CN108460618A - 一种资源配置方法及装置,电子设备 - Google Patents
一种资源配置方法及装置,电子设备 Download PDFInfo
- Publication number
- CN108460618A CN108460618A CN201810020063.1A CN201810020063A CN108460618A CN 108460618 A CN108460618 A CN 108460618A CN 201810020063 A CN201810020063 A CN 201810020063A CN 108460618 A CN108460618 A CN 108460618A
- Authority
- CN
- China
- Prior art keywords
- real estate
- user
- impact factor
- price sensitivity
- estate impact
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开的资源配置方法,属于计算机技术领域,解决现有技术中资源配置不准确,效率低下的问题。所述方法包括:获取预设资源影响因素的当前值;确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标;基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置。本申请实施例公开的资源配置方法,通过根据实时获取的资源影响因素,预估当前的用户、物品、价格等因素信息对应的价格敏感度,并根据预估的价格敏感度进行资源配置,可以有效提升资源配置的准确性,提升资源有效利用率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种资源配置方法及装置,电子设备。
背景技术
优惠资源作为一种运营的重要手段,在引导流量、提高交易量等场景中都有重要作用。现有技术中的优惠资源包括但不限于:优惠券、积分、服务、礼品等。平台或商家通过为用户配置资源,达到吸引用户或提高交易量的目的。因此,如何有效进行资源配置,成为一个待解决的问题。现有技术中资源配置方法中,资源配置规则多为人工确定,资源配置效率较低。现有技术中,还有根据用户的画像信息确定用户的价格敏感程度,然后给用户配置与所述价格敏感程度匹配的资源,如优惠券,其中,用户画像信息包括使用优惠券的次数、购买特卖物品的次数等。
可见,现有技术中的资源配置方法,确定资源配置的参考因素单一,且均为历史数据,因此会导致资源配置不准确,效率低下。
发明内容
本申请提供一种资源配置方法,解决现有技术中资源配置不准确,效率低下的问题。
为了解决上述问题,第一方面,本申请实施例提供了一种资源配置方法包括:
获取预设资源影响因素的当前值;
确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标;
基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置。
第二方面,本申请实施例提供了一种资源配置装置,包括:
当前资源影响因素获取模块,用于获取预设资源影响因素的当前值;
当前价格敏感度指标确定模块,用于确定所述当前资源影响因素获取模块获取的所述预设资源影响因素的当前值对应的价格敏感度指标;
资源配置模块,用于基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置。
第三方面,本申请实施例还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请实施例所述的资源配置方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时本申请实施例公开的资源配置方法的步骤。
本申请实施例公开的资源配置方法,通过获取预设资源影响因素的当前值;确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标;基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置,解决了现有技术中资源配置不准确,效率低下的问题。通过根据实时获取的资源影响因素,预估当前的用户、物品、价格等因素信息对应的价格敏感度,并根据预估的价格敏感度进行资源配置,可以有效提升资源配置的准确性,提升资源有效利用率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术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申请的一些实施例,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是本申请实施例一的资源配置方法流程图;
图2是本申请实施例二的资源配置方法流程图;
图3是本申请实施例四的资源配置装置的结构示意图之一;
图4是本申请实施例四的资源配置装置的结构示意图之二;
图5是本申请实施例四的资源配置装置的结构示意图之三。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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,都属于本申请保护的范围。
实施例一
本实施例公开的一种资源配置方法,如图1所示,该方法包括:步骤110至步骤130。
步骤110,获取预设资源影响因素的当前值。
预设资源影响因素为平台在进行资源配置时需要考虑的因素。具体实施时,所述预设资源影响因素可以包括:用户、物品、期望购买概率和上下文信息中的至少一项。具体实施时,对于不同的资源影响因素,会获取到不同的当前值。例如,资源影响因素为用户时,获取的预设资源影响因素的当前值可以为当前用户的用户标识;资源影响因素为物品时,获取的预设资源影响因素的当前值可以为当前物品的品类、价格等信息;资源影响因素为期望购买概率时,获取的预设资源影响因素的当前值可以为当前选择的期望概率值,如75%;资源影响因素为上下文信息时,获取的预设资源影响因素的当前值可以为当前的天气、地理位置等信息。
其中,所述用户可以为单个实体用户,也可以是按照预设规则分类后得到的抽象用户,如将年龄在20到30之间的用户定义为一个抽象用户。
具体实施时,所述物品可以为实体物品,如:一道菜、一张门票、一个套餐等,也可以是根据实体物品的品类和价格范围抽象得到的抽象物品,如价格在50元到100元的外卖订单。
所述期望购买概率为用户面对物品时的购买概率,可以根据实际需要设置,例如设置为:10%、50%、80%等值。本申请实施例中,当期望购买概率等于80%时,可以理解为用户面对物品的购买概率为80%。
所述上下文信息为与用户和物品的自身属性无关,但是会影响用户购买的上、下文信息,如天气、地点等。具体实施时,上下文信息可以包括多种,每种上下文信息有不同取值。例如上下文信息包括天气时,天气上下文信息可以取值为:晴天、雨天等。
具体实施时,可以通过平台接口获取期望购买概率的当前值,所述望购买概率的当前值可以包括多个。当用户浏览平台上的物品或浏览平台的某一物品页面时,可以通过平台接口,获取当前物品或当前页面的物品信息,包括物品类别、价格等,同时可以获取到当前用户信息。进一步的,通过第三方接口还可以获取到上下文信息,如天气、地点等。
本申请实施例中的资源可以为优惠券、积分、服务等虚拟资源,也可以为礼品等实物资源,本申请对资源的具体形式不做限定。为了便于理解,本申请实施例中以资源的形式为优惠券具体说明具体资源配置方案。
