根据确定的数据信息,确定各参数,根据确定的数据信息及确定的各参数,来确定数据信息对应的概率,并根据确定出的概率及确定的数据信息,确定目标对象的最终属性。通过上述方法,每次监测到指定操作时都会更新一次目标对象的最终属性,并且基于最新的历史数据进行动态更新,因此得到的最终属性具有较高的实时性和准确性,相对于现有技术中的仅凭人为经验设定属性,并且经过较长的周期才更新一次的属性确定方法,该方法可有效提高用户获取服务时的准确性和便利性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种属性确定的方法及装置。
背景技术
随着网络技术的不断发展,人们已经可以通过网络获取各种服务。目前,人们通过网络获取服务时,通常都要基于一些数据来获取服务,而对于数据而言,数据的属性至关重要。
在现有技术中,数据属性的设定往往是人为凭借经验设定的,这就会引入较大的人为误差。而虽然现有技术中已经设定的数据属性往往也会周期性的调整,但是,其调整的周期通常较长,一般为几个月甚至几年才调整一次。
而在实际应用场景中,人们获取服务时所基于的需求是瞬息万变的,现有技术中仅凭人为经验设定属性,并且经过较长的周期才更新一次的属性确定方法势必会导致用户获取服务的准确性和便利性较低。
发明内容
本申请实施例提供一种属性确定的方法及装置,用以解决现有技术中用户获取服务的准确性和便利性较低的问题。
本申请实施例提供的一种属性确定的方法,包括:
当监测到用户执行了指定操作时,根据所述指定操作,确定与所述指定操作相关的目标对象的基础属性;
根据监测到所述用户执行所述指定操作的时间,确定历史数据;
根据所述历史数据,确定参数;
根据所述历史数据和所述参数,确定所述基础属性对应的属性概率;
根据所述基础属性和属性概率,确定所述目标对象的最终属性。
本申请实施例提供的一种属性确定的方法,包括:
当监测到用户执行了指定操作时,根据监测到所述用户执行所述指定操作的时间,确定历史数据;
根据所述历史数据,确定参数;
根据所述历史数据和所述参数,确定与所述指定操作相关的目标对象对应的属性概率;
根据预设的各概率区间和所述属性概率,确定所述属性概率所落入的概率区间;
将预先针对确定出的概率区间设定的属性,确定为所述目标对象的最终属性。
本申请实施例提供的一种属性确定的装置,包括:
基础属性确定模块,用于当监测到用户执行了指定操作时,根据所述指定操作,确定与所述指定操作相关的目标对象的基础属性;
数据确定模块,用于根据监测到所述用户执行所述指定操作的时间,确定历史数据;
参数确定模块,用于根据所述历史数据,确定参数;
概率确定模块,用于根据所述历史数据和所述参数,确定所述基础属性对应的属性概率;
最终属性确定模块,用于根据所述基础属性和属性概率,确定所述目标对象的最终属性。
本申请实施例提供的一种属性确定的装置,包括:
数据确定模块,用于当监测到用户执行了指定操作时,根据监测到所述用户执行所述指定操作的时间,确定历史数据;
参数确定模块,用于根据所述历史数据,确定参数;
概率确定模块,用于根据所述历史数据和所述参数,确定与所述指定操作相关的目标对象对应的属性概率;
区间确定模块,用于根据预设的各概率区间和所述属性概率,确定所述属性概率所落入的概率区间;
属性确定模块,用于将预先针对确定出的概率区间设定的属性,确定为所述目标对象的最终属性。
本申请实施例提供一种属性确定的方法及装置,该方法当监测到用户执行了指定操作时,根据该指定操作,确定与该指定操作的时间及其指定操作相关的目标对象的数据信息,根据确定的数据信息,确定各参数,根据确定的数据信息及确定的各参数,来确定数据信息对应的概率,并根据确定出的概率及确定的数据信息,确定目标对象的最终属性。通过上述方法,每次监测到指定操作时都会更新一次目标对象的最终属性,并且更新时是动态基于历史数据来更新的,因此得到的最终属性具有较高的实时性和准确性,相对于现有技术中的仅凭人为经验设定属性,并且经过较长的周期才更新一次的属性确定方法,可有效提高用户获取服务时的准确性和便利性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的第一种属性确定过程;
图2为本申请实施例提供的第二种属性确定过程;
图3为本申请实施例提供的第一种属性确定的装置结构示意图;
图4为本申请实施例提供的第二种属性确定的装置结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
现有技术中的一些目标对象的数据属性通常都是由人为凭借经验进行设定的,且更新周期往往较长,所以确定出的数据属性可能存在准确率较低、合理性较差的问题,为此,本申请实施例提供了一种属性确定的方法,通过该方法确定出的最终属性,是通过一定时间段的历史数据进行实时确定的,可有效提高确定出的最终属性的准确性和合理性,其中,目标对象可以是人们在网购过程中所涉及到的运费险、信用卡的信用额度等,为了详细说明本申请的属性确定过程,下面仅以确定运费险的保费额度的场景来进行说明。
图1为本申请实施例提供的第一种属性确定过程,具体包括以下步骤:
S101:当监测到用户执行了指定操作时,根据所述指定操作,确定与所述指定操作相关的目标对象的基础属性。
