CN107451840A - 一种交易信息推送方法和装置 - Google Patents

Abstract

本发明公开了一种交易信息推送方法和装置，所述方法包括：当用户在电商平台上完成交易后，基于预测模型，对用户在未来预定时长内的复购行为进行预测，得到预测结果；确定出与预测结果对应的交易优惠信息，将所述交易优惠信息推送给用户。应用本发明所述方案，能够提高信息推送的准确性和提高网络资源的利用率等。

Description

一种交易信息推送方法和装置

【技术领域】

本发明涉及网络技术，特别涉及一种交易信息推送方法和装置。

【背景技术】

当用户在电商平台上完成交易后，为鼓励用户继续交易，通常会向用户推送一些交易优惠信息，如电子抵用券等。

但是，现有推送方式中，推送给各用户的交易优惠信息通常都是相同的，而不同的用户可能有不同的需求，因此导致信息推送不准确，而且，由于所推送的很可能是用户不需要的信息，即推送的是无用信息，从而白白浪费了网络资源。

【发明内容】

本发明提供了一种交易信息推送方法和装置，能够提高信息推送的准确性和提高网络资源的利用率。

具体技术方案如下：

一种交易信息推送方法，包括：

当用户在电商平台上完成交易后，基于预测模型，对用户在未来预定时长内的复购行为进行预测，得到预测结果；

确定出与所述预测结果对应的交易优惠信息，将所述交易优惠信息推送给用户。

根据本发明一优选实施例，所述基于预测模型，对用户在未来预定时长内的复购行为进行预测，得到预测结果包括：

基于第一预测模型，对用户的第一复购行为进行预测，得到第一复购行为预测值；

基于第二预测模型，对用户的第二复购行为进行预测，得到第二复购行为预测值。

根据本发明一优选实施例，该方法进一步包括：

根据所收集的用户在电商平台上的历史操作信息，训练得到所述第一预测模型和所述第二预测模型。

根据本发明一优选实施例，该方法进一步包括：

预先设置各不同的交易优惠信息，每个交易优惠信息分别对应一个第一筛选参数值和一个第二筛选参数值，且任意两个交易优惠信息对应的第一筛选参数值和第二筛选参数值均不完全相同；

所述确定出与所述预测结果对应的交易优惠信息包括：

确定出所述第一复购行为预测值对应的第一筛选参数值以及所述第二复购行为预测值对应的第二筛选参数值；

将确定出的第一筛选参数值和第二筛选参数值对应的交易优惠信息作为与所述预测结果对应的交易优惠信息。

根据本发明一优选实施例，所述第一筛选参数值包括M个不同的取值，M为大于1的正整数，每个取值分别对应一个区间范围，且任意两个第一筛选参数值对应的区间范围均不存在重叠；

所述确定出所述第一复购行为预测值对应的第一筛选参数值包括：

确定所述第一复购行为预测值所属的区间范围，将所属的区间范围对应的第一筛选参数值作为所述第一复购行为预测值对应的第一筛选参数值。

根据本发明一优选实施例，所述第一筛选参数值的取值越小，对应的第一复购行为预测值的取值越大。

根据本发明一优选实施例，所述第二筛选参数值包括N个不同的取值，N为大于1的正整数；

所述确定出所述第二复购行为预测值对应的第二筛选参数值包括：

将与所述第二复购行为预测值的取值最为接近的第二筛选参数值作为所述第二复购行为预测值对应的第二筛选参数值。

一种交易信息推送装置，包括：预测模块和推送模块；

所述预测模块，用于当用户在电商平台上完成交易后，基于预测模型，对用户在未来预定时长内的复购行为进行预测，得到预测结果，将所述预测结果发送给所述推送模块；

所述推送模块，用于确定出与所述预测结果对应的交易优惠信息，将所述交易优惠信息推送给用户。

根据本发明一优选实施例，所述预测模块基于第一预测模型，对用户的第一复购行为进行预测，得到第一复购行为预测值；

所述预测模块基于第二预测模型，对用户的第二复购行为进行预测，得到第二复购行为预测值。

根据本发明一优选实施例，所述预测模块进一步用于，

根据所收集的用户在电商平台上的历史操作信息，训练得到所述第一预测模型和所述第二预测模型。

根据本发明一优选实施例，预先设置有各不同的交易优惠信息，每个交易优惠信息分别对应一个第一筛选参数值和一个第二筛选参数值，且任意两个交易优惠信息对应的第一筛选参数值和第二筛选参数值均不完全相同；