步骤120,确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标。
其中,所述价格敏感度指标用于衡量所需要配置的资源量。确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标,具体为:根据所述预设资源影响因素确定的历史购买数据中使用的资源量(如优惠券额度),确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标。
在实际资源配置过程中,根据实时获取的资源影响因素的值,确定与实时获取的资源影响因素对应的价格敏感度指标。
例如,当预设资源影响因素仅包括用户时,实时获取的预设资源影响因素的当前值将是用户信息,如用户标识、性别、年龄等,具体实施时,可以根据预先训练的价格敏感度预测模型预测当前用户的价格敏感度指标;或者,将当前用户的相似用户的价格敏感度指标作为当前用户的价格敏感度指标。所述当前用户的相似用户根据历史价格敏感度指标的相似度距离确定,历史价格敏感度指标根据用户历史购买数据中使用的资源信息确定。
当预设资源影响因素包括用户、物品、期望购买概率和上下文信息时,实时获取的预设资源影响因素的当前值将包括:用户信息(如用户A)、物品信息(如物品1、所述品类i、价格r)、期望购买概率(如80%)和上下文信息(如c1=雨天)。具体实施时,可以根据预先训练的价格敏感度预测模型预测当前用户的价格敏感度指标。其中,价格敏感度预测模型根据用户在期望购买概率80%和雨天情况下用户购买物品1的历史价格敏感度指标训练得到。所述历史价格敏感度指标根据各用户在期望购买概率80%和雨天情况下用户购买物品1的所述历史购买数据中使用的资源信息确定。或者,将当前用户的相似用户的价格敏感度指标作为当前用户的价格敏感度指标。所述当前用户的相似用户根据历史价格敏感度指标的相似度距离确定,历史价格敏感度指标根据用户在期望购买概率80%和雨天情况下用户购买物品1的所述历史购买数据中使用的资源信息确定。
步骤130,基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置。
最后,根据预估得到的价格敏感度指标进行资源配置。例如,当根据用户A对物品i在期望购买概率等于80%和雨天条件下对应的价格敏感度指标WTBA,i,雨天,80%之后,根据WTBA,i,雨天,80%进行资源配置。具体实施时,价格敏感度指标可以为优惠券额度,则当确定用户A对物品i在期望购买概率等于80%和雨天条件下对应的价格敏感度指标WTBA,i,雨天,80%之后,当用户A浏览物品i时,为用户A配置额度为WTBA,i,雨天,80%的优惠券,以提升用户的购买率。或者,对于物品i,如果想多成交1个用户,现在有四个潜在用户,其中两个用户在期望购买概率等于50%的价格敏感度指标为5元,两个用户在期望购买概率等于50%的价格敏感度指标为10元,则平台会给这四个用户发5元的优惠券,这样期望成交人数为1人,通过发放最小价格敏感度指标对应的资源,以节省资源。
本申请实施例公开的资源配置方法,通过获取预设资源影响因素的当前值;确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标;基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置解决了现有技术中资源配置不准确,效率低下的问题。通过根据实时获取的资源影响因素,预估当前的用户、物品、价格等因素信息对应的价格敏感度,并根据预估的价格敏感度进行资源配置,可以有效提升资源配置的准确性,提升资源有效利用率。
实施例二
如图2所示,在本申请另一实施例公开的资源配置方法,包括:步骤210至步骤240。
步骤210,根据预设资源影响因素对应的历史价格敏感度指标,训练价格敏感度预测模型。
具体实施时,资源影响因素根据实际应用场景会有所不同。例如,对于应用商城场景,资源影响因素只需要包括用户和物品(即应用程序)或者只包括物品。优选的,对于一些物品,用户对其购买的概率还受天气、时间、地点等因素的影响,本申请实施例中,把与用户、物品等自身属性无关的影响用户下单的因素统称为“上下文信息”。为了提升预测结果的准确性,所述资源影响因素还包括:上下文信息。例如,对于外卖场景,所述资源影响因素中的上下文信息可以进一步包括天气,例如天气的上下文信息取值为:晴天、雨天等。对于到店消费场景,所述资源影响因素包括的上下文信息还可以包括:位置热度、交通便利性等的上下文信息。
具体实施时,所述预设资源影响因素包括:用户、物品、期望购买概率和上下文信息中的任意一项或多项的组合。优选的,所述预设资源影响因素包括:用户、物品、期望购买概率和上下文信息四项,其中,上下文信息还可以进一步包括多个方面的信息。本申请具体实施时,将每一项资源影响因素作为数据的一项因素,每一项资源影响因素下面又可以包括多个子项。例如,所述预设资源影响因素包括:用户、物品、期望购买概率和上下文信息四项,那么,历史价格敏感度指标就对应用户、物品、期望购买概率和上下文信息四个方面的因素。
其中,所述期望购买概率表示用户购买物品的支付意愿;上下文信息表示与用户、物品自身属性无关的,但是会影响用户购买的上下文信息;所述物品包括实体物品或根据物品的品类和价格范围进行抽象,得到的抽象物品;所述用户包括实体用户或根据用户的预设属性进行抽象,得到的抽象用户。
下面根据预设资源影响因素包括的不同因素类别,举例说明模型的训练方法。
第一种情况,预设资源影响因素包括:用户、物品、期望购买概率和上下文信息。
具体实施时,平台根据具体业务需求,会设置不同的期望购买概率,并希望确定不同期望购买概率下,为用户配置的资源。因此,在训练模型时,每个预设期望购买概率对应一个价格敏感度预测模型,所述价格敏感度预估模型用于预估用户对某个物品具有预设期望购买概率时的价格敏感度指标。所述预设期望购买概率可以为10%、20%、80%等概率值,根据实际需要确定。例如,期望购买概率等于80%时对应的价格敏感度预测模型用于预估某个用户对某一价格的某一物品具有80%的购买概率时所需配置的资源。
具体实施时,根据所述预设资源影响因素对应的历史价格敏感度指标,训练价格敏感度预测模型,包括:在所述预设资源影响因素包括期望购买概率的情况下,根据所述期望购买概率的预设值和指定资源影响因素对应的历史价格敏感度指标,训练各期望购买概率的预设值对应的价格敏感度预测模型;其中,所述指定资源影响因素为所述预设资源影响因素中除所述期望购买概率以外的资源影响因素;所述指定资源影响因素对应的历史价格敏感度指标,根据所述预设值对应的期望购买概率下,指定资源影响因素确定的用户历史购买数据中使用的资源信息确定。本实施例中所述的物品可以为实体物品,如“炒鸡蛋”这道菜;也可以为一个抽象物品,如价格小于20元的素菜,可以定义为“素菜20”。本实施例中所述的用户可以为实体用户,如用户“张三”;也可以为一个抽象用户,如年龄在20岁到30岁之间的女性,可以定义为用户“年轻女性”。
