CN109345285A - 一种活动的投放方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种活动的投放方法、装置及设备，所述方法包括：获取与目标活动的对象筛选条件相匹配的候选投放对象；对所述候选投放对象的相关数据和所述目标活动的信息进行特征提取，得到目标匹配特征；根据所述目标匹配特征和预定的匹配度模型，确定每个所述候选投放对象与目标活动的匹配度；根据所述匹配度，从所述候选投放对象中选取所述目标活动的投放对象。

Description

一种活动的投放方法、装置及设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种活动的投放方法、装置及设备。

背景技术

目前，随着电子商务的不断发展，在人们当前使用的购物方式中，网络购物已成为一种与线下购物具有同样重要性的购物方式。为了让更多的用户参与到购物中，或者为了提高某品牌物品的知名度，很多电商平台或商户会不定期的举办各类营销活动。

然而，设置的营销活动并不是对于每个对象(如商户或店铺等)都适合，例如某些信用度较低的对象可能并不适合举办某类营销活动，或者，位于某些地理区域外的对象不适合举办某类营销活动等。为此，就需要为设置的营销活动选取合适的投放对象，或者，需要为设置的营销活动确定投放的范围等。通常可以通过设置简单的对象筛选条件来确定营销活动的投放对象，然而，对象筛选条件往往较简单，这样确定的投放对象数量较多，其中往往会包括很多不合适的投放对象，而且也使得不同营销活动的区分度较低，无法达到精准营销的目的，因此，在活动投放领域，需要一种更快速有效的活动的投放解决方案。

发明内容

本说明书实施例的目的是提供一种活动的投放方法、装置及设备，以提供一种更快速有效的活动的投放解决方案。

为实现上述技术方案，本说明书实施例是这样实现的：

本说明书实施例提供的一种活动的投放方法，所述方法包括：

获取与目标活动的对象筛选条件相匹配的候选投放对象；

对所述候选投放对象的相关数据和所述目标活动的信息进行特征提取，得到目标匹配特征；

根据所述目标匹配特征和预定的匹配度模型，确定每个所述候选投放对象与所述目标活动的匹配度；

根据所述匹配度，从所述候选投放对象中选取所述目标活动的投放对象。

可选地，所述方法还包括：

获取多个活动投放对象样本，并获取投放到每个所述投放对象样本的已投活动信息；

对所述投放对象样本的相关数据和所述已投活动信息进行特征提取，得到匹配特征；

基于预定的机器学习算法，以及所述匹配特征，对所述匹配度模型进行训练，得到训练后的匹配度模型。

可选地，所述匹配度模型基于以下公式对应的算法确定

S＝∑(wi*ri)，且S>T；

其中，i为大于或等于1的正整数，S表示匹配度，ri表示第i个匹配特征的排序信息，wi为第i个匹配特征的权重，T为预定阈值，

所述基于预定的机器学习算法，以及所述匹配特征，对所述匹配度模型进行训练，得到训练后的匹配度模型，包括：

基于预定的机器学习算法，根据所述匹配特征的排序信息、已投活动与所述投放对象样本是否匹配的结果和所述预定阈值，对所述匹配度模型进行训练，得到每个所述匹配特征的权重；

基于得到的每个所述匹配特征的权重，确定训练后的匹配度模型。

可选地，所述匹配特征包括以下中的一个或多个：投放对象样本的特征、已投活动的特征、投放对象样本的用户特征，以及投放对象样本的与相应的已投活动的组合特征。

可选地，所述投放对象样本的特征包括以下中的一个或多个：已投活动对应的资源数量、资源总数量、已投活动中未被使用的数量、已投活动的数量、已投活动中预定时长内参与的数量、已投活动中预定时长的活动的参与数量、投放对象样本的每个已投活动的资源数量。

可选地，所述已投活动的特征包括以下中的一个或多个：折扣类的已投活动的折扣率、满减类的已投活动的满减资源数值、满返类的已投活动的满返资源数值、已投活动的投放数目、已投活动中没有使用的数目、已投活动的使用率、已投活动对应的优惠力度、已投活动对应的优惠力度的大小顺序信息。

可选地，所述投放对象样本的用户特征包括以下中的一个或多个：用户数量、用户等级分布信息、用户重复参与投放活动的比率。

可选地，所述投放对象样本的与相应的已投活动的组合特征包括以下中的一个或多个：通过投放对象样本投放的活动数量、投放对象样本发放活动的数量占已投活动的数量的比值、首次投放活动到活动的最后一次参与的时长、已投活动投放后预定有效期内活动被领取的数量。

可选地，所述根据所述匹配度，从所述候选投放对象中选取所述目标活动的投放对象之后，所述方法还包括：

如果获取到所述目标活动的投放对象的选取失败的反馈消息，则将所述目标活动和所述目标活动的投放对象添加到所述多个活动的投放对象样本中；

基于添加后的多个活动的投放对象样本，对所述匹配度模型进行重新训练。

本说明书实施例提供的一种活动的投放装置，所述装置包括：

对象获取模块，用于获取与目标活动的对象筛选条件相匹配的候选投放对象；

特征提取模块，用于对所述候选投放对象的相关数据和所述目标活动的信息进行特征提取，得到目标匹配特征；

匹配度确定模块，用于根据所述目标匹配特征和预定的匹配度模型，确定每个所述候选投放对象与所述目标活动的匹配度；

投放对象选取模块，用于根据所述匹配度，从所述候选投放对象中选取所述目标活动的投放对象。

可选地，所述装置还包括：

样本获取模块，用于获取多个活动投放对象样本，并获取投放到每个所述投放对象样本的已投活动信息；

特征提取模块，用于对所述投放对象样本的相关数据和所述已投活动信息进行特征提取，得到匹配特征；

模型训练模块，用于基于预定的机器学习算法，以及所述匹配特征，对所述匹配度模型进行训练，得到训练后的匹配度模型。

可选地，所述匹配度模型基于以下公式对应的算法确定

S＝∑(wi*ri)，且S>T；

其中，i为大于或等于1的正整数，S表示匹配度，ri表示第i个匹配特征的排序信息，wi为第i个匹配特征的权重，T为预定阈值，

所述模型训练模块，包括：

参数确定单元，用于基于预定的机器学习算法，根据所述匹配特征的排序信息、已投活动与所述投放对象样本是否匹配的结果和所述预定阈值，对所述匹配度模型进行训练，得到每个所述匹配特征的权重；

