CN107909392A - 刺激行为敏感度预测方法、装置、设备及可读存储介质 - Google Patents

Abstract

本发明提供了一种刺激行为敏感度预测方法、装置、设备及可读存储介质，通过根据目标主体的主体数据，获取有刺激行为特征组合和无刺激行为特征组合；分别将所述有刺激行为特征组合和所述无刺激行为特征组合，输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数；根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度。解决了现有技术中使用统计规则预测主体刺激行为敏感度准确率低，不能有效达到预设效果的问题。

Description

刺激行为敏感度预测方法、装置、设备及可读存储介质

技术领域

本发明实施例涉及电子技术领域，尤其涉及一种刺激行为敏感度预测方法、装置、设备及可读存储介质。

背景技术

面对激烈的市场竞争，企业往往会进行大规模的降价提销，以保价剌激需求，扩大销量，提升市场占有率，降价提销有着不容忽视的缺点，取而代之的促销方法是对客户进行一系列的消费刺激行为，例如优惠券的发放，通过种种消费刺激行为可以筛选消费者的层次，例如向用户投放优惠券。优惠券作为消费刺激行为中常见的一种，优惠券种类众多，从而可以筛选消费者的层次，并且优惠券有额度和数量的限制，面向特定的用户发放，可以充当资源谓配的件用。然而大规模无差别派送的优惠券，如麦当劳肯德基的优惠券等，失去了优惠券可筛选调节的优势。

在先技术中，存在一种根据价格敏感度施加刺激行为、例如发放优惠券的方法，其采用如下公式计算价格敏感度：

F＝∑PiWi，i＝1，2，……，n；

其中，F为基于用户画像特征的价格敏感维度的量化数据；Pi为第i项特征的评分；Wi为第i项特征的权重。然后根据F去发放优惠券。

发明人在应用上述方案的过程中发现，价格敏感度实质上是多个目标，无法通过机器学习直接获得准确的模型，在先技术中的权重Pi是人为设定的，基于该人为设定的权重所使用的简单统计规则计算的消费刺激行为敏感度，其准确率和覆盖率都比较低。

发明内容

本发明提供一种刺激行为敏感度预测方法，以解决在先技术中统计规则预测的消费刺激行为敏感度准确率低，可操作性差的问题。

根据本发明的第一方面，提供了一种刺激行为敏感度预测方法，所述方法包括：

根据目标主体的主体数据，获取有刺激行为特征组合和无刺激行为特征组合；

分别将所述有刺激行为特征组合和所述无刺激行为特征组合，输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数；

根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度。

根据本发明的第二方面，提供了一种刺激行为敏感度预测装置，所述装置包括：

特征组合获取模块，用于根据目标主体的主体数据，获取有刺激行为特征组合和无刺激行为特征组合；

目标参数获取模块，用于分别将所述有刺激行为特征组合和所述无刺激行为特征组合，输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数；

主体敏感度确定模块，用于根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度。

根据本发明的第三方面，提供了一种设备，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如前述的刺激行为敏感度预测方法。

根据本发明的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述的刺激行为敏感度预测方法。

本发明实施例提供的一种刺激行为敏感度预测方法、装置、设备及可读存储介质，通过根据目标主体的主体数据，获取有刺激行为特征组合和无刺激行为特征组合；并将原始用户数据进行预处理后训练处目标参数预测模型，再将同样具备目标特征的用户数据，分为有刺激行为特征组合和没刺激行为特征组合，并分别输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数；根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度。本提案通过针对中间参数进行机器学习，因此可以通过引入机器学习而分别获得准确的模型。由于该模型是训练得到，其不是人工设置的权重，还采用了大量的用户数据，其解决了现有技术中使用人工权重的统计规则导致预测用户的刺激行为敏感度准确率、覆盖率低的问题，达到了能够更加精确的预测用户的刺激行为敏感度、覆盖面也广。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种刺激行为敏感度预测方法的步骤流程图；

图1A是本发明实施例提供的刺激行为敏感度方法逻辑流程图；

图2是本发明实施例提供的一种刺激行为敏感度预测方法的步骤流程图；

图2A是本发明实施例提供的梯度决策树算法训练目标参数预测模型的示意图；

图2B是本发明实施例提供的刺激行为敏感度预测方法的逻辑示意图；

图3是本发明实施例提供的一种刺激行为敏感度预测装置的结构图；

图4是本发明实施例提供的一种刺激行为敏感度预测装置的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面首先介绍一下本发明实施例中涉及到的术语：

刺激行为敏感度：刺激用户进行消费的行为的敏感度，比如用户对优惠券的敏感度，用户对发放礼品的敏感度等等。当然，该礼品可以为实体的也可为虚拟的，本发明实施例不对其加以限制。

目标主体：刺激行为针对的主体，比如用户等主体。

目标对象：可以为酒店、电影、演出、KTV、旅游、健身、婚纱摄影等，可以理解为用户消费的对象，比如要在酒店，去电影院看电影、去KTV唱歌、去某个地方旅游、去健身房健身、去拍摄婚纱照等消费场景，每个消费场景都可以是一个目标对象。

参考维度：针对一个目标对象，用于训练和识别用到的维度。主体数据中不涉及刺激行为特征的数据。在实际应用中，比如对于优惠券，其是除了优惠维度之外的各个维度中的一个或多个。比如目标对象为酒店，其参考维度可以为除了优惠维度之外的一个或多个维度，比如：