在本申请实施例中,人们可以通过网络获取多种服务,其中,人们可以从网上来购买自己所需的各种商品,而在购买商品的过程中,买家在网上购买商品后,通常情况下,卖家都是通过第三发物流运输来将买家所购买的商品发送给买家的,而买家在接收到卖家发送过来的商品时,发现该商品的颜色、尺寸等一些商品特征并不符合自己的期望,或是发送该商品存在一定的质量问题,亦或是不再想要该商品,则需要进行退货,而买家在进行退货的时候也需要通过第三发物流运输将接收到的商品发回给卖家。在实际应用中,在退货的过程中时常会出现因第三发物流费用所产生的一些费用纠纷问题,而为了用户能够在网上购物时享受更好的服务,网络运营商则在网购的服务中增加了运费险的相关服务。运费险服务主要是在买家进行退货或换货时,在支付了第三发物流费用后,保险公司则会给买家一定数据的费用补偿,从而减低或避免了买家在退货或换货时所支出的第三发物流费用,进而有效降低了买家或卖家因第三发物流费用所产生的费用纠纷问题。
本申请实施例中所述的运费险的属性具体则可以是运费险的保费数额。也即,每当服务器监测到用户执行了指定操作时,均可更新一次运费险的保费数额。在更新保费数额时,可先根据该指定操作,确定保费数额的基础属性。
其中,该指定操作包括但不限于下单操作。所述的基础属性可以是本次下单操作所对应的运费数额。
例如,假设买家用户购买了某个商品,其执行了下单操作,服务器则可确定本次下单操作对应的订单中的运费数额,作为本次下单操作的运费险的基础属性。
S102:根据监测到所述用户执行所述指定操作的时间,确定历史数据。
为了能够实时、准确的确定出目标对象(例如可以是运费险)的最终属性,本申请实施例可根据监测到的用户执行该指定操作的时间,确定该时间之前的一段历史数据。
具体的,当目标对象为运费险、且所述的指定操作为下单操作时,服务器具体可根据监测到的下单操作,确定该下单操作对应的卖家用户和该下单操作对应的商品所属的类目,并以监测到的该时间为时间终点,确定到该时间终点的时间段为指定时间长度的时间起点,最后确定从时间起点到时间终点的时间段内,卖家用户办理退货的次数、卖家用户的退货率、买家用户通过运费险进行理赔的次数、买家用户通过运费险进行理赔的概率、下单操作对应的商品所属的类目对应的运费险理赔概率中的至少一个,作为确定出的历史数据。
其中,所述的指定时间长度可根据需要进行设定,例如可以设定为N个月。
S103:根据所述历史数据,确定参数。
本申请实施例中所述的参数是用户确定目标对象的最终属性的参数,该参数可以是一个,也可以是多个,该参数可根据历史数据和预设的计算模型进行计算。也就是说,本申请实施例中所述的参数会随着历史数据的变化而变化。例如,假设某买家用户在10月14日购买了某个商品,确定历史数据时所基于的指定时间长度为1个月,则服务器通过上述步骤S102确定出的历史数据是9月14日~10月14日确定出的历史数据,通过步骤S103确定出的参数则是基于9月14日~10月14日的历史数据确定出的参数,而如果另一个买家用户在10月16日购买了某个商品,则服务器通过上述步骤S102确定出的历史数据是9月16日~10月16日确定出的历史数据,通过步骤S103确定出的参数则是基于9月16日~10月16日的历史数据确定出的参数。两次确定出的历史数据并不相同,因此两次确定出的参数也不相同,从而后续确定出的最终属性也不相同,尤其是在某类商品的热卖时期,基于不同的时间确定出的历史数据可能会有很大差别,从而基于不同的历史数据确定出的参数也会有很大差别。
S104:根据所述历史数据和所述参数,确定所述基础属性对应的属性概率。
当所述的目标对象的最终属性为运费险的保费数额时,本申请实施例中所述的属性概率具体可以是运费险的预测出险率。
当服务器确定了各历史数据和与各历史数据相关的参数后,可根据公式P=Logit(a+log(B+1)×b+C×c+log(D+1)×d+E×e+H×h)确定本次监测到的指定操作对应的运费险的预测出险率,其中,P为运费险的预测出险率、B为卖家用户办理退货的次数、C为卖家用户的退货率、D为买家用户通过运费险进行理赔的次数、E为买家用户通过运费险进行理赔的概率、H为买家所购商品所属的类目所对应的运费险理赔概率,a、b、c、d、e、h分别为服务器根据各历史数据确定出的参数。
另外,在步骤S103中,上述的参数b可根据历史数据B确定,上述的参数c可根据历史数据C确定,上述的参数d可根据历史数据D确定,上述的参数e可根据历史数据E确定,上述的参数h可根据历史数据H确定,这些参数虽然随着相应的历史数据的变化而变化,但可为每个参数均设定一个上限和/或下限,也即,这些参数只在其对应的上/下限范围内浮动,每个参数与其对应的历史数据可以是正相关的关系,也可以是负相关的关系。
S105:根据所述基础属性和属性概率,确定所述目标对象的最终属性。
当服务器通过上述步骤S104,确定了运费险的预测出险率后,则可通过该预测出险率(属性概率)和之前确定的运费数额(基础属性),来确定出最终的运费险的保费数额(最终属性)。具体的,服务器可将预测出险率与运费数额的乘积确定为本次指定操作对应的运费险的保费数额。