模型确定单元，用于基于得到的每个所述匹配特征的权重，确定训练后的匹配度模型。

可选地，所述匹配特征包括以下中的一个或多个：投放对象样本的特征、已投活动的特征、投放对象样本的用户特征，以及投放对象样本的与相应的已投活动的组合特征。

可选地，所述投放对象样本的特征包括以下中的一个或多个：已投活动对应的资源数量、资源总数量、已投活动中未被使用的数量、已投活动的数量、已投活动中预定时长内参与的数量、已投活动中预定时长的活动的参与数量、投放对象样本的每个已投活动的资源数量。

可选地，所述已投活动的特征包括以下中的一个或多个：折扣类的已投活动的折扣率、满减类的已投活动的满减资源数值、满返类的已投活动的满返资源数值、已投活动的投放数目、已投活动中没有使用的数目、已投活动的使用率、已投活动对应的优惠力度、已投活动对应的优惠力度的大小顺序信息。

可选地，所述投放对象样本的用户特征包括以下中的一个或多个：用户数量、用户等级分布信息、用户重复参与投放活动的比率。

可选地，所述投放对象样本的与相应的已投活动的组合特征包括以下中的一个或多个：通过投放对象样本投放的活动数量、投放对象样本发放活动的数量占已投活动的数量的比值、首次投放活动到活动的最后一次参与的时长、已投活动投放后预定有效期内活动被领取的数量。

可选地，所述装置还包括：

样本添加模块，用于如果获取到所述目标活动的投放对象的选取失败的反馈消息，则将所述目标活动和所述目标活动的投放对象添加到所述多个活动的投放对象样本中；

模型重新训练模块，用于基于添加后的多个活动的投放对象样本，对所述匹配度模型进行重新训练。

本说明书实施例提供的一种活动的投放设备，所述活动的投放设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取与目标活动的对象筛选条件相匹配的候选投放对象；

对所述候选投放对象的相关数据和所述目标活动的信息进行特征提取，得到目标匹配特征；

根据所述目标匹配特征和预定的匹配度模型，确定每个所述候选投放对象与所述目标活动的匹配度；

根据所述匹配度，从所述候选投放对象中选取所述目标活动的投放对象。

由以上本说明书实施例提供的技术方案可见，本说明书实施例通过获取与目标活动的对象筛选条件相匹配的候选投放对象，然后，确定每个候选投放对象与目标活动的匹配度，根据确定的匹配度，从候选投放对象中选取目标活动的投放对象，这样，当需要为目标活动选取投放对象时，首先需要通过对象筛选条件粗略筛选出候选投放对象，然后，再通过候选投放对象与目标活动的匹配度来确定每个候选投放对象与目标活动的匹配程度，从而从候选投放对象中选出与目标活动匹配程度较高的一个或多个候选投放对象作为目标活动的投放对象，使得为目标活动选取投放对象的过程中，不仅仅停留在基于对象筛选条件，还进一步依据候选投放对象与目标活动的匹配度，进而实现可选择性的向投向对象投放活动，达到精准营销的目的。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，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说明书中记载的一些实施例，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为本说明书一种活动的投放方法实施例；

图2为本说明书一种活动的投放方法实施例；

图3为本说明书另一种活动的投放方法实施例；

图4为本说明书一种活动的投放装置实施例；

图5为本说明书一种活动的投放设备实施例。

具体实施方式

本说明书实施例提供一种活动的投放方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。

实施例一

如图1所示，本说明书实施例提供一种活动的投放方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备，该终端设备可以为用户使用的终端设备。该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，而且，该服务器可以是某项业务的后台服务器，也可以是某网站(如网络购物网站或支付应用等)的后台服务器等。该方法可以用于将某营销活动投放给合适的投放对象(如商户或店铺等)，以便执行该营销活动等处理中，为了提高营销活动的投放对象的选取效率，本实施例中以执行主体为服务器为例进行说明，对于终端设备的情况，可以根据下述相关内容处理，在此不再赘述。该方法具体可以包括以下步骤：

在步骤S102中，获取与目标活动的对象筛选条件相匹配的候选投放对象。

其中，目标活动可以是商户或活动发起商提供给用户参与的任意营销活动，例如满减活动(具体如用户需要转移的资源的数值达到预定数值时减免其中的部分数值的资源等，如满100元减50元等)、抽奖活动、赠送优惠券或红包的活动和免费试用活动等。对象筛选条件可以是用于为某活动初步选取相应的候选投放对象的条件，对象筛选条件具体可以是近期(或最近预定时间段内)参与某个或某些活动的对象(如商户或店铺等)，或者，可以是近期参与投放某个或多个活动的用户数量最多的对象等。候选投放对象可以是允许投放某个或多个活动的待选对象，具体可以是某商户或店铺等。