1.用户过去1、3、5、7天以及1、3、5、7、10个小时前浏览酒店的次数。

2.用户当前位置酒店转化率(这个位置历史上买酒店的转化率)。

3.用户浏览异地酒店占比。

4.用户年龄、性别、婚恋、教育水平。

5.用户常驻地附近酒店数目。

6.用户当前位置附近酒店数目。

7.用户过去1、2、3、6个月消费酒店的次数。

8.用户当前是否拥有可用的优惠。等等中的一个或多个。

刺激行为维度：针对一个目标对象，用于训练和识别用到的维度，本发明实施例在前述参考维度的基础上，特别设置了一个针对目标对象的刺激行为维度，即针对目标主体的刺激行为维度的特征，其包括有刺激行特征和无刺激行为特征。比如对于优惠券，其刺激行为维度特征可以理解为优惠维度特征，那么对于用户A，发放了优惠券，其优惠维度特征为有优惠券特征；而对于用户B，没发放优惠券，其优惠维度特征为无优惠券特征。以优惠券为了，其优惠维度特征为该用户是否拥有优惠券。比如目标对象是酒店，那么该优惠维度可以是是否拥有酒店优惠券。

目标参数：利用目标参数预测模型预测的结果，比如目标的对象为酒店，目标参数可以为酒店的支付概率，或酒店的支付价格等。

实施例一

参照图1，其示出了一种刺激行为敏感度预测方法的步骤流程图，其具体步骤如下：

步骤110，根据目标主体的主体数据，获取有刺激行为特征组合和无刺激行为特征组合。

在本发明实施例中，当确定一类型的目标主体后，获取该目标主体的主体数据，然后可以将该主体数据与接受刺激行为的特征和不接受刺激行为的进行组合，获取有刺激行为特征组合和无刺激行为特征组合。

在实际应用中，首先要构建目标参数预测模型，其利用样本主体的历史主体数据所构建的训练特征获得；其中所述样本主体包括已被施加刺激行为的主体，所述主体特征包括所述参考维度的目标特征、属于刺激行为维度的刺激行为特征。

在本发明实施例中，目标主体以用户为例，主体数据以为用户数据为例描，其首先针对目标对象训练目标参数预测模型，该目标参数预测模型通过利用样本用户的历史用户数据所构建的训练特征训练获得。当然，所述目标主体还可以是其他主体，其主体数据也可以是相应系统的对应该主体记录的数据，本发明实施例不对其加以限制。

在本发明实施例中，对一个目标对象训练目标参数预测模型时，首先会确定参考维度和刺激行为维度。比如目标对象为酒店时，主体为消费过酒店的用户数据，刺激行为为是否发放优惠券时，刺激行为维度的特征可以包括：有优惠特征、无优惠特征，参考维度的特征可以为优惠维度之外的所有特征或者部分特征，比如前述的“用户过去1、3、5、7天以及1、3、5、7、10个小时前浏览酒店的次数”等。又比如，当目标对象为电影时，即为了让用户购买电影票的场景，参考维度可以为除了电影票优惠券之外电影相关的一个或多个特征，比如“用户过去1、3、5、7天以及1、3、5、7、10个小时前浏览影院的次数”等等，其优惠维度的有优惠特征为有电影票优惠券，优惠维度的没优惠特征为没有电影票优惠券。其他目标对象的情况以此类推。当然，在实际应用中可以根据需求设置更多参考维度，本发明是实施例不对其加以限制。

在本发明实施例中，目标参数预测模型是通过梯度提升决策树算法进行实现的，当然还可以通过其他的机器学习算法进行训练，本发明实施例对此不加以限制。

在实际应用中，对应每个参考维度设置一个特征提取规则，从而可以从用户数据中提取相应参考维度的数据。比如“用户过去1、3、5、7天以及1、3、5、7、10个小时前浏览酒店的次数”参考维度，则用户数据中提取过去1、3、5、7天以及1、3、5、7、10个小时前浏览酒店的次数，即得到该参考维度的特征，然后即可进行后续过程。当然，与酒店消费率直接或间接相关的特征并不限于上述描述，本发明实施例对此不加以限制。

需要说明的是，在选择样本用户之前，可以为大量的样本用户中，选择一部分进行刺激行为，比如对该部分用户发放优惠券，然后在这些用户后续通过应用进行访问、消费的过程中，可以具备刺激行为特征，也可能不具备刺激行为特征。则可以利用这些用户样本数据进行训练。

优选地，步骤110，包括子步骤A11-A12；

子步骤A11，从目标主体的主体数据中获取参考维度的目标特征；

本发明实施例中，在按照前述方式对一个目标对象训练目标参数预测模型后，如果要计算一个目标用户的刺激行为敏感度，则需要以该目标参数预测模型需求的维度提取特征。则首先，步骤110从目标主体的主体数据中提取前述参考维度的目标特征。比如从目标用户的用户数据中提取考维度的目标特征。

以下针对主体敏感度为优惠敏感度的情况，以酒店优惠敏感度为例进行描述：

在本发明实施例中，如图1A，首先获取的是除优惠维度特征以外的所有参考特征。

在实际应用中，例如，如果想得到用户针对酒店消费的刺激行为敏感度，刺激行为是优惠券发放，那么，首先需要确定通过哪一项目标参数来确定优惠敏感度。其中目标参考维度可以为用户对酒店的支付价格、用户直接进行支付操作的支付概率等。其中，若用户通过酒店的支付概率来进一步的确定该用户对于酒店消费的优惠敏感度，那么就要在数据后台提取一段时间内在酒店消费项目中活跃的用户数据，而数据包含的所有特征并不一定完全与酒店消费相关的，从用户数据中最原始的数据中提取出与酒店消费相关性大于阈值的参考维度的特征。