考虑到实际应用场景中,对于运费险的保费数额来说,会受到商品价格的变化影响,因此,为了使确定出的买家版运费险的保费数额更加准确,服务器在确定买家版运费险时,还可将预测出险率、运费数额以及预设的调整因子的乘积,确定为本次指定操作对应的运费险的保费数额。该调整因子可根据实际需要进行设定。
进一步的,当买家在选购商品时,如果选购了多个数量的同一件商品,这些商品可能存在尺寸、颜色等一些特征因素不同的差异,但是,随着买家选购的同件商品的数量增加,可能相应的该商品的退货率也相应增加,进而可能会影响到最终的买家版运费险的保费数额。因此,为了进一步提高确定出的运费险的保费数额的准确性,服务器还可确定监测到的本次下单操作(指定操作)对应的各商品之间的相关系数,将确定的预测出险率、运费数额、预设的调整因子以及相关系数的乘积,确定为本次指定操作对应的运费险的保费数额,其中,所述的相关系数不小于1。
具体的,服务器在确定相关系数时,可判断监测到的本次下单操作对应的多个商品中,属于同一类目的商品的数量,并根据预设的属于同一类目的商品的数量与相关系数的对应关系,确定相关系数。如果本次下单操作对应的各商品所属的类目为至少两个,而且属于每个类目的商品的数量也至少为两个,则可分别针对每个类目确定相应的相关系数,最后将针对每个类目确定的相关系数中的最大值,作为后续确定最终属性时所采用的相关系数。
例如,假设用户本次下单操作购买的商品为2个椅子,则服务器确定属于同一类目的商品的数量为2,假设预先设定的数量2对应的相关系数为X1,则确定相关系数为X1,后续则可根据确定的预测出险率、运费数额、预设的调整因子以及相关系数X1,确定运费险的保费数额。
又如,假设用户本次下单操作购买的商品为2个椅子和3个盘子,则服务器确定属于家具类目的商品的数量为2,属于餐具类目的商品的数量为3,假设预先设定的数量2对应的相关系数为X1,数量3对应的相关系数为X2,则确定家具类目对应相关系数为X1,餐具类目对应的相关系数为X2,假设X2大于X1,则由于确定的相关系数中的最大值为X2,因此后续则可根据确定的预测出险率、运费数额、预设的调整因子以及相关系数X2,确定运费险的保费数额。
通过上述方法,服务器每次监测到指定操作时都会更新一次目标对象的最终属性,并且更新时是动态基于历史数据来更新的,因此得到的最终属性具有较高的实时性和准确性,相对于现有技术中的仅凭人为经验设定属性,并且经过较长的周期才更新一次的属性确定方法,可有效提高用户获取服务时的准确性和便利性。
本申请提供的如图1所示的属性确定方法除了可用于确定运费险的保费数额以外,还可用于确定其他服务的最终属性,如保证金、信用额度等,这里就不再一一赘述。
下面仍以确定运费险的保费数额为例进行说明。
在图1所示的步骤S104中,服务器可通过步骤S104中所提到的公式,来确定预测出险率,其中,该相关公式中的D和E为买家用户通过运费险进行理赔的次数和概率,而在实际应用中,运费险的种类不止一种,通常包括由卖家用户承担保费的卖家版运费险和由买家用户自行承担保费的买家版运费险两种,也即,买家用户获得运费险理赔的方式可分为两种,其一为买家用户通过卖家版运费险来获取的理赔,其二为买家用户通过自行购买的买家版运费险来获取的理赔。因此,当存在的运费险包括上述两种时,在步骤S104中,服务器具体可采用公式P=Logit(a+log(B+1)×b+C×c+log(D+1)×d+E×e+log(F+1)×f+G×g+H×h),其中D和E分别为买家用户通过卖家版运费险所获取的理赔次数和概率,而F和G则分别为买家用户通过自行购买的买家版运费险所获取的理赔次数和概率,而其它则与步骤S104中相同。
在步骤S105中,最终定出的买家版运费险的保费数额需要有一定的取值范围,因为,在实际应用中,商品的价格和第三方物流费用都会维持在一个相对稳定的价格范围中,若通过本申请实施例定出的买家版运费险的保费数额过高,甚至超过了商品的实际价格和第三方物流费用,则显然是不合理的,为此,可设置一个保费数额的上限数额,即当服务器定出的运费险的保费数额超出了预设的上限数额时,则服务器可将预设的上限数额作为最终的买家版运费险的保费数额。
由于在实际应用中通常存在卖家版运费险和买家版运费险两种,因此,本申请上述提供的运费险的保费数额确定方法具体可应用于买家版运费险中,当然,也可应用于卖家版运费险或其他服务的属性中。
下面仍以运费险为例,说明本申请提供的另一种属性确定方法,如图2所示。
图2为本申请实施例提供的第二种属性确定过程。
S201:当监测到用户执行了指定操作时,根据监测到所述用户执行所述指定操作的时间,确定历史数据。
在第二种属性确定方法中,所述的指定操作仍可以是下单操作。当服务器监测到用户执行了下单操作后,可根据下单操作,确定下单操作对应的卖家用户和下单操作对应的商品所属的类目,同时,还可以监测到的下单操作所对应的下单时间为终点时间,确定到该时间终点的时间段为指定时间长度的时间起点,确定从时间起点到时间终点的时间段内,卖家用户办理退货的次数、卖家用户的退货率、本次下单操作对应的商品所属的类目对应的运费险理赔概率中的至少一种,作为确定的历史数据。
S202:根据所述历史数据,确定参数。