具体实施时,在所述预设资源影响因素包括期望购买概率,所述指定资源影响因素包括:用户、物品和上下文信息的情况下,根据所述期望购买概率的预设值和指定资源影响因素对应的历史价格敏感度指标,训练各期望购买概率的预设值对应的价格敏感度预测模型,包括:根据所述期望购买概率的预设值,用户购买各所述物品时的历史价格敏感度指标、各物品的历史平均优惠价格、所述上下文信息对应的价格敏感度指标修正值,训练期望购买概率的每个所述预设值对应的价格敏感度预测模型,具体实施时,可以通过公式训练用户的价格敏感度预测模型;其中,表示在物品平均优惠价格基础上,用户u对物品i在所述期望购买概率预设值的情况下(不考虑上下文信息因素)的价格敏感度指标校正值;Mi表示长度为l的列向量,其中l为因式分解的维度数,对于每个物品,有相同的Mi。Nu为长度为l的列向量,其中l为因式分解的维度数,每个用户有相同的Nu;bi表示不同用户购买物品时,物品的平均优惠价格;表示预设期望购买概率p和上下文信息cj下,所述用户对不同物品的价格敏感度指标校正值;表示用户u对物品i,在系列上下文c1至ck情况下具有所述预设期望购买概率p的预设值时的预测价格敏感度指标。其中,用户u可以为某个实体用户,也可以为代表一类用户的一个抽象用户;物品i可以为某个实体物品,也可以为代表一类物品的一个抽象物品,如价格范围r内的物品i。在训练模型过程中,通过将用户或物品进行分类、抽象,可以减少用户u和物品i的取值范围,进一步减少运算量。
具体实施时,根据所有用户的历史订单数据,确定不同用户购买物品时,物品的平均优惠价格。具体实施时,可以通过公式: 计算某一物品的平均优惠价格。例如,“素菜20”有5笔订单,优惠金额分别为0,1,3,5,5,则根据平均优惠价格计算公式可以得到物品“素菜20”的平均优惠价格为(0+1+3+5+5)/5=2.8元。
具体实施时,资源影响因素的历史价格敏感度指标为:根据所述预设资源影响因素确定的用户历史购买数据中使用的资源信息的预设统计指标值,所述统计指标包括但不限于:中位值、最大值、平均值和预设比例值。具体实施时,指定资源影响因素在预设期望购买概率条件下对应的历史价格敏感度指标WTBu,i,p确定方法为:将所述指定资源影响因素下的用户u对物品i历史订单按照使用资源量由低到高排序,确定前所述预设期望购买概率p的历史订单中所述资源信息的预设统计指标值,将所述预设统计指标值作为指定资源影响因素在预设期望购买概率p条件下对应的历史价格敏感度指标。以期望购买概率等于80%,指定资源影响因素包括用户和物品举例,可以确定用户u购买物品i的所有历史购买订单,将购买订单按照优惠券使用额度由低到高的顺序,将所有购买订单进行排序,然后,取前80%的购买订单中优惠券的最大值作为期望购买概率等于80%条件下的用户u对物品i的历史价格敏感度指标。
具体实施时,在以指定资源影响因素包括用户、物品和上下文信息,上下文信息cj包括雨天为例,指定资源影响因素在预设期望购买概率条件下对应的历史价格敏感度指标确定方法为:对于预设的期望购买概率p的某一预设值,如期望购买概率等于80%,确定某一用户u在雨天购买的物品i的所有购买订单,然后,将确定的所有购买订单按照使用优惠券的额度由低到高的顺序排列,取前80%的购买订单中使用优惠券的最大值作为期望购买概率80%下用户u在雨天购买物品i的历史价格敏感度指标。
具体实施时,所述预设期望购买概率下,所述上下文信息对应的价格敏感度指标修正值的确定方法为:在所述预设期望购买概率下,根据不考虑上下文信息影响时用户对物品的价格敏感度指标和指定上下文信息影响时用户对物品的价格敏感度指标的差值确定。具体实施时,可以通过公式计算预设期望购买概率下,所述上下文信息对应的价格敏感度指标修正值;其中,WTBu,i,p表示在所述预设期望购买概率p条件下,不考虑上下文信息影响时用户u对物品i的价格敏感度指标;表示在所述预设期望购买概率条件下,考虑上下文信息cj影响时用户u对物品i的价格敏感度指标。
具体实施时,训练的过程就是通过训练Mi和Nu,使预设期望购买概率p条件下价格敏感度指标的预测值与价格敏感度指标的已知值之间的误差最小。其中,价格敏感度指标的已知值根据用户历史购买数据确定。
具体实施时,通过训练Mi和Nu,使所有条件下价格敏感度指标的预测值与价格敏感度指标的已知值之间的误差最小。即价格敏感度预测模型的训练过程就是通过不断调整Mi和Nu,使预设期望购买概率p条件下价格敏感度指标的预测值与价格敏感度指标的已知值之间的误差最小。其中,价格敏感度指标的已知值根据用户历史购买数据确定。对于每一个模型,p为常数。
具体实施时,模型训练的方法有多种,例如:可以采用矩阵分解法,对任意Mi、Nu的取值,计算每一个的误差:
然后,根据误差e可以对训练公式1中的各项进行校正,校正公式如下:
Mi=Mi+γ(e·Nu-λMi); (公式2)
Nu=Nu+γ(e·Mi-λNu); (公式3)
其中,λ、γ分别为迭代参数。迭代目标是使对所有用户u、物品i、和所有上下文信息c1,c2……ck,使误差函数:
最小。
例如,假设存在5个用户:U1、U2、U3、U4和U5;4个物品:I1、I2、I3和I4;1个上下文:天气,则通过前述步骤,可计算用户U1对物品I1在晴天的上下文信息下,价格敏感度指标校正值MT I1×NU1=4,雨天上下文信息下MT I1×NU1=6,则用户U1对物品I1的平均价格敏感度指标校正值为MT I1×NU1=5。具体实施时,在用户、物品和上下文信息已知的情况下, 在期望购买概率一定的条件下,对所有用户、所有物品和所有上下文信息下的历史购买数据依次计算,得到如下价格敏感度指标校正值矩阵:
其中,“-”表示该用户对该物品在所有上下文下都缺少历史数据。在迭代时初始值为0。
令γ=0.0002,λ=0.02,l=2,Mi和Nu为任意初始值,采用上述公式1至4进行迭代后,可以得到完整的价格敏感度指标校正值矩阵,即所有用户和物品的构成的矩阵:
I1 | I2 | I3 | I4 | |
U1 | 4.97 | 2.98 | 2.18 | 0.98 |
U2 | 3.97 | 2.40 | 1.97 | 0.99 |
U3 | 1.02 | 0.93 | 5.32 | 4.93 |
U4 | 1.00 | 0.85 | 4.59 | 3.93 |
U5 | 1.36 | 1.07 | 4.89 | 4.12 |
通过迭代训练,对某些用户对物品在所有上下文下都缺少的历史数据进行了完善,有效解决了平台数据稀疏的不足。
确定之后,进一步的,可以通过模型 预估预设期望购买概率下,用户u对物品i在上下文信息cj下的价格敏感度评价指标。
第二种情况,预设资源影响因素包括:用户、物品和期望购买概率。
具体实施时,在所述预设资源影响因素包括期望购买概率,所述指定资源影响因素包括:用户和物品的情况下,根据所述期望购买概率的预设值和指定资源影响因素对应的历史价格敏感度指标,训练各期望购买概率的预设值对应的价格敏感度预测模型,包括:根据所述期望购买概率的预设值,用户购买各所述物品时的历史价格敏感度指标、各物品的历史平均优惠价格,训练期望购买概率的每个所述预设值对应的价格敏感度预测模型,具体实施时,可以通过公式训练用户的价格敏感度预测模型;其中,表示在物品平均优惠价格基础上,用户u对物品i在所述期望购买概率预设值的情况下的价格敏感度指标校正值;Mi表示长度为l的列向量,其中l为因式分解的维度数,对于每个物品,有相同的Mi。Nu为长度为l的列向量,其中,l为因式分解的维度数,每个用户有相同的Nu;bi表示不同用户购买物品时,物品的平均优惠价格;表示用户u对物品i具有所述所述预设值p的期望购买概率时的预测价格敏感度指标。
具体实施时,根据所有用户的历史订单数据,确定不同物品的平均优惠价格的方法,参见第一种情况,此处不再赘述。
表示用户u对物品i在所述期望购买概率预设值的情况下(不考虑上下文信息因素)的价格敏感度指标校正值。根据用户的历史购买数据,确定某一用户对某一物品在所述期望购买概率预设值的情况下的价格敏感度指标的具体方法与第一种情况中不考虑上下文信息时,计算价格敏感度指标的方法相同,此处不再赘述。
模型训练过程与第一种情况的模型训练过程类似,误差函数调整为:
确定之后,进一步的,可以通过模型预估预设期望购买概率下,用户u对物品i的价格敏感度评价指标。
第三种情况,预设资源影响因素包括:用户、物品。
当预设资源影响因素只包括:用户和物品的情况下,只需要训练一个价格评价指标预测模型。根据所述预设资源影响因素对应的历史价格敏感度指标,训练价格敏感度预测模型,包括:根据用户购买各所述物品时的历史价格敏感度指标、各物品的历史平均优惠价格,训练价格敏感度预测模型,具体实施时,可以通过公式训练用户的价格敏感度预测模型;其中,表示在物品平均优惠价格基础上,用户u对物品i的价格敏感度指标校正值;Mi表示长度为l的列向量,其中l为因式分解的维度数,对于每个物品,有相同的Mi。Nu为长度为l的列向量,其中,l为因式分解的维度数,每个用户有相同的Nu;bi表示不同物品的平均优惠价格;表示用户u对物品i的预测价格敏感度指标。
具体实施时,根据所有用户的历史订单数据,确定不同物品的平均优惠价格的方法,参见第一种情况,此处不再赘述。
表示在物品平均优惠价格基础上,用户u对物品i的价格敏感度指标校正值。具体实施时,预设资源影响因素对应的历史价格敏感度指标WTBu,i确定方法为:确定用户u购买物品i所有历史订单数据,确定所述历史订单中所述资源信息的预设统计指标值,将所述预设统计指标值作为预设资源影响因素对应的历史价格敏感度指标。
价格敏感度预测模型训练过程与第二种情况的模型训练过程类似,误差函数调整为:
确定之后,进一步的,可以通过模型预估用户u对物品i的价格敏感度评价指标。
具体实施时,资源影响因素还有多种情况,本申请实施例中不再一一例举。简言之,如果预设资源影响因素包括期望购买概率,则针对预设期望购买概率的每一个预设值训练一个价格敏感度预测模型,训练每个模型时,选择所有用户的期望购买概率等于所述预设值的购买数据作为训练样本。如果预设资源影响因素不包括期望购买概率,则训练一个价格敏感度预测模型,选择所有用户的所有购买数据作为训练样本。具体基于训练样本进行模型训练的方法类似,本申请实施例不再一一赘述。
具体实施时,模型的训练过程还可以采用其他方式,同理,还可以通过其他函数或公式训练预设期望购买概率对应的价格敏感度预测模型,本申请实施例中,不再一一例举。本领域技术人员应该理解,任何基于本申请实施例中公开的资源影响因素训练指定期望购买概率对应的价格敏感度预测模型,以基于训练得到的价格敏感度预测模型预测用户在相应期望购买概率和所述资源影响因素条件下的价格敏感度指标的方法,都属于本申请的保护范畴。
步骤220,获取预设资源影响因素的当前值。
获取预设资源影响因素的当前值的具体方法参见实施例一,本实施例不再赘述。本实施例中,以获取到的预设资源影响因素包括以下信息举例说明资源配置方案:用户A;物品信息为:物品i;上下文信息包括:晴天、热点位置;期望购买概率等于80%。
步骤230,确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标。
本实施例中,确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标,包括:通过预设价格敏感度预测模型,确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标。
其中,所述预设价格敏感度预测模型根据所述预设资源影响因素对应的历史价格敏感度指标训练得到,具体训练方法参见步骤210。
具体实施时,将获取的所述预设资源影响因素的当前值作为步骤210中训练好的模型的输入,即可得出获取的所述预设资源影响因素的当前值对应的价格敏感度指标。
例如,当期望能够购买概率的当前值p=80%时,通过期望能够购买概率的等于80%对应的价格敏感度预测模型,将u=A,i=到餐,cj=雨天作为模型的输入,预估用户A有80%概率在雨天购买到餐物品的价格敏感度指标。
具体实施时,以训练得到的价格敏感度预测模型为 举例,其中,为在物品平均优惠价格基础上,用户与物品组合对应的价格敏感度指标校正值,通过模型训练确定;bi为物品i的平均优惠价格,根据历史购买数据确定;为上下文信息cj对用户u购买物品i的价格敏感度指标的校正值,根据用户u对物品i的历史购买数据确定。平均优惠价格bi和价格敏感度指标的校正值的计算方法参见步骤210,此处不再赘述。
步骤240,基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置。
最后,根据预估得到的价格敏感度指标进行资源配置。基于资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置,包括:对当前用户配置与所述价格敏感度指标匹配的资源。例如,当确定用户A对物品i在期望购买概率等于80%条件下对应的价格敏感度指标WTBA,i,c,80%之后,根据WTBA,i,c,80%进行资源配置。具体实施时,以价格敏感度指标为优惠券额度举例,则当确定用户A对物品i在期望购买概率等于80%条件下对应的价格敏感度指标WTBA,i,c,80%之后,当用户A浏览物品i时,为用户A配置额度为WTBA,i,c,80%的优惠券,以提升用户的购买率。
根据预估得到的价格敏感度指标进行资源配置。基于资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置,还包括:确定达到所述期望购买概率当前值所需要为用户配置的最少资源,并对所述用户配置所述最少资源。例如:当期望购买概率当前值等于80%时,用户A对物品i的价格敏感度指标为5元;当期望购买概率等于90%时,用户A对物品i的价格敏感度指标为6元,若期望购买概率的当前值等于75%,则可以为用户A配置5元优惠券。
基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置,还包括:通过获取的预设资源影响因素的当前值,计算所有用户在期望购买概率的当前值下的价格敏感度指标;确定每个所述价格敏感度指标对应的可能订单数量;确定大于等于预设订单数量的最小可能订单数量对应的价格敏感度指标作为为用户配置的资源。例如,在指定订单数量时,选择达到相同支付概率时需要的最小优惠券额度,对所有用户进行优惠券发放,在保证订单数量的同时,降低成本。
价格敏感度的计算结果可直接用于优惠策略的决定。在特定的场景(如特定用户、特定物品或品类、特定价格范围和特定上下文)下,平台可直接预测用户以某一优惠支付的订单占全部订单的比例,便于直接决定优惠金额。例如,当希望价格在某用户历史购买订单价格前20%的订单都会被支付时,若经过训练,期望购买概率定于20%时价格敏感度指标值为3元,则平台通过发放3元的优惠券,就可以用户以3元优惠券支付的订单占全部订单的20%的目标。
同时,若运营策略发生变化,如希望提高交易量时,可以直接根据历史购买数据计算优惠金额增加多少时,可以将优惠订单的比例增加到期望值,便于运营制定精细的调整策略。例如,平台当前对某人发放的优惠券是3元,占用户历史购买订单价格前20%的位置。现在运营希望将订单支付的比例提高到30%,经过计算期望购买概率等于30%时对应的价格敏感度指标值为5元,则平台应该改为给这个用户发放5元的优惠券。对所有的用户执行此计算,则能得到优惠预算和订单增加比例的关系。
本申请实施例公开的资源配置方法,通过首先根据所述预设资源影响因素对应的历史价格敏感度指标,训练价格敏感度预测模型,在实际预测过程中,获取预设资源影响因素的当前值,并将所述当前值输入至预先训练的模型,以确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标,最后,基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置,解决了现有技术中资源配置不准确,效率低下的问题。
