CN111160951A - 激励结果的预测方法、装置、电子设备及可读存储介质 - Google Patents
激励结果的预测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111160951A CN111160951A CN201911260355.3A CN201911260355A CN111160951A CN 111160951 A CN111160951 A CN 111160951A CN 201911260355 A CN201911260355 A CN 201911260355A CN 111160951 A CN111160951 A CN 111160951A
- Authority
- CN
- China
- Prior art keywords
- excitation
- result
- parameter
- sample
- prediction model
- 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
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
- 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
-
- 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
- G06Q30/0236—Incentive or reward received by requiring registration or ID from user
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种激励结果的预测方法、装置、电子设备及可读存储介质,所述方法包括:获取目标信息,所述目标信息至少包括:商户特征、激励程度参数、用户特征,所述用户特征包括用户消费特征;将所述商户特征、所述用户特征输入至无激励结果预测模型,得到无激励结果参数;将所述用户消费特征输入至激励敏感度预测模型,得到激励敏感参数;根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数。所述方法可以采用激励敏感参数表示激励程度参数对激励结果的单独影响,进而基于无激励结果参数、激励敏感参数、激励程度参数确定有激励结果参数,有助于提高激励结果的预测准确度。
Description
技术领域
本公开涉及计算机处理技术领域,尤其涉及一种激励结果的预测方法、装置、电子设备及可读存储介质。
背景技术
在网络销售过程中,经常会通过一些激励策略刺激用户消费,其中,激励策略可以例如为发放补贴券,补贴券的金额由代表激励程度的激励程度参数确定;激励策略还可以例如为赠送一定价值的礼品,礼品的价值由代表激励程度的激励程度参数确定。为了更好的刺激用户消费,通常需要预测在不同激励程度下的激励结果。例如,发放金额为20元和10元的补贴券之后,用户的转化率相对于不发放补贴券时用户的转化率是否有所提高,以及提高到多少,以决策发放多少金额的补贴券。
现有技术中,对激励结果的预测通常采用预先训练的机器模型。具体地,首先,选取合适的机器模型,并采用代表激励程度的样本激励程度参数和其余样本特征构成的训练样本对机器模型进行训练;最后,针对多个代表激励程度的激励程度参数,将每个激励程度参数和其余目标特征输入至训练得到的机器模型中,预测得到每个激励程度参数对应的激励结果,从而可以选取合适的激励程度参数生成激励策略。
发明人对上述方案进行研究之后发现,上述方案无法准确的分析激励程度参数对激励结果的单独影响,导致对激励结果的预测准确度较差。
发明内容
本公开提供一种激励结果的预测方法、装置、电子设备及可读存储介质,可以采用激励敏感参数表示激励程度参数对激励结果的单独影响,进而基于无激励结果参数、激励敏感参数、激励程度参数确定有激励结果参数,有助于提高激励结果的预测准确度。
根据本公开的第一方面提供了一种激励结果的预测方法,所述方法包括:
获取目标信息,所述目标信息至少包括:商户特征、激励程度参数、用户特征,所述用户特征包括用户消费特征;
将所述商户特征、所述用户特征输入至无激励结果预测模型,得到无激励结果参数;
将所述用户消费特征输入至激励敏感度预测模型,得到激励敏感参数;
根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数。
根据本公开的第二方面提供了一种激励结果的预测装置,所述装置包括:
目标信息获取模块,用于获取目标信息,所述目标信息至少包括:商户特征、激励程度参数、用户特征,所述用户特征包括用户消费特征;
无激励结果参数确定模块,用于将所述商户特征、所述用户特征输入至无激励结果预测模型,得到无激励结果参数;
激励敏感参数确定模块,用于将所述用户消费特征输入至激励敏感度预测模型,得到激励敏感参数;
有激励结果参数确定模块,用于根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数。
根据本公开的第三方面提供了一种电子设备,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现前述激励结果的预测方法。