所述推送模块确定出所述第一复购行为预测值对应的第一筛选参数值以及所述第二复购行为预测值对应的第二筛选参数值，将确定出的第一筛选参数值和第二筛选参数值对应的交易优惠信息作为与所述预测结果对应的交易优惠信息。

根据本发明一优选实施例，所述第一筛选参数值包括M个不同的取值，M为大于1的正整数，每个取值分别对应一个区间范围，且任意两个第一筛选参数值对应的区间范围均不存在重叠；

所述推送模块确定所述第一复购行为预测值所属的区间范围，将所属的区间范围对应的第一筛选参数值作为所述第一复购行为预测值对应的第一筛选参数值。

根据本发明一优选实施例，所述第一筛选参数值的取值越小，对应的第一复购行为预测值的取值越大。

根据本发明一优选实施例，所述第二筛选参数值包括N个不同的取值，N为大于1的正整数；

所述推送模块将与所述第二复购行为预测值的取值最为接近的第二筛选参数值作为所述第二复购行为预测值对应的第二筛选参数值。

通过以上介绍可以看出，采用本发明所述方案，当用户在电商平台上完成交易后，可基于预测模型，对用户在未来预定时长内的复购行为进行预测，得到预测结果，并确定出与预测结果对应的交易优惠信息，将交易优惠信息推送给用户，即根据预测出的用户复购行为，有针对性地向用户推送交易优惠信息，从而提高了信息推送的准确性，而且，由于减少了无用信息的推送，从而提高了网络资源的利用率。

【附图说明】

图1为本发明交易信息推送方法实施例的流程图。

图2为本发明电子抵用券推送方法实施例的流程图。

图3为本发明交易信息推送装置实施例的组成结构示意图。

【具体实施方式】

针对现有技术中存在的问题，本发明中提出一种交易信息推送方案，能够有针对性地向用户推送信息。

为了使本发明的技术方案更加清楚、明白，以下参照附图并举实施例，对本发明所述方案作进一步地详细说明。

实施例一

图1为本发明交易信息推送方法实施例的流程图，如图1所示，包括以下具体实现方式。

在11中，当用户在电商平台上完成交易后，基于预测模型，对用户在未来预定时长内的复购行为进行预测，得到预测结果。

当用户在电商平台上完成交易即发生购买行为后，可对用户在未来预定时长内的复购行为进行预测。

所述预定时长的具体取值可根据实际需要而定，比如7天。

对用户在未来预定时长内的复购行为进行预测，通常是指对用户的多个复购行为进行预测，比如两个，不同的复购行为分别对应不同的预测模型。

即基于第一预测模型，对用户的第一复购行为进行预测，得到第一复购行为预测值，基于第二预测模型，对用户的第二复购行为进行预测，得到第二复购行为预测值，从而得到包括第一复购行为预测值和第二复购行为预测值的预测结果。

可根据所收集的用户在电商平台上的历史操作信息，训练得到第一预测模型和第二预测模型。

所述历史操作信息可包括：交易信息、浏览信息等。

第一训练模型和第二训练模型均为逻辑回归模型，具体挑选哪些历史操作信息进行训练可根据实际需要而定，如何训练得到逻辑回归模型为现有技术。

在12中，确定出与预测结果对应的交易优惠信息，将交易优惠信息推送给用户。

可预先设置各不同的交易优惠信息，每个交易优惠信息分别对应一个第一筛选参数值和一个第二筛选参数值，且任意两个交易优惠信息对应的第一筛选参数值和第二筛选参数值均不完全相同。

比如，两个交易优惠信息分别为交易优惠信息A和交易优惠信息B，若交易优惠信息A和交易优惠信息B的第一筛选参数值相同，那么第二筛选参数值则不同，或者，若交易优惠信息A和交易优惠信息B的第二筛选参数值相同，那么第一筛选参数值则不同，或者，交易优惠信息A和交易优惠信息B的第一筛选参数值和第二筛选参数值均不相同。

对于预测结果中包括的第一复购行为预测值和第二复购行为预测值，可跟别确定出第一复购行为预测值对应的第一筛选参数值和第二复购行为预测值对应的第二筛选参数值，确定出的第一筛选参数值和第二筛选参数值对应的交易优惠信息即为与预测结果对应的交易优惠信息。