当服务器确定了各历史数据后,可根据预设的计算模型,将各历史数据输入到该处理模型中,得到一个或多个参数,其中,服务器确定参数的过程与上述S103相同,在此就不进行详细赘述。
S203:根据所述历史数据和所述参数,确定与所述指定操作相关的目标对象对应的属性概率。
当服务器确定了各参数后,可根据确定的各历史数据以及得到的各参数,来确定运费险的预测出险概率(即,目标对象的属性概率)。
具体的,当服务器确定了各历史数据和各参数后,可采用公式P=Logit(a+log(B+1)×b+C×c+H×h)确定运费险的预测出险概率,其中,P为与卖家相关的预测出险率、B为卖家用户办理退货的次数、C为卖家用户的退货率、H为商品所属类目对应的运费险理赔概率,而a、b、c、h则分别为与各历史数据相对应的相关参数。
S204:根据预设的各概率区间和所述属性概率,确定所述属性概率所落入的概率区间。
S205:将预先针对确定出的概率区间设定的属性,确定为所述目标对象的最终属性。
当服务器确定出了运费险的预测出险率后,可根据预先设定的各概率区间,确定该预测出险率所落入的概率区间,并根据预先设定的该概率区间所对应的保费数额,来最终确定出运费险的保费数额(即,最终属性)。
例如,预设的各概率区间与运费险的保费数额的对应关系可以如表1所示:
表1
则服务器通过上述步骤S203确定出运费险的预测出现率后,可基于表1所示的各概率区间,通过步骤S204确定出该预测出现率所落入的概率区间,并通过步骤S205将该预测出现率所落入的概率区间对应的保费数额确定为运费险的保费数额。
上述如图2所示的属性确定方法可应用于确定卖家版运费险中,当然,也可应用于确定买家版运费险或其他服务的属性中,这里就不再赘述。
由于在实际应用中,用户可能不了解哪种运费险更为的合适,所以,为了能够更加方便的为用户提供运费险服务,服务器可在监测到用户执行了诸如下单操作等指定操作时,依次确定出各运费险类别所对应的保费数额,并根据一定的推荐规则向用户进行推荐一种或几种运费险,其中,该推荐规则不在本申请的保护范围之内。
以上为本申请实施例提供的属性确定的方法,基于同样的思路,本申请实施例还提供两种属性确定的装置,如图3、图4所示。
图3为本申请实施例提供的第一种属性确定的装置结构示意图,具体包括:
基础属性确定模块301,用于当监测到用户执行了指定操作时,根据所述指定操作,确定与所述指定操作相关的目标对象的基础属性;
数据确定模块302,用于根据监测到所述用户执行所述指定操作的时间,确定历史数据;
参数确定模块303,用于根据所述历史数据,确定参数;
概率确定模块304,用于根据所述历史数据和所述参数,确定所述基础属性对应的属性概率;
最终属性确定模块305,用于根据所述基础属性和属性概率,确定所述目标对象的最终属性。
所述用户包括买家用户;
所述指定操作包括下单操作;
与所述指定操作相关的目标对象包括所述下单操作对应的运费险;
所述基础属性包括所述下单操作对应的运费数额;
所述最终属性包括所述运费险的保费数额。
所述数据确定模块302具体用于,根据所述下单操作,确定所述下单操作对应的卖家用户和所述下单操作对应的商品所属的类目;以监测到的所述时间为时间终点,确定到所述时间终点的时间段为指定时间长度的时间起点;确定从所述时间起点到所述时间终点的时间段内,所述卖家用户办理退货的次数、所述卖家用户的退货率、所述买家用户通过所述运费险进行理赔的次数、所述买家用户通过所述运费险进行理赔的概率、所述类目对应的运费险理赔概率。
所述概率确定模块304具体用于,采用公式P=Logit(a+log(B+1)×b+C×c+log(D+1)×d+E×e+H×h)确定所述基础属性对应的属性概率;
其中:P为所述基础属性对应的属性概率;B为所述卖家用户办理退货的次数;C为所述卖家用户的退货率;D为所述买家用户通过所述运费险进行理赔的次数;E为所述买家用户通过所述运费险进行理赔的概率;H为所述类目对应的运费险理赔概率;a、b、c、d、e、h分别是根据所述历史数据确定的参数。
所述最终属性确定模块305具体用于,当所述下单操作对应的商品的数量为1时,将确定的所述基础属性、属性概率以及预设的调整因子的乘积,确定为所述目标对象的最终属性;当所述下单操作对应的商品的数量大于1时,确定所述下单操作对应的各商品之间的相关系数,所述相关系数不小于1;将确定的所述基础属性、属性概率、预设的调整因子以及所述相关系数的乘积,确定为所述目标对象的最终属性。
所述装置还包括:
推荐模块306,用于当所述目标对象的数量大于1时,根据确定出的各目标对象的最终属性,向所述用户推荐至少一个目标对象。
图4为本申请实施例提供的第二种属性确定的装置结构示意图。
数据确定模块401,用于当监测到用户执行了指定操作时,根据监测到所述用户执行所述指定操作的时间,确定历史数据;
参数确定模块402,用于根据所述历史数据,确定参数;
概率确定模块403,用于根据所述历史数据和所述参数,确定与所述指定操作相关的目标对象对应的属性概率;
区间确定模块404,用于根据预设的各概率区间和所述属性概率,确定所述属性概率所落入的概率区间;
属性确定模块405,用于将预先针对确定出的概率区间设定的属性,确定为所述目标对象的最终属性。