子步骤A12，将所述参考维度的目标特征分别与属于刺激行为维度的有刺激行为特征、属于刺激行为维度的无刺激行为特征进行组合，得到有刺激行为特征组合和无刺激行为特征组合。

本发明实施例中，以前述优惠券的例子为例，对于前述步骤110得到的参考维度的目标特征，其是没有包含优惠维度特征的，那么本步骤则将参考维度的目标特征分别与属于优惠维度的有优惠特征、属于优惠维度的没优惠特征进行组合，得到两组特征组合，分别是与属于优惠维度的有优惠特征、属于优惠维度的无优惠特征进行组合。

比如前述得到的参考维度的目标特征包括：(x1，x2，……xn)，其中n为正整数。假设有优惠券对应的有优惠特征为m，没有优惠券对应的没优惠特征为0，那么采用前述组合方式得到的结果为：

有优惠特征组合：(x1，x2，……xn，m)

无优惠特征组合：(x1，x2，……xn，0)

当然，在本步骤中，属于优惠维度的有优惠特征、属于优惠维度的没优惠特征可以由人工标记，可能并未给该目标用户发送优惠券，该目标用户还没有拥有该优惠券。

在实际应用中，有优惠特征还可以为优惠券的具体额度，比如用户A拥有的优惠券是10元，那么其有优惠特征就是10，假设其拥有的优惠券是50，那么其有优惠特征就是50。那么在后续识别的时候，可以直接标记优惠券额度进行预测。

在该步骤中，以前述目标对象为酒店为例，当通过上述步骤提取出的针对酒店的支付率相关的参考维度的目标特征后，其中为了进一步的获取用户对于酒店消费的优惠敏感度，需要进行比对的特征维度是用户的优惠维度，如是否有优惠券和无优惠券。所以在提取到参考维度的目标特征后可以先标记有优惠券与无优惠券的特征然后将该两者分别与其他用户特征全部组合在一起，得到有优惠券的特征组合以及无优惠券的特征组合，以供后续步骤进一步的预测两种用户数据的目标参数。

如图1A，将参考特征和有优惠券特征进行组合，得到有优惠券的特征组合。将参考特征和无优惠券的特征组合，得到无优惠券的特征组合。

因此，通过上述方式，对于一个目标主体，可以基于其主体数据获得上述类似的有刺激行为特征组合和无刺激行为特征组合，然后进行后续过程。

步骤120，分别将所述有刺激行为特征组合和所述无刺激行为特征组合，输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数。

例如，如前述优惠券的例子，将前述例子的“有优惠特征组合：(x1，x2，……xn，1)”和“无优惠特征组合：(x1，x2，……xn，0)”，分别输入到前述针对目标对象的目标参数预测模型，得到两个预测结果，分别为有优惠券时的有优惠目标参数A和没有优惠券时的无优惠目标参数B。

在实际应用中，目标对象可以根据实际需求选择，比如酒店、电影票等，本发明实施例不对其加以限制。对应目标对象的目标参数也可以根据实际需求设置，比如目标对象为酒店，其目标参数可以为酒店支付率，也可以为酒店支付价格。

如图1A，在该步骤中，将上述步骤中得到的有优惠券的特征组合以及无优惠券的特征组合分别输入到同一个目标参数预测模型，即可分别获取有优惠券的下的目标参数，以及没有优惠券下的目标参数。两个特征组合除了有优惠券和无优惠券的特征不同之外，其他的参考维度的特征都相同。

其中目标参数预测模型也是通过从用户历史数据中提取相同的参考维度的特征以及提取的优惠维度特征进行训练得到的。

需要说明的是，模型的训练过程与模型的使用过程中所不同的是：训练过程中的有优惠券特征与无优惠券特征并不是由标记得到的，而是用户的原始数据，并且有优惠券的数据与没有优惠券的数据整合在一个训练集下进行训练，并没有进行分别训练。而使用过程中，优惠维度的特征是标记的，并不是用户的原始数据中提取的。

在本发明实施例中，目标参数预测模型是通过梯度决策树算法进行实现的，当然还可以通过其他的机器学习算法进行训练，本发明实施例对此不加以限制。

步骤130，根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度。

本发明实施例中，在得到前述两个预测结果A、B后，则可以根据两者之间的差值，确定该目标用户针对目标对象的刺激行为敏感度，即上述步骤中描述的优惠敏感度。

在实际应用中，将有优惠目标参数减去无优惠敏感参数，得到一个差值，该差值越大，说明该目标用户对优惠券的敏感度越高，给该目标用户发放优惠券后，其使用的几率越高。

另外，为了方便计算，可以将上述差值进行归一化处理，比如都进行归一化到[0，1]这个区间，归一化后的值越接近1其优惠敏感度越高。当然，具体的归一化算法本发明实施例不对其加以限制。

如图1A所示的，目标参数预测模型预测到的有优惠券的酒店支付率和无优惠券的酒店支付率，然后计算两者的差值；然后

将得到的差值进行归一化后，即为该对应用户数据的优惠敏感度。

需要说明的是，上述描述中目标参数并不限于酒店支付率，该目标参数是计算目标用户的优惠敏感度的一个中继参数，本发明实施例中用户的优惠敏感度主要是通过目标参数的差值即可获得。

在预测得到该目标用户的优惠敏感度之后，对于针对相应目标对象的优惠券，可以参考该优惠敏感度进行发放。比如将优惠券发放给优惠敏感度大于预设值的目标用户。当然预设值可以根据需求设置。