其中，第一筛选参数值包括M个不同的取值，M为大于1的正整数，具体取值可根据实际需要而定，每个取值分别对应一个区间范围，且任意两个第一筛选参数值对应的区间范围均不存在重叠。

比如，第一复购行为预测值的取值范围为[0，a]，那么，可将[0，a]划分为M个连续的区间范围，每个区间范围分别对应一个不同的第一筛选参数值，a大于0，表示第一复购行为预测值的最大可能取值。

这样，针对第一复购行为预测值，可首先确定出其所属的区间范围，然后将所属的区间范围对应的第一筛选参数值作为第一复购行为预测值对应的第一筛选参数值。

通常来说，第一筛选参数值的取值越小，对应的第一复购行为预测值的取值越大。

第二筛选参数值包括N个不同的取值，N为大于1的正整数，具体取值同样可根据实际需要而定，而且，M和N的取值可以相同，也可以不同。

可将与第二复购行为预测值的取值最为接近的第二筛选参数值作为第二复购行为预测值对应的第二筛选参数值。

由于第一筛选参数值包括M个不同的取值，第二筛选参数值包括N个不同的取值，因此，总共会有M*N个不同的交易优惠信息，在根据预测结果中包括的第一复购行为预测值和第二复购行为预测值从这M*N个交易优惠信息中选出预测结果对应的交易优惠信息后，可将选出的交易优惠信息推送给用户。

以何种方式进行推送同样可根据实际需要而定，比如，可通过用户使用的电商平台app来向用户推送。

在实际应用中，电商平台所推送的交易优惠信息可为电子优惠券或电子抵用券等，以电子抵用券为例，那么上述第一复购行为预测值可为复购概率值，第二复购行为预测值可为复购金额值，第一筛选参数值可为折扣力度，第二筛选参数值可为使用门槛，根据复购概率值的大小来匹配不同的折扣力度，根据复购金额值的大小来匹配不同的使用门槛，并根据匹配出的折扣力度和使用门槛来最终确定出将要推送给用户的电子抵用券。

以下即以电子抵用券的推送方式为例，对本发明所述交易信息推送方法进行进一步说明。

实施例二

图2为本发明电子抵用券推送方法实施例的流程图，如图2所示，包括以下具体实现方式。

在21中，当用户在电商平台上完成交易后，基于复购概率预测模型，对用户在未来7天内的复购概率值进行预测。

可根据所收集的用户在电商平台上的历史操作信息，训练得到复购概率预测模型。

历史操作信息可包括：用户的注册时间、用户历史交易次数、用户最近1个月交易次数、用户历史浏览次数、用户最近1个月浏览次数、用户历史交易均价、用户最近1个月交易均价、用户所在城市、用户所在商圈、用户使用的终端机型等。

复购概率预测模型为逻辑回归模型，如何根据上述历史操作信息训练出复购概率预测模型为现有技术。

可根据训练得到的复购概率预测模型，预测出用户在未来7天内的复购概率值，即对用户在未来7天内再次购买的概率进行预测。

在22中，基于复购金额预测模型，对用户在未来7天内的复购金额值进行预测。

可根据所收集的用户在电商平台上的历史操作信息，训练得到复购金额预测模型。

历史操作信息可包括：用户注册时间、用户历史交易次数、用户最近1个月交易次数、用户历史交易均价、用户最近3个月交易均价、用户最近1个月交易均价、用户最近一次交易价格(金额)、用户最近1个月平均每次交易折扣金额、用户所在城市、用户所在商圈、用户使用的终端机型等。

复购金额预测模型为逻辑回归模型，如何根据上述历史操作信息训练出复购金额预测模型为现有技术。

可根据训练得到的复购金额预测模型，预测出用户在未来7天内的复购金额值，即对用户再次进行购买时的交易金额进行预测。

在23中，根据复购概率值确定出折扣力度，根据复购金额值确定出使用门槛。

折扣力度即指面额除以使用门槛；使用门槛即指触发电子抵用券使用的最低交易金额。

可预先设计一个种类相对丰富的电子抵用券发放池，折扣力度由大到小分为10种，使用门槛由大到小也分为10种，这样，总共会有100种不同类型的电子抵用券。

假设复购概率值的取值范围为[0％，100％]，那么，可将[0％，100％]平均分为10个连续的区间范围，如[0％，10％)、[10％，20％)、[20％，30％)、[30％，40％)、[40％，50％)、[50％，60％)、[60％，70％)、[70％，80％)、[80％，90％)、[90％，100％]，每个区间范围分别对应一种折扣力度。

针对预测出的复购概率值，可首先确定其所属的区间范围，之后，将所属的区间范围对应的折扣力度确定为待推送的电子抵用券的折扣力度。

通常，复购概率值越大的用户，可发放折扣力度越小的电子抵用券，反之，复购概率值越小的用户，可发放折扣力度越大的电子抵用券，以刺激用户消费。

针对预测出的复购金额值，可将与之取值最接近的使用门槛确定为待推送的电子抵用券的使用门槛。

即复购金额值越大的用户，可发放使用门槛越高的电子抵用券，反之，复购金额值越小的用户，可发放使用门槛越低的电子抵用券，而且，通常来说，使用门槛越高的电子抵用券，其面额越大。

比如，10种使用门槛分别为100元、200元、300元、400元、500元、600元、700元、800元、900元、1000元，预测出的复购金额值为240元，那么其对应的使用门槛即为200元。

在24中，根据折扣力度和使用门槛确定出待推送的电子抵用券，并推送给用户。

在确定出待推送的电子抵用券的折扣力度和使用门槛之后，即可根据使用力度和使用门槛唯一确定出一种电子抵用券，并推送给用户。

比如，可通过用户使用的电商平台app来向用户推送电子抵用券。

电子抵用券可设置有有效期，比如7天，用户只能在有效期内对电子抵用券进行使用，过期则作废。

以上是关于本发明方法实施例的介绍，以下对装置实施例进行介绍。

实施例三

图3为本发明交易信息推送装置实施例的组成结构示意图，如图3所示，包括：预测模块31和推送模块32。

预测模块31，用于当用户在电商平台上完成交易后，基于预测模型，对用户在未来预定时长内的复购行为进行预测，得到预测结果，将预测结果发送给推送模块32；

推送模块32，用于确定出与预测结果对应的交易优惠信息，将交易优惠信息推送给用户。

当用户在电商平台上完成交易即发生购买行为后，可对用户在未来预定时长内的复购行为进行预测。

所述预定时长的具体取值可根据实际需要而定，比如7天。

预测模块31可基于第一预测模型，对用户的第一复购行为进行预测，得到第一复购行为预测值，基于第二预测模型，对用户的第二复购行为进行预测，得到第二复购行为预测值，从而得到包括第一复购行为预测值和第二复购行为预测值的预测结果。

预测模块31可根据所收集的用户在电商平台上的历史操作信息，训练得到第一预测模型和第二预测模型。

所述历史操作信息可包括：交易信息、浏览信息等。

第一训练模型和第二训练模型均为逻辑回归模型，具体挑选哪些历史操作信息进行训练可根据实际需要而定，如何训练得到逻辑回归模型为现有技术。

预测模块31可将预测得到的第一复购行为预测值和第二复购行为作为预测结果发送给推送模块32。

可预先设置各不同的交易优惠信息，每个交易优惠信息分别对应一个第一筛选参数值和一个第二筛选参数值，且任意两个交易优惠信息对应的第一筛选参数值和第二筛选参数值均不完全相同。

推送模块32确定出第一复购行为预测值对应的第一筛选参数值以及第二复购行为预测值对应的第二筛选参数值，将确定出的第一筛选参数值和第二筛选参数值对应的交易优惠信息作为与预测结果对应的交易优惠信息。

其中，第一筛选参数值包括M个不同的取值，M为大于1的正整数，具体取值可根据实际需要而定，每个取值分别对应一个区间范围，且任意两个第一筛选参数值对应的区间范围均不存在重叠。

比如，第一复购行为预测值的取值范围为[0，a]，那么，可将[0，a]划分为M个连续的区间范围，每个区间范围分别对应一个不同的第一筛选参数值，a大于0。

推送模块32可首先确定第一复购行为预测值所属的区间范围，然后将所属的区间范围对应的第一筛选参数值作为第一复购行为预测值对应的第一筛选参数值。

通常来说，第一筛选参数值的取值越小，对应的第一复购行为预测值的取值越大。

第二筛选参数值包括N个不同的取值，N为大于1的正整数，具体取值同样可根据实际需要而定，而且，M和N的取值可以相同，也可以不同。

推送模块32可将与第二复购行为预测值的取值最为接近的第二筛选参数值作为第二复购行为预测值对应的第二筛选参数值。

由于第一筛选参数值包括M个不同的取值，第二筛选参数值包括N个不同的取值，因此，总共会有M*N个不同的交易优惠信息，推送模块32根据预测结果中包括的第一复购行为预测值和第二复购行为预测值从这M*N个交易优惠信息中选出预测结果对应的交易优惠信息后，可将选出的交易优惠信息推送给用户。

以何种方式进行推送同样可根据实际需要而定，比如，可通过用户使用的电商平台app来向用户推送。

在实际应用中，电商平台所推送的交易优惠信息可为电子优惠券或电子抵用券等，以电子抵用券为例，那么上述第一复购行为预测值可为复购概率值，第二复购行为预测值可为复购金额值，第一筛选参数值可为折扣力度，第二筛选参数值可为使用门槛，根据复购概率值的大小来匹配不同的折扣力度，根据复购金额值的大小来匹配不同的使用门槛，并根据匹配出的折扣力度和使用门槛来最终确定出将要推送给用户的电子抵用券。

以下以电子抵用券为例，对图3所示装置进行进一步说明。

当用户在电商平台上完成交易后，预测模块31可基于复购概率预测模型，对用户在未来7天内的复购概率值进行预测。

预测模块31可根据所收集的用户在电商平台上的历史操作信息，训练得到复购概率预测模型。

历史操作信息可包括：用户的注册时间、用户历史交易次数、用户最近1个月交易次数、用户历史浏览次数、用户最近1个月浏览次数、用户历史交易均价、用户最近1个月交易均价、用户所在城市、用户所在商圈、用户使用的终端机型等。

预测模块31还可基于复购金额预测模型，对用户在未来7天内的复购金额值进行预测。

预测模块31可根据所收集的用户在电商平台上的历史操作信息，训练得到复购金额预测模型。

历史操作信息可包括：用户注册时间、用户历史交易次数、用户最近1个月交易次数、用户历史交易均价、用户最近3个月交易均价、用户最近1个月交易均价、用户最近一次交易价格(金额)、用户最近1个月平均每次交易折扣金额、用户所在城市、用户所在商圈、用户使用的终端机型等。

之后，预测模块31可将预测出的复购概率值和复购金额值作为预测结果发送给推送模块32。

相应地，推送模块32可根据复购概率值确定出折扣力度，根据复购金额值确定出使用门槛。

可预先设计一个种类相对丰富的电子抵用券发放池，折扣力度由大到小分为10种，使用门槛由大到小也可分为10种，这样，总共会有100种不同类型的电子抵用券。

不同折扣力度分别对应不同的区间范围，针对预测出的复购概率值，推送模块32可首先确定其所属的区间范围，然后将所属的区间范围对应的折扣力度确定为待推送的电子抵用券的折扣力度。

通常，复购概率值越大的用户，可发放折扣力度越小的电子抵用券，反之，复购概率值越小的用户，可发放折扣力度越大的电子抵用券，以刺激用户消费。

针对预测出的复购金额值，推送模块32可将与之取值最接近的使用门槛确定为待推送的电子抵用券的使用门槛。

即复购金额值越大的用户，可发放使用门槛越高的电子抵用券，反之，复购金额值越小的用户，可发放使用门槛越低的电子抵用券，而且，通常来说，使用门槛越高的电子抵用券，其面额越大。

之后，推送模块32可根据折扣力度和使用门槛确定出待推送的电子抵用券，并推送给用户。

在确定出待推送的电子抵用券的折扣力度和使用门槛之后，推送模块32即可根据使用力度和使用门槛唯一确定出一种电子抵用券，并推送给用户。

电子抵用券可设置有有效期，比如7天，用户只能在有效期内对电子抵用券进行使用，过期则作废。

可以看出，采用上述各实施例所述方案，可以根据预测出的用户复购行为，有针对性地向用户推送交易优惠信息，从而提高了信息推送的准确性，而且，由于减少了无用信息的推送，从而提高了网络资源的利用率，另外，采用本发明所述方案，可提升用户的复购概率，刺激用户连续消费，提升用户对电商平台的使用粘性。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (14)

1.一种交易信息推送方法，其特征在于，包括：

当用户在电商平台上完成交易后，基于预测模型，对用户在未来预定时长内的复购行为进行预测，得到预测结果；

确定出与所述预测结果对应的交易优惠信息，将所述交易优惠信息推送给用户。

2.根据权利要求1所述的方法，其特征在于，

所述基于预测模型，对用户在未来预定时长内的复购行为进行预测，得到预测结果包括：

基于第一预测模型，对用户的第一复购行为进行预测，得到第一复购行为预测值；

基于第二预测模型，对用户的第二复购行为进行预测，得到第二复购行为预测值。

3.根据权利要求2所述的方法，其特征在于，

该方法进一步包括：

根据所收集的用户在电商平台上的历史操作信息，训练得到所述第一预测模型和所述第二预测模型。

4.根据权利要求2或3所述的方法，其特征在于，

该方法进一步包括：

预先设置各不同的交易优惠信息，每个交易优惠信息分别对应一个第一筛选参数值和一个第二筛选参数值，且任意两个交易优惠信息对应的第一筛选参数值和第二筛选参数值均不完全相同；

所述确定出与所述预测结果对应的交易优惠信息包括：

确定出所述第一复购行为预测值对应的第一筛选参数值以及所述第二复购行为预测值对应的第二筛选参数值；

将确定出的第一筛选参数值和第二筛选参数值对应的交易优惠信息作为与所述预测结果对应的交易优惠信息。

5.根据权利要求4所述的方法，其特征在于，

所述第一筛选参数值包括M个不同的取值，M为大于1的正整数，每个取值分别对应一个区间范围，且任意两个第一筛选参数值对应的区间范围均不存在重叠；

所述确定出所述第一复购行为预测值对应的第一筛选参数值包括：

确定所述第一复购行为预测值所属的区间范围，将所属的区间范围对应的第一筛选参数值作为所述第一复购行为预测值对应的第一筛选参数值。

6.根据权利要求5所述的方法，其特征在于，

所述第一筛选参数值的取值越小，对应的第一复购行为预测值的取值越大。

7.根据权利要求4所述的方法，其特征在于，

所述第二筛选参数值包括N个不同的取值，N为大于1的正整数；

所述确定出所述第二复购行为预测值对应的第二筛选参数值包括：

将与所述第二复购行为预测值的取值最为接近的第二筛选参数值作为所述第二复购行为预测值对应的第二筛选参数值。

8.一种交易信息推送装置，其特征在于，包括：预测模块和推送模块；

所述预测模块，用于当用户在电商平台上完成交易后，基于预测模型，对用户在未来预定时长内的复购行为进行预测，得到预测结果，将所述预测结果发送给所述推送模块；

所述推送模块，用于确定出与所述预测结果对应的交易优惠信息，将所述交易优惠信息推送给用户。

9.根据权利要求8所述的装置，其特征在于，

所述预测模块基于第一预测模型，对用户的第一复购行为进行预测，得到第一复购行为预测值；

所述预测模块基于第二预测模型，对用户的第二复购行为进行预测，得到第二复购行为预测值。

10.根据权利要求9所述的装置，其特征在于，

所述预测模块进一步用于，

根据所收集的用户在电商平台上的历史操作信息，训练得到所述第一预测模型和所述第二预测模型。

11.根据权利要求9或10所述的装置，其特征在于，

预先设置有各不同的交易优惠信息，每个交易优惠信息分别对应一个第一筛选参数值和一个第二筛选参数值，且任意两个交易优惠信息对应的第一筛选参数值和第二筛选参数值均不完全相同；

所述推送模块确定出所述第一复购行为预测值对应的第一筛选参数值以及所述第二复购行为预测值对应的第二筛选参数值，将确定出的第一筛选参数值和第二筛选参数值对应的交易优惠信息作为与所述预测结果对应的交易优惠信息。

12.根据权利要求11所述的装置，其特征在于，

所述第一筛选参数值包括M个不同的取值，M为大于1的正整数，每个取值分别对应一个区间范围，且任意两个第一筛选参数值对应的区间范围均不存在重叠；

所述推送模块确定所述第一复购行为预测值所属的区间范围，将所属的区间范围对应的第一筛选参数值作为所述第一复购行为预测值对应的第一筛选参数值。

13.根据权利要求12所述的装置，其特征在于，

所述第一筛选参数值的取值越小，对应的第一复购行为预测值的取值越大。

14.根据权利要求11所述的装置，其特征在于，

所述第二筛选参数值包括N个不同的取值，N为大于1的正整数；

所述推送模块将与所述第二复购行为预测值的取值最为接近的第二筛选参数值作为所述第二复购行为预测值对应的第二筛选参数值。