所述用户包括买家用户;
所述指定操作包括下单操作;
与所述指定操作相关的目标对象包括所述下单操作对应的运费险;
所述最终属性包括所述运费险的保费数额。
所述数据确定模块401具体用于,根据所述下单操作,确定所述下单操作对应的卖家用户和所述下单操作对应的商品所属的类目;以监测到的所述时间为时间终点,确定到所述时间终点的时间段为指定时间长度的时间起点;确定从所述时间起点到所述时间终点的时间段内,所述卖家用户办理退货的次数、所述卖家用户的退货率、所述类目对应的运费险理赔概率。
所述概率确定模块403具体用于,采用公式P=Logit(a+log(B+1)×b+C×c+H×h)确定所述目标对象对应的属性概率;
其中:P为所述目标对象对应的属性概率;B为所述卖家用户办理退货的次数;C为所述卖家用户的退货率;H为所述类目对应的运费险理赔概率;a、b、c、h分别是根据所述历史数据确定的参数。
所述装置还包括:
推荐模块406,用于当所述目标对象的数量大于1时,根据确定出的各目标对象的最终属性,向所述用户推荐至少一个目标对象。
本申请实施例提供一种属性确定的方法及装置,该方法当监测到用户执行了指定操作时,根据该指定操作,确定与该指定操作的时间及其指定操作相关的目标对象的数据信息,根据确定的数据信息,确定各参数,根据确定的数据信息及确定的各参数,来确定数据信息对应的概率,并根据确定出的概率及确定的数据信息,确定目标对象的最终属性。通过上述方法确定出的目标对象的最终属性是根据具体监测到的指定操作及其操作时间所相关的目标对象的数据信息来确定的,得到的最终属性具有实时性和准确性,相对于现有技术中的仅凭人为经验设定属性,并且经过较长的周期才更新一次的属性确定方法,可有效提高用户获取服务时的准确性和便利性。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (22)
1.一种属性确定的方法,其特征在于,包括:
当监测到用户执行了指定操作时,根据所述指定操作,确定与所述指定操作相关的目标对象的基础属性;
根据监测到所述用户执行所述指定操作的时间,确定历史数据;
根据所述历史数据,确定参数;
根据所述历史数据和所述参数,确定所述基础属性对应的属性概率;
根据所述基础属性和属性概率,确定所述目标对象的最终属性。
2.如权利要求1所述的方法,其特征在于,所述用户包括买家用户;
所述指定操作包括下单操作;
与所述指定操作相关的目标对象包括所述下单操作对应的运费险;
所述基础属性包括所述下单操作对应的运费数额;
所述最终属性包括所述运费险的保费数额。
3.如权利要求2所述的方法,其特征在于,根据监测到所述用户执行所述指定操作的时间,确定历史数据,具体包括:
根据所述下单操作,确定所述下单操作对应的卖家用户和所述下单操作对应的商品所属的类目;
以监测到的所述时间为时间终点,确定到所述时间终点的时间段为指定时间长度的时间起点;
确定从所述时间起点到所述时间终点的时间段内,所述卖家用户办理退货的次数、所述卖家用户的退货率、所述买家用户通过所述运费险进行理赔的次数、所述买家用户通过所述运费险进行理赔的概率、所述类目对应的运费险理赔概率。
4.如权利要求3所述的方法,其特征在于,根据所述历史数据和所述参数,确定所述基础属性对应的属性概率,具体包括:
采用公式P=Logit(a+log(B+1)×b+C×c+log(D+1)×d+E×e+H×h)确定所述基础属性对应的属性概率;其中:
P为所述基础属性对应的属性概率;
B为所述卖家用户办理退货的次数;
C为所述卖家用户的退货率;
D为所述买家用户通过所述运费险进行理赔的次数;
E为所述买家用户通过所述运费险进行理赔的概率;
H为所述类目对应的运费险理赔概率;
a、b、c、d、e、h分别是根据所述历史数据确定的参数。
5.如权利要求2所述的方法,其特征在于,当所述下单操作对应的商品的数量为1时,根据所述基础属性和属性概率,确定所述目标对象的最终属性,具体包括:
将确定的所述基础属性、属性概率以及预设的调整因子的乘积,确定为所述目标对象的最终属性;
当所述下单操作对应的商品的数量大于1时,根据所述基础属性和属性概率,确定所述目标对象的最终属性,具体包括:
确定所述下单操作对应的各商品之间的相关系数,所述相关系数不小于1;
将确定的所述基础属性、属性概率、预设的调整因子以及所述相关系数的乘积,确定为所述目标对象的最终属性。
6.如权利要求1~5任一所述的方法,其特征在于,所述方法还包括:
当所述目标对象的数量大于1时,根据确定出的各目标对象的最终属性,向所述用户推荐至少一个目标对象。
7.一种属性确定的方法,其特征在于,包括:
当监测到用户执行了指定操作时,根据监测到所述用户执行所述指定操作的时间,确定历史数据;
根据所述历史数据,确定参数;
根据所述历史数据和所述参数,确定与所述指定操作相关的目标对象对应的属性概率;
根据预设的各概率区间和所述属性概率,确定所述属性概率所落入的概率区间;
将预先针对确定出的概率区间设定的属性,确定为所述目标对象的最终属性。
8.如权利要求7所述的方法,其特征在于,所述用户包括买家用户;
所述指定操作包括下单操作;
与所述指定操作相关的目标对象包括所述下单操作对应的运费险;