根据本公开的第四方面,提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述激励结果的预测方法。
本公开提供了一种激励结果的预测方法、装置、电子设备及可读存储介质,可以首先获取目标信息,所述目标信息至少包括:商户特征、激励程度参数、用户特征,所述用户特征包括用户消费特征;然后将所述商户特征、所述用户特征输入至无激励结果预测模型,得到无激励结果参数;再将所述用户消费特征输入至激励敏感度预测模型,得到激励敏感参数;最后根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数。本公开可以采用激励敏感参数表示激励程度参数对激励结果的单独影响,进而基于无激励结果参数、激励敏感参数、激励程度参数确定有激励结果参数,有助于提高激励结果的预测准确度。
附图说明
为了更清楚地说明本公开的技术方案,下面将对本公开的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出了本公开的一种实施例中的激励结果的预测方法的步骤流程图;
图2示出了不同敏感程度参数下激励程度参数和结果提高幅度之间的关系示意图;
图3示出了本公开的通过无激励结果预测模型和激励敏感度预测模型确定有激励结果参数的过程示意图;
图4示出了Sigmoid函数的输入输出关系示意图;
图5示出了本公开的无激励结果预测模型的一种训练过程示意图;
图6示出了本公开的无激励结果预测模型的另一种训练过程示意图;
图7示出了本公开的无激励结果预测模型和激励敏感度预测模型的训练过程示意图;
图8示出了本公开的一种实施例中的激励结果的预测装置的结构图;
图9示出了本公开的一种实施例中的电子设备的结构图。
具体实施方式
下面将结合本公开中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
本公开可以应用于网络销售平台的后台服务器上,网络销售平台可以为通过网络销售商品或提供服务的平台,一个网络销售平台通常设置有专用的后台服务器和可以安装于电子设备的客户端。其中,客户端用于向用户展示商品、服务以及将用户请求转发给后台服务器,后台服务器用于根据用户请求生成数据以返回至客户端展示。本公开着重对后台服务器预测激励结果的过程进行详细说明。
参照图1,其示出了本公开的一种实施例中的激励结果的预测方法的步骤流程图,具体如下:
步骤101,获取目标信息,所述目标信息至少包括:商户特征、激励程度参数、用户特征,所述用户特征包括用户消费特征。
其中,商户特征可以包括但不限于:商户类型、商户在最近时间段内的销量、商户在最近时间段内的销售金额、商户评分等。
激励程度参数为商户对用户的激励程度的大小。例如,当商户以发放补贴券的方式对用户进行激励时,激励程度参数可以为补贴券的金额。可以理解,激励程度参数越大,激励程度越高;激励程度参数越小,激励程度越低。激励程度参数可以从商户提供的所有激励程度参数中选取一个或多个,从而可以预测在不同激励程度下的激励结果。
在一种实施例中,用户特征至少包括用户消费特征,用户消费特征可以为用户的消费行为的特征,例如,用户在最近时间段内的消费金额、用户使用的补贴券的金额,即激励程度参数等。
此外,在某些其它的实施例中,用户特征还可包括其他的用户特征,其他的用户特征包括但不限于:用户性别、用户在最近时间段内的下单次数、用户活跃度等。
步骤102,将所述商户特征、所述用户特征输入至无激励结果预测模型,得到无激励结果参数。
其中,无激励结果参数为对用户不进行激励时的结果表示,无激励结果参数越大,不进行激励时的结果越好;无激励结果参数越小,不进行激励时的结果越差。其中,无激励结果参数可例如为转化率、点击率等。
在本公开中,可以通过训练确定商户特征、用户特征与无激励结果参数之间的函数关系,得到无激励结果预测模型。在训练无激励结果预测模型时,需要准备由大量第一样本构成的第一样本集,每个第一样本中包括第一样本商户特征、第一样本用户特征以及样本无激励结果,其中,样本无激励结果用于监督训练,使得无激励结果预测模型的输出结果逼近样本无激励结果。第一样本可以从未进行激励的用户订单中获取。
步骤103,将所述用户消费特征输入至激励敏感度预测模型,得到激励敏感参数。
其中,激励敏感参数用于表示用户对激励的敏感度,即激励之后的有激励结果参数相对激励之前的无激励结果参数的提高幅度(后续统称为结果提高幅度)的大小。可以理解,激励敏感参数越大代表激励的敏感度越高,结果提高幅度较大;激励敏感参数越小代表激励的敏感度越低,结果提高幅度较小。例如,如图2所示的不同敏感程度参数下激励程度参数与结果提高幅度之间的关系示意图,其中曲线L1是激励敏感参数为c1时激励程度参数与结果提高幅度之间的关系曲线,曲线L2是激励敏感参数为c2时激励程度参数与结果提高幅度之间的关系曲线,由于对于任意一个相同的激励程度参数a,L1对应的结果提高幅度b1大于L2对应的结果提高幅度b2,从而可以确认L1对应的激励敏感参数c1比L2对应的激励敏感参数c2大。
激励敏感度预测模型可以是通过训练获取到的用户消费特征与激励敏感参数之间的函数关系。在训练激励敏感度预测模型时,需要准备由大量第三样本构成的第三样本集,每个第三样本中至少包括与用户消费特征对应的样本消费特征和激励敏感参数对应的敏感参数样本,其中,敏感参数样本用于监督训练,使得激励敏感度预测模型的输出结果逼近敏感参数样本。第三样本可以从进行激励之后的用户订单中获取。
其中,样本消费特征可以为用户的消费行为的特征,例如,用户在最近时间段内的消费金额、用户使用的补贴券的金额,即激励程度参数等。
在实际应用中,可以从生成的关系信息中获取用户标识对应的激励敏感参数,该关系信息可以是离线生成的。具体地,首先,按照每天或每周或每月等,周期性的获取网络销售平台上活跃用户的用户标识,以及用户标识对应的用户消费特征;然后,将每个用户标识对应的用户消费特征输入至预先训练得到的激励敏感度预测模型,得到该用户标识对应的激励敏感参数;最后,将每个活跃用户的用户标识与对应的激励敏感参数按照对应关系作为该关系信息中的一条记录,保存至网络销售平台的后台服务器中或专用的存储查询服务器中,以使得在线预测有激励结果参数时,可以直接根据用户标识查询对应的激励敏感参数。如此,相对于在线预测有激励结果参数时采用激励敏感度预测模型预测用户的激励敏感参数,本公开将确定激励敏感参数的过程从模型运算过程转换为查询过程,有助于减小有激励结果参数的预测耗时,提高预测速度。
其中,用户标识为用户的唯一身份标识,可以为用户登录网络销售平台的账号,账号可以为电话号码、邮箱号码、社交应用账号等。本公开对用户标识不加以限制。
步骤104,根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数。
其中,有激励结果参数为对用户进行激励之后的结果表示,有激励结果参数越大,进行激励之后的结果越好;有激励结果参数越小,进行激励之后的结果越差。其中,有激励结果参数与无激励结果参数为对应相同意义的参数,若无激励结果参数为转化率,则有激励结果参数也是转化率;若无激励结果参数为点击率,则有激励结果参数也是点击率。且由于有激励结果参数是基于无激励结果参数和激励程度参数确定的有激励情况下的结果表示,从而有激励结果参数大于无激励结果参数。
在确定有激励结果参数的其中一种实施方式中,可以构建无激励结果参数、激励程度参数、激励敏感参数与有激励结果参数之间的任意函数关系,只要保证如下关系R1、R2和R3即可。
关系R1:在激励程度参数、激励敏感参数一定的情况下,若无激励结果参数越大,则有激励结果参数越大;若无激励结果参数越小,则有激励结果参数越小。例如,对于具有相同激励敏感参数的用户U1和用户U2,若用户U1的无激励结果参数0.8大于用户U2的无激励结果参数0.6,则采用相同的激励程度参数20对用户U1和用户U2进行激励之后,用户U1的有激励结果参数为0.85仍大于用户U2的有激励结果参数0.66。当其中的无激励结果参数和有激励结果参数均为点击率,激励程度参数为补贴券的金额时,可以得到:对于具有相同激励敏感参数的用户U1和用户U2,由于向用户U1和用户U2发放补贴券之前,用户U1的点击率0.8大于用户U2的点击率0.6,从而向用户U1和用户U2均发放金额为20元的补贴券之后,用户U1的点击率0.85仍大于用户U2的点击率0.66。
关系R2:在无激励结果参数、激励敏感参数一定的情况下,若激励程度参数越大,则有激励结果参数越大;若激励程度参数越小,则有激励结果参数越小。例如,对于用户U3,其激励敏感参数和无激励结果参数均是一定的,从而在采用激励程度参数20对用户U3进行激励之后用户U3的有激励结果参数0.8,大于采用激励程度参数10对用户U3进行激励之后用户U3的有激励结果参数0.78。当其中的无激励结果参数和有激励结果参数均为点击率,激励程度参数为补贴券的金额时,可以得到:向用户U3发放金额为20元的补贴券之后用户U3的点击率0.8,大于向用户发放金额为10元的补贴券之后用户U3的点击率0.78。
关系R3:在无激励结果参数、激励程度参数一定的情况下,若激励敏感参数越大,则有激励结果参数越大;若激励敏感参数越小,则有激励结果参数越小。例如,对于具有相同无激励结果参数0.6的用户U4和用户U5,若用户U4的激励敏感参数0.9大于用户U5的激励敏感参数0.7,则采用相同的激励程度参数20对用户U4和用户U5进行激励之后,用户U4的有激励结果参数为0.85大于用户U5的有激励结果参数0.66。当其中的无激励结果参数和有激励结果参数均为点击率,激励程度参数为补贴券的金额时,可以得到:向用户U4和E发放补贴券之前,用户U4和用户U5的点击率均为0.6,由于用户U4的激励敏感参数0.9大于用户U5的激励敏感参数0.7,从而向用户U4和E均发放金额为20的补贴券之后,用户U4的点击率0.85大于用户U5的点击率0.66。
参照图3示出的有激励结果参数的确定过程,步骤102将商户特征、用户特征输入至无激励结果预测模型得到无激励结果参数,步骤103将用户消费特征输入至激励敏感度预测模型得到激励敏感参数,步骤104根据无激励结果参数、激励敏感参数、激励程度参数计算得到有激励结果参数。
在实际应用中,可以通过步骤101至步骤104得到针对同一用户、不同激励程度参数的多个有激励结果参数,从而选取其中一个符合需求的有激励结果参数,并根据选取的有激励结果参数对应的激励程度参数对用户进行激励。例如,对于一个用户和三种激励程度参数:MOL1、MOL2、MOL3,其中,MOL1>MOL2>MOL3,通过步骤101至步骤104生成