CN110766430B - 基于机器学习算法的资源分配方法 - Google Patents
基于机器学习算法的资源分配方法 Download PDFInfo
- Publication number
- CN110766430B CN110766430B CN201810839010.2A CN201810839010A CN110766430B CN 110766430 B CN110766430 B CN 110766430B CN 201810839010 A CN201810839010 A CN 201810839010A CN 110766430 B CN110766430 B CN 110766430B
- Authority
- CN
- China
- Prior art keywords
- user
- resource
- resource allocation
- terminal
- historical
- 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.)
- Active
Links
Images
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/04—Payment circuits
- G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
- G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q30/0213—Consumer transaction fees
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于机器学习算法的资源分配方法。资源分配终端接收用户终端发送的资源获取请求,资源获取请求中携带用户标识;资源分配终端根据用户标识确定用户的第一用户类型,并采用机器学习算法对历史资源分配数据和第一用户类型进行学习,确定用户当前的资源分配参数;第一用户类型包括首次访问用户或者非首次访问用户;资源分配终端根据资源分配参数从预设的资源池中获取目标资源,并将目标资源分配给用户终端。因此在资源分配的过程中,避免了将资源池中的资源随机分配给用户终端,使得资源池中的资源分配的准确率提高,从而使得用户终端对资源分配者的配置策略响应力高。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及了一种基于机器学习算法的资源分配方法。
背景技术
资源,包括虚拟物品以及实体物品,虚拟物品比如账户数值、积分或者电子代金券等。资源的主人可以通过社交网络将资源进行分享,被分享资源的用户仅通过简单的触发操作就可以获取到该分享的资源。例如,通过点击虚拟红包即可获取虚拟红包中的数值资源,或者通过终端扫描携带有虚拟红包的数值资源的二维码来获取相应的数值资源。
传统技术在分配资源时,资源分配者采用相应的网络终端建立一个资源池,并配置该资源池对应的资源接受者的数量。在具体分配资源时,网络终端根据资源接受者的触发操作随机为该资源接受者分配资源池内的资源。资源接受者在收到该分配的资源后,可以根据该资源响应资源分配者的一些配置策略。
但是,传统的资源分配方式,其资源分配准确率较低,从而使得资源接受者对资源分配者的配置策略响应不及时或者响应力较低,进而造成了资源分配者的资源浪费。
发明内容
基于此,有必要针对资源分配者的资源浪费问题,提供一种基于机器学习算法的资源分配方法。
第一方面,一种资源分配方法,所述方法包括:
资源分配终端接收用户终端发送的资源获取请求,所述资源获取请求中携带用户标识;
所述资源分配终端根据所述用户标识确定所述用户的第一用户类型,并采用机器学习算法对历史资源分配数据和所述第一用户类型进行学习,确定所述用户当前的资源分配参数;所述第一用户类型包括首次访问用户或者非首次访问用户;
所述资源分配终端根据所述资源分配参数从预设的资源池中获取目标资源,并将所述目标资源分配给所述用户终端。
上述资源分配方法,由于通过计算机学习算法对历史资源分配数据和第一用户类型进行学习,确定用户当前的资源分配参数;资源分配终端根据资源分配参数从预设的资源池中获取目标资源,并将目标资源分配给用户终端,所以在资源分配的过程中,避免了将资源池中的资源随机分配给用户终端,使得资源池中的资源分配的准确率提高,从而使得用户终端对资源分配者的配置策略响应力高。
在其中一个实施例中,所述采用机器学习算法对历史资源分配数据和所述第一用户类型进行学习,确定所述用户当前的资源分配参数,包括:
若所述第一用户类型为首次访问用户,则所述资源分配终端采用所述机器学习算法对所述历史资源分配数据进行学习,确定第一资源分配参数,所述第一资源分配参数使所述用户终端针对所述资源分配者的资源消耗数值满足第一预设条件。
在其中一个实施例中,所述第一资源分配参数为所述历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值满足第一预设条件的最小资源分配参数。
在其中一个实施例中,所述采用机器学习算法对历史资源分配数据和所述第一用户类型进行学习,确定所述用户当前的资源分配参数,包括:
若所述第一用户类型为非首次访问用户,则所述资源分配终端根据所述用户标识以及所述历史资源分配数据确定所述用户的第二用户类型;其中,所述第二用户类型包括所述用户终端针对所述资源分配者的资源消耗数值满足预设阈值的增长性用户、或所述用户终端针对所述资源分配者的资源消耗数值不满足预设阈值的非增长性用户;
所述资源分配终端根据所述第二用户类型,采用机器学习算法对所述历史资源分配数据进行学习,确定第二资源分配参数,所述第二资源分配参数使所述用户终端针对所述资源分配者的资源消耗数值满足第二预设条件。
在其中一个实施例中,若所述用户为增长性用户,则所述第二资源分配参数为所述历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值满足第二预设条件的最小资源分配参数。
在其中一个实施例中,若所述用户为非增长性用户,则所述第二资源分配参数为所述历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值的波动误差满足第二预设条件的最小资源分配参数。
在其中一个实施例中,所述资源分配终端根据所述资源分配参数从预设的资源池中获取目标资源,包括:
所述资源分配终端获取资源消耗对象的属性;
所述资源分配终端根据所述资源消耗对象的属性和所述资源分配参数,确定新的资源分配参数;
所述资源分配终端根据所述新的资源分配参数从预设的资源池中获取目标资源。
在其中一个实施例中,所述资源分配终端根据所述用户标识确定所述用户的第一用户类型,包括:
所述资源分配终端根据检测到的所述用户标识的次数,确定所述用户的第一用户类型。
在其中一个实施例中,所述机器学习算法为粒子群算法。
第二方面,一种资源分配的装置,所述装置包括:
接收模块,用于接收用户终端发送的资源获取请求,所述资源获取请求中携带用户标识;
确定模块,用于根据所述用户标识确定所述用户的第一用户类型,并采用机器学习算法对历史资源分配数据和所述第一用户类型进行学习,确定所述用户当前的资源分配参数;所述第一用户类型包括首次访问用户或者非首次访问用户;
分配模块,用于根据所述资源分配参数从预设的资源池获取目标资源,并将所述目标资源分配给所述用户终端。
第三方面,一种资源分配终端,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
资源分配终端接收用户终端发送的资源获取请求,所述资源获取请求中携带用户标识;
所述资源分配终端根据所述用户标识确定所述用户的第一用户类型,并采用机器学习算法对历史资源分配数据和所述第一用户类型进行学习,确定所述用户当前的资源分配参数;所述第一用户类型包括首次访问用户或者非首次访问用户;
所述资源分配终端根据所述资源分配参数从预设的资源池中获取目标资源,并将所述目标资源分配给所述用户终端。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
资源分配终端接收用户终端发送的资源获取请求,所述资源获取请求中携带用户标识;
所述资源分配终端根据所述用户标识确定所述用户的第一用户类型,并采用机器学习算法对历史资源分配数据和所述第一用户类型进行学习,确定所述用户当前的资源分配参数;所述第一用户类型包括首次访问用户或者非首次访问用户;
所述资源分配终端根据所述资源分配参数从预设的资源池中获取目标资源,并将所述目标资源分配给所述用户终端。
本申请实施例提供的基于机器学习算法的资源分配方法,由于通过机器学习算法对历史资源分配数据和第一用户类型进行学习,确定用户当前的资源分配参数;资源分配终端根据资源分配参数从预设的资源池中获取目标资源,并将目标资源分配给用户终端,所以在资源分配的过程中,避免了将资源池中的资源随机分配给用户终端,使得资源池中的资源分配的准确率提高,从而使得用户终端对资源分配者的配置策略响应力高。
附图说明
图1为一个实施例提供的资源分配方法的流程示意图;
图2为一个实施例提供的资源分配方法的流程示意图;
图3为一个实施例提供的资源分配方法的流程示意图;
图4为一个实施例提供的资源分配的装置的结构示意图;
图5为一个实施例提供的资源分配的装置的结构示意图;
图6为一个实施例提供的资源分配的装置的结构示意图;
图7为一个实施例提供的资源分配终端的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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做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。
本实施例提供的资源分配方法,可以适用于资源分配的系统中,该资源分配的系统包括资源分配终端和作为资源接受者的用户终端。资源分配终端可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备,本实施例对资源分配终端的具体形式不做限定。用户终端可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备,本实施例对用户终端的具体形式不做限定。资源分配终端可以通过无线或有线的方式与用户终端通讯,本实施例对此不作限制。
需要说明的是,本发明实施例提供的资源分配方法,其执行主体可以是资源分配的装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为资源分配终端的部分或者全部。可选的,该资源分配终端可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备,本实施例对计算机设备的具体形式并不做限定。
为了使本发明的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本发明实施例中的技术方案的进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定发明。
图1为一个实施例提供的资源分配方法的流程示意图。本实施例涉及的是资源分配终端根据第一用户类型和历史资源分配数据,采用机器学习算法为用户分配资源,以避免资源分配者资源浪费的过程。如图1所示,该方法包括以下步骤:
S101、资源分配终端接收用户终端发送的资源获取请求,资源获取请求中携带用户标识。
本实施例中,用户标识可以是表征用户身份的唯一凭证,其可以是用户的姓名、用户的手机号码、用户的ID、用户的身份证信息等,本申请实施例对此并不做限定。另外,本实施例中涉及的资源,可以是电子代金券、电子现金、电子红包、电子积分、出行领域内的电子里程、电子车费等等,本申请实施例对资源的形式并不做限定。
当用户需要获取资源时,用户终端向资源分配终端发送资源获取请求,可选地,用户终端可以通过访问链接的方式与资源分配终端建立通讯,也可以通过扫描二维码的方式与资源分配终端建立通讯。进一步地,用户终端可以通过无线或有线的方式向资源分配终端发送资源获取请求。
需要说明的是,资源分配终端每接收到一次资源获取请求,均会将该资源获取请求中的用户标识记录下来,从而建立该用户标识与记录的访问次数之间的对应关系。
S102、资源分配终端根据用户标识确定用户的第一用户类型,并采用机器学习算法对历史资源分配数据和第一用户类型进行学习,确定用户当前的资源分配参数;第一用户类型包括首次访问用户或者非首次访问用户。
具体的,当资源分配终端获取到用户标识时,资源分配终端可以根据该用户标识确定该用户是首次访问用户还是非首次访问用户。可选地,资源分配终端可以根据检测到的该用户标识的次数,来确定该用户的第一用户类型,具体为:资源分配终端在获取到当前的用户标识后,结合该用户标识以及历史存储的用户标识与记录的访问次数之间的对应关系,确定该用户标识对应的历史访问次数。如果历史访问次数为空或者为零,则资源分配终端确定该用户当前为首次访问;当该用户标识对应的历史访问次数不为零时,则资源分配终端确定该用户为非首次访问用户。
当资源分配终端确定了上述用户的第一用户类型之后,资源分配终端基于获取的历史资源分配数据以及第一用户类型,并采用机器学习算法对二者进行学习,确定所述用户当前的资源分配参数。可选地,该机器学习算法可以是粒子群算法、回溯算法、神经网络算法、蚁群算法等。可选的,该资源分配参数可以表征资源的分配大小,其可以是数值、可以是比例,还可以是表征大小的ID等。另外,上述历史资源分配数据可以包括历史的资源分配参数、历史的资源分配时间、其他终端设备针对资源分配者的资源消耗数值等,历史资源分配数据可以存储在资源分配终端,也是存储在局域网中的服务器上,本发明实施例对此不作限制。
以神经网络算法为例,资源分配终端可以结合接收到的用户标识,调取存储在资源分配终端内的历史首次访问用户的资源分配参数和资源分配时间,采用神经网络算法,对用户标识、历史首次访问用户的资源分配参数和资源分配时间进行机器学习,通过逻辑判断进行规律总结,确定用户当前的资源分配参数。例如,资源分配终端接收到智能手机发送的用户标识,判断用户为首次访问用户,调取存储在计算机设备上历史首次访问用户获得的电子代金券数额和该首次访问用户在后期的消费数据,采用神经网络算法,通过逻辑判断,总结出获电子代金券包数额为X时,用户在后期的消费能力高,从而资源分配终端将电子代金券数额X确定为本次访问用户的电子代金券分配数额。
由上述描述可知,本发明实施例在确定当前访问用户的资源分配参数时,其不是随机确定的,而是有参考有根据的确定,并且本发明实施例是采用机器学习算法对历史资源分配数据和第一用户类型进行学习,得到的当前访问用户的资源分配参数,该准确性较高。
S103、资源分配终端根据资源分配参数从预设的资源池中获取目标资源,并将目标资源分配给用户终端。
其中,预设的资源池可以包括资源分配者预先设定好的所有资源。基于上述S102获取的资源分配参数,资源分配终端从资源池中获取对应大小的目标资源。在具体分配时,例如可以是将资源池对应的账户中的资源转移到当前访问用户对应的账户中,资源的转移可以是数值的转移,还可以是资源以其他方式进行转移,本实施例对此并不做限定。
以电子红包为例,资源分配终端根据S102得到的资源分配参数(假设为分配比例),将按照分配比例获得的电子红包的数额发放给用户终端。用户终端用于存储用户的资源,其可以通过账户的形式存储,则在电子红包具体发放时,实际上是将电子红包发放至当前访问用户的账户中,使得当前访问用户其账户中的资源累加。
采用上述实施例中资源分配方法,资源分配终端接收用户终端发送的资源获取请求,并根据从资源获取请求中得到的用户标识确定用户的第一用户类型,从而采用机器学习算法对历史资源分配数据和第一用户类型进行学习,确定用户当前的资源分配参数,进而根据该资源分配参数从预设的资源池中获取目标资源,并将目标资源分配给上述用户终端。本实施例中,由于资源分配终端可以通过机器学习算法对历史资源分配数据和第一用户类型进行学习,其是有根据有参考的确定用户当前的资源分配参数,避免了将资源池中的资源随机分配给用户终端造成的资源分配者资源浪费的问题,其提高了资源分配的准确率,从而使得用户对资源分配者的配置策略响应力高。
可选的,本申请实施例中的“响应度或者响应力”可以为资源接受者(即上述实施例中的用户)在获取到相应的资源后,利用这一部分资源对资源分配者的其他对象机进行响应,例如,当资源为电子代金券、资源分配者为售卖物品的企业时,资源接受者在得到采用本实施例的方法分配的目标代金券时,可以利用该目标代金券并结合资源接受者自身的流通货币资源购买资源分配者的其他物品,从而完成对资源分配者的响应,使得资源分配者可以从资源接受者获得更高的资源消耗数值。故而,采用本实施例的方法为用户分配资源,可以大大提高用户对资源分配者的响应力。
在一个实施例中,该实施例涉及的是资源分配终端对第一用户类型是首次访问用户进行资源分配的具体过程。在上述实施例的基础上,上述S102“资源分配终端根据用户标识确定所述第一用户类型,并采用机器学习算法对历史资源分配数据和第一用户类型进行学习,确定用户当前的资源分配参数”,可以包括如下步骤:
若第一用户类型为首次访问用户,则资源分配终端采用机器学习算法对历史资源分配数据进行学习,确定第一资源分配参数,第一资源分配参数使用户终端针对资源分配者的资源消耗数值满足第一预设条件。
本实施例中,第一预设条件可以是资源消耗数值大于预设阈值,也可以是资源消耗数值的增长比例大于预设阈值,本发明对此不作限制。上述资源消耗数值为用户为获取某一对象或者在某一场景下,消耗给资源分配者的资源的数值。
具体的,当资源分配终端获取到用户标识,确定该用户为首次访问用户时,资源分配终端基于获取的历史资源分配数据以及该用户的第一用户类型为首次访问用户的结果,采用机器学习算法对二者进行学习,确定所述用户当前的第一资源分配参数。可选地,该机器学习算法可以是粒子群算法。例如:资源分配终端可以结合接收到的用户标识,调取存储在资源分配终端内的历史首次访问用户的资源分配参数和资源分配时间,采用粒子群算法,对用户标识、历史首次访问用户的资源分配参数和资源分配时间进行机器学习,通过不断追随当前搜索到的用户终端针对资源分配者最高的资源消耗数值,获得对应的历史首次访问用户的资源分配参数,确定该资源分配参数为当前用户的第一资源分配参数。
以资源是电子代金券为例,资源分配终端接收到智能手机发送的用户标识,判断用户为首次访问用户,调取存储在计算机设备上历史首次访问用户获得的电子代金券数额和该首次访问用户在后期的消费数据,采用粒子群算法,通过追随当前搜索到用户针对资源分配者大于预设阈值的资源消耗数值,得到获得电子代金券数额为X,从而资源分配终端将电子代金券数额X确定为本次访问用户的电子代金券分配数额。
采用上述实施例中资源分配方法,当第一用户类型为首次访问用户,则资源分配终端采用机器学习算法对历史资源分配数据进行学习,确定第一资源分配参数,第一资源分配参数使用户终端针对资源分配者的资源消耗数值满足第一预设条件,由于本申请实施例基于历史首次访问用户的资源分配参数进行参考,得到的当前用户的资源分配参数能够使得后期对资源分配者的资源消耗数值较大,对资源分配者的响应度较高,从而使得资源分配者可以从资源接受者获得更高的资源消耗数值。
作为上述第一资源分配参数的一种可能的实施方式,上述第一资源分配参数为历史资源分配数据中使用户终端针对资源分配者的资源消耗数值满足第一预设条件的最小资源分配参数。
具体的,基于“若第一用户类型为首次访问用户,则资源分配终端采用机器学习算法对历史资源分配数据进行学习,确定第一资源分配参数”的过程,资源分配终端可能获得两个以上资源消耗数值满足第一预设条件的资源分配参数,则资源分配终端将其中最小的资源分配参数为当前用户的第一资源分配参数,从而更大程度的节省资源分配者的资源。
继续以资源是电子代金券为例,资源分配终端调取存储在资源分配终端上历史首次访问用户获得的电子代金券数额,和该首次访问用户在后期的针对资源分配者的资源消耗数值,采用神经网络算法,通过逻辑判断,总结出获得电子代金券包数额为X1和X2,这两个数额下,用户针对资源分配者的资源消耗数值均满足第一预设条件,但是X1大于X2,则资源分配终端确定电子代金券数额X2作为本次电子代金券分配数额。
采用上述实施例中资源分配方法,第一资源分配参数是历史资源分配数据中使用户终端针对资源分配者的资源消耗数值满足第一预设条件的最小资源分配参数。因此,采用本实施例的方法,资源分配者可以通过给用户分配最小的资源,以从用户处获取较高的资源消耗数值,故本实施例大大避免了资源分配者的资源浪费,且提高了用户对资源分配者的响应力。
图2为一个实施例提供的资源分配方法的流程示意图。该实施例涉及的是对非首次访问用户的资源分配方法,如图2所示,S102“资源分配终端根据用户标识确定用户的第一用户类型,并采用机器学习算法对历史资源分配数据和第一用户类型进行学习,确定用户当前的资源分配参数”包括:
S201、若第一用户类型为非首次访问用户,则资源分配终端根据用户标识以及历史资源分配数据确定用户的第二用户类型;其中,第二用户类型包括用户终端针对资源分配者的资源消耗数值满足预设阈值的增长性用户、或用户终端针对资源分配者的资源消耗数值不满足预设阈值的非增长性用户。
具体的,当资源分配终端根据用户标识确定当前用户的第一用户类型为非首次访问用户,资源分配终端根据该用户历史资源分配数据中用户终端针对资源分配者的资源消耗数值,判断当前用户的第二用户类型。若当前用户针对资源分配者的历史资源消耗数值满足预设阈值,则该用户为增长性用户,若当前用户针对资源分配者的历史资源消耗数值不满足预设阈值,则该用户为非增长性用户。可选的,资源消耗数值可以是一段时间内的资源消耗率,还可以是一段时间内的资源消耗总值,还可以是一段时间内的资源消耗趋势,本实施例对此并不做限定。
以资源是电子代金券为例,资源分配终端判断用户为非首次访问用户,调取存储在资源分配终端上该用户获得的历史电子代金券数额,和该用户对应的用户终端针对资源分配者的历史资源消耗数值,确定资源消耗数值高于预设阈值的用户为增长性用户,资源消耗数值小于预设阈值的用户为非增长性用户。
S202、资源分配终端根据第二用户类型,采用机器学习算法对历史资源分配数据进行学习,确定第二资源分配参数,第二资源分配参数使用户终端针对资源分配者的资源消耗数值满足第二预设条件。
本实施例中,第二预设条件可以是本次用户终端针对资源分配者的资源消耗大于上一次的资源消耗数值,也可以是用户终端针对资源分配者的资源消耗数值的波动大于另一预设阈值,本发明对此不作限制。
具体的,当资源分配终端确定了用户的第二用户类型,资源分配终端基于获取的历史资源分配数据,并采用机器学习算法进行学习,确定所述用户当前的第二资源分配参数,该第二资源分配参数使得用户终端针对资源分配者的资源消耗数值满足第二预设条件。
例如:资源分配终端确定了用户的第二用户类型为增长性用户,资源分配终端调取存储在资源分配终端上该增长性用户的历史消费数据,采用神经网络算法,通过逻辑判断,若总结得出当该用户终端获得数额为X时,该用户的本次的消费数额高于上一次的消费数额,则确定该用户本次的获得的电子代金券的数额为X。
采用上述实施例中资源分配方法,当第一用户类型为非首次访问用户,则资源分配终端根据用户标识以及历史资源分配数据确定用户的第二用户类型,并根据第二用户类型,采用机器学习算法对历史资源分配数据进行学习,确定第二资源分配参数,第二资源分配参数使用户终端针对资源分配者的资源消耗数值满足第二预设条件。由于本实施例是在确定了用户是非首次访问用户的基础上,进一步基于用户的第二用户类型以及第二用户类型对应的历史资源分配数据再次进行参考,从而得到更准确的的第二资源分配参数,进而根据该第二资源分配参数从预设的资源池中获取目标资源,并将目标资源分配给上述用户终端,其进一步提高了资源分配的准确率,使得资源分配者可以从资源接受者处获得更高的资源消耗数值,避免了将资源池中的资源随机分配给用户终端造成的资源分配者资源浪费的问题,从而使得用户对资源分配者的配置策略响应力得到进一步的提升。
作为上述实施例中第二资源分配参数的一种可能的实施方式,当上述用户为增长性用户时,上述第二资源分配参数为历史资源分配数据中使用户终端针对资源分配者的资源消耗数值满足第二预设条件的最小资源分配参数。
具体的,本实施方式中,第二预设条件可以为预设的资源消耗数值增长趋势或者增长率。基于S302的过程,资源分配终端可能获得两个以上资源消耗数值满足第二预设条件的资源分配参数,则资源分配终端将其中最小的资源分配参数作为当前增长性用户的第二资源分配参数。
以资源是电子代金券为例,资源分配终端调取存储在资源分配终端上增长性用户获得的历史电子代金券数额,和该增长性用户获得电子代金券后的针对资源分配者的历史资源消耗数值,采用神经网络算法,通过逻辑判断,总结出获得电子代金券包数额为X1和X2,这两个数值下,用户针对资源分配者的历史资源消耗数值均满足第二预设条件,其中X1大于X2,则资源分配终端确定电子代金券数额X2作为本次电子代金券分配数额。
采用上述实施方式的方法,资源分配终端获得两个以上资源消耗数值满足第二预设条件的资源分配参数,则资源分配终端将其中最小的资源分配参数为当前增长性用户的第二资源分配参数,因此,资源分配者可以通过分配最小的资源,使得增长性用户终端针对资源分配者的资源消耗数值持续增长,其进一步提高了资源分配的准确率,从而使得用户对资源分配者的配置策略响应力得到进一步的提升。
作为上述实施例中第二资源分配参数的另一种可能的实施方式,当上述用户为非增长性用户时,上述第二资源分配参数为历史资源分配数据中使用户终端针对资源分配者的资源消耗数值的波动误差满足第二预设条件的最小资源分配参数。
具体的,本实施方式中,第二预设条件可以上述用户终端针对资源分配者的资源消耗数值的波动误差小于预设误差,或者波动误差的拨动范围小于预设范围,本实施例在此并不做限定。
当资源分配终端确定了用户的第二用户类型为非增长性用户,资源分配终端获取非增长性用户历史资源分配数据中针对资源分配者的资源消耗数值,采用机器学习算法对此进行学习,确定该用户当前的第二资源分配参数为中使用户终端针对资源分配者的资源消耗数值的波动误差满足第二预设条件的最小资源分配参数。
继续以资源是电子代金券为例,资源分配终端调取存储在资源分配终端上非增长性用户获得的历史电子代金券数额,和非增长性用户获得历史电子代金券后的针对资源分配者的历史资源消耗数值,采用神经网络算法,通过逻辑判断,总结出获得电子代金券包数额为X1和X2,这两个数额下,用户针对资源分配者的资源消耗数值的波动误差小于预设误差,但是X1大于X2,则资源分配终端确定电子代金券数额X2作为本次电子代金券分配数额。
采用上述实施例中资源分配方法,当第二用户类型为非增长性用户,采用机器学习的算法对历史分配数据进行学习,确定第二资源分配参数,第二资源分配参数为历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值的波动误差小于预设阈值的最小资源分配参数。因此,资源分配者可以通过分配最小的资源使得当前用户对资源分配者的资源消耗数值保持稳定消耗的趋势,以确保当前用户对资源分配者的响应力保持稳定,其节省了资源分配者的部分资源,并且提高了资源分配者分配资源时的准确率。
图3为一个实施例提供的资源分配方法的流程示意图。该实施例涉及的资源终端结合所确定的资源分配参数获取目标资源的过程。在上述实施例的基础上,如图3所示,进一步地,上述S103中的“资源分配终端根据资源分配参数从预设的资源池中获取目标资源”包括:
S301、资源分配终端获取资源消耗对象的属性。
其中,资源消耗对象可以是食品、服装、电子产品、机械类产品等,本发明对此不做限定。资源消耗对象的属性可以是资源消耗对象的生产时间、保质期、资源消耗对象的完整性、资源消耗对象的流行度等,本发明对此不做限定。
本申请实施例中,资源消耗对象可以将其属性存储在资源分配终端,也可以存储在其他联网的计算机设备上,资源分配终端通过调取相关的数据获得资源消耗对象的属性。
S302、资源分配终端根据资源消耗对象的属性和资源分配参数,确定新的资源分配参数。
本申请实施例中,资源分配终端根据资源消耗对象的属性和资源分配参数,可选地,通过机器学习对资源消耗对象的属性和资源分配参数进行学习,确定新的资源分配参数。
以资源分配终端根据食品的保质期确定的电子代金券的数额为例,在上述S102的基础上,资源分配终端确定第一用户类型,采用机器学习算法对历史资源分配数据和第一用户类型,确定用户终端的获得的电子代金券为Y。此时,资源分配终端通过上述S301获得该食品的保质期剩余5天,资源分配终端结合保质期对应的资源上浮数值,确定新的资源分配参数等于Y加上资源上浮数值的和。
S303、资源分配终端根据新的资源分配参数从预设的资源池中获取目标资源。
继续以资源为电子代金券为例,在上述S302的基础上,资源分配终端根据上述S302中确定的新的电子代金券的数额,从总的待发放的电子代金券数额获取该新的电子代金券的数额分配给用户终端。
采用上述实施例中资源分配方法,根据资源消耗对象的属性和资源分配参数,确定新的资源分配参数,并根据该新的资源分配参数从预设的资源池中获取目标资源,从而将目标资源分配给用户终端。本实施例在基于历史资源分配数据确定出的资源分配参数的基础上,进一步结合资源消耗对象的属性,为用户终端确定新的资源分配参数,其进一步丰富了参考依据,为资源分配终端提供了更全面的资源分配方法,大大提高了资源分配参数的准确率和针对性,更进一步的提高了用户对资源分配者的响应力。
图4为一个实施例提供的资源分配的装置的结构示意图。如图4所示,该资源分配的装置,包括:获取模块10、确定模块20和分配模块30,其中:
接收模块10,用于接收用户终端发送的资源获取请求,所述资源获取请求中携带用户标识;
确定模块20,用于根据所述用户标识确定所述用户的第一用户类型,并采用机器学习算法对历史资源分配数据和所述第一用户类型进行学习,确定所述用户当前的资源分配参数;所述第一用户类型包括首次访问用户或者非首次访问用户;
分配模块30,用于根据所述资源分配参数从预设的资源池获取目标资源,并将所述目标资源分配给所述用户终端。
在一个实施例中,获取模块10用于根据检测到的所述用户标识的次数,确定所述用户的第一用户类型。
本发明实施例提供的资源分配的装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,若第一用户类型为首次访问用户,确定模块20,具体用于通过资源分配终端采用机器学习算法对历史资源分配数据进行学习,确定第一资源分配参数,第一资源分配参数使所述用户终端针对资源分配者的资源消耗数值满足第一预设条件。
可选地,第一资源分配参数为历史资源分配数据中使用户终端针对资源分配者的资源消耗数值满足第一预设条件的最小资源分配参数。
图5为一个实施例提供的资源分配的装置的结构示意图。在上述图4所示实施例的基础上,上述确定模块20,包括:第一确定单元21和第二确定单元22。
其中,第一确定单元21,用于根据用户标识以及历史资源分配数据确定用户的第二用户类型;其中,第二用户类型包括用户终端针对资源分配者的资源消耗数值满足预设条件的增长性用户、或用户终端针对资源分配者的资源消耗数值不满足预设条件的非增长性用户;
第二确定单元22,用于根据所述第二用户类型,采用机器学习算法对历史资源分配数据进行学习,确定第二资源分配参数,第二资源分配参数使用户终端针对资源分配者的资源消耗数值满足第二预设条件。
本发明实施例提供的资源分配的装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,若用户为增长性用户,则第二资源分配参数为历史资源分配数据中使用户终端针对资源分配者的资源消耗数值满足第二预设条件的最小资源分配参数。
在一个实施例中,若用户为非增长性用户,则第二资源分配参数为历史资源分配数据中使用户终端针对资源分配者的资源消耗数值的波动误差满足第二预设条件的最小资源分配参数。
图6为一个实施例提供的资源分配的装置的结构示意图。在上述图4或者图5所示实施例的基础上,上述分配模块30包括:
获取单元31,用于获取资源消耗对象的属性。
第三确定单元32,用于根据资源消耗对象的属性和资源分配参数,确定新的资源分配参数。
分配单元33,用于根据新的资源分配参数从预设的资源池中获取目标资源。
需要说明的是,图6是基于图5的基础上进行示出的,当然图6也可以基于图4的结构进行示出,这里仅是一种示例。
在一个实施例中,所述机器学习算法为粒子群算法。
本发明实施例提供的资源分配的装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于一种资源分配的装置的具体限定可以参见上文中对于资源分配方法的限定,在此不再赘述。上述资源分配的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种资源分配终端,该资源分配终端可以是终端,其内部结构图可以如图7所示。该资源分配终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该资源分配终端的处理器用于提供计算和控制能力。该资源分配终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该资源分配终端的网络接口用于与外部的终端通过网络连接通信。该资源分配终端被处理器执行时以实现一种资源分配方法。该资源分配终端的显示屏可以是液晶显示屏或者电子墨水显示屏,该资源分配终端的输入装置可以是显示屏上覆盖的触摸层,也可以是资源分配终端外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种资源分配终端,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
资源分配终端接收用户终端发送的资源获取请求,所述资源获取请求中携带用户标识;
所述资源分配终端根据所述用户标识确定所述用户的第一用户类型,并采用机器学习算法对历史资源分配数据和所述第一用户类型进行学习,确定所述用户当前的资源分配参数;所述第一用户类型包括首次访问用户或者非首次访问用户;
所述资源分配终端根据所述资源分配参数从预设的资源池中获取目标资源,并将所述目标资源分配给所述用户终端。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若所述用户为首次访问用户,则所述资源分配终端采用所述机器学习算法对所述历史资源分配数据进行学习,确定第一资源分配参数,所述第一资源分配参数使所述用户终端针对所述资源分配者的资源消耗数值满足第一预设条件。
在一个实施例中,所述第一资源分配参数为所述历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值满足第一预设条件的最小资源分配参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若所述第一用户类型为非首次访问用户,则所述资源分配终端根据所述用户标识以及所述历史资源分配数据确定所述用户的第二用户类型;其中,所述第二用户类型包括所述用户终端针对所述资源分配者的资源消耗数值满足预设条件的增长性用户、或所述用户终端针对所述资源分配者的资源消耗数值不满足预设条件的非增长性用户;
所述资源分配终端根据所述第二用户类型,采用机器学习算法对所述历史资源分配数据进行学习,确定第二资源分配参数,所述第二资源分配参数使所述用户终端针对所述资源分配者的资源消耗数值满足第二预设条件。
在一个实施例中,若所述用户为增长性用户,则所述第二资源分配参数为所述历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值满足增长趋势的最小资源分配参数。
在一个实施例中,若所述用户为非增长性用户,则所述第二资源分配参数为所述历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值的波动误差小于预设阈值的最小资源分配参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
所述资源分配终端获取资源消耗对象的属性;
所述资源分配终端根据所述资源消耗对象的属性和所述资源分配参数,确定新的资源分配参数;
所述资源分配终端根据所述新的资源分配参数从预设的资源池中获取目标资源。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
所述资源分配终端根据检测到的所述用户标识的次数,确定所述用户的第一用户类型。
在一个实施例中,所述机器学习算法为粒子群算法。
本实施例提供的资源分配终端,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
资源分配终端接收用户终端发送的资源获取请求,所述资源获取请求中携带用户标识;
所述资源分配终端根据所述用户标识确定所述用户的第一用户类型,并采用机器学习算法对历史资源分配数据和所述第一用户类型进行学习,确定所述用户当前的资源分配参数;所述第一用户类型包括首次访问用户或者非首次访问用户;
所述资源分配终端根据所述资源分配参数从预设的资源池中获取目标资源,并将所述目标资源分配给所述用户终端。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述用户为首次访问用户,则所述资源分配终端采用所述机器学习算法对所述历史资源分配数据进行学习,确定第一资源分配参数,所述第一资源分配参数使所述用户终端针对所述资源分配者的资源消耗数值满足第一预设条件。
在一个实施例中,所述第一资源分配参数为所述历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值满足第一预设条件的最小资源分配参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述用户为非首次访问用户,则所述资源分配终端根据所述用户标识以及所述历史资源分配数据确定所述用户的第二用户类型;其中,所述第二用户类型包括所述用户终端针对所述资源分配者的资源消耗数值满足预设阈值的增长性用户、或所述用户终端针对所述资源分配者的资源消耗数值不满足预设阈值的非增长性用户;
所述资源分配终端根据所述第二用户类型,采用机器学习算法对所述历史资源分配数据进行学习,确定第二资源分配参数,所述第二资源分配参数使所述用户终端针对所述资源分配者的资源消耗数值满足第二预设条件。
在一个实施例中,若所述用户为增长性用户,则所述第二资源分配参数为所述历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值满足第二预设条件的最小资源分配参数。
在一个实施例中,若所述用户为非增长性用户,则所述第二资源分配参数为所述历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值的波动误差满足第二预设条件的最小资源分配参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
所述资源分配终端获取资源消耗对象的属性;
所述资源分配终端根据所述资源消耗对象的属性和所述资源分配参数,确定新的资源分配参数;
所述资源分配终端根据所述新的资源分配参数从预设的资源池中获取目标资源。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
所述资源分配终端根据检测到的所述用户标识的次数,确定所述用户的第一用户类型。
在一个实施例中,所述机器学习算法为粒子群算法。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种基于机器学习算法的资源分配方法,其特征在于,所述方法包括:
资源分配终端接收用户终端发送的资源获取请求,所述资源获取请求中携带用户标识;
所述资源分配终端根据所述用户标识确定所述用户的第一用户类型;所述第一用户类型包括首次访问用户或者非首次访问用户;
若所述用户为首次访问用户,则所述资源分配终端采用所述机器学习算法对历史首次访问用户的资源分配参数和资源分配时间进行学习,确定所述用户当前的第一资源分配参数;
若所述用户为非首次访问用户,则所述资源分配终端根据用户终端对资源分配者的资源消耗数值,确定所述用户的第二用户类型;其中,所述第二用户类型包括所述用户终端针对所述资源分配者的资源消耗数值满足预设阈值的增长性用户、或所述用户终端针对所述资源分配者的资源消耗数值不满足预设阈值的非增长性用户;
所述资源分配终端根据所述第二用户类型,采用机器学习算法对历史资源分配数据进行学习,确定所述用户当前的第二资源分配参数;
所述历史资源分配数据包括历史的资源分配参数、历史的资源分配时间和其他终端设备对资源分配者的资源消耗数值;所述资源分配参数表征资源的分配大小;
所述资源分配终端获取资源消耗对象的属性;
所述资源分配终端通过机器学习算法对所述资源消耗对象的属性和资源分配参数进行学习,确定新的资源分配参数;所述资源分配参数为所述第一资源分配参数或所述第二资源分配参数;
所述资源分配终端根据所述新的资源分配参数从预设的资源池中获取目标资源,并将所述目标资源分配给所述用户终端。
2.根据权利要求1所述的方法,其特征在于,所述第一资源分配参数使所述用户终端针对所述资源分配者的资源消耗数值满足第一预设条件。
3.根据权利要求2所述的方法,其特征在于,所述第一资源分配参数为所述历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值满足第一预设条件的最小资源分配参数。
4.根据权利要求1所述的方法,其特征在于,所述第二资源分配参数使所述用户终端针对所述资源分配者的资源消耗数值满足第二预设条件。
5.根据权利要求4所述的方法,其特征在于,若所述用户为增长性用户,则所述第二资源分配参数为所述历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值满足第二预设条件的最小资源分配参数。
6.根据权利要求4所述的方法,其特征在于,若所述用户为非增长性用户,则所述第二资源分配参数为所述历史资源分配数据中使所述用户终端针对所述资源分配者的资源消耗数值的波动误差满足第二预设条件的最小资源分配参数。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述资源分配终端根据所述用户标识确定所述用户的第一用户类型,包括:
所述资源分配终端根据检测到的所述用户标识的次数,确定所述用户的第一用户类型。
8.根据权利要求1-6任一项所述的方法,其特征在于,所述机器学习算法为粒子群算法。
9.一种资源分配的装置,其特征在于,所述装置包括:
接收模块,用于接收用户终端发送的资源获取请求,所述资源获取请求中携带用户标识;
确定模块,用于根据所述用户标识确定所述用户的第一用户类型;所述第一用户类型包括首次访问用户或者非首次访问用户;若所述用户为首次访问用户,则资源分配终端采用机器学习算法对历史首次访问用户的资源分配参数和资源分配时间进行学习,确定所述用户当前的第一资源分配参数;若所述用户为非首次访问用户,则所述资源分配终端根据用户终端对资源分配者的资源消耗数值,确定所述用户的第二用户类型;其中,所述第二用户类型包括所述用户终端针对所述资源分配者的资源消耗数值满足预设阈值的增长性用户、或所述用户终端针对所述资源分配者的资源消耗数值不满足预设阈值的非增长性用户;所述资源分配终端根据所述第二用户类型,采用机器学习算法对历史资源分配数据进行学习,确定所述用户当前的第二资源分配参数;所述历史资源分配数据包括历史的资源分配参数、历史的资源分配时间和其他终端设备对资源分配者的资源消耗数值;所述资源分配参数表征资源的分配大小;
分配模块,用于获取资源消耗对象的属性,并通过机器学习算法对所述资源消耗对象的属性和所述资源分配参数进行学习,确定新的资源分配参数,根据所述新的资源分配参数从预设的资源池获取目标资源,并将所述目标资源分配给所述用户终端。
10.一种资源分配终端,包括存储器和处理器,所述存储器存储有计算机程序,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1-8中任一项所述方法的步骤。
11.一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,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810839010.2A CN110766430B (zh) | 2018-07-27 | 2018-07-27 | 基于机器学习算法的资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810839010.2A CN110766430B (zh) | 2018-07-27 | 2018-07-27 | 基于机器学习算法的资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766430A CN110766430A (zh) | 2020-02-07 |
CN110766430B true CN110766430B (zh) | 2022-10-28 |
Family
ID=69327534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810839010.2A Active CN110766430B (zh) | 2018-07-27 | 2018-07-27 | 基于机器学习算法的资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766430B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462348B (zh) * | 2020-03-26 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 基于签到行为的资源分配方法、装置及设备 |
CN113763003A (zh) * | 2020-09-01 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 电子凭证的分配方法、装置、设备和存储介质 |
CN112181643A (zh) * | 2020-09-18 | 2021-01-05 | 北京三快在线科技有限公司 | 一种资源分配的方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389117B (zh) * | 2015-12-07 | 2020-09-08 | 腾讯科技(深圳)有限公司 | 获取资源的方法和装置以及资源处理方法、装置和系统 |
CN106485555A (zh) * | 2016-10-18 | 2017-03-08 | 合信息技术(北京)有限公司 | 一种广告资源分配方法及装置 |
CN107944593A (zh) * | 2017-10-11 | 2018-04-20 | 北京三快在线科技有限公司 | 一种资源分配方法及装置,电子设备 |
-
2018
- 2018-07-27 CN CN201810839010.2A patent/CN110766430B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110766430A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021142609A1 (zh) | 信息上报方法、装置、设备和存储介质 | |
US10182018B2 (en) | Resource management based on device-specific or user-specific resource usage profiles | |
US9678797B2 (en) | Dynamic resource management for multi-process applications | |
CN110766430B (zh) | 基于机器学习算法的资源分配方法 | |
CN109787908A (zh) | 服务器限流方法、系统、计算机设备及存储介质 | |
CN112019820B (zh) | 界面生成方法和装置 | |
US10712945B2 (en) | Deduplication processing method, and storage device | |
CN110769015B (zh) | 定点资源分配的方法 | |
CN107832141A (zh) | 应用程序运行控制方法及设备 | |
CN106385377B (zh) | 一种信息处理方法和系统 | |
CN113159190B (zh) | 联邦激励分配方法、装置、计算机设备及存储介质 | |
CN107589977A (zh) | 资源配置方法及相关产品 | |
CN112288340A (zh) | 物流订单分派方法、装置、计算机设备和存储介质 | |
CN115391703A (zh) | 一种界面信息处理方法及装置 | |
CN111148054B (zh) | 流量切换使用方法、装置、存储介质 | |
CN113781214A (zh) | 基于PoW的提升交易TPS的打包方法、装置及设备 | |
CN113535378A (zh) | 一种资源调配方法、存储介质及终端设备 | |
CN112767027A (zh) | 一种基于业务感知的云成本预测方法和系统 | |
CN110717743A (zh) | 一种分配方法、电子设备及存储介质 | |
CN116107761B (zh) | 性能调优方法、系统、电子设备及可读存储介质 | |
CN116385156B (zh) | 资源分配方法、装置、计算机设备和计算机可读存储介质 | |
CN115883565A (zh) | 呼叫通话的并发数量确定方法、装置和计算机设备 | |
CN117112206A (zh) | 交易资源隔离方法、装置、计算机设备和存储介质 | |
CN117149404A (zh) | 探测任务资源分配方法、装置、计算机设备和存储介质 | |
CN117851071A (zh) | 应用的资源分配方法、装置、计算机设备和存储介质 |
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 |