所述最终属性包括所述运费险的保费数额。
9.如权利要求8所述的方法,其特征在于,根据监测到所述用户执行所述指定操作的时间,确定历史数据,具体包括:
根据所述下单操作,确定所述下单操作对应的卖家用户和所述下单操作对应的商品所属的类目;
以监测到的所述时间为时间终点,确定到所述时间终点的时间段为指定时间长度的时间起点;
确定从所述时间起点到所述时间终点的时间段内,所述卖家用户办理退货的次数、所述卖家用户的退货率、所述类目对应的运费险理赔概率。
10.如权利要求9所述的方法,其特征在于,根据所述历史数据和所述参数,确定与所述指定操作相关的目标对象对应的属性概率,具体包括:
采用公式P=Logit(a+log(B+1)×b+C×c+H×h)确定所述目标对象对应的属性概率;其中:
P为所述目标对象对应的属性概率;
B为所述卖家用户办理退货的次数;
C为所述卖家用户的退货率;
H为所述类目对应的运费险理赔概率;
a、b、c、h分别是根据所述历史数据确定的参数。
11.如权利要求7~10任一所述的方法,其特征在于,所述方法还包括:
当所述目标对象的数量大于1时,根据确定出的各目标对象的最终属性,向所述用户推荐至少一个目标对象。
12.一种属性确定的装置,其特征在于,包括:
基础属性确定模块,用于当监测到用户执行了指定操作时,根据所述指定操作,确定与所述指定操作相关的目标对象的基础属性;
数据确定模块,用于根据监测到所述用户执行所述指定操作的时间,确定历史数据;
参数确定模块,用于根据所述历史数据,确定参数;
概率确定模块,用于根据所述历史数据和所述参数,确定所述基础属性对应的属性概率;
最终属性确定模块,用于根据所述基础属性和属性概率,确定所述目标对象的最终属性。
13.如权利要求12所述的装置,其特征在于,所述用户包括买家用户;
所述指定操作包括下单操作;
与所述指定操作相关的目标对象包括所述下单操作对应的运费险;
所述基础属性包括所述下单操作对应的运费数额;
所述最终属性包括所述运费险的保费数额。
14.如权利要求13所述的装置,其特征在于,所述数据确定模块具体用于,根据所述下单操作,确定所述下单操作对应的卖家用户和所述下单操作对应的商品所属的类目;以监测到的所述时间为时间终点,确定到所述时间终点的时间段为指定时间长度的时间起点;确定从所述时间起点到所述时间终点的时间段内,所述卖家用户办理退货的次数、所述卖家用户的退货率、所述买家用户通过所述运费险进行理赔的次数、所述买家用户通过所述运费险进行理赔的概率、所述类目对应的运费险理赔概率。
15.如权利要求14所述的装置,其特征在于,所述概率确定模块具体用于,采用公式P=Logit(a+log(B+1)×b+C×c+log(D+1)×d+E×e+H×h)确定所述基础属性对应的属性概率;
其中:P为所述基础属性对应的属性概率;B为所述卖家用户办理退货的次数;C为所述卖家用户的退货率;D为所述买家用户通过所述运费险进行理赔的次数;E为所述买家用户通过所述运费险进行理赔的概率;H为所述类目对应的运费险理赔概率;a、b、c、d、e、h分别是根据所述历史数据确定的参数。
16.如权利要求13所述的装置,其特征在于,所述最终属性确定模块具体用于,当所述下单操作对应的商品的数量为1时,将确定的所述基础属性、属性概率以及预设的调整因子的乘积,确定为所述目标对象的最终属性;当所述下单操作对应的商品的数量大于1时,确定所述下单操作对应的各商品之间的相关系数,所述相关系数不小于1;将确定的所述基础属性、属性概率、预设的调整因子以及所述相关系数的乘积,确定为所述目标对象的最终属性。
17.如权利要求12~16任一所述的装置,其特征在于,所述装置还包括:
推荐模块,用于当所述目标对象的数量大于1时,根据确定出的各目标对象的最终属性,向所述用户推荐至少一个目标对象。
18.一种属性确定的装置,其特征在于,包括:
数据确定模块,用于当监测到用户执行了指定操作时,根据监测到所述用户执行所述指定操作的时间,确定历史数据;
参数确定模块,用于根据所述历史数据,确定参数;
概率确定模块,用于根据所述历史数据和所述参数,确定与所述指定操作相关的目标对象对应的属性概率;
区间确定模块,用于根据预设的各概率区间和所述属性概率,确定所述属性概率所落入的概率区间;
属性确定模块,用于将预先针对确定出的概率区间设定的属性,确定为所述目标对象的最终属性。
19.如权利要求18所述的装置,其特征在于,所述用户包括买家用户;
所述指定操作包括下单操作;
与所述指定操作相关的目标对象包括所述下单操作对应的运费险;
所述最终属性包括所述运费险的保费数额。
20.如权利要求19所述的装置,其特征在于,所述数据确定模块具体用于,根据所述下单操作,确定所述下单操作对应的卖家用户和所述下单操作对应的商品所属的类目;以监测到的所述时间为时间终点,确定到所述时间终点的时间段为指定时间长度的时间起点;确定从所述时间起点到所述时间终点的时间段内,所述卖家用户办理退货的次数、所述卖家用户的退货率、所述类目对应的运费险理赔概率。
21.如权利要求20所述的装置,其特征在于,所述概率确定模块具体用于,采用公式P=Logit(a+log(B+1)×b+C×c+H×h)确定所述目标对象对应的属性概率;