在实施中，目前，随着电子商务的不断发展，在人们当前使用的购物方式中，网络购物已成为与线下购物同样重要的购物方式。为了让更多的用户参与到购物中，或者为了提高某品牌物品的知名度，很多电商平台或商户会不定期的举办各类营销活动，例如，电商平台举办的年中大促、换季促销等营销活动等，或者，某商户举办的限时特惠等营销活动，再或者，拥有大量分店的连锁店品牌商举办的各类营销活动等。然而，在设置的营销活动并不是对于每个对象都适合，例如某些信用度较低的对象可能并不适合举办某类营销活动，或者，位于某些地理区域外的对象不适合举办某类营销活动等。为此，就需要为设置的营销活动(即目标活动)选取合适的投放对象，或者，需要为设置的营销活动确定投放的范围等，具体地，服务器中可以设置有活动投放机制，当需要将目标活动投放给相应的对象时，可以触发服务器中的活动投放机制启动，例如，服务器中可以设置有活动投放的应用程序，当需要将目标活动投放给相应的对象时，可以启动该应用程序，该应用程序可以获取活动投放页面并显示，如图2所示，该活动投放页面中可以包括对象筛选条件的输入框。然后，可以根据实际情况，在对象筛选条件的输入框中输入对象筛选条件的内容。另外，该活动投放页面中还可以包括目标活动的输入框，可以在目标活动的输入框中输入目标活动的相关系信息。上述处理完成后，可以点击活动投放页面中的确定按键，服务器可以获取上述输入的信息。

服务器中可以存储有对象数据库，对象数据库中可以包括多个对象的相关信息，例如各个对象的标识(如名称或编码等)、各个对象的用户数量等。当服务器获取到输入的对象筛选条件时，可以对对象筛选条件进行分析，并可以将分析结果分别与上述对象数据库中的每个对象进行匹配对比，从中可以得到与对象筛选条件相匹配的对象，可以将得到的对象作为候选投放对象。

在步骤S104中，对候选投放对象的相关数据和目标活动的信息进行特征提取，得到目标匹配特征。

其中，目标匹配特征可以包括以下中的一个或多个：候选投放对象的特征、目标活动的特征、候选投放对象的用户特征，以及候选投放对象与目标活动的组合特征。其中，候选投放对象的特征可以包括以下中的一个或多个：目标活动对应的资源数量、资源总数量。目标活动的特征可以包括以下中的一个或多个：折扣类的目标活动的折扣率、满减类的目标活动的满减资源数值、满返类的目标活动的满返资源数值、目标活动对应的优惠力度。候选投放对象的用户特征可以包括以下中的一个或多个：用户数量、用户等级分布信息、用户重复参与目标活动的比率(如用户复购率)。

在实施中，通过上述处理得到候选投放对象后，可以通过预先设定的特征提取算法分别对候选投放对象的相关数据和目标活动的信息进行特征提取和特征分析，可以将提取的特征作为目标匹配特征，即候选投放对象的特征、目标活动的特征、候选投放对象的用户特征，以及候选投放对象与目标活动的组合特征等。

在步骤S106中，根据目标匹配特征和预定的匹配度模型，确定每个候选投放对象与目标活动的匹配度。

其中，匹配度可以用于表征候选投放对象与目标活动之间相匹配的程度，匹配度可以通过相应的匹配度算法实现，例如欧式距离算法、余弦算法等。

在实施中，服务器中可以预先设定有候选投放对象与目标活动之间的匹配度模型。当服务器获取到候选投放对象后，可以获取上述输入的目标活动的相关信息。可以分别对候选投放对象的相关数据和目标活动的相关信息进行特征提取，得到候选投放对象的相关数据对应的第一特征和目标活动的相关信息对应的第二特征。可以将目标匹配特征的相关数据代入到匹配度模型中进行计算得到相应的匹配度，从而可以得到每个候选投放对象与目标活动的匹配度。

在实际应用中，匹配度模型还可以通过欧式距离等相关算法实现，以匹配度模型为欧式距离为例，则通过上述方式进行特征提取，并得到相应的第一特征和第二特征后，可以计算每个第一特征与第二特征之间的欧式距离，可以将上述得到的欧式距离的数值作为相应的匹配度，从而可以得到每个候选投放对象与目标活动的匹配度等。

在步骤S108中，根据上述匹配度，从上述候选投放对象中选取目标活动的投放对象。

其中，投放对象可以目标活动的实际被投放者，如商户或店铺等。

在实施中，通过上述方式，得到每个候选投放对象与目标活动的匹配度后，可以将得到的匹配度由大到小的顺序进行排序，即可以将得到的匹配度最大的数值对应的候选投放对象排列在第1位，可以将匹配度次最大的数值对应的候选投放对象排列在第2位，然后以此类推，直到将得到的匹配度最小的数值对应的候选投放对象排列在最后一位。

为了选取目标活动的投放对象，服务器中可以设置有匹配度阈值，例如90％或80％等。然后，可以在上述排序后的序列中查找到等于或大于该匹配度阈值的匹配度数值，并可以将查找到的匹配度数值对应的候选投放对象作为目标活动的投放对象。然后，服务器可以将目标活动的相关信息发送给投放对象，投放对象可以执行该目标活动。当用户浏览该投放对象提供的内容时，可以参与上述目标活动。

需要说明的是，服务器查找到上述匹配度数值对应的候选投放对象后，可以显示查找到的候选投放对象，目标活动的商户或活动发起商可以从中再次选取部分候选投放对象作为目标活动的投放对象。