通过根据实时获取的资源影响因素,预估当前的用户、物品、价格等因素信息对应的价格敏感度,并进一步影响平台进行资源配置(如发放优惠券)的时机和数量,无须人为干预,提高资源配置效率,降低运营成本,且保证资源配置精细控制。并根据预估的价格敏感度进行资源配置,可以有效提升资源配置的准确性,提升资源有效利用率。
实施例三
本实施例为一种资源配置方法的一个具体实施例,区别于实施例二,本实施例中,预设资源影响因素至少包括用户,相应的,本实施例中,确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标的步骤,包括:在获取的所述预设资源影响因素包括用户的情况下,将目标用户的相似用户的历史价格敏感度指标,作为所述目标用户基于指定资源影响因素的价格敏感度指标;其中,所述指定资源影响因素为所述预设资源影响因素中除用户以外的资源影响因素;所述目标用户为所述预设资源影响因素的当前值指定的用户;所述相似用户根据指定资源影响因素对应的历史价格敏感度指标的相似度距离确定;所述历史价格敏感度指标,根据所述指定资源影响因素确定的所述用户的历史购买数据中使用的资源信息确定。
本实施例公开的资源配置方法适用于获取的资源影响因素包括用户的场景。例如,当用户浏览平台的某一页面时,为用户配置适当额度的优惠券。
以指定资源影响因素包括:物品和上下文信息为例,对于目标用户,分别确定所述目标用户对某一物品在某一上下文信息条件下的所有历史购买数据,然后,将确定的订单数据中使用的优惠券的平均值或者最大值作为所述目标用户基于所述某一物品和某一上下文信息的价格敏感度指标。按照同样的方法,可以确定所述目标用户基于任一物品和任一上下文信息组合对应的价格敏感度指标;以及,其他用户基于任一物品和任一上下文信息组合对应的价格敏感度指标。然后,基于目标用户与任意一个用户基于所有物品和上下文信息取值组合对应的价格敏感度指标,计算目标用户与其他用户的相似度距离,并根据计算得到的相似度距离确定所述目标用户的相似用户。具体实施时,确定的所述目标用户的相似用户可以大于1个,也可以包括所述目标用户自身。然后,根据所述相似用户基于所述物品和上下文信息的当前值确定的历史购买数据,确定各所述相似用户的基于所述物品和上下文信息当前值的历史价格敏感度指标。最后,根据所述历史价格敏感度指标确定所述目标用户的与所述物品和上下文信息当前值对应的价格敏感度指标。
本实施例中,以预设资源影响因素包括用户、物品、期望购买概率和上下文信息为例,具体说明资源配置过程。
具体实施时,首先,需要获取预设资源影响因素的当前值。获取预设资源影响因素的当前值的具体实施方式,参见实施例一,此处不再赘述。本实施例中,假设获取到的资源影响因素得当前值包括:用户A、物品i、期望购买概率等于80%,以及上下文信息为雨天。
然后,确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标。
具体实施时,确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标时,首先需要确定目标用户的相似用户,所述目标用户为所述预设资源影响因素的当前值指定的用户,本实施例中,目标用户为用户A。根据历史价格敏感度指标可以确定相似用户。
所述相似用户根据指定资源影响因素对应的历史价格敏感度指标的相似度距离确定,以预设资源影响因素包括:用户、物品、期望购买概率和上下文信息为例,所述指定资源影响因素包括:物品、期望购买概率和上下文信息。所述历史价格敏感度指标,根据所述指定资源影响因素确定的所述用户的历史购买数据中使用的资源信息确定,即根据物品、期望购买概率和上下文信息确定的用户历史购买数据中使用的资源信息确定各用户基于物品、期望购买概率和上下文信息的历史价格敏感度指标。
下面,以确定用户A的指定资源影响因素对应的历史价格敏感度指标为例,说明根据用户历史购买数据中使用的资源信息确定用户基于指定资源影响因素的历史价格敏感度指标的具体方案。
具体实施时,确定用户A在雨天购买物品i的所有订单数据,并将订单数据按照使用优惠券额度由低到高的顺序对确定的订单进行从前到后排序,确定前80%的订单为候选订单。然后,取所述候选订单中单笔订单使用的优惠券最大值或者所有候选订单使用的优惠券的平均值等,作为用户A基于指定资源影响因素,即物品i、雨天、期望购买概率80%的价格敏感度指标。按照同样方法,可以确定用户A基于指定资源影响因素的不同取值的价格敏感度指标,以及,其他用户指定资源影响因素的不同取值的价格敏感度指标。本实施例中,将用户基于资源影响因素的价格敏感度指标表示为:其中,u表示用户;i表示物品;c1.ck表示上下文信息序列;p表示期望购买概率。
按照上述方法计算用户的俩俩相似度,当两个用户相似度小于预设相似度阈值时,即两个用户的价格敏感度指标的欧几里德距离大于预设距离阈值时,则认为两个用户是相似的。至此,按照上述方法可以根据历史购买数据确定每个用户的相似用户。
对于两个相似的用户,若其中一个用户ux在某物品i,某上下文信息c1…ck,某期望购买概率下的价格敏感度指标已知,而另一个用户uy在该物品i该上下文信息c1…ck,该期望购买概率下的价格敏感度未知,则可预测二者相等。例如:对于在期望购买概率等于80%时,用户A在雨天没有购买过物品i,则无法根据用户A的与期望购买概率80%、雨天、物品i对应的历史价格敏感度指标,此时,则可以根据用户A的相似用户——用户B或用户C的与期望购买概率80%、雨天、物品i对应的历史价格敏感度指标预估用户A的与期望购买概率80%、雨天、物品i对应的价格敏感度指标。
最后,基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置。
基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置的具体实时方式参见实施例一和实施例二,本实施例不再赘述。
本实施例公开的资源配置方法,通过根据当前用户的相似用户在当前资源影响因素对应的历史价格敏感度指标,确定所述当前用户的价格敏感度指标,对于没有购买过某一物品的用户,或者没有在某种上下文信息条件下购买过某一物品的用户,可以通过其相似用户确定其价格敏感度指标,并根据价格敏感度指标进行合理的资源配置。由于当前用户的相似用户是根据预设资源影响因素对应的历史价格敏感度指标确定的,即通过用户的所有历史购买数据中的优惠券使用情况,确定了两个用户具有相似的价格敏感度,则根据其中一个用户的已知的与所述预设资源影响因素的当前值匹配的价格敏感度指标预估另一个用户的与所述预设资源影响因素的当前值对应的价格敏感度指标,可以有效提升预估的价格敏感度指标的准确率,进一步提升资源配置的效率。
实施例四
本实施例公开的一种资源配置装置,如图3所示,所述装置包括:
当前资源影响因素获取模块310,用于获取预设资源影响因素的当前值;
当前价格敏感度指标确定模块320,用于确定所述当前资源影响因素获取模块310获取的所述预设资源影响因素的当前值对应的价格敏感度指标;
资源配置模块330,用于基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置;
其中,所述价格敏感度指标用于衡量所需要配置的资源量。