当前述有优惠目标参数与无优惠目标参数之间的差值为归一化后的值，可以依据归一化后的范围设置一个预设值，比如设置为0.7，说明目标用户有很大几率在有了优惠券之后去进行支付。

需要说明的是，本发明实施例中是以发放优惠券作为刺激行为而进行的测验，当然，在实际应用中刺激行为不一定是发放优惠券，还可以是针对不同主体进行的打折行为，并根据不同打折行为得到主体对于打折的折扣敏感度；还可以是发放礼品的行为，并通过前述类似方式计算用户对发放礼品的行为的敏感度。对此本发明实施例不加以限制。

综上所述，本发明实施例提供的一种刺激行为敏感度预测方法，通过根据目标主体的主体数据，获取有刺激行为特征组合和无刺激行为特征组合；并将原始用户数据进行预处理后训练处目标参数预测模型，再将同样具备目标特征的用户数据，分为有刺激行为特征组合和没刺激行为特征组合，并分别输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数；根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度。本提案通过针对中间参数进行机器学习，因此可以通过引入机器学习而分别获得准确的模型。由于该模型是训练得到，其不是人工设置的权重，还采用了大量的用户数据，其解决了现有技术中使用人工权重的统计规则导致预测用户的刺激行为敏感度准确率、覆盖率低的问题，达到了能够更加精确的预测用户的刺激行为敏感度、覆盖面也广。

实施例二

参照图2，其示出了一种刺激行为敏感度预测方法的步骤流程图，其具体步骤如下：

步骤210，通过利用样本主体的历史主体数据所构建的训练特征获得所述目标对象的目标参数预测模型；其中所述样本主体包括已被施加刺激行为的主体，所述主体特征包括所述参考维度的目标特征、属于刺激行为维度的刺激行为特征。

本发明实施例中，训练目标参数预测模型，是在确定目标主体以及主体数据后，根据主体的在预设时间内的历史数据通过机器学习算法训练获得。其中训练主体数据包括已被施加刺激行为的主体，并且主体特征包括参考维度的目标特征以及属于刺激行为维度的刺激行为特征。

下面以刺激行为为优惠券发放，有刺激主体和无刺激主体分别为接受优惠券的用户和没有接受优惠券的用户进行训练目标参数预测模型为例，进行描述，其中目标对象是用户对酒店消费的优惠敏感度，刺激行为特征为优惠券额度，主体特征为与优惠敏感度相关的用户特征，目标特征可以是用户在接受和没有接受优惠券的前提下，针对酒店的消费概率。

在该步骤中，在训练目标参数预测模型之前，首先要确认目标参数预测模型所要预测的目标对象，其中目标对象可以是用户对于酒店的支付率，可以是用户对于电影票描述页面的浏览率，或者是订餐页面的访问率，当确定一目标对象后，从用户历史数据中针对该目标对象提取特征构建训练特征集。提取的特征包括参考维度的目标特征、属于优惠维度的优惠特征。

当然，在实际应用中，服务器可以先给应用的各个用户账户中的一部分发放优惠券数据，然后这些有优惠券数据的用户账户的历史数据中，则可以提取包含有优惠券的特征。没被发放优惠券数据的用户，则无优惠券的特征。

需要说明的是，针对不同的目标对象，其参考维度可以不同。在实际应用中，例如，若确定的目标对象为用户对于酒店的支付率，那么就针对酒店项目提取所有相关的后台用户历史数据，数据中包括的用户过去1、3、5、7天以及1、3、5、7、10个小时前浏览酒店的次数，用户当前位置酒店转化率(这个位置历史上买酒店的转化率)，用户浏览异地酒店占比，用户年龄、性别、婚恋、教育水平，用户常驻地附近酒店数目，用户当前位置附近酒店数目，用户过去1、2、3、6个月消费酒店的次数，用户当前是否拥有可用的优惠等特征数据等等，利用这些历史数据输入梯度提升决策树算法，可以训练出目标参数预测模型。

梯度提升决策树算法：也叫GBDT(英文：Gradient Boosting Decision Tree)，GBDT是“梯度提升算法+决策树”相关算法的两个基本形式中的一个，GBDT是“模型组合+决策树”相关算法的两个基本形式中的一个，具体的：

决策树为应用最广的分类算法，决策树可以被表示成多个if-else的规则。决策树实际上是将空间用超平面进行划分的一种方法，每次分割的时候，都将当前的空间一分为二，这样使得每一个叶子节点都是在空间中的一个不相交的区域。学习得到如上这棵决策树之后，当输入一个待分类的样本实例进行决策的时候，我们就可以根据这个样本的两个特征(x,y)的取值来把这个样本划分到某一个叶子节点，得到分类结果了，这就是决策树模型的分类过程。

提升算法(Boosting)是关于模型组合的一种思想，Boosting算法总是一个迭代的过程，每一次新的训练都是为了改进上一次的结果。原始Boosting算法是在算法开始的时候，为每一个样本赋上一个权重值，初始的时候，大家都是一样重要的。在每一步训练中得到的模型，会使得数据点的估计有对有错，因此，在每一步结束后，增加分错的点的权重，减少分对的点的权重，这样使得某些点如果老是被分错，那么就会被“严重关注”，也就是被赋上一个很高的权重。那么，在进行了M次迭代之后，将会得到M个简单的分类器(basiclearner)，然后我们将它们组合起来，比如说可以对它们进行加权、或者让它们进行投票等，得到一个最终的模型。梯度提升算法(Gradient Boosting)是一种Boosting的方法，其与传统的Boosting的区别是，每一次的计算是为了减少上一次的残差(residual)，而为了消除残差，可以在残差减少的梯度(Gradient)方向上建立一个新的模型。所以说，在Gradient Boosting中，每个新的模型的建立是为了使得之前模型的残差往梯度方向减少，与传统Boosting对正确、错误样本进行加权有着很大的区别。

本发明实施例的目标参数预测模型可以使用基于前述梯度提升决策树算法的梯度提升决策树模型。梯度提升决策树模型的学习过程，就是多颗决策树的构建过程。在树的构建过程中，最重要的就是寻找分裂点，该分裂点是某个特征的某个取值。在梯度提升决策树算法通过损失函数的减小程度用来衡量特征分裂点的样本区分能力，样本预测值与目标值之间的差异小得越多，分裂点就越好。即以某个分裂点划分，把样本分成两部分，使得分裂后样本的损失函数值减小的最多。

所以，梯度提升决策树不像决策树模型那样仅由一棵决策树构成，而是由多棵决策树构成，通常都是上百棵树，而且每棵树规模都较小(即树的深度会比较浅)。模型预测的时候，对于输入的一个样本实例，首先会赋予一个初值，然后会遍历每一棵决策树，每棵树都会对预测值进行调整修正，最后得到预测的结果。将一系列弱分类器组合起来，构成一个强分类器。它不要求每棵树学到太多的东西，每颗树都学一点点知识，然后将这些学到的知识累加起来构成一个强大的模型。

需要说明的是，对于其他刺激行为的相关模型的建立，也可以采用类似方式，本发明实施例不对其加以限制。

可选的，步骤210具体包括：子步骤211-子步骤213；

子步骤211，对于单个样本主体的历史主体数据，从所述历史主体数据中确定参考维度的目标特征、以及刺激行为维度的刺激行为特征；

在该步骤中，对于不同的目标对象，可能其提取的样本用户不同，比如目标对象为酒店，则提取的样本用户包括在应用中对酒店进行过消费的用户。比如目标对象为电影票，则提取的样本用户包括在应用中购买过电影票的用户。当然，本发明实施例不对其加以限制。

以前述优惠券的例子而言，对于不同的目标对象，其对应的参数维度不同，那么本发明实施例则从样本用户的历史用户数据中提取该目标对象对应的参考维度的目标特征，以及前述的优惠维度的优惠特征。该优惠特征对于一个用户而言，其包括有优惠券、无优惠券其中一种。

优选的，子步骤211包括：

子步骤2111，对于单个样本主体的历史主体数据，从所述历史主体数据中确定参考维度的目标特征、以及刺激行为维度的刺激行为特征。

在该步骤中，以前述优惠券对于的优惠维度特征而言，针对每条样本数据，都需要根据所要预测的目标参数对应的参数提取规则进行目标特征以及优惠维度特征的提取，例如，针对不同目标对象的预测模型，提取特征的规则可以不同，例如针对酒店支付率，“用户常驻地附近酒店数目”、“用户当前位置附近酒店数目”、等特征是与酒店支付率相关的特征会被提取，所以数据提取规则是针对酒店数据的，如果预测模型的预测目标参数是电影票购买率，那么数据提取规则是针对影院的相关的，同样地，如果是针对订餐率的目标参数，那么数据提取规则是针对餐馆的，所以具体的数据提取规则本发明实施例对此不加以限制。

子步骤212，以所述目标特征和刺激行为维度特征构建针对目标参数的训练特征；

在该步骤中，以刺激行为特征为优惠维度特征为例，在根据具体的数据提取规则提取针对当前预测模型目标参数的用户历史数据，以及对应的优惠特征，其中优惠特征包括有优惠券的用户数据和没有优惠券的优惠数据，其中用户数据是否具备优惠券是用户历史原始数据。

在具体的训练过程中，假如提取的相依酒店类别的用户历史数据中有60万条，每条样本数据中包括的参考维度的特征数据有236种，并且样本中对用户是否支付了酒店项进行了标记，那么可以针对每个样本得到参考维度特征+优惠维度特征的训练特征，然后将60万条这样的训练特征构建样本集以输入梯度决策树算法，进行进一步的训练。

子步骤213，以多个样本主体的所述训练特征，训练用于针对所述目标对象的所述目标参数预测模型。

在该步骤中，待准备好针对目标参数的训练特征数据集后，输入梯度决策树算法进行目标预测模型的训练，需要说明的是，本发明实施例中使用的梯度决策树算法并不是唯一能用来训练目标预测模型的算法，其他机器学习算法仍然适用，对此本发明实施例不加以限制。

具体的，将上述预备好的数据输入梯度决策树算法，首先通过梯度决策树算法构建一棵决策树，树的根节点为样本数据，在构建树的过程中，根据训练数据中每个特征的对应目标参数的信息增益大小来选择权重最高的特征进行分裂，再采用随机梯度下降法找出特征的最佳分裂点，继续往下一个节点分裂，直到分裂到树的叶子节点，则信息饱和。其中，信息增益具体算法本发明实施例不对其加以限制。

接下来，将第一颗树的输出的分类结果继续用来生成第二棵决策树，根节点为上一决策树的输出结果，并继续根据其中的每个特征的信息增益大小选择高权重特征进行分裂，直到分裂到叶子节点。

以此类推，继续讲上一棵树输出的分类结果，再继续构建下一棵决策树，以实现每一棵决策树学习的都是上一棵决策树的误差值，一直学习得到误差值逐渐收敛，即连续两棵决策树的输出结果一样或非常接近，那么停止学习。

以图2A所为示例进行描述，图2A中的features标示特征。其中Y为是否支付酒店，是则为1，不是为0，Y1是每棵树叶子节点上真实值(即1或0)减去概率值所得结果，其中概率值为叶子节点上支付酒店的人数与该叶子上所有人数的比值，也是第一棵树误差值，Y2是第二棵树输出的误差值，所以由图中可以看出，每一棵树的训练结果都是在逐渐缩小误差值，在最后结果收敛，并且停止学习后，即完成了目标参数预测模型的训练，该模型可以用以预测目标参数。

另外，如图2B所描述的，本发明实施例中利用机器学习算法的主要步骤为，首先确定目标特征，是否支付酒店，其中的每个用户数据的都具备很多参考特征，特征1、特征2直到特征n，这些数据中支付酒店，还是没有支付酒店作为主要标记，将这些所有的用户数据选取完成后作为训练集，全部输入选定的以机器学习算法，本发明实施例中使用的是梯度提升决策树算法，进行目标参数预测模型的训练，训练完成后，再将另一部分具备相同目标特征的用户数据分别标记为有优惠特征和无优惠特征的两组数据，并分别输入该模型进行目标参数(酒店支付率)的预测。

需要说明的是，梯度提升决策树模型不是唯一可以在本发明实施例中使用的，还可以是其他机器学习算法模型，可以是单纯的决策树算法，逻辑回归算法，SVM算法等，本发明实施例对此不加以限制。

可选的，所述目标参数包括：目标对象支付概率、目标对象价格、目标对象浏览次数、目标对象访问购买率中任一项。

在该步骤中，如上面描述的，目标参数可以是目标对象的支付概率，也可以是目标对象的价格，浏览次数，访问购买率，例如，酒店的支付率，酒店的价格，酒店的浏览率，酒店的访问页面后的购买率，当然还可以是任何与优惠敏感度相关的参数，即该参数可以根据续签设置，对此本发明实施例不加以限制。

步骤220，根据目标主体的主体数据，获取有刺激行为特征组合和无刺激行为特征组合；

该步骤与步骤110相同，在此再详述。

步骤230，分别将所述有刺激行为特征组合和所述无刺激行为特征组合，输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数；

该步骤与步骤120相同，在此再详述。

步骤240，根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度。

该步骤与步骤130相同，在此不再详述。

优选地，当所述刺激行为敏感度符合预设条件时，对所述目标主体进行刺激行为。

比如，当所述优惠敏感度符合预设条件时，将针对所述目标对象的优惠券数据发送至所述目标用户的账户。

在本发明实施例中，由于存在不同的目标对象，比如酒店、电影票、KTV、旅游等，而不同的目标对象使用的优惠券数据可能有区别，因此本申请对于某种优惠券数据，则根据其针对的目标对象，将其发放给针对该目标对象的优惠敏感度大于预设值的目标用户的账户中。

可选的，所述预设条件包括：有刺激行为目标参数减去无刺激行为目标参数得到的差值大于预设值。以前述优惠券的例子为例，得到了有优惠目标参数和无优惠目标参数，那么其预设条件有优惠目标参数减去无优惠目标参数得到的差值大于预设值。

在实际应用中，假使有优惠券的有优惠目标参数k1，和无优惠券的无优惠目标参数k2，那么k1-k2大于预设值，则意味着该目标用户倾向使用优惠券，那么可以将优惠券发放给该目标用户。当然，假使k1-k2还需要进行归一化，那么该预设值则是针对归一化后的数值区间设置的预设值。

可以理解，当根据上述步骤中得到的用户数据在有优惠券和无优惠券情况下，两个预测数据的差值后，当该差值的大小大于预设值时，说明优惠敏感度达到要求，则说明在优惠券的情况下，用户的支付率较高，则向此类用户发放优惠券能达到更高的营销效果，其中的预设值根据数据的具体情况由技术人员指定，本发明实施例对此不加以限制。

在实际应用中，对于每天发生的用户数据，可以利用新产生的用户数据修正该目标参数预测模型。

对于上述步骤，例如，一个白领用户，在酒店品类下一共消费过24次，在应用的其他品类一共消费过72次，最近一次消费酒店距今时间为7天，过去使用优惠次数为16次，这是一个用户的数据，当存在大量类似的用户的数据时，将用户数据输入到目标参数预测模型里面去，这样模型会学到类似于以下的信息：白领用户、消费次数大于10次、最近一次消费距今小于3天、使用优惠次数大于6次、拥有可用优惠券的叶子节点概率0.83。白领用户、消费次数大于10次、最近一次消费距今小于3天、使用优惠次数大于6次、无可用优惠券的叶子节点概率为0.63。那么假设一个目标用户M，其统计得到的参考维度的特征为白领用户、消费次数大于10次、最近一次消费距今小于3天、使用优惠次数大于6次，则加上拥有可用优惠券的特征，输入目标参数预测模型可以得到其酒店支付概率为0.83；另外加上无可以优惠券的特征，输入目标参数预测模型可以得到其酒店支付概率为0.63。那么用户M的优惠敏感度就为0.83-0.63＝0.20。如果预设差值为0.10，那么该用户的优惠敏感度大于预设差值，则为该用户对应的酒店消费品类下发放优惠券。而如果预设差值为0.50，那么该用户的优惠敏感度小于预设差值，则不为该用户对应的酒店消费品类下发放优惠券。

优选的，若所述有刺激行为特征组合包括刺激行为幅度值；在步骤240之前还包括：

步骤M11，调整所述有刺激行为维度的刺激行为幅度值，重新计算针对目标主体的刺激行为敏感度；

在本发明实施例中，以所述刺激行为幅度值为优惠券幅度值为例，还可以不断调整有优惠维度的优惠券幅度值，无优惠维度，然后进入步骤230重新计算优惠敏感度。

当然，也可以基于调整后的优惠维度的优惠券幅度值，重新计算有优惠目标参数，而无优惠目标参数不变，然后再用新的有优惠目标参数和与无优惠目标参数之间的差值，去确定新的优惠敏感度。

当然，对于其他刺激行为幅度值也类似，比如折扣值、礼品价值等，本发明实施例不对其加以限定。

步骤M12，将所述刺激行为敏感度达到最大值时对应的刺激行为幅度值作为所述目标主体的刺激行为幅度值。

那么，如前述优惠券幅度值的例子，在不断调整的过程中，可以比较优惠敏感度的变化，不断调整该优惠券额度，直到确定优惠敏感度的最大值。然后，将优惠敏感度最大值时对应的优惠券额度进行记录。然后可以直接将该额度的优惠券发放给目标用户，也可以执行步骤240，先判断惠敏感度最大值是否符合条件，如果符合条件了，则将该额度的优惠券发放给该目标用户。

因此，本发明实施例可以通过预测用户的优惠敏感度，来确定优惠券额度的最优解，将最优的优惠券额度发放给目标用户。

当然对于其他刺激行为幅度值也类似，也采用类似方式确定最优的刺激行为幅度值，本发明实施例不对其加以限制。

综上所述，本发明实施例提供的一种刺激行为敏感度预测方法，通过以所述目标特征和刺激行为特征构建针对目标参数的训练特征，以多个样本主体的所述训练特征，训练用于针对所述目标对象的所述目标参数预测模型，并且分别将所述有刺激行为特征组合和无刺激行为特征组合，输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数，根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度，在当所述刺激行为敏感度符合预设条件时，将针对所述目标对象的实施的刺激行为至所述目标主体。其具有如下优点：

其一：由于该模型是训练得到，其不是人工设置的权重，还采用了大量的主体数据，能够更加精确的预测目标主体的刺激行为敏感度、覆盖面也广。

其二，由于是采用目标参数作为计算刺激行为敏感度的中间参数，用有无刺激行为两者的预测结果确定的优惠敏感度也更客观、准确。

其三、由于是采用大量样本主体数据进行训练的，对于不同的主体，其结果更贴近该主体的习惯。

其四，能够灵活的针对不同的需求，建立不同的模型，从而可以针对不同需求的主体进行相应的预测。

其五，能够方便通过调整刺激行为幅度值，去预测目标主体的刺激行为敏感度，从而可以通过刺激行为敏感度的变化，确定最优的刺激行为幅度值。

实施例三

参照图3，其示出了一种刺激行为敏感度预测装置的结构框图，其具体如下：

特征组合获取模块301，用于根据目标主体的主体数据，获取有刺激行为特征组合和无刺激行为特征组合；

目标参数获取模块302，用于分别将所述有刺激行为特征组合和所述无刺激行为特征组合，输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数；

敏感度确定模块303，用于根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度。

参照图4，其示出了基于图3实施例的另一种刺激行为敏感度预测装置的结构框图，其具体如下：

目标参数预测模型训练模块300，用于所述目标对象的目标参数预测模型通过利用样本主体的历史主体数据所构建的训练特征获得；其中所述样本主体包括已被施加刺激行为的主体，所述主体特征包括所述参考维度的目标特征、属于刺激行为维度的刺激行为特征。

可选的，所述目标参数预测模型训练模块300，包括：

样本提取子模块3001，用于对于单个样本主体的历史主体数据，从所述历史主体数据中确定参考维度的目标特征、以及刺激行为维度的刺激行为特征；

训练特征构建子模块3002，用于以所述目标特征和刺激行为特征构建针对目标参数的训练特征；

模型训练子模块3003，用于以多个样本主体的所述训练特征，训练用于针对所述目标对象的所述目标参数预测模型。

可选的，所述样本提取子模块3001，包括：

样本提取单元，用于对于单个样本主体的历史主体数据，从所述历史主体数据中确定参考维度的目标特征、以及刺激行为维度的刺激行为特征。

特征组合获取模块301，用于根据目标主体的主体数据，获取有刺激行为特征组合和无刺激行为特征组合；

目标参数获取模块302，用于分别将所述有刺激行为特征组合和所述无刺激行为特征组合，输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数；

敏感度确定模块303，用于根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度。

可选的，若所述有刺激行为特征组合包括刺激行为幅度值，还包括：

调整模块，用于调整所述有刺激行为维度的刺激行为幅度值，重新计算针对目标主体的刺激行为敏感度；

刺激行为特征值确定模块，用于将所述刺激行为敏感度达到最大值时对应的刺激行为幅度值作为所述目标主体的刺激行为幅度值。

本发明实施例还提供一种设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述的一个或多个所述的刺激行为敏感度预测方法。

本发明实施例还提供一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如所述的刺激行为敏感度预测方法。

综上所述，本发明实施例提供的一种刺激行为敏感度预测方法，通过以所述目标特征和刺激行为特征构建针对目标参数的训练特征，以多个样本主体的所述训练特征，训练用于针对所述目标对象的所述目标参数预测模型，并且分别将所述有刺激行为特征组合和无刺激行为特征组合，输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数，根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度，在当所述刺激行为敏感度符合预设条件时，将针对所述目标对象的实施的刺激行为至所述目标主体。其具有如下优点：

其一：由于该模型是训练得到，其不是人工设置的权重，还采用了大量的主体数据，能够更加精确的预测目标主体的刺激行为敏感度、覆盖面也广。

其二，由于是采用目标参数作为计算刺激行为敏感度的中间参数，用有无刺激行为两者的预测结果确定的优惠敏感度也更客观、准确。

其三、由于是采用大量样本主体数据进行训练的，对于不同的主体，其结果更贴近该主体的习惯。

其四，能够灵活的针对不同的需求，建立不同的模型，从而可以针对不同需求的主体进行相应的预测。

其五，能够方便通过调整刺激行为幅度值，去预测目标主体的刺激行为敏感度，从而可以通过刺激行为敏感度的变化，确定最优的刺激行为幅度值。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的支付信息处理设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序商品数据)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (14)

1.一种刺激行为敏感度预测方法，其特征在于，所述方法包括：

根据目标主体的主体数据，获取有刺激行为特征组合和无刺激行为特征组合；

分别将所述有刺激行为特征组合和所述无刺激行为特征组合输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数；

根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度。

2.根据权利要求1所述的方法，其特征在于，所述根据目标主体的历史主体数据，获取有刺激行为特征组合和无刺激行为特征组合的步骤，包括:

从目标主体的主体数据中获取参考维度的目标特征；

将所述参考维度的目标特征分别与属于刺激行为维度的有刺激行为特征、属于刺激行为维度的无刺激行为特征进行组合，得到有刺激行为特征组合和无刺激行为特征组合。

3.根据权利要求1所述的方法，其特征在于，还包括：

所述目标对象的目标参数预测模型通过利用样本主体的历史主体数据所构建的训练特征获得；其中所述样本主体包括已被施加刺激行为的主体，所述主体特征包括参考维度的目标特征、属于刺激行为维度的刺激行为特征。

4.根据权利要求3所述的方法，其特征在于，所述利用样本主体的历史用户数据所构建的训练特征的获得步骤包括：

对于单个样本主体的历史主体数据，从所述历史主体数据中确定参考维度的目标特征、以及刺激行为维度的刺激行为特征；

以所述目标特征和刺激行为特征构建针对目标参数的训练特征；

以多个样本主体的所述训练特征，训练用于针对所述目标对象的所述目标参数预测模型。

5.根据权利要求1-3之任一项所述的方法，其特征在于，若所述有刺激行为特征组合包括刺激行为幅度值，则所述方法还包括：

调整所述有刺激行为维度的刺激行为幅度值，重新计算针对目标主体的刺激行为敏感度。

6.根据权利要求5所述的方法，其特征在于，还包括：

将所述刺激行为敏感度达到最大值时对应的刺激行为幅度值作为所述目标主体的刺激行为幅度值。

7.一种刺激行为敏感度预测装置，其特征在于，所述装置包括：

特征组合获取模块，用于根据目标主体的主体数据，获取有刺激行为特征组合和无刺激行为特征组合；

目标参数获取模块，用于分别将所述有刺激行为特征组合和所述无刺激行为特征组合，输入针对目标对象的目标参数预测模型，获得有刺激行为目标参数和无刺激行为目标参数；

敏感度确定模块，用于根据所述有刺激行为目标参数与无刺激行为目标参数之间的差异，确定所述目标主体针对目标对象的刺激行为敏感度。

8.根据权利要求7所述的装置，其特征在于，所述特征组合获取模块，包括：

目标特征获取子模块，用于从目标主体的主体数据中获取参考维度的目标特征；

特征组合获取子模块，用于将所述参考维度的目标特征分别与属于刺激行为维度的有刺激行为特征、属于刺激行为维度的无刺激行为特征进行组合，得到有刺激行为特征组合和无刺激行为特征组合。

9.根据权利要求7所述的装置，其特征在于，还包括：

目标参数预测模型训练模块，用于所述目标对象的目标参数预测模型通过利用样本主体的历史主体数据所构建的训练特征获得；其中所述样本主体包括已被施加刺激行为的主体，所述主体特征包括参考维度的目标特征、属于刺激行为维度的刺激行为特征。

10.根据权利要求8所述的装置，其特征在于，所述目标参数预测模型训练模块，包括：

样本提取子模块，用于对于单个样本主体的历史主体数据，从所述历史主体数据中确定参考维度的目标特征、以及刺激行为维度的刺激行为特征；

训练特征构建子模块，用于以所述目标特征和刺激行为特征构建针对目标参数的训练特征；

模型训练子模块，用于以多个样本主体的所述训练特征，训练用于针对所述目标对象的所述目标参数预测模型。

11.根据权利要求7-9其中之一所述的装置，若所述有刺激行为特征组合包括刺激行为幅度值其特征在于，则所述装置还包括：

调整模块，用于调整所述有刺激行为维度的刺激行为幅度值，重新计算针对目标主体的刺激行为敏感度。

12.根据权利要求11所述的装置，其特征在于，还包括：

刺激行为特征值确定模块，用于将所述刺激行为敏感度达到最大值时对应的刺激行为幅度值作为所述目标主体的刺激行为幅度值。

13.一种设备，其特征在于，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中一个或多个所述的刺激行为敏感度预测方法。

14.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-6中一个或多个所述的刺激行为敏感度预测方法。