本说明书实施例提供一种活动的投放方法，通过获取与目标活动的对象筛选条件相匹配的候选投放对象，然后，确定每个候选投放对象与目标活动的匹配度，根据确定的匹配度，从候选投放对象中选取目标活动的投放对象，这样，当需要为目标活动选取投放对象时，首先需要通过对象筛选条件粗略筛选出候选投放对象，然后，再通过候选投放对象与目标活动的匹配度来确定每个候选投放对象与目标活动的匹配程度，从而从候选投放对象中选出与目标活动匹配程度较高的一个或多个候选投放对象作为目标活动的投放对象，使得为目标活动选取投放对象的过程中，不仅仅停留在基于对象筛选条件，还进一步依据候选投放对象与目标活动的匹配度，进而实现可选择性的向投向对象投放活动，达到精准营销的目的。

实施例二

如图3所示，本说明书实施例提供一种活动的投放方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备，该终端设备可以为用户使用的终端设备。该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，而且，该服务器可以是某项业务的后台服务器，也可以是某网站(如网络购物网站或支付应用等)的后台服务器等。该方法可以用于将某营销活动投放给合适的投放对象(如商户或店铺等)，以便执行该营销活动等处理中，为了提高营销活动的投放对象的选取效率，本实施例中以执行主体为服务器为例进行说明，对于终端设备的情况，可以根据下述相关内容处理，在此不再赘述。该方法具体可以包括以下步骤：

在步骤S302中，获取多个活动投放对象样本，并获取投放到每个投放对象样本的已投活动信息。

其中，多个活动投放对象样本可以是被投放过活动的投放对象，以及与该投放对象相关的数据构成的样本数据。与该投放对象相关的数据可以是该投放对象参与不同营销活动的情况(包括参与的次数、参与的营销活动的产生的资源数值等)和该投放对象未参与营销活动的情况下的相关信息(包括日平均产生的资源数值等)。已投活动信息可以是已经投放到相应投放对象处的营销活动的相关信息，例如，已投活动属于哪种类型的营销活动(如属于折扣类的营销活动或满减类的营销活动等)、已投活动发放的数量、已投活动的优惠力度等。

在实施中，为了后续能够准确获取每个候选投放对象与目标活动之间的匹配度，可以通过匹配度模型来计算每个候选投放对象与目标活动之间的匹配度，而匹配度模型可以基于预定的算法通过对样本数据进行训练而得到，为此，可以先选取样本数据，具体地，可以通过多种方式获取样本数据，例如，服务器每次投放营销活动时，可以获取并记录每次投放的营销活动的相关信息，以及参与营销活动的投放对象的相关数据，或者，可以通过向投放对象(如商户等)购买的方式获取投放对象参与的不同营销活动的相关信息，以及该投放对象的相关数据等。在实际应用中，除了可以通过上述方式获取营销活动的投放对象的相关数据，以及营销活动的相关信息外，还可以通过多种方式获取上述相关数据或相关信息，本说明书实施例对此不做限定。

通过上述方式收集到投放对象的相关数据，以及营销活动的相关信息后，可以确定上述数据是否达到样本数据的数量要求，如果没有达到样本数据的数量要求，则可以通过上述方式再次获取一定数量的投放对象的相关数据，以及营销活动的相关信息，直到达到样本数据的数量要求为止。可以将其中得到的投放对象确定为多个活动投放对象样本，将其中的营销活动的相关信息作为获取的投放到每个投放对象样本的已投活动信息。通过上述方式可以得到由多个活动投放对象样本和投放到每个投放对象样本的已投活动信息构成的大量样本数据。

在步骤S304中，对上述投放对象样本的相关数据和已投活动信息进行特征提取，得到匹配特征。

其中，匹配特征可以包括以下中的一个或多个：投放对象样本的特征、已投活动的特征、投放对象样本的用户特征，以及投放对象样本的与相应的已投活动的组合特征。其中，投放对象样本的特征可以包括以下中的一个或多个：已投活动对应的资源数量(如已投活动的消费金额或消费笔数)、资源总数量(消费金额或消费笔数)、已投活动中未被使用的数量、已投活动的数量、已投活动中预定时长内参与的数量(如当天参与的数量)、已投活动中预定时长的活动的参与数量(如30天、7天或2天的活动的参与数量)、投放对象样本的每个已投活动的资源数量(如单价)。已投活动的特征可以包括以下中的一个或多个：折扣类的已投活动的折扣率、满减类的已投活动的满减资源数值(如满减金额)、满返类的已投活动的满返资源数值(如满返金额)、已投活动的投放数目、已投活动中没有使用的数目、已投活动的使用率、已投活动对应的优惠力度、已投活动对应的优惠力度的大小顺序信息。投放对象样本的用户特征可以包括以下中的一个或多个：用户数量、用户等级分布信息、用户重复参与投放活动的比率(如用户复购率)。投放对象样本的与相应的已投活动的组合特征可以包括以下中的一个或多个：通过投放对象样本投放的活动数量、投放对象样本发放活动的数量占已投活动的数量的比值、首次投放活动到活动的最后一次参与的时长(如首次投放活动到活动的最后一次消费时长)、已投活动投放后预定有效期内活动被领取的数量(如已投活动投放后有效期为30％或50％内活动被领取的数量)。

在实施中，通过上述处理得到投放对象样本的相关数据和已投活动信息后，可以通过预先设定的特征提取算法分别对投放对象样本的相关数据和已投活动信息进行特征提取和特征分析，即可以从已投活动对应的资源数量、资源总数量、已投活动中未被使用的数量、已投活动的数量、已投活动中预定时长内参与的数量、已投活动中预定时长的活动的参与数量、投放对象样本的每个已投活动的资源数量、折扣类的已投活动的折扣率、满减类的已投活动的满减资源数值、满返类的已投活动的满返资源数值、已投活动的投放数目、已投活动中没有使用的数目、已投活动的使用率、已投活动对应的优惠力度、已投活动对应的优惠力度的大小顺序信息、用户数量、用户等级分布信息、用户重复参与投放活动的比率、通过投放对象样本投放的活动数量、投放对象样本发放活动的数量占已投活动的数量的比值、首次投放活动到活动的最后一次参与的时长、已投活动投放后预定有效期内活动被领取的数量等数据中提取其中包含的特征，将提取的特征作为匹配特征，即投放对象样本的特征、已投活动的特征、投放对象样本的用户特征，以及投放对象样本的与相应的已投活动的组合特征等。

在步骤S306中，基于预定的机器学习算法，以及上述匹配特征，对匹配度模型进行训练，得到训练后的匹配度模型。

其中，机器学习算法可以是用于创建匹配度模型的算法，可以是专用于研究计算机如何模拟或如何实现人类的学习行为的算法，通过机器学习行为可以获取新的知识或技能，从而可以重新组织已有的知识结构，使其不断改善自身的性能的算法。机器学习算法可以包括多种，具体可以包括逻辑回归算法和神经网络算法等。

在实施中，通过上述处理得到匹配特征后，可以计算每个匹配特征的特征值等相关数据，然后将计算得到的数据输入到匹配度模型中进行计算。该匹配度模型中可以包括多个参数，将匹配特征输入到匹配度模型中后，可以构成一个或多个包括上述多个参数的方程，可以求解该方程或方程组得到上述多个参数的数值。可以将得到的多个参数的数值分别代入到上述匹配模型中，可以得到包括参数数值的匹配度模型，即可以为训练后的匹配度模型。

在实际应用中，匹配度模型可以通过多种算法实现，以下提供一种可选的实现方式，该匹配度模型可以基于以下公式(1)对应的算法确定

S＝∑(wi*ri)，且S>T(1)

其中，i为大于或等于1的正整数，S表示匹配度，ri表示第i个匹配特征的排序信息，wi为第i个匹配特征的权重，T为预定阈值。需要说明的是，ri可以是在匹配特征升序排名中第i个匹配特征的排名，也可以是在匹配特征降序排名中第i个匹配特征的排名等。预定阈值T可以根据实际情况设定或根据经验值确定等。

其中，ri可以通过特征提取的方式确定，即可以基于投放对象样本的匹配特征值占总的匹配特征值的比例的数值的大小，对相应的匹配特征进行排序得到ri，此处ri表示的是第i个匹配特征的排序信息，是在考虑到ri是基于投放对象样本的匹配特征值占总的匹配特征值的比例确定，但是，不同的匹配特征，相应的比例数值差别可能会比较大，为了尽可能的减小上述差别，ri可以使用排名表示，而且，使用排名来表示ri，可以很好的评估投放对象的匹配特征情况。wi可以通过对模型进行训练的处理确定，基于上述内容，上述步骤S306的处理可以通过以下步骤一和步骤二的方式处理。

步骤一，基于预定的机器学习算法，根据上述匹配特征的排序信息、已投活动与投放对象样本是否匹配的结果和预定阈值T，对匹配度模型进行训练，得到每个所述匹配特征的权重。

在实施中，例如，可以包括n个匹配特征，匹配特征的排序信息可以包括0、1、2、3…n，其中，匹配特征的排序信息为0表示该匹配特征不存在，n个匹配特征的权重分别为w1、w2、w3…wn，而且，某个已投活动与投放对象样本是否匹配是已知的，则可以得到如下示例多个(n个或大于n个)不等式构成的方程组：

其中，0≤k≤n，0≤p≤n，k和p为正整数。求解上述方程组，即可得到每个匹配特征的权重w1、w2、w3…wn。

步骤二，基于得到的每个所述匹配特征的权重，确定训练后的匹配度模型。

在步骤S308中，获取与目标活动的对象筛选条件相匹配的候选投放对象。

上述步骤S308的步骤内容与上述实施例一中步骤S102的步骤内容相同，上述步骤S308的具体处理可以参见上述实施例一中步骤S102的相关内容，在此不再赘述。

在步骤S310中，对候选投放对象的相关数据和目标活动的信息进行特征提取，得到目标匹配特征。

在步骤S312中，根据目标匹配特征和预定的匹配度模型，确定每个候选投放对象与目标活动的匹配度。

在步骤S314中，根据上述匹配度，从候选投放对象中选取目标活动的投放对象。

在实际应用中，如果发现目标活动的投放对象的选取失败，则可以通过多种方式处理，以下提供一种可选的处理方式，具体可以包括以下步骤S316和步骤S318的内容。

在步骤S316中，如果获取到目标活动的投放对象的选取失败的反馈消息，则将目标活动和目标活动的投放对象添加到多个活动的投放对象样本中。

在实施中，当发现目标活动错误的投放到了不应投放的对象上，则可以进行纠错反馈，即可以生成目标活动的投放对象的选取失败的反馈消息，此时，可以将目标活动和目标活动的投放对象作为样本数据，以更新匹配度模型。

在步骤S318中，基于添加后的多个活动的投放对象样本，对匹配度模型进行重新训练。

在实施中，重新训练后的匹配度模型可以继续对需要投放的营销活动进行投放，并在此过程中选取合适的投放对象，如果通过上述处理，仍然投放出错，则可以继续通过上述方式对匹配度模型进行重新训练。