本申请实施例公开的资源配置装置,通过获取预设资源影响因素的当前值;确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标;基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置,解决了现有技术中资源配置不准确,效率低下的问题。通过根据实时获取的资源影响因素,预估当前的用户、物品、价格等因素信息对应的价格敏感度,并根据预估的价格敏感度进行资源配置,可以有效提升资源配置的准确性,提升资源有效利用率。
可选的,所述预设资源影响因素包括:用户、物品、期望购买概率、上下文信息中的至少一种。
可选的,如图4所示,所述当前价格敏感度指标确定模块320,进一步包括:
第一当前价格敏感度指标确定单元3201,用于在获取的所述预设资源影响因素包括用户的情况下,将目标用户的相似用户的历史价格敏感度指标,作为所述目标用户基于指定资源影响因素的价格敏感度指标;
其中,所述指定资源影响因素为所述预设资源影响因素中除用户以外的资源影响因素;所述目标用户为所述预设资源影响因素的当前值指定的用户;所述相似用户根据指定资源影响因素对应的历史价格敏感度指标的相似度距离确定;所述历史价格敏感度指标,根据所述指定资源影响因素确定的所述用户的历史购买数据中使用的资源信息确定。
通过根据当前用户的相似用户在当前资源影响因素对应的历史价格敏感度指标,确定所述当前用户的价格敏感度指标,对于没有购买过某一物品的用户,或者没有在某种上下文信息条件下购买过某一物品的用户,可以通过其相似用户确定其价格敏感度指标,并根据价格敏感度指标进行合理的资源配置。由于当前用户的相似用户是根据预设资源影响因素对应的历史价格敏感度指标确定的,即通过用户的所有历史购买数据中的优惠券使用情况,确定了两个用户具有相似的价格敏感度,则根据其中一个用户的已知的与所述预设资源影响因素的当前值匹配的价格敏感度指标预估另一个用户的与所述预设资源影响因素的当前值对应的价格敏感度指标,可以有效提升预估的价格敏感度指标的准确率,进一步提升资源配置的效率。
可选的,如图5所示,所述当前价格敏感度指标确定模块320,进一步包括:
第二当前价格敏感度指标确定单元3202,用于通过预设价格敏感度预测模型,确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标;其中,所述预设价格敏感度预测模型根据所述预设资源影响因素对应的历史价格敏感度指标训练得到;所述历史价格敏感度指标,根据所述预设资源影响因素确定的用户历史购买数据中使用的资源信息确定。
可选的,根据所述预设资源影响因素对应的历史价格敏感度指标,训练价格敏感度预测模型,包括:
在所述预设资源影响因素包括期望购买概率的情况下,根据所述期望购买概率的预设值和指定资源影响因素对应的历史价格敏感度指标,训练各期望购买概率的预设值对应的价格敏感度预测模型;其中,所述指定资源影响因素为所述预设资源影响因素中除所述期望购买概率以外的资源影响因素;所述指定资源影响因素对应的历史价格敏感度指标,根据所述预设值对应的期望购买概率下,指定资源影响因素确定的用户历史购买数据中使用的资源信息确定。
可选的,所述指定资源影响因素包括:用户和物品,所述根据所述期望购买概率的预设值和指定资源影响因素对应的历史价格敏感度指标,训练各期望购买概率的预设值对应的价格敏感度预测模型的步骤,包括:
根据所述期望购买概率的预设值,用户购买各所述物品时的历史价格敏感度指标、各物品的历史平均优惠价格,训练期望购买概率的每个所述预设值对应的价格敏感度预测模型。
可选的,所述指定资源影响因素包括:用户、物品和上下文信息,所述根据所述期望购买概率的预设值和指定资源影响因素对应的历史价格敏感度指标,训练各期望购买概率的预设值对应的价格敏感度预测模型的步骤,包括:
根据所述期望购买概率的预设值,用户购买各所述物品时的历史价格敏感度指标、各物品的历史平均优惠价格、所述上下文信息对应的价格敏感度指标修正值,训练期望购买概率的每个所述预设值对应的价格敏感度预测模型。
可选的,所述物品包括实体物品或根据物品的品类和价格范围进行抽象,得到的抽象物品;所述用户包括实体用户或根据用户的预设属性进行抽象,得到的抽象用户。所述预设属性包括但不限于:性别、年龄中的任意一项或两项的组合。在训练模型过程中,通过将用户或物品进行分类、抽象,可以减少用户u和物品i的取值范围,进一步减少运算量。
本申请实施例公开的资源配置装置,通过首先根据所述预设资源影响因素对应的历史价格敏感度指标,训练价格敏感度预测模型,在实际预测过程中,获取预设资源影响因素的当前值,并将所述当前值输入至预先训练的模型,以确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标,最后,基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置,解决了现有技术中资源配置不准确,效率低下的问题。
通过根据实时获取的资源影响因素,预估当前的用户、物品、价格等因素信息对应的价格敏感度,并进一步影响平台进行资源配置(如发放优惠券)的时机和数量,无须人为干预,提高资源配置效率,降低运营成本,且保证资源配置精细控制。并根据预估的价格敏感度进行资源配置,可以有效提升资源配置的准确性,提升资源有效利用率。
本实施例中公开的各模块或单元的具体实施方式,参见方法实施例部分,此处不再赘述。
相应的,本申请还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例一至实施例三所述的资源配置方法。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。
本申请还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例一至实施例三所述的资源配置方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。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。
以上对本申请提供的一种资源配置方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件物品的形式体现出来,该计算机软件物品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
Claims (15)
1.一种资源配置方法,其特征在于,包括:
获取预设资源影响因素的当前值;
确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标;
基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置。
2.根据权利要求1所述的方法,其特征在于,所述预设资源影响因素包括:用户、物品、期望购买概率、上下文信息中的至少一种。
3.根据权利要求2所述的方法,其特征在于,所述确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标的步骤,包括:
在获取的所述预设资源影响因素包括用户的情况下,将目标用户的相似用户的历史价格敏感度指标,作为所述目标用户基于指定资源影响因素的价格敏感度指标;
其中,所述指定资源影响因素为所述预设资源影响因素中除用户以外的资源影响因素;所述目标用户为所述预设资源影响因素的当前值指定的用户;所述相似用户根据指定资源影响因素对应的历史价格敏感度指标的相似度距离确定;所述历史价格敏感度指标,根据所述指定资源影响因素确定的所述用户的历史购买数据中使用的资源信息确定。
4.根据权利要求2所述的方法,其特征在于,所述确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标的步骤,包括:
通过预设价格敏感度预测模型,确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标;其中,所述预设价格敏感度预测模型根据所述预设资源影响因素对应的历史价格敏感度指标训练得到;所述历史价格敏感度指标,根据所述预设资源影响因素确定的用户历史购买数据中使用的资源信息确定。
5.根据权利要求4所述的方法,其特征在于,根据所述预设资源影响因素对应的历史价格敏感度指标,训练价格敏感度预测模型,包括:
在所述预设资源影响因素包括期望购买概率的情况下,根据所述期望购买概率的预设值和指定资源影响因素对应的历史价格敏感度指标,训练各期望购买概率的预设值对应的价格敏感度预测模型;其中,所述指定资源影响因素为所述预设资源影响因素中除所述期望购买概率以外的资源影响因素;所述指定资源影响因素对应的历史价格敏感度指标,根据所述预设值对应的期望购买概率下,指定资源影响因素确定的用户历史购买数据中使用的资源信息确定。
6.根据权利要求5所述的方法,其特征在于,所述指定资源影响因素包括:用户和物品,所述根据所述期望购买概率的预设值和指定资源影响因素对应的历史价格敏感度指标,训练各期望购买概率的预设值对应的价格敏感度预测模型的步骤,包括:
根据所述期望购买概率的预设值,用户购买各所述物品时的历史价格敏感度指标、各物品的历史平均优惠价格,训练期望购买概率的每个所述预设值对应的价格敏感度预测模型。
7.根据权利要求5所述的方法,其特征在于,所述指定资源影响因素包括:用户、物品和上下文信息,所述根据所述期望购买概率的预设值和指定资源影响因素对应的历史价格敏感度指标,训练各期望购买概率的预设值对应的价格敏感度预测模型的步骤,包括:
根据所述期望购买概率的预设值,用户购买各所述物品时的历史价格敏感度指标、各物品的历史平均优惠价格、所述上下文信息对应的价格敏感度指标修正值,训练期望购买概率的每个所述预设值对应的价格敏感度预测模型。
8.根据权利要求2所述的方法,其特征在于,所述物品包括实体物品或根据物品的品类和价格范围进行抽象,得到的抽象物品;所述用户包括实体用户或根据用户的预设属性进行抽象,得到的抽象用户。
9.一种资源配置装置,其特征在于,包括:
当前资源影响因素获取模块,用于获取预设资源影响因素的当前值;
当前价格敏感度指标确定模块,用于确定所述当前资源影响因素获取模块获取的所述预设资源影响因素的当前值对应的价格敏感度指标;
资源配置模块,用于基于获取的所述预设资源影响因素的当前值,进行与所述当前值对应的价格敏感度指标匹配的资源配置。
10.根据权利要求9所述的装置,其特征在于,所述预设资源影响因素包括:用户、物品、期望购买概率、上下文信息中的至少一种。
11.根据权利要求10所述的装置,其特征在于,所述当前价格敏感度指标确定模块,进一步包括:
第一当前价格敏感度指标确定单元,用于在获取的所述预设资源影响因素包括用户的情况下,将目标用户的相似用户的历史价格敏感度指标,作为所述目标用户基于指定资源影响因素的价格敏感度指标;
其中,所述指定资源影响因素为所述预设资源影响因素中除用户以外的资源影响因素;所述目标用户为所述预设资源影响因素的当前值指定的用户;所述相似用户根据指定资源影响因素对应的历史价格敏感度指标的相似度距离确定;所述历史价格敏感度指标,根据所述指定资源影响因素确定的所述用户的历史购买数据中使用的资源信息确定。
12.根据权利要求10所述的装置,其特征在于,所述当前价格敏感度指标确定模块,进一步包括:
第二当前价格敏感度指标确定单元,用于通过预设价格敏感度预测模型,确定获取的所述预设资源影响因素的当前值对应的价格敏感度指标;其中,所述预设价格敏感度预测模型根据所述预设资源影响因素对应的历史价格敏感度指标训练得到;所述历史价格敏感度指标,根据所述预设资源影响因素确定的用户历史购买数据中使用的资源信息确定。
13.根据权利要求10所述的装置,其特征在于,所述物品包括实体物品或根据物品的品类和价格范围进行抽象,得到的抽象物品;所述用户包括实体用户或根据用户的预设属性进行抽象,得到的抽象用户。
14.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在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计算机程序时实现权利要求1至8任意一项所述的资源配置方法。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至8任意一项所述的资源配置方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810020063.1A CN108460618B (zh) | 2018-01-09 | 2018-01-09 | 一种资源配置方法及装置,电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810020063.1A CN108460618B (zh) | 2018-01-09 | 2018-01-09 | 一种资源配置方法及装置,电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108460618A true CN108460618A (zh) | 2018-08-28 |
CN108460618B CN108460618B (zh) | 2021-11-12 |
Family
ID=63220585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810020063.1A Active CN108460618B (zh) | 2018-01-09 | 2018-01-09 | 一种资源配置方法及装置,电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460618B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598634A (zh) * | 2018-12-20 | 2019-04-09 | 焦点科技股份有限公司 | 一种基于机器学习的互联网保险实时精细化促销信息投放方法 |
CN110428281A (zh) * | 2019-07-22 | 2019-11-08 | 阿里巴巴集团控股有限公司 | 针对多种关联产品联合确定对等资源量的方法和装置 |
CN110443636A (zh) * | 2019-07-15 | 2019-11-12 | 阿里巴巴集团控股有限公司 | 在用户间分配资源以调控其电子支付行为的方法和装置 |
CN111275233A (zh) * | 2018-12-05 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 资源配置方法、装置、电子设备及计算机可读存储介质 |
CN111415180A (zh) * | 2019-01-04 | 2020-07-14 | 百度在线网络技术(北京)有限公司 | 资源价值调整方法、装置、服务器及存储介质 |
CN111510473A (zh) * | 2020-03-13 | 2020-08-07 | 北京三快在线科技有限公司 | 访问请求处理方法、装置、电子设备和计算机可读介质 |
CN111598594A (zh) * | 2019-02-20 | 2020-08-28 | 阿里巴巴集团控股有限公司 | 识别事件发生的方法、装置、电子设备及可读存储介质 |