其中:P为所述目标对象对应的属性概率;B为所述卖家用户办理退货的次数;C为所述卖家用户的退货率;H为所述类目对应的运费险理赔概率;a、b、c、h分别是根据所述历史数据确定的参数。
22.如权利要求18~21任一所述的装置,其特征在于,所述装置还包括:
推荐模块,用于当所述目标对象的数量大于1时,根据确定出的各目标对象的最终属性,向所述用户推荐至少一个目标对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510674534.7A CN106610818A (zh) | 2015-10-16 | 2015-10-16 | 一种属性确定的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510674534.7A CN106610818A (zh) | 2015-10-16 | 2015-10-16 | 一种属性确定的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106610818A true CN106610818A (zh) | 2017-05-03 |
Family
ID=58610531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510674534.7A Pending CN106610818A (zh) | 2015-10-16 | 2015-10-16 | 一种属性确定的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106610818A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106598985A (zh) * | 2015-10-16 | 2017-04-26 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及装置 |
WO2019014919A1 (zh) * | 2017-07-21 | 2019-01-24 | 深圳市萨斯智能科技有限公司 | 一种机器人搬运方法和机器人 |
CN109377286A (zh) * | 2018-11-07 | 2019-02-22 | 中国平安财产保险股份有限公司 | 基于预测模型计算保险价格的方法、装置和计算机设备 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN112163810A (zh) * | 2020-09-28 | 2021-01-01 | 杭州拼便宜网络科技有限公司 | 一种寄件方法及装置 |
CN112837109A (zh) * | 2019-11-25 | 2021-05-25 | 北京京东振世信息技术有限公司 | 一种信息显示方法、装置、设备和存储介质 |
US11769161B1 (en) * | 2022-08-25 | 2023-09-26 | Yupix, Inc. | System and method for generating a machine learning script for real estate purposes |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903147A (zh) * | 2012-12-27 | 2014-07-02 | 腾讯科技(上海)有限公司 | 一种监控网络供应商响应速度的方法及系统 |
CN104504595A (zh) * | 2014-12-19 | 2015-04-08 | 上海点啥网络科技有限公司 | 一种基于在线订购的可预估取货时间的方法及其应用 |
-
2015
- 2015-10-16 CN CN201510674534.7A patent/CN106610818A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903147A (zh) * | 2012-12-27 | 2014-07-02 | 腾讯科技(上海)有限公司 | 一种监控网络供应商响应速度的方法及系统 |
CN104504595A (zh) * | 2014-12-19 | 2015-04-08 | 上海点啥网络科技有限公司 | 一种基于在线订购的可预估取货时间的方法及其应用 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106598985A (zh) * | 2015-10-16 | 2017-04-26 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及装置 |
CN106598985B (zh) * | 2015-10-16 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及装置 |
WO2019014919A1 (zh) * | 2017-07-21 | 2019-01-24 | 深圳市萨斯智能科技有限公司 | 一种机器人搬运方法和机器人 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN109377286A (zh) * | 2018-11-07 | 2019-02-22 | 中国平安财产保险股份有限公司 | 基于预测模型计算保险价格的方法、装置和计算机设备 |
CN112837109A (zh) * | 2019-11-25 | 2021-05-25 | 北京京东振世信息技术有限公司 | 一种信息显示方法、装置、设备和存储介质 |
CN112163810A (zh) * | 2020-09-28 | 2021-01-01 | 杭州拼便宜网络科技有限公司 | 一种寄件方法及装置 |
CN112163810B (zh) * | 2020-09-28 | 2024-04-30 | 杭州拼便宜网络科技有限公司 | 一种寄件方法及装置 |
US11769161B1 (en) * | 2022-08-25 | 2023-09-26 | Yupix, Inc. | System and method for generating a machine learning script for real estate purposes |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7102031B2 (ja) | 取引管理装置、取引管理システム、取引管理システムにおける取引管理方法、プログラム | |
CN106610818A (zh) | 一种属性确定的方法及装置 | |
US11954623B2 (en) | Apparatus and method for resource allocation prediction and modeling, and resource acquisition offer generation, adjustment and approval | |
CN104574126B (zh) | 一种用户特征识别方法及装置 | |
CN106815754A (zh) | 一种风险控制系统的计费方法和风控系统服务器 | |
CN105354719A (zh) | 应用于电子商务平台的信用评估系统及方法 | |
CN107153977A (zh) | 网上交易平台中交易实体信用评估方法、装置及系统 | |
US20140032274A1 (en) | Apparatus, system, and method for managing dynamic pricing for online sales | |
CN107067282B (zh) | 一种消费品返利销售营销管理系统及其使用方法 | |
JP2018139036A (ja) | 分析装置 | |
WO2017119952A1 (en) | Consumer decision tree generation system | |
US20150254651A1 (en) | Optimizing financial transactions network flow | |
CN112101879A (zh) | 确定药品采购最佳订货时间的方法及其系统 | |
CN113610521A (zh) | 用于检测行为数据的异常的方法和设备 | |
CN115423538A (zh) | 新品销量数据的预测方法及装置、存储介质、电子设备 | |
CN114943582A (zh) | 一种信息推荐方法、系统及推荐服务器 | |
CN112734516A (zh) | 基于客户现金流预测的金融产品推荐方法及系统 | |
CN115423574B (zh) | 基于订单的数据处理方法及相关装置 | |
Udayakumar et al. | Supply chain coordination with controllable lead time under imperfect production process | |
JP2007272327A (ja) | Sma管理システム | |
RU2699068C1 (ru) | Система гарантированного возврата товаров в розничной сети продаж | |
JP7260708B1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
US11899579B2 (en) | Systems and methods for normalizing data from multiple sources | |
US11386470B2 (en) | Partner fee recommendation service | |
JP2016224982A (ja) | 金融商品取引管理装置、プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170503 |