本说明书实施例提供一种活动的投放方法，通过获取与目标活动的对象筛选条件相匹配的候选投放对象，然后，确定每个候选投放对象与目标活动的匹配度，根据确定的匹配度，从候选投放对象中选取目标活动的投放对象，这样，当需要为目标活动选取投放对象时，首先需要通过对象筛选条件粗略筛选出候选投放对象，然后，再通过候选投放对象与目标活动的匹配度来确定每个候选投放对象与目标活动的匹配程度，从而从候选投放对象中选出与目标活动匹配程度较高的一个或多个候选投放对象作为目标活动的投放对象，使得为目标活动选取投放对象的过程中，不仅仅停留在基于对象筛选条件，还进一步依据候选投放对象与目标活动的匹配度，进而实现可选择性的向投向对象投放活动，达到精准营销的目的。

实施例三

以上为本说明书实施例提供的活动的投放方法，基于同样的思路，本说明书实施例还提供一种活动的投放装置，如图4所示。

该活动的投放装置包括：对象获取模块401、特征提取模块402、匹配度确定模块403和投放对象选取模块404，其中：

对象获取模块401，用于获取与目标活动的对象筛选条件相匹配的候选投放对象；

特征提取模块402，用于对所述候选投放对象的相关数据和所述目标活动的信息进行特征提取，得到目标匹配特征；

匹配度确定模块403，用于根据所述目标匹配特征和预定的匹配度模型，确定每个所述候选投放对象与所述目标活动的匹配度；

投放对象选取模块404，用于根据所述匹配度，从所述候选投放对象中选取所述目标活动的投放对象。

本说明书实施例中，所述装置还包括：

样本获取模块，用于获取多个活动投放对象样本，并获取投放到每个所述投放对象样本的已投活动信息；

特征提取模块，用于对所述投放对象样本的相关数据和所述已投活动信息进行特征提取，得到匹配特征；

模型训练模块，用于基于预定的机器学习算法，以及所述匹配特征，对所述匹配度模型进行训练，得到训练后的匹配度模型。

本说明书实施例中，所述匹配度模型基于以下公式对应的算法确定

S＝∑(wi*ri)，且S>T；

其中，i为大于或等于1的正整数，S表示匹配度，ri表示第i个匹配特征的排序信息，wi为第i个匹配特征的权重，T为预定阈值，

所述模型训练模块，包括：

参数确定单元，用于基于预定的机器学习算法，根据所述匹配特征的排序信息、已投活动与所述投放对象样本是否匹配的结果和所述预定阈值，对所述匹配度模型进行训练，得到每个所述匹配特征的权重；

模型确定单元，用于基于得到的每个所述匹配特征的权重，确定训练后的匹配度模型。

本说明书实施例中，所述匹配特征包括以下中的一个或多个：投放对象样本的特征、已投活动的特征、投放对象样本的用户特征，以及投放对象样本的与相应的已投活动的组合特征。

本说明书实施例中，所述投放对象样本的特征包括以下中的一个或多个：已投活动对应的资源数量、资源总数量、已投活动中未被使用的数量、已投活动的数量、已投活动中预定时长内参与的数量、已投活动中预定时长的活动的参与数量、投放对象样本的每个已投活动的资源数量。

本说明书实施例中，所述已投活动的特征包括以下中的一个或多个：折扣类的已投活动的折扣率、满减类的已投活动的满减资源数值、满返类的已投活动的满返资源数值、已投活动的投放数目、已投活动中没有使用的数目、已投活动的使用率、已投活动对应的优惠力度、已投活动对应的优惠力度的大小顺序信息。

本说明书实施例中，所述投放对象样本的用户特征包括以下中的一个或多个：用户数量、用户等级分布信息、用户重复参与投放活动的比率。

本说明书实施例中，所述投放对象样本的与相应的已投活动的组合特征包括以下中的一个或多个：通过投放对象样本投放的活动数量、投放对象样本发放活动的数量占已投活动的数量的比值、首次投放活动到活动的最后一次参与的时长、已投活动投放后预定有效期内活动被领取的数量。

本说明书实施例中，所述装置还包括：

样本添加模块，用于如果获取到所述目标活动的投放对象的选取失败的反馈消息，则将所述目标活动和所述目标活动的投放对象添加到所述多个活动的投放对象样本中；

模型重新训练模块，用于基于添加后的多个活动的投放对象样本，对所述匹配度模型进行重新训练。

本说明书实施例提供一种活动的投放装置，通过获取与目标活动的对象筛选条件相匹配的候选投放对象，然后，确定每个候选投放对象与目标活动的匹配度，根据确定的匹配度，从候选投放对象中选取目标活动的投放对象，这样，当需要为目标活动选取投放对象时，首先需要通过对象筛选条件粗略筛选出候选投放对象，然后，再通过候选投放对象与目标活动的匹配度来确定每个候选投放对象与目标活动的匹配程度，从而从候选投放对象中选出与目标活动匹配程度较高的一个或多个候选投放对象作为目标活动的投放对象，使得为目标活动选取投放对象的过程中，不仅仅停留在基于对象筛选条件，还进一步依据候选投放对象与目标活动的匹配度，进而实现可选择性的向投向对象投放活动，达到精准营销的目的。

实施例四

以上为本说明书实施例提供的活动的投放装置，基于同样的思路，本说明书实施例还提供一种活动的投放设备，如图5所示。

所述活动的投放设备可以为上述实施例提供的服务器。

活动的投放设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器501和存储器502，存储器502中可以存储有一个或一个以上存储应用程序或数据。其中，存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对活动的投放设备中的一系列计算机可执行指令。更进一步地，处理器501可以设置为与存储器502通信，在活动的投放设备上执行存储器502中的一系列计算机可执行指令。活动的投放设备还可以包括一个或一个以上电源503，一个或一个以上有线或无线网络接口504，一个或一个以上输入输出接口505，一个或一个以上键盘506。

具体在本实施例中，活动的投放设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对活动的投放设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取与目标活动的对象筛选条件相匹配的候选投放对象；

对所述候选投放对象的相关数据和所述目标活动的信息进行特征提取，得到目标匹配特征；

根据所述目标匹配特征和预定的匹配度模型，确定每个所述候选投放对象与所述目标活动的匹配度；

根据所述匹配度，从所述候选投放对象中选取所述目标活动的投放对象。

本说明书实施例中，还包括：

获取多个活动投放对象样本，并获取投放到每个所述投放对象样本的已投活动信息；

对所述投放对象样本的相关数据和所述已投活动信息进行特征提取，得到匹配特征；

基于预定的机器学习算法，以及所述匹配特征，对所述匹配度模型进行训练，得到训练后的匹配度模型。

本说明书实施例中，所述匹配度模型基于以下公式对应的算法确定

S＝∑(wi*ri)，且S>T；

其中，i为大于或等于1的正整数，S表示匹配度，ri表示第i个匹配特征的排序信息，wi为第i个匹配特征的权重，T为预定阈值，

所述基于预定的机器学习算法，以及所述匹配特征，对所述匹配度模型进行训练，得到训练后的匹配度模型，包括：

基于预定的机器学习算法，根据所述匹配特征的排序信息、已投活动与所述投放对象样本是否匹配的结果和所述预定阈值，对所述匹配度模型进行训练，得到每个所述匹配特征的权重；

基于得到的每个所述匹配特征的权重，确定训练后的匹配度模型。

本说明书实施例中，所述匹配特征包括以下中的一个或多个：投放对象样本的特征、已投活动的特征、投放对象样本的用户特征，以及投放对象样本的与相应的已投活动的组合特征。

本说明书实施例中，所述投放对象样本的特征包括以下中的一个或多个：已投活动对应的资源数量、资源总数量、已投活动中未被使用的数量、已投活动的数量、已投活动中预定时长内参与的数量、已投活动中预定时长的活动的参与数量、投放对象样本的每个已投活动的资源数量。

本说明书实施例中，所述已投活动的特征包括以下中的一个或多个：折扣类的已投活动的折扣率、满减类的已投活动的满减资源数值、满返类的已投活动的满返资源数值、已投活动的投放数目、已投活动中没有使用的数目、已投活动的使用率、已投活动对应的优惠力度、已投活动对应的优惠力度的大小顺序信息。

本说明书实施例中，所述投放对象样本的用户特征包括以下中的一个或多个：用户数量、用户等级分布信息、用户重复参与投放活动的比率。

本说明书实施例中，所述投放对象样本的与相应的已投活动的组合特征包括以下中的一个或多个：通过投放对象样本投放的活动数量、投放对象样本发放活动的数量占已投活动的数量的比值、首次投放活动到活动的最后一次参与的时长、已投活动投放后预定有效期内活动被领取的数量。

本说明书实施例中，所述根据所述匹配度，从所述候选投放对象中选取所述目标活动的投放对象之后，所述方法还包括：

如果获取到所述目标活动的投放对象的选取失败的反馈消息，则将所述目标活动和所述目标活动的投放对象添加到所述多个活动的投放对象样本中；

基于添加后的多个活动的投放对象样本，对所述匹配度模型进行重新训练。

本说明书实施例提供一种活动的投放设备，通过获取与目标活动的对象筛选条件相匹配的候选投放对象，然后，确定每个候选投放对象与目标活动的匹配度，根据确定的匹配度，从候选投放对象中选取目标活动的投放对象，这样，当需要为目标活动选取投放对象时，首先需要通过对象筛选条件粗略筛选出候选投放对象，然后，再通过候选投放对象与目标活动的匹配度来确定每个候选投放对象与目标活动的匹配程度，从而从候选投放对象中选出与目标活动匹配程度较高的一个或多个候选投放对象作为目标活动的投放对象，使得为目标活动选取投放对象的过程中，不仅仅停留在基于对象筛选条件，还进一步依据候选投放对象与目标活动的匹配度，进而实现可选择性的向投向对象投放活动，达到精准营销的目的。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

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，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (19)

1.一种活动的投放方法，所述方法包括：

获取与目标活动的对象筛选条件相匹配的候选投放对象；

对所述候选投放对象的相关数据和所述目标活动的信息进行特征提取，得到目标匹配特征；

根据所述目标匹配特征和预定的匹配度模型，确定每个所述候选投放对象与所述目标活动的匹配度；

根据所述匹配度，从所述候选投放对象中选取所述目标活动的投放对象。

2.根据权利要求1所述的方法，所述方法还包括：

获取多个活动投放对象样本，并获取投放到每个所述投放对象样本的已投活动信息；

对所述投放对象样本的相关数据和所述已投活动信息进行特征提取，得到匹配特征；

基于预定的机器学习算法，以及所述匹配特征，对所述匹配度模型进行训练，得到训练后的匹配度模型。

3.根据权利要求2所述的方法，所述匹配度模型基于以下公式对应的算法确定

S＝∑(wi*ri)，且S>T；

其中，i为大于或等于1的正整数，S表示匹配度，ri表示第i个匹配特征的排序信息，wi为第i个匹配特征的权重，T为预定阈值，

所述基于预定的机器学习算法，以及所述匹配特征，对所述匹配度模型进行训练，得到训练后的匹配度模型，包括：

基于预定的机器学习算法，根据所述匹配特征的排序信息、已投活动与所述投放对象样本是否匹配的结果和所述预定阈值，对所述匹配度模型进行训练，得到每个所述匹配特征的权重；

基于得到的每个所述匹配特征的权重，确定训练后的匹配度模型。

4.根据权利要求3所述的方法，所述匹配特征包括以下中的一个或多个：投放对象样本的特征、已投活动的特征、投放对象样本的用户特征，以及投放对象样本的与相应的已投活动的组合特征。

5.根据权利要求4所述的方法，所述投放对象样本的特征包括以下中的一个或多个：已投活动对应的资源数量、资源总数量、已投活动中未被使用的数量、已投活动的数量、已投活动中预定时长内参与的数量、已投活动中预定时长的活动的参与数量、投放对象样本的每个已投活动的资源数量。

6.根据权利要求4所述的方法，所述已投活动的特征包括以下中的一个或多个：折扣类的已投活动的折扣率、满减类的已投活动的满减资源数值、满返类的已投活动的满返资源数值、已投活动的投放数目、已投活动中没有使用的数目、已投活动的使用率、已投活动对应的优惠力度、已投活动对应的优惠力度的大小顺序信息。

7.根据权利要求4所述的方法，所述投放对象样本的用户特征包括以下中的一个或多个：用户数量、用户等级分布信息、用户重复参与投放活动的比率。

8.根据权利要求4所述的方法，所述投放对象样本的与相应的已投活动的组合特征包括以下中的一个或多个：通过投放对象样本投放的活动数量、投放对象样本发放活动的数量占已投活动的数量的比值、首次投放活动到活动的最后一次参与的时长、已投活动投放后预定有效期内活动被领取的数量。

9.根据权利要求1所述的方法，所述根据所述匹配度，从所述候选投放对象中选取所述目标活动的投放对象之后，所述方法还包括：

如果获取到所述目标活动的投放对象的选取失败的反馈消息，则将所述目标活动和所述目标活动的投放对象添加到所述多个活动的投放对象样本中；

基于添加后的多个活动的投放对象样本，对所述匹配度模型进行重新训练。

10.一种活动的投放装置，所述装置包括：

对象获取模块，用于获取与目标活动的对象筛选条件相匹配的候选投放对象；

特征提取模块，用于对所述候选投放对象的相关数据和所述目标活动的信息进行特征提取，得到目标匹配特征；

匹配度确定模块，用于根据所述目标匹配特征和预定的匹配度模型，确定每个所述候选投放对象与所述目标活动的匹配度；

投放对象选取模块，用于根据所述匹配度，从所述候选投放对象中选取所述目标活动的投放对象。

11.根据权利要求10所述的装置，所述装置还包括：

样本获取模块，用于获取多个活动投放对象样本，并获取投放到每个所述投放对象样本的已投活动信息；

特征提取模块，用于对所述投放对象样本的相关数据和所述已投活动信息进行特征提取，得到匹配特征；

模型训练模块，用于基于预定的机器学习算法，以及所述匹配特征，对所述匹配度模型进行训练，得到训练后的匹配度模型。

12.根据权利要求11所述的装置，所述匹配度模型基于以下公式对应的算法确定

S＝∑(wi*ri)，且S>T；

其中，i为大于或等于1的正整数，S表示匹配度，ri表示第i个匹配特征的排序信息，wi为第i个匹配特征的权重，T为预定阈值，

所述模型训练模块，包括：

参数确定单元，用于基于预定的机器学习算法，根据所述匹配特征的排序信息、已投活动与所述投放对象样本是否匹配的结果和所述预定阈值，对所述匹配度模型进行训练，得到每个所述匹配特征的权重；

模型确定单元，用于基于得到的每个所述匹配特征的权重，确定训练后的匹配度模型。

13.根据权利要求12所述的装置，所述匹配特征包括以下中的一个或多个：投放对象样本的特征、已投活动的特征、投放对象样本的用户特征，以及投放对象样本的与相应的已投活动的组合特征。

14.根据权利要求13所述的装置，所述投放对象样本的特征包括以下中的一个或多个：已投活动对应的资源数量、资源总数量、已投活动中未被使用的数量、已投活动的数量、已投活动中预定时长内参与的数量、已投活动中预定时长的活动的参与数量、投放对象样本的每个已投活动的资源数量。

15.根据权利要求13所述的装置，所述已投活动的特征包括以下中的一个或多个：折扣类的已投活动的折扣率、满减类的已投活动的满减资源数值、满返类的已投活动的满返资源数值、已投活动的投放数目、已投活动中没有使用的数目、已投活动的使用率、已投活动对应的优惠力度、已投活动对应的优惠力度的大小顺序信息。

16.根据权利要求13所述的装置，所述投放对象样本的用户特征包括以下中的一个或多个：用户数量、用户等级分布信息、用户重复参与投放活动的比率。

17.根据权利要求13所述的装置，所述投放对象样本的与相应的已投活动的组合特征包括以下中的一个或多个：通过投放对象样本投放的活动数量、投放对象样本发放活动的数量占已投活动的数量的比值、首次投放活动到活动的最后一次参与的时长、已投活动投放后预定有效期内活动被领取的数量。

18.根据权利要求11所述的装置，所述装置还包括：

样本添加模块，用于如果获取到所述目标活动的投放对象的选取失败的反馈消息，则将所述目标活动和所述目标活动的投放对象添加到所述多个活动的投放对象样本中；

模型重新训练模块，用于基于添加后的多个活动的投放对象样本，对所述匹配度模型进行重新训练。

19.一种活动的投放设备，所述活动的投放设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取与目标活动的对象筛选条件相匹配的候选投放对象；

对所述候选投放对象的相关数据和所述目标活动的信息进行特征提取，得到目标匹配特征；

根据所述目标匹配特征和预定的匹配度模型，确定每个所述候选投放对象与所述目标活动的匹配度；

根据所述匹配度，从所述候选投放对象中选取所述目标活动的投放对象。