CN111858517A (zh) * | 2020-06-28 | 2020-10-30 | 北京百度网讯科技有限公司 | 确定资源价值属性的方法、装置、设备和计算机存储介质 |
CN112073454A (zh) * | 2020-07-22 | 2020-12-11 | 北京三快在线科技有限公司 | 资源分发方法、装置、电子设备 |
CN113765949A (zh) * | 2020-06-02 | 2021-12-07 | 华为技术有限公司 | 资源分配的方法以及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205701A (zh) * | 2015-09-22 | 2015-12-30 | 创点客(北京)科技有限公司 | 一种网络动态定价方法和系统 |
CN106296278A (zh) * | 2016-08-04 | 2017-01-04 | 上海携程商务有限公司 | 优惠券发放方法及系统 |
CN106910091A (zh) * | 2017-02-23 | 2017-06-30 | 北京小度信息科技有限公司 | 数据处理方法及装置 |
-
2018
- 2018-01-09 CN CN201810020063.1A patent/CN108460618B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205701A (zh) * | 2015-09-22 | 2015-12-30 | 创点客(北京)科技有限公司 | 一种网络动态定价方法和系统 |
CN106296278A (zh) * | 2016-08-04 | 2017-01-04 | 上海携程商务有限公司 | 优惠券发放方法及系统 |
CN106910091A (zh) * | 2017-02-23 | 2017-06-30 | 北京小度信息科技有限公司 | 数据处理方法及装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275233A (zh) * | 2018-12-05 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 资源配置方法、装置、电子设备及计算机可读存储介质 |
CN109598634A (zh) * | 2018-12-20 | 2019-04-09 | 焦点科技股份有限公司 | 一种基于机器学习的互联网保险实时精细化促销信息投放方法 |
CN111415180A (zh) * | 2019-01-04 | 2020-07-14 | 百度在线网络技术(北京)有限公司 | 资源价值调整方法、装置、服务器及存储介质 |
CN111598594A (zh) * | 2019-02-20 | 2020-08-28 | 阿里巴巴集团控股有限公司 | 识别事件发生的方法、装置、电子设备及可读存储介质 |
CN110443636A (zh) * | 2019-07-15 | 2019-11-12 | 阿里巴巴集团控股有限公司 | 在用户间分配资源以调控其电子支付行为的方法和装置 |
CN110428281A (zh) * | 2019-07-22 | 2019-11-08 | 阿里巴巴集团控股有限公司 | 针对多种关联产品联合确定对等资源量的方法和装置 |
CN110428281B (zh) * | 2019-07-22 | 2023-08-08 | 创新先进技术有限公司 | 针对多种关联产品联合确定对等资源量的方法和装置 |
CN111510473A (zh) * | 2020-03-13 | 2020-08-07 | 北京三快在线科技有限公司 | 访问请求处理方法、装置、电子设备和计算机可读介质 |
CN111510473B (zh) * | 2020-03-13 | 2022-07-19 | 北京三快在线科技有限公司 | 访问请求处理方法、装置、电子设备和计算机可读介质 |
CN113765949A (zh) * | 2020-06-02 | 2021-12-07 | 华为技术有限公司 | 资源分配的方法以及装置 |
CN111858517A (zh) * | 2020-06-28 | 2020-10-30 | 北京百度网讯科技有限公司 | 确定资源价值属性的方法、装置、设备和计算机存储介质 |
CN112073454A (zh) * | 2020-07-22 | 2020-12-11 | 北京三快在线科技有限公司 | 资源分发方法、装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108460618B (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460618A (zh) | 一种资源配置方法及装置,电子设备 | |
CN106503258B (zh) | 一种网站站内精确搜索方法 | |
CN107977859A (zh) | 广告投放方法、装置、计算设备及存储介质 | |
CN109389431A (zh) | 优惠券的分配方法、装置、电子设备及可读存储介质 | |
CN107730311A (zh) | 一种推荐信息的推送方法、装置及服务器 | |
CN110796477A (zh) | 广告展示方法、装置、电子设备及可读存储介质 | |
CN103246985B (zh) | 一种广告点击率预测方法及装置 | |
CN108062678A (zh) | 一种广告位分配方法、装置及广告投放系统 | |
CN105630946B (zh) | 一种基于大数据的领域交叉推荐方法及装置 | |
CN106970914B (zh) | 一种基于社交电商的好友推荐方法及装置 | |
CN104239338A (zh) | 信息推荐方法及装置 | |
CN107895213A (zh) | 消费额度的预测方法、装置及电子设备 | |
CN105468628B (zh) | 一种排序方法及装置 | |
WO2022121957A1 (zh) | 订单输出方法、装置、计算机设备及计算机可读存储介质 | |
WO2018214503A1 (zh) | 一种样本权重设置方法及装置、电子设备 | |
CN104615721B (zh) | 用于基于退货关联信息推荐商品的方法和系统 | |
CN108446297A (zh) | 一种推荐方法及装置,电子设备 | |
CN103412865B (zh) | 网站项目的通知方法和系统 | |
CN107993088A (zh) | 一种购买周期预测方法及装置,电子设备 | |
CN108415960A (zh) | 一种地理位置服务的实现方法及装置,电子设备 | |
CN107402961B (zh) | 一种推荐方法及装置,电子设备 | |
CN105139225A (zh) | 一种确定用户行为能力等级的方法和装置 | |
CN107093081A (zh) | 服务策略制定方法和装置 | |
AU2017204265A1 (en) | Predicting an effect of performing an action on a node of a geographical network | |
CN106296247A (zh) | 网络信息资源在线排序方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |