CN110046932A - 一种数据处理方法、装置及设备 - Google Patents

一种数据处理方法、装置及设备 Download PDF

Info

Publication number
CN110046932A
CN110046932A CN201910247446.7A CN201910247446A CN110046932A CN 110046932 A CN110046932 A CN 110046932A CN 201910247446 A CN201910247446 A CN 201910247446A CN 110046932 A CN110046932 A CN 110046932A
Authority
CN
China
Prior art keywords
user
resource information
target user
information
resource
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
Application number
CN201910247446.7A
Other languages
English (en)
Inventor
杜敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced Nova Technology Singapore Holdings Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910247446.7A priority Critical patent/CN110046932A/zh
Publication of CN110046932A publication Critical patent/CN110046932A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例公开了一种数据处理方法、装置及设备，所述方法包括：对目标用户参与预定营销活动的用户数据进行特征提取，得到所述目标用户的用户特征，所述目标用户为参与预定营销活动的用户中的任一用户；将所述用户特征输入到预先训练的核销率预测模型中进行计算，得到针对所述目标用户对于预定的不同资源信息的预测核销率；根据针对所述目标用户对于预定的不同资源信息的预测核销率，确定针对所述目标用户对于所述不同资源信息的资源收益信息；根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息。

Description

一种数据处理方法、装置及设备
技术领域
本说明书涉及计算机技术领域，尤其涉及一种数据处理方法、装置及设备。
背景技术
随着计算机技术的不断发展，通过终端设备进行资源转移(如在线支付、扫码支付等)成为一种重要的资源转移方式，通过终端设备进行资源转移是基于网络通过服务器，将一个资源账户中的资源转移到另一个资源账户中。
通常，某些商家为了增加收入、提高其商品的知名度，会设置很多营销活动，例如发放资源信息(如代金券、折扣券等)等，具体如，商家可以在某购物网站的服务器中设置资源信息，可以将上述资源信息设置于该购物网站的相应页面中，当用户需要某资源信息时可以在该购物网站上领取相应的资源信息，此外，还可以主动将资源信息分发给该购物网站的用户等。这样，用户可以使用上述资源信息对应的资源减免数值或资源抵扣数值进行资源转移，一方面为用户降低了资源转移的总值，另一方面增加商家的商品的销售数量、提高收入。
但是，很多营销活动中发放的资源信息种类仅有一种，例如在某指定的时间段内发放100元代金券等，这样，就会使得营销活动中资源信息的发放策略较单一，资源信息发放的差异化程度不足，从而造成营销活动成本较高，用户的转化率较低，为此，需要提供一种更优的资源信息发放策略，不仅可以给不同的用户发放不同的资源信息，丰富资源信息的发放策略，而且还可以降低成本，提高用户的转化率。
发明内容
本说明书实施例的目的是提供一种数据处理方法、装置及设备，以提供一种更优的资源信息发放策略，不仅可以给不同的用户发放不同的资源信息，丰富资源信息的发放策略，而且还可以降低成本，提高用户的转化率。
为了实现上述技术方案，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数据处理方法，所述方法包括：
对目标用户参与预定营销活动的用户数据进行特征提取，得到所述目标用户的用户特征，所述目标用户为参与预定营销活动的用户中的任一用户；
将所述用户特征输入到预先训练的核销率预测模型中进行计算，得到针对所述目标用户对于预定的不同资源信息的预测核销率；
根据针对所述目标用户对于预定的不同资源信息的预测核销率，确定针对所述目标用户对于所述不同资源信息的资源收益信息；
根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息。
可选地，所述用户特征包括用户行为特征、用户画像和用户的位置特征中的一项或多项。
可选地，所述方法还包括：
获取多个不同用户参与预定营销活动的历史数据；
对所述历史数据进行特征提取，得到所述多个不同用户的用户特征；
将所述多个不同用户的用户特征作为训练样本，并通过所述训练样本训练所述核销率预测模型，得到训练后的核销率预测模型。
可选地，所述通过所述训练样本训练所述核销率预测模型，得到训练后的核销率预测模型，包括：
对所述训练样本进行重采样处理，得到重采样后的训练样本；
基于重采样后的训练样本对所述核销率预测模型进行训练，得到训练后的核销率预测模型。
可选地，所述根据针对所述目标用户对于预定的不同资源信息的预测核销率，确定针对所述目标用户对于所述不同资源信息的资源收益信息，包括：
根据针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重，确定针对所述目标用户对于所述不同资源信息的资源收益信息。
可选地，所述根据针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重，确定针对所述目标用户对于所述不同资源信息的资源收益信息，包括：
将针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重代入下述公式中
Si＝Hi-K*Bi
计算，得到针对所述目标用户对于所述不同资源信息的资源收益信息，其中，所述Si表示针对所述目标用户对于第i个资源信息的资源收益信息，Hi表示针对所述目标用户对于第i个资源信息的预测核销率，Bi表示针对所述目标用户的第i个资源信息的数值，K表示预定的平衡权重。
可选地，所述平衡权重通过预定的无偏样本的回测处理确定。
可选地，所述根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息，包括：
从所述不同资源信息中获取其对应的资源收益信息中包含的数值大于预定收益阈值的资源信息；
将获取的资源信息确定为发放给所述目标用户的资源信息。
可选地，所述根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息，包括：
将所述不同资源信息对应的资源收益信息中包含的数值的最大值对应的资源信息确定为发放给所述目标用户的资源信息。
本说明书实施例提供的一种数据处理装置，所述装置包括：
第一特征提取模块，用于对目标用户参与预定营销活动的用户数据进行特征提取，得到所述目标用户的用户特征，所述目标用户为参与预定营销活动的用户中的任一用户；
核销率预测模块，用于将所述用户特征输入到预先训练的核销率预测模型中进行计算，得到针对所述目标用户对于预定的不同资源信息的预测核销率；
收益确定模块，用于根据针对所述目标用户对于预定的不同资源信息的预测核销率，确定针对所述目标用户对于所述不同资源信息的资源收益信息；
资源信息确定模块，用于根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息。
可选地，所述用户特征包括用户行为特征、用户画像和用户的位置特征中的一项或多项。
可选地，所述装置还包括：
历史数据获取模块，用于获取多个不同用户参与预定营销活动的历史数据；
第二特征提取模块，用于对所述历史数据进行特征提取，得到所述多个不同用户的用户特征；
训练模块，用于将所述多个不同用户的用户特征作为训练样本，并通过所述训练样本训练所述核销率预测模型，得到训练后的核销率预测模型。
可选地，所述训练模块，包括：
重采样单元，用于对所述训练样本进行重采样处理，得到重采样后的训练样本；
训练单元，用于基于重采样后的训练样本对所述核销率预测模型进行训练，得到训练后的核销率预测模型。
可选地，所述收益确定模块，用于根据针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重，确定针对所述目标用户对于所述不同资源信息的资源收益信息。
可选地，所述收益确定模块，用于将针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重代入下述公式中
Si＝Hi-K*Bi
计算，得到针对所述目标用户对于所述不同资源信息的资源收益信息，其中，所述Si表示针对所述目标用户对于第i个资源信息的资源收益信息，Hi表示针对所述目标用户对于第i个资源信息的预测核销率、Bi表示针对所述目标用户的第i个资源信息的数值，K表示预定的平衡权重。
可选地，所述平衡权重通过预定的无偏样本的回测处理确定。
可选地，所述资源信息确定模块，包括：
资源信息获取单元，用于从所述不同资源信息中获取其对应的资源收益信息中包含的数值大于预定收益阈值的资源信息；
资源信息确定单元，用于将获取的资源信息确定为发放给所述目标用户的资源信息。
可选地，所述资源信息确定模块，用于将所述不同资源信息对应的资源收益信息中包含的数值的最大值对应的资源信息确定为发放给所述目标用户的资源信息。
本说明书实施例提供的一种数据处理设备，所述数据处理设备包括：
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：
对目标用户参与预定营销活动的用户数据进行特征提取，得到所述目标用户的用户特征，所述目标用户为参与预定营销活动的用户中的任一用户；
将所述用户特征输入到预先训练的核销率预测模型中进行计算，得到针对所述目标用户对于预定的不同资源信息的预测核销率；
根据针对所述目标用户对于预定的不同资源信息的预测核销率，确定针对所述目标用户对于所述不同资源信息的资源收益信息；
根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息。
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对目标用户参与预定营销活动的用户数据进行特征提取，得到目标用户的用户特征，目标用户为参与预定营销活动的用户中的任一用户，将该用户特征输入到预先训练的核销率预测模型中进行计算，得到针对目标用户对于预定的不同资源信息的预测核销率，然后，根据针对目标用户对于预定的不同资源信息的预测核销率，确定针对目标用户对于不同资源信息的资源收益信息，最终，根据针对目标用户对于不同资源信息的资源收益信息，确定发放给目标用户的资源信息，这样，可以针对不同用户，基于不同资源信息对应的资源收益信息，给不同的用户发放满足其资源收益相匹配的资源信息，例如，可以给不同的用户根据资源收益信息发放相应的电子优惠券或红包，从而不仅可以给不同的用户发放不同的资源信息，丰富了资源信息的发放策略，而且还可以降低成本，提高用户的转化率。
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为本说明书一种数据处理方法实施例；
图2为本说明书另一种数据处理方法实施例；
图3为本说明书又一种数据处理方法实施例；
图4为本说明书一种信息处理系统的结构示意图；
图5为本说明书一种数据处理装置实施例；
图6为本说明书一种数据处理设备实施例。
具体实施方式
本说明书实施例提供一种数据处理方法、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数据处理方法，该方法的执行主体可以为终端设备或服务器等，其中，该终端设备可以如手机或平板电脑等移动终端设备，还可以如个人计算机等设备。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，该服务器可以是金融业务或购物网站的后台服务器等。为了提高处理效率，本实施例的执行主体可以以服务器为例进行说明，对于以终端设备作为执行主体的情况，可以参见下述相关内容，在此不再赘述。该方法具体可以包括以下步骤：
在步骤S102中，对目标用户参与预定营销活动的用户数据进行特征提取，得到目标用户的用户特征，目标用户为参与预定营销活动的用户中的任一用户。
其中，目标用户可以是任意用户，即可以是与预定营销活动对应的业务的用户中的任一用户。营销活动可以是商户或活动发起商提供给用户参与的任意活动，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)、赠送优惠券或红包的活动等。用户数据可以是与目标用户相关的数据，例如可以包括目标用户的活跃度、身份类型(如学生或游客等)、基础属性(如年龄、性别和学历等)、目标用户所处地域的相关信息和营销行为数据(如优惠券领取次数和使用次数、奖励的资源的领取次数和使用次数等)等。
在实施中，随着计算机技术的不断发展，通过终端设备进行资源转移(如在线支付、扫码支付等)成为一种重要的资源转移方式，通过终端设备进行资源转移是基于网络通过服务器，将一个资源账户中的资源转移到另一个资源账户中。通常，某些商家为了增加收入、提高其商品的知名度，会设置很多营销活动，例如发放资源信息(如代金券、折扣券等)等，具体如，商家可以在某购物网站的服务器中设置资源信息，可以将上述资源信息设置于该购物网站的相应页面中，当用户需要某资源信息时可以在该购物网站上领取相应的资源信息，此外，还可以主动将资源信息分发给该购物网站的用户等。这样，用户可以使用上述资源信息对应的资源减免数值或资源抵扣数值进行资源转移，一方面为用户降低了资源转移的总值，另一方面增加商家的商品的销售数量、提高收入。
但是，很多营销活动中发放的资源信息种类仅有一种，例如在某指定的时间段内发放100元代金券等，这样，就会使得营销活动中资源信息的发放策略较单一，资源信息发放的差异化程度不足，从而造成营销活动成本较高，用户的转化率较低，为此，需要提供一种更优的资源信息发放策略，不仅可以给不同的用户发放不同的资源信息，丰富资源信息的发放策略，而且还可以降低成本，提高用户的转化率。为此，可以设置以下方式，即可以预先设定预定业务场景的核销率阈值，然后，预测不同资源信息对应的核销率，可以选取满足上述核销率阈值的包含的资源数值最小的资源信息向用户发放，然而，上述处理方式尽管可以在所期望的核销率下，在一定程度上控制资源信息的发放成本，但却有一定的局限，即如果没有任何一种资源信息能够达到上述核销率阈值，则会出现无法发放资源信息的情况，而这对于一些应用场景来说是无法适用的，另外，直接设置核销率阈值会给动态控制成本和核销率带来困难。基于上述内容，本说明书实施例提供一种相关的技术方案，具体可以包括以下内容：
通常，每当用户参加某营销活动时，可以记录该用户在参与该营销活动过程中的操作行为的数据、领取的资源信息的相关信息和使用的相关信息(如目标用户的个人信息等)等用户数据。当需要开展某项营销活动时，可以预先圈定或选取可以参加该营销活动的用户，然后，为了使得不同的用户能够得到不同的资源信息，可以为圈定或选取的用户(其中任一用户可以标记为目标用户)设置以下处理机制，即当需要确定如何为目标用户发放资源信息时，可以从预先记录的用户数据中获取目标用户参与营销活动过程中产生和/或使用的用户数据。考虑到获取到的用户数据的数量可能较大，为了提高后续过程的处理效率，可以对获取的用户数据进行预处理，具体如可以去掉其中的与相应的营销活动无关的数据、去掉重复出现的数据等。考虑到数据的形式往往很难体现出数据的本质，因此，可以对获取到的用户数据进行特征提取，从目标用户的用户数据中提取出用户特征。其中，提取出的用户特征可以如目标用户的活跃度特征、身份类型特征、基础属性特征、目标用户所处地域的特征和营销行为特征等。
需要说明的是，不同的业务或业务场景下可以对应有不同的用户特征，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在步骤S104中，将上述用户特征输入到预先训练的核销率预测模型中进行计算，得到针对目标用户对于预定的不同资源信息的预测核销率。
其中，核销率预测模型可以是用于预测向用户发放不同资源信息后，用户将该资源信息进行核销的转化率的模型，相应的，预测核销率即可以为预测向用户发放不同资源信息后，用户将该资源信息进行核销的转化率，例如，可以预先设定多个不同的资源信息，如20元代金券、50元代金券和100元代金券，然后，可以通过核销率预测模型预测上述20元代金券发放给该用户后，该20元代金券被该用户使用的可能性，并预测上述50元代金券发放给该用户后，该50元代金券被该用户使用的可能性，以及预测上述100元代金券发放给该用户后，该100元代金券被该用户使用的可能性等，以此来预测不同资源信息进行核销的转化率。核销率预测模型可以通过预定的算法构建，其中的预定算法可以根据实际情况选取，例如，可以使用Wide&Deep Learning算法构建核销率预测模型，Wide&Deep Learning算法可以用于构建分类和回归的模型，Wide&Deep Learning算法构建的核销率预测模型可以结合线性模型的记忆能力(Memorization)和DNN(Deep Neural Networks，深度神经网络)模型的泛化能力(Generalization)，核销率预测模型在训练过程中，可以同时优化上述两个模型的参数，从而使得整体模型的预测能力达到最优。预定的不同资源信息可以是根据业务需求或营销活动的需求等预先设定的多个不同的资源信息，还可以是根据目标用户的历史信息(如目标用户核销的资源信息的情况等)设定的多个不同的资源信息，具体如，选取目标用户核销的数量超过预定阈值(如10个或20个等)的资源信息。资源信息可以是用于在进行资源转移时对待转移的资源进行缩减或抵扣的数据信息，资源转移具体可以如线下支付或在线支付等，线下支付具体可以如扫描图形码(如二维码或条形码等)支付。该资源信息可以如上所述，具体可以为用于购物的电子凭证信息，例如50元或20元的电子购物券或红包信息等，也可以是关于资源缩减的电子凭证信息，例如满50元减20元或满100元减50元的电子凭证信息等。基于上述内容，本实施例的资源信息能够以多种方式展现，例如电子优惠券，具体如代金券、红包或折扣券等。资源信息可以设置有有效期限，如3月5日～3月20日，资源信息还可以只针对某一个商户的商品或某一类型(如生活电器或生鲜水果等)的商品有效。
在实施中，根据不同的业务和/或实际情况设定构建核销率预测模型的算法可以多种多样，例如可以如上所述的Wide&Deep Learning算法等，具体可以根据实际情况设定。可以通过多种不同的方式获取不同用户参与某项或某些营销活动的用户数据(为了将其与前述目标用户的用户数据进行区分，此处的用户数据可以称为历史数据)，例如，通过购买或奖励等方式收集不同用户参与某项或某些营销活动的历史数据，然后，可以对历史数据进行特征提取，确定历史数据对应的用户特征，可以通过不同用户的用户特征，以及上述设定的算法构建核销率预测模型，并使用上述不同用户的用户特征训练该核销率预测模型。由于不同的用户在参与营销活动过程中被分发的资源信息可能不同，因此，通过对核销率预测模型的训练，可以使得该核销率预测模型能够预测多种不同的资源信息对应的核销率，基于上述训练过程，可以得到训练后的核销率预测模型。
针对不同的业务或营销活动，可以设置多种不同的资源信息，针对目标用户来说，为了保证发放给目标用户的资源信息对应的核销率较高，可以将通过上述步骤S102的处理得到的目标用户的用户特征输入到训练后的核销率预测模型中进行计算，从而可以通过核销率预测模型来预测哪一种资源信息发放给目标用户后的效果最优，通过核销率预测模型的计算，可以得到预设定的不同资源信息对应的预测核销率。
例如，可以通过Wide&Deep Learning算法构建并训练Wide&Deep Learning模型，并可以将该模型设定为核销率预测模型。如果营销活动设置的资源信息包括满50元减20元和满100元减50元的电子优惠券，则可以将目标用户的用户特征输入到训练后的核销率预测模型中进行计算，分别得到针对目标用户的满50元减20元的电子优惠券对应的预测核销率，以及针对目标用户的满100元减50元的电子优惠券对应的预测核销率。
在步骤S106中，根据针对目标用户对于预定的不同资源信息的预测核销率，确定针对目标用户对于不同资源信息的资源收益信息。
其中，资源收益信息可以是将某资源信息发放给目标用户后，基于该资源信息可能获取到的资源收入，例如，发放给目标用户的资源信息为满100元减50元的电子优惠券，则该资源信息对应的资源收益信息的收益数值至少为50元等。
在实施中，针对目标用户来说，可以根据实际情况，预先设定资源收益对应的算法，该算法可以基于资源信息对应的预测核销率和相应的资源信息等确定，这样，可以通过该算法、预定的不同资源信息对应的预测核销率，以及相应的资源信息，计算不同资源信息对应的资源收益信息。例如，基于上述步骤S104的示例，资源信息可以包括满50元减20元和满100元减50元的电子优惠券，可以将满50元减20元的电子优惠券对应的预测核销率、满50元减20元的电子优惠券中的相关信息代入到上述算法中计算，得到满50元减20元的电子优惠券对应的资即源收益信息，同时，可以将满100元减50元的电子优惠券对应的预测核销率、满100元减50元的电子优惠券中的相关信息代入到上述算法中计算，得到满100元减50元的电子优惠券对应的资源收益信息。
在步骤S108中，根据针对目标用户对于不同资源信息的资源收益信息，确定发放给目标用户的资源信息。
在实施中，通过上述步骤S106的处理得到针对目标用户的不同资源信息对应的资源收益信息后，可以获取包含的资源收益较高的一个或多个资源收益信息(具体如获取包含的资源收益的数值大于预定收益阈值的资源收益信息，或者，获取包含的资源收益的数值最大的资源收益信息等)，确定每个资源收益信息对应的资源信息，可以将确定的资源信息作为发放给目标用户的资源信息。例如，针对目标用户，资源信息包括20元代金券、50元代金券和100元代金券，如果20元代金券对应的资源收益信息中包含的资源收益为20元，50元代金券对应的资源收益信息中包含的资源收益为150元，100元代金券对应的资源收益信息中包含的资源收益为10元，则可以将资源收益最大值150元对应的资源信息(即50元代金券)作为发放给目标用户的资源信息，或者，可以将大于预定收益阈值15的资源收益信息对应的资源信息(即20元代金券和50元代金券)作为发放给目标用户的资源信息等。
本说明书实施例提供一种数据处理方法，通过对目标用户参与预定营销活动的用户数据进行特征提取，得到目标用户的用户特征，目标用户为参与预定营销活动的用户中的任一用户，将该用户特征输入到预先训练的核销率预测模型中进行计算，得到针对目标用户对于预定的不同资源信息的预测核销率，然后，根据针对目标用户对于预定的不同资源信息的预测核销率，确定针对目标用户对于不同资源信息的资源收益信息，最终，根据针对目标用户对于不同资源信息的资源收益信息，确定发放给目标用户的资源信息，这样，可以针对不同用户，基于不同资源信息对应的资源收益信息，给不同的用户发放满足其资源收益相匹配的资源信息，例如，可以给不同的用户根据资源收益信息发放相应的电子优惠券或红包，从而不仅可以给不同的用户发放不同的资源信息，丰富了资源信息的发放策略，而且还可以降低成本，提高用户的转化率。
实施例二
如图2所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为终端设备或服务器等，其中，该终端设备可以如手机或平板电脑等移动终端设备，还可以如个人计算机等设备。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，该服务器可以是金融业务或购物网站的后台服务器等。为了提高处理效率，本实施例的执行主体可以以服务器为例进行说明，对于以终端设备作为执行主体的情况，可以参见下述相关内容，在此不再赘述。该方法具体可以包括以下步骤：
在步骤S202中，获取多个不同用户参与预定营销活动的历史数据。
其中，历史数据可以是在当前时刻之前的某个时间段或某个时刻获取的与相应用户相关的数据，例如可以包括该用户的活跃度、资源支配能力信息(如财富能力所处的档位等)、使用不同资源信息的频率、身份类型(如学生或游客等)、基础属性(如年龄、性别和学历等)、是否为新用户、目标用户所处地域的相关信息和营销行为数据(如优惠券领取次数和使用次数、奖励的资源的领取次数和使用次数、资源转移过程中资源信息对应的资源值占资源转移总数值的比例等)等。
在实施中，每当用户参加某营销活动时，可以记录该用户在参与该营销活动过程中的用户的活跃度、资源支配能力信息(如财富能力所处的档位等)、使用不同资源信息的频率、身份类型(如学生或游客等)、基础属性(如年龄、性别和学历等)、是否为新用户、目标用户所处地域的相关信息和营销行为数据(如优惠券领取次数和使用次数、奖励的资源的领取次数和使用次数、资源转移过程中资源信息对应的资源值占资源转移总数值的比例等)等用户数据。当需要构建和训练核销率预测模型时，可以根据实际情况确定需要获取哪个时间段(如当前时刻的前7天或前2个月等)的用户数据，或者，确定获取的用户数据的数量(如1000个用户的用户数据或500个用户的用户数据等)等，可以基于上述方式获取多个不同用户参与预定营销活动的用户数据，可以将获取的用户数据作为多个不同用户参与预定营销活动的历史数据。
或者，还可以通过其它多种不同的方式获取不同用户参与某项或某些营销活动的历史数据，例如，可以通过购买或奖励等方式收集不同用户参与某项或某些营销活动的历史数据等。
需要说明的是，不同用户的历史数据可以不同，可以基于历史数据的多样性训练核销率预测模型，从而使得训练后的核销率预测模型的适用范围更广、得到的结果更加准确。考虑到获取到的用户数据的数量可能较大，为了提高后续过程的处理效率，可以对获取的历史数据进行预处理，具体如可以去掉其中的与相应的营销活动无关的数据、去掉重复出现的数据等。
在步骤S204中，对上述历史数据进行特征提取，得到多个不同用户的用户特征。
其中，用户特征包括用户行为特征、用户画像和用户的位置特征中的一项或多项，其中的用户画像可以包括用户的活跃度特征、资源支配能力特征(如财富能力所处的档位特征等)、使用不同资源信息的频率特征、身份类型特征(如学生或游客等)、基础属性特征(如年龄、性别和学历等)、是否为新用户等，用户的位置特征可以包括用户常住地区域的热度特征和其他相关区域的热度特征等，用户行为特征可以包括进行指定方式的资源转移的次数和数值，例如当面或面对面的资源转移的次数和数值，具体如当面或面对面进行支付的次数和支付金额等，用户行为特征还可以包括营销行为数据，例如优惠券或红包领取次数和使用次数、奖励的资源的领取次数和使用次数、资源转移过程中资源信息对应的资源值占资源转移总数值的比例等。
在实施中，考虑到数据的形式往往很难体现出数据的本质，因此，可以对获取到的历史数据进行特征提取，分别从多个不同用户的历史数据中提取出用户特征。其中，提取出的用户特征可以如用户行为特征、用户画像和用户的位置特征中的一项或多项。上述步骤S204的具体处理过程可以参见上述实施例一中的相关内容，在此不再赘述。
在步骤S206中，将多个不同用户的用户特征作为训练样本，并通过该训练样本训练核销率预测模型，得到训练后的核销率预测模型。
在实施中，可以通过预定的算法构建核销率预测模型，其中的预定的算法可以根据实际情况选取，例如，可以使用Wide&Deep Learning算法构建核销率预测模型，如前述内容，Wide&Deep Learning算法可以用于构建分类和回归的模型，Wide&Deep Learning算法构建的核销率预测模型可以结合线性模型的记忆能力和DNN模型的泛化能力，核销率预测模型在训练过程中，可以同时优化上述两个模型的参数，从而使得整体模型的预测能力达到最优。
在实施中，对于Wide&Deep Learning算法作为上述算法的情况，通过Wide&DeepLearning算法构建的相应的模型即可以为核销率预测模型，可以通过上述处理得到不同用户参与某项或某些营销活动的历史数据后，可以通过不同用户的用户特征，以及上述设定的算法构建核销率预测模型，并使用上述不同用户的用户特征训练该核销率预测模型，由于不同的用户在参与营销活动过程中被分发的资源信息可能不同，因此，通过对核销率预测模型的训练，可以使得该核销率预测模型能够预测多种不同的资源信息对应的核销率，基于上述训练过程，可以得到训练后的核销率预测模型。
上述步骤S206的处理可以多种多样，考虑到获取到的历史数据可能较少，这样，利用该历史数据训练的核销率预测模型的准确率可能较低，为了提高核销率预测模型的准确率，可以通过重采样的方式获取大量的历史数据，进而在训练核销率预测模型，具体可以包括以下步骤一和步骤二的处理。
步骤一，对上述训练样本进行重采样处理，得到重采样后的训练样本。
其中，重采样处理可以是对训练样本进行可放回采样或可重复采样(即某一个训练样本可以被采样并使用多次)的处理。
在实施中，由于在某些情况下，通过上述方式获取的训练样本的数量可能相对较少，为了使得得到的核销率预测模型尽可能的准确，可以对上述获取的训练样本进行重采样处理，为了实现对训练样本的可重复采样，可以设定一定的机制为训练样本分配被重复采样的次数，该机制可以根据实际情况设定，具体如，可以随机分配等，本说明书实施例对此不做限定。通过分配的重采样的次数依次对训练样本进行重采样处理，得到重采样后的训练样本。
步骤二，基于重采样后的训练样本对核销率预测模型进行训练，得到训练后的核销率预测模型。
在实施中，重采样后的训练样本的数量将会较大，然后，再使用重采样后的训练样本对核销率预测模型进行训练，从而使得训练后的核销率预测模型可以更加准确。
在步骤S208中，对目标用户参与预定营销活动的用户数据进行特征提取，得到目标用户的用户特征，目标用户为参与预定营销活动的用户中的任一用户。
其中，用户特征包括用户行为特征、用户画像和用户的位置特征中的一项或多项，具体可以参见上述相关内容。
在实施中，当需要开展某项营销活动时，可以预先圈定或选取可以参加该营销活动的用户，然后，为了使得不同的用户能够得到不同的资源信息，可以为圈定或选取的用户(其中的任一用户可以标记为目标用户)发放资源信息，因此，可以对获取到的用户数据进行特征提取，即可以从目标用户的用户数据中提取出用户特征。
在步骤S210中，将上述用户特征输入到预先训练的核销率预测模型中进行计算，得到针对目标用户对于预定的不同资源信息的预测核销率。
在实施中，针对不同的业务或营销活动，可以设置多种不同的资源信息，针对目标用户来说，为了保证发放给目标用户的资源信息对应的核销率较高，可以将通过上述步骤S208的处理得到的目标用户的用户特征输入到训练后的核销率预测模型中进行计算，从而可以通过核销率预测模型来预测哪一种资源信息发放给目标用户后的效果最优，通过核销率预测模型的计算，可以得到预设定的不同资源信息对应的预测核销率。例如，可以通过Wide&Deep Learning算法构建并训练Wide&Deep Learning模型，并可以将该模型设定为核销率预测模型。可以将目标用户的用户特征输入到训练后的核销率预测模型中进行计算，分别得到针对目标用户对于不同资源信息的预测核销率。
在步骤S212中，根据针对目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重，确定针对目标用户对于不同资源信息的资源收益信息。
其中，该平衡权重通过预定的无偏样本的回测处理确定，该平衡权重可以用于动态调整成本以使得预测核销率与成本之间达到最佳状态。
在实施中，针对目标用户，为了使得得到的不同资源信息对应的资源收益信息更加准确，可以设定不同资源信息对应的预测核销率和相应的资源信息之间的平衡权重(即预测核销率与成本之间的平衡权重)，然后，可以根据针对目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重，基于预定的算法(具体可以根据实际情况设定，本说明书实施例对此不做限定)计算不同资源信息对应的资源收益信息。
上述步骤S212的处理可以多种多样，以下提供一种可选的具体处理方式，可以包括以下内容：将针对目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重代入下述公式(1)中
Si＝Hi-K*Bi(1)
计算，得到针对目标用户对于不同资源信息的资源收益信息，其中，Si表示针对目标用户对于第i个资源信息的资源收益信息，Hi表示针对目标用户对于第i个资源信息的预测核销率、Bi表示针对目标用户的第i个资源信息的数值，K表示预定的平衡权重。
例如，针对目标用户来说，资源信息包括10元红包、20元红包和50元红包，10元红包可以标记为第1个资源信息，20元红包可以标记为第2个资源信息，50元红包可以标记为第3个资源信息，第1个资源信息对应的预测核销率为H1，第2个资源信息对应的预测核销率为H2，第3个资源信息对应的预测核销率为H3，第1个资源信息的数值为10，第2个资源信息的数值为20，第3个资源信息的数值为50，则S1＝H1-10K，S2＝H2-20K，S3＝H3-50K。
在步骤S214中，从不同资源信息中获取其(即不同资源信息)对应的资源收益信息中包含的数值大于预定收益阈值的资源信息。
其中，预定收益阈值可以根据实际情况设定，不同的资源信息可以设置有不同的预定收益阈值，本说明书实施例对此不做限定。
在实施中，通过上述步骤S212的处理，得到针对目标用户对于不同资源信息的资源收益信息后，可以将不同资源信息对应的资源收益信息中包含的数值分别与预定收益阈值进行比较，可以获取其中数值大于预定收益阈值的资源收益信息对应的资源信息。
在步骤S216中，将获取的资源信息确定为发放给目标用户的资源信息。
上述步骤S214和步骤S216的处理可以实现确定发放给目标用户的资源信息的目的，除了可以通过上述方式实现外，还可以通过多种方式实现，以下再提供一种可选的处理方式，具体可以包括以下内容：将不同资源信息对应的资源收益信息中包含的数值的最大值对应的资源信息确定为发放给目标用户的资源信息。
在实施中，通过上述步骤S212的处理，得到针对目标用户对于不同资源信息的资源收益信息后，可以比较不同资源信息对应的资源收益信息中包含的数值，可以将其中数值最大的资源收益信息对应的资源信息作为发放给目标用户的资源信息。
本说明书实施例提供一种数据处理方法，通过对目标用户参与预定营销活动的用户数据进行特征提取，得到目标用户的用户特征，目标用户为参与预定营销活动的用户中的任一用户，将该用户特征输入到预先训练的核销率预测模型中进行计算，得到针对目标用户对于预定的不同资源信息的预测核销率，然后，根据针对目标用户对于预定的不同资源信息的预测核销率，确定针对目标用户对于不同资源信息的资源收益信息，最终，根据针对目标用户对于不同资源信息的资源收益信息，确定发放给目标用户的资源信息，这样，可以针对不同用户，基于不同资源信息对应的资源收益信息，给不同的用户发放满足其资源收益相匹配的资源信息，例如，可以给不同的用户根据资源收益信息发放相应的电子优惠券或红包，从而不仅可以给不同的用户发放不同的资源信息，丰富了资源信息的发放策略，而且还可以降低成本，提高用户的转化率。
实施例三
本实施例将结合具体的应用场景，对本发明实施例提供的一种数据处理方法进行详细的阐述，相应的应用场景为在线支付的应用场景，其中，资源转移可以是支付，资源信息可以是电子优惠券或红包等，资源数值可以是金额。
某些商户为了增加收入，会设置很多优惠活动，如发放电子优惠券和/或红包，电子优惠券可以包括代金券或折扣券等，商家可以通过多种方式将电子优惠券或红包提供给用户使用，用户在购买某商品后，在支付的过程中可以选择使用上述电子优惠券或红包进行支付。
如图3所示，本说明书实施例提供了一种数据处理方法，该方法的执行主体可以为终端设备或服务器等，其中，该终端设备可以如手机或平板电脑等移动终端设备，还可以如个人计算机等设备。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，该服务器可以是金融业务或购物网站的后台服务器等。为了提高处理效率，本实施例的执行主体可以以服务器为例进行说明，对于以终端设备作为执行主体的情况，可以参见下述相关内容，在此不再赘述。该方法具体包括如下步骤：
在步骤S302中，获取多个不同用户参与预定营销活动的历史数据。
其中，历史数据可以是在当前时刻之前的某个时间段或某个时刻获取的与相应用户相关的数据，例如可以包括该用户的活跃度、财富能力信息(如财富能力所处的档位等)、使用不同资源信息的频率、身份类型(如学生或游客等)、基础属性(如年龄、性别和学历等)、是否为新用户、目标用户所处地域的相关信息和营销行为数据(如电子优惠券和/或红包领取次数和使用次数、奖励的资源的领取次数和使用次数、支付过程中电子优惠券或红包对应的金额占支付总金额的比例等)等。
在步骤S304中，对上述历史数据进行特征提取，得到多个不同用户的用户特征。
其中，用户特征包括用户行为特征、用户画像和用户的位置特征中的一项或多项。
在步骤S306中，将多个不同用户的用户特征作为训练样本，并通过该训练样本训练核销率预测模型，得到训练后的核销率预测模型。
上述步骤S306的处理可以多种多样，可以通过重采样的方式获取大量的历史数据，进而在训练核销率预测模型，具体可以包括以下步骤一和步骤二的处理。
步骤一，对上述训练样本进行重采样处理，得到重采样后的训练样本。
步骤二，基于重采样后的训练样本对核销率预测模型进行训练，得到训练后的核销率预测模型。
在步骤S308中，对目标用户参与预定营销活动的用户数据进行特征提取，得到目标用户的用户特征，目标用户为参与预定营销活动的用户中的任一用户。
其中，用户特征包括用户行为特征、用户画像和用户的位置特征中的一项或多项。
在步骤S310中，将上述用户特征输入到预先训练的核销率预测模型中进行计算，得到针对目标用户对于预定的不同金额的电子优惠券和/或红包的预测核销率。
在步骤S312中，根据针对目标用户对于预定的不同金额的电子优惠券和/或红包的预测核销率、相应的电子优惠券和/或红包的金额和预定的平衡权重，确定针对目标用户对于不同金额的电子优惠券和/或红包的收益信息。
其中，该平衡权重通过预定的无偏样本的回测处理确定。
上述步骤S312的处理可以多种多样，以下提供一种可选的具体处理方式，可以包括以下内容：将针对目标用户对于预定的不同金额的电子优惠券和/或红包的预测核销率、相应的电子优惠券和/或红包的金额和预定的平衡权重代入下述公式中
Si＝Hi-K*Bi
计算，得到针对目标用户对于不同金额的电子优惠券和/或红包的收益信息，其中，Si表示针对目标用户对于第i个金额的电子优惠券和/或红包的收益信息，Hi表示针对目标用户对于第i个金额的电子优惠券和/或红包的预测核销率、Bi表示针对目标用户的第i个电子优惠券和/或红包的金额，K表示预定的平衡权重。
在步骤S314中，将不同金额的电子优惠券和/或红包对应的收益信息中包含的数值的最大值对应的金额的电子优惠券或红包确定为发放给目标用户的电子优惠券或红包。
上述步骤S314的处理可以多种多样，以下提供一种可选的具体处理方式，可以包括以下步骤一和步骤二。
步骤一，从不同金额的电子优惠券和/或红包中获取其对应的收益信息中包含的数值大于预定收益阈值的电子优惠券或红包。
步骤二，将获取的电子优惠券或红包确定为发放给目标用户的电子优惠券或红包。
如图4所示，服务器可以将上述确定的电子优惠券或红包发送给目标用户的终端设备，该终端设备接收到发送的电子优惠券或红包后，可以显示该电子优惠券或红包的相关内容，并可以将该电子优惠券或红包存储在目标用户的优惠券或红包的账户中。如果目标用户需要购买某指定商品，则可以在支付时，选择该电子优惠券或红包进行支付。
本说明书实施例提供一种数据处理方法，通过对目标用户参与预定营销活动的用户数据进行特征提取，得到目标用户的用户特征，目标用户为参与预定营销活动的用户中的任一用户，将该用户特征输入到预先训练的核销率预测模型中进行计算，得到针对目标用户对于预定的不同资源信息的预测核销率，然后，根据针对目标用户对于预定的不同资源信息的预测核销率，确定针对目标用户对于不同资源信息的资源收益信息，最终，根据针对目标用户对于不同资源信息的资源收益信息，确定发放给目标用户的资源信息，这样，可以针对不同用户，基于不同资源信息对应的资源收益信息，给不同的用户发放满足其资源收益相匹配的资源信息，例如，可以给不同的用户根据资源收益信息发放相应的电子优惠券或红包，从而不仅可以给不同的用户发放不同的资源信息，丰富了资源信息的发放策略，而且还可以降低成本，提高用户的转化率。
实施例四
以上为本说明书实施例提供的数据处理方法，基于同样的思路，本说明书实施例还提供一种数据处理装置，如图5所示。
该数据处理装置包括：第一特征提取模块501、核销率预测模块502、收益确定模块503和资源信息确定模块504，其中：
第一特征提取模块501，用于对目标用户参与预定营销活动的用户数据进行特征提取，得到所述目标用户的用户特征，所述目标用户为参与预定营销活动的用户中的任一用户；
核销率预测模块502，用于将所述用户特征输入到预先训练的核销率预测模型中进行计算，得到针对所述目标用户对于预定的不同资源信息的预测核销率；
收益确定模块503，用于根据针对所述目标用户对于预定的不同资源信息的预测核销率，确定针对所述目标用户对于所述不同资源信息的资源收益信息；
资源信息确定模块504，用于根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息。
本说明书实施例中，所述用户特征包括用户行为特征、用户画像和用户的位置特征中的一项或多项。
本说明书实施例中，所述装置还包括：
历史数据获取模块，用于获取多个不同用户参与预定营销活动的历史数据；
第二特征提取模块，用于对所述历史数据进行特征提取，得到所述多个不同用户的用户特征；
训练模块，用于将所述多个不同用户的用户特征作为训练样本，并通过所述训练样本训练所述核销率预测模型，得到训练后的核销率预测模型。
本说明书实施例中，所述训练模块，包括：
重采样单元，用于对所述训练样本进行重采样处理，得到重采样后的训练样本；
训练单元，用于基于重采样后的训练样本对所述核销率预测模型进行训练，得到训练后的核销率预测模型。
本说明书实施例中，所述收益确定模块503，用于根据针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重，确定针对所述目标用户对于所述不同资源信息的资源收益信息。
本说明书实施例中，所述收益确定模块503，用于将针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重代入下述公式中
Si＝Hi-K*Bi
计算，得到针对所述目标用户对于所述不同资源信息的资源收益信息，其中，所述Si表示针对所述目标用户对于第i个资源信息的资源收益信息，Hi表示针对所述目标用户对于第i个资源信息的预测核销率、Bi表示针对所述目标用户的第i个资源信息的数值，K表示预定的平衡权重。
本说明书实施例中，所述平衡权重通过预定的无偏样本的回测处理确定。
本说明书实施例中，所述资源信息确定模块504，包括：
资源信息获取单元，用于从所述不同资源信息中获取其对应的资源收益信息中包含的数值大于预定收益阈值的资源信息；
资源信息确定单元，用于将获取的资源信息确定为发放给所述目标用户的资源信息。
本说明书实施例中，所述资源信息确定模块504，用于将所述不同资源信息对应的资源收益信息中包含的数值的最大值对应的资源信息确定为发放给所述目标用户的资源信息。
本说明书实施例提供一种数据处理装置，通过对目标用户参与预定营销活动的用户数据进行特征提取，得到目标用户的用户特征，目标用户为参与预定营销活动的用户中的任一用户，将该用户特征输入到预先训练的核销率预测模型中进行计算，得到针对目标用户对于预定的不同资源信息的预测核销率，然后，根据针对目标用户对于预定的不同资源信息的预测核销率，确定针对目标用户对于不同资源信息的资源收益信息，最终，根据针对目标用户对于不同资源信息的资源收益信息，确定发放给目标用户的资源信息，这样，可以针对不同用户，基于不同资源信息对应的资源收益信息，给不同的用户发放满足其资源收益相匹配的资源信息，例如，可以给不同的用户根据资源收益信息发放相应的电子优惠券或红包，从而不仅可以给不同的用户发放不同的资源信息，丰富了资源信息的发放策略，而且还可以降低成本，提高用户的转化率。
实施例五
以上为本说明书实施例提供的数据处理装置，基于同样的思路，本说明书实施例还提供一种数据处理设备，如图6所示。
所述数据处理设备可以为上述实施例提供的服务器。
数据处理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601和存储器602，存储器602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602可以是短暂存储或持久存储。存储在存储器602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数据处理设备中的一系列计算机可执行指令。更进一步地，处理器601可以设置为与存储器602通信，在数据处理设备上执行存储器602中的一系列计算机可执行指令。数据处理设备还可以包括一个或一个以上电源603，一个或一个以上有线或无线网络接口604，一个或一个以上输入输出接口605，一个或一个以上键盘606。
具体在本实施例中，数据处理设备包括有存储器，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数据处理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：
对目标用户参与预定营销活动的用户数据进行特征提取，得到所述目标用户的用户特征，所述目标用户为参与预定营销活动的用户中的任一用户；
将所述用户特征输入到预先训练的核销率预测模型中进行计算，得到针对所述目标用户对于预定的不同资源信息的预测核销率；
根据针对所述目标用户对于预定的不同资源信息的预测核销率，确定针对所述目标用户对于所述不同资源信息的资源收益信息；
根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息。
本说明书实施例中，所述用户特征包括用户行为特征、用户画像和用户的位置特征中的一项或多项。
本说明书实施例中，还包括：
获取多个不同用户参与预定营销活动的历史数据；
对所述历史数据进行特征提取，得到所述多个不同用户的用户特征；
将所述多个不同用户的用户特征作为训练样本，并通过所述训练样本训练所述核销率预测模型，得到训练后的核销率预测模型。
本说明书实施例中，所述通过所述训练样本训练所述核销率预测模型，得到训练后的核销率预测模型，包括：
对所述训练样本进行重采样处理，得到重采样后的训练样本；
基于重采样后的训练样本对所述核销率预测模型进行训练，得到训练后的核销率预测模型。
本说明书实施例中，所述根据针对所述目标用户对于预定的不同资源信息的预测核销率，确定针对所述目标用户对于所述不同资源信息的资源收益信息，包括：
根据针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重，确定针对所述目标用户对于所述不同资源信息的资源收益信息。
本说明书实施例中，所述根据针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重，确定针对所述目标用户对于所述不同资源信息的资源收益信息，包括：
将针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重代入下述公式中
Si＝Hi-K*Bi
计算，得到针对所述目标用户对于所述不同资源信息的资源收益信息，其中，所述Si表示针对所述目标用户对于第i个资源信息的资源收益信息，Hi表示针对所述目标用户对于第i个资源信息的预测核销率，Bi表示针对所述目标用户的第i个资源信息的数值，K表示预定的平衡权重。
本说明书实施例中，所述平衡权重通过预定的无偏样本的回测处理确定。
本说明书实施例中，所述根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息，包括：
从所述不同资源信息中获取其对应的资源收益信息中包含的数值大于预定收益阈值的资源信息；
将获取的资源信息确定为发放给所述目标用户的资源信息。
本说明书实施例中，所述根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息，包括：
将所述不同资源信息对应的资源收益信息中包含的数值的最大值对应的资源信息确定为发放给所述目标用户的资源信息。
本说明书实施例提供一种数据处理设备，通过对目标用户参与预定营销活动的用户数据进行特征提取，得到目标用户的用户特征，目标用户为参与预定营销活动的用户中的任一用户，将该用户特征输入到预先训练的核销率预测模型中进行计算，得到针对目标用户对于预定的不同资源信息的预测核销率，然后，根据针对目标用户对于预定的不同资源信息的预测核销率，确定针对目标用户对于不同资源信息的资源收益信息，最终，根据针对目标用户对于不同资源信息的资源收益信息，确定发放给目标用户的资源信息，这样，可以针对不同用户，基于不同资源信息对应的资源收益信息，给不同的用户发放满足其资源收益相匹配的资源信息，例如，可以给不同的用户根据资源收益信息发放相应的电子优惠券或红包，从而不仅可以给不同的用户发放不同的资源信息，丰富了资源信息的发放策略，而且还可以降低成本，提高用户的转化率。
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)

1.一种数据处理方法，所述方法包括：
对目标用户参与预定营销活动的用户数据进行特征提取，得到所述目标用户的用户特征，所述目标用户为参与预定营销活动的用户中的任一用户；
将所述用户特征输入到预先训练的核销率预测模型中进行计算，得到针对所述目标用户对于预定的不同资源信息的预测核销率；
根据针对所述目标用户对于预定的不同资源信息的预测核销率，确定针对所述目标用户对于所述不同资源信息的资源收益信息；
根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息。
2.根据权利要求1所述的方法，所述用户特征包括用户行为特征、用户画像和用户的位置特征中的一项或多项。
3.根据权利要求1所述的方法，所述方法还包括：
获取多个不同用户参与预定营销活动的历史数据；
对所述历史数据进行特征提取，得到所述多个不同用户的用户特征；
将所述多个不同用户的用户特征作为训练样本，并通过所述训练样本训练所述核销率预测模型，得到训练后的核销率预测模型。
4.根据权利要求3所述的方法，所述通过所述训练样本训练所述核销率预测模型，得到训练后的核销率预测模型，包括：
对所述训练样本进行重采样处理，得到重采样后的训练样本；
基于重采样后的训练样本对所述核销率预测模型进行训练，得到训练后的核销率预测模型。
5.根据权利要求1所述的方法，所述根据针对所述目标用户对于预定的不同资源信息的预测核销率，确定针对所述目标用户对于所述不同资源信息的资源收益信息，包括：
根据针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重，确定针对所述目标用户对于所述不同资源信息的资源收益信息。
6.根据权利要求5所述的方法，所述根据针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重，确定针对所述目标用户对于所述不同资源信息的资源收益信息，包括：
将针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重代入下述公式中
Si＝Hi-K*Bi
计算，得到针对所述目标用户对于所述不同资源信息的资源收益信息，其中，所述Si表示针对所述目标用户对于第i个资源信息的资源收益信息，Hi表示针对所述目标用户对于第i个资源信息的预测核销率，Bi表示针对所述目标用户的第i个资源信息的数值，K表示预定的平衡权重。
7.根据权利要求5或6所述的方法，所述平衡权重通过预定的无偏样本的回测处理确定。
8.根据权利要求1所述的方法，所述根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息，包括：
从所述不同资源信息中获取其对应的资源收益信息中包含的数值大于预定收益阈值的资源信息；
将获取的资源信息确定为发放给所述目标用户的资源信息。
9.根据权利要求1所述的方法，所述根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息，包括：
将所述不同资源信息对应的资源收益信息中包含的数值的最大值对应的资源信息确定为发放给所述目标用户的资源信息。
10.一种数据处理装置，所述装置包括：
第一特征提取模块，用于对目标用户参与预定营销活动的用户数据进行特征提取，得到所述目标用户的用户特征，所述目标用户为参与预定营销活动的用户中的任一用户；
核销率预测模块，用于将所述用户特征输入到预先训练的核销率预测模型中进行计算，得到针对所述目标用户对于预定的不同资源信息的预测核销率；
收益确定模块，用于根据针对所述目标用户对于预定的不同资源信息的预测核销率，确定针对所述目标用户对于所述不同资源信息的资源收益信息；
资源信息确定模块，用于根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息。
11.根据权利要求10所述的装置，所述用户特征包括用户行为特征、用户画像和用户的位置特征中的一项或多项。
12.根据权利要求10所述的装置，所述装置还包括：
历史数据获取模块，用于获取多个不同用户参与预定营销活动的历史数据；
第二特征提取模块，用于对所述历史数据进行特征提取，得到所述多个不同用户的用户特征；
训练模块，用于将所述多个不同用户的用户特征作为训练样本，并通过所述训练样本训练所述核销率预测模型，得到训练后的核销率预测模型。
13.根据权利要求12所述的装置，所述训练模块，包括：
重采样单元，用于对所述训练样本进行重采样处理，得到重采样后的训练样本；
训练单元，用于基于重采样后的训练样本对所述核销率预测模型进行训练，得到训练后的核销率预测模型。
14.根据权利要求10所述的装置，所述收益确定模块，用于根据针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重，确定针对所述目标用户对于所述不同资源信息的资源收益信息。
15.根据权利要求14所述的装置，所述收益确定模块，用于将针对所述目标用户对于预定的不同资源信息的预测核销率、相应的资源信息和预定的平衡权重代入下述公式中
Si＝Hi-K*Bi
计算，得到针对所述目标用户对于所述不同资源信息的资源收益信息，其中，所述Si表示针对所述目标用户对于第i个资源信息的资源收益信息，Hi表示针对所述目标用户对于第i个资源信息的预测核销率、Bi表示针对所述目标用户的第i个资源信息的数值，K表示预定的平衡权重。
16.根据权利要求14或15所述的装置，所述平衡权重通过预定的无偏样本的回测处理确定。
17.根据权利要求10所述的装置，所述资源信息确定模块，包括：
资源信息获取单元，用于从所述不同资源信息中获取其对应的资源收益信息中包含的数值大于预定收益阈值的资源信息；
资源信息确定单元，用于将获取的资源信息确定为发放给所述目标用户的资源信息。
18.根据权利要求10所述的装置，所述资源信息确定模块，用于将所述不同资源信息对应的资源收益信息中包含的数值的最大值对应的资源信息确定为发放给所述目标用户的资源信息。
19.一种数据处理设备，所述数据处理设备包括：
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：
对目标用户参与预定营销活动的用户数据进行特征提取，得到所述目标用户的用户特征，所述目标用户为参与预定营销活动的用户中的任一用户；
将所述用户特征输入到预先训练的核销率预测模型中进行计算，得到针对所述目标用户对于预定的不同资源信息的预测核销率；
根据针对所述目标用户对于预定的不同资源信息的预测核销率，确定针对所述目标用户对于所述不同资源信息的资源收益信息；
根据针对所述目标用户对于所述不同资源信息的资源收益信息，确定发放给所述目标用户的资源信息。
CN201910247446.7A 2019-03-29 2019-03-29 一种数据处理方法、装置及设备 Pending CN110046932A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910247446.7A CN110046932A (zh) 2019-03-29 2019-03-29 一种数据处理方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910247446.7A CN110046932A (zh) 2019-03-29 2019-03-29 一种数据处理方法、装置及设备

Publications (1)

Publication Number Publication Date
CN110046932A true CN110046932A (zh) 2019-07-23

Family

ID=67275530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910247446.7A Pending CN110046932A (zh) 2019-03-29 2019-03-29 一种数据处理方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110046932A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110874765A (zh) * 2019-10-22 2020-03-10 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备及存储介质
CN111199429A (zh) * 2020-01-07 2020-05-26 支付宝(杭州)信息技术有限公司 预测模型的训练方法及装置
CN111310913A (zh) * 2020-01-19 2020-06-19 支付宝(杭州)信息技术有限公司 数据处理方法、资产分配方法、模型、装置及设备
CN112308635A (zh) * 2020-11-25 2021-02-02 拉扎斯网络科技（上海）有限公司 数据处理方法和装置以及资源提供方法和装置
CN112529236A (zh) * 2019-09-18 2021-03-19 泰康保险集团股份有限公司 目标对象识别方法、装置、电子设备及存储介质
CN113010869A (zh) * 2021-03-11 2021-06-22 北京百度网讯科技有限公司 用于管理数字内容的方法、装置、设备和可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818478A (zh) * 2017-10-31 2018-03-20 携程计算机技术（上海）有限公司 基于预估收益的海外优惠券发放方法及系统
CN108133390A (zh) * 2017-12-22 2018-06-08 北京三快在线科技有限公司 用于预测用户行为的方法和装置以及计算设备
CN108416624A (zh) * 2018-02-27 2018-08-17 深圳乐信软件技术有限公司 一种优惠券推送方法、装置、存储介质及智能终端
CN108510313A (zh) * 2018-03-07 2018-09-07 阿里巴巴集团控股有限公司 一种信息转化率的预测、信息推荐方法和装置
CN108510311A (zh) * 2018-02-28 2018-09-07 阿里巴巴集团控股有限公司 一种确定营销方案的方法、装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818478A (zh) * 2017-10-31 2018-03-20 携程计算机技术（上海）有限公司 基于预估收益的海外优惠券发放方法及系统
CN108133390A (zh) * 2017-12-22 2018-06-08 北京三快在线科技有限公司 用于预测用户行为的方法和装置以及计算设备
CN108416624A (zh) * 2018-02-27 2018-08-17 深圳乐信软件技术有限公司 一种优惠券推送方法、装置、存储介质及智能终端
CN108510311A (zh) * 2018-02-28 2018-09-07 阿里巴巴集团控股有限公司 一种确定营销方案的方法、装置及电子设备
CN108510313A (zh) * 2018-03-07 2018-09-07 阿里巴巴集团控股有限公司 一种信息转化率的预测、信息推荐方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李勇宏: "大规模在线内容推荐系统关键算法的设计与实现", 中国硕士学位论文全文数据库, pages 36 *
石磊: "开源人工智能系统 TensorFlow 的教育应用", 《现代教育技术》, vol. 28, no. 1, pages 93 - 99 *
黄立威等: "基于深度学习的推荐系统研究综述", 《计算机学报》, vol. 41, no. 7, pages 1619 - 1647 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529236A (zh) * 2019-09-18 2021-03-19 泰康保险集团股份有限公司 目标对象识别方法、装置、电子设备及存储介质
CN110874765A (zh) * 2019-10-22 2020-03-10 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备及存储介质
CN110874765B (zh) * 2019-10-22 2021-10-22 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备及存储介质
CN111199429A (zh) * 2020-01-07 2020-05-26 支付宝(杭州)信息技术有限公司 预测模型的训练方法及装置
CN111310913A (zh) * 2020-01-19 2020-06-19 支付宝(杭州)信息技术有限公司 数据处理方法、资产分配方法、模型、装置及设备
CN112308635A (zh) * 2020-11-25 2021-02-02 拉扎斯网络科技（上海）有限公司 数据处理方法和装置以及资源提供方法和装置
CN113010869A (zh) * 2021-03-11 2021-06-22 北京百度网讯科技有限公司 用于管理数字内容的方法、装置、设备和可读存储介质
CN113010869B (zh) * 2021-03-11 2023-08-29 北京百度网讯科技有限公司 用于管理数字内容的方法、装置、设备和可读存储介质

Similar Documents

Publication Publication Date Title
CN110046932A (zh) 一种数据处理方法、装置及设备
CN109934706A (zh) 一种基于图结构模型的交易风险控制方法、装置以及设备
CN110309283A (zh) 一种智能问答的答案确定方法及装置
CN110070399A (zh) 一种优惠券推送方法及装置
CN110378726A (zh) 一种目标用户的推荐方法、系统以及电子设备
CN113590849A (zh) 多媒体资源分类模型训练方法和多媒体资源推荐方法
CN107093096A (zh) 一种业务量预测方法及装置
CN109615495A (zh) 一种数据的对账方法、装置、设备及系统
CN108537568A (zh) 一种信息推荐方法和装置
CN108921566A (zh) 一种基于图结构模型的虚假交易识别方法和装置
CN110033156A (zh) 一种业务活动效果的确定方法及装置
CN110163432A (zh) 一种订单识别的方法及装置
CN110020427A (zh) 策略确定方法和装置
CN109345285A (zh) 一种活动的投放方法、装置及设备
CN110503435A (zh) 基于区块链的交易预警方法、装置及设备
CN109614414A (zh) 一种用户信息的确定方法及装置
CN110472798A (zh) 时间序列数据的预测方法、装置及计算机可读存储介质
CN110415123A (zh) 金融产品推荐方法、装置和设备及计算机存储介质
CN110008394A (zh) 一种舆情信息的识别方法、装置及设备
CN110502614A (zh) 文本拦截方法、装置、系统以及设备
CN110020867A (zh) 一种消费合约的处理方法、装置和设备
CN110245973A (zh) 数据处理方法及装置
Tokarčíková et al. Diffusion of innovation: The case of the Slovak mobile communication market
CN110516918A (zh) 一种风险识别方法和装置
US20190236638A1 (en) User engagement based on a revolving opportunity feed delivering rewards of a business profile based on completion criteria

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
TA01 Transfer of patent application right

Effective date of registration: 20200923

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200923

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240219

Address after: Guohao Times City # 20-01, 128 Meizhi Road, Singapore

Applicant after: Advanced Nova Technology (Singapore) Holdings Ltd.

Country or region after: Singapore

Address before: Ky1-9008 business centre, 27 Hospital Road, Georgetown, grand caiman, UK

Applicant before: Innovative advanced technology Co.,Ltd.

Country or region before: Cayman Islands

TA01 Transfer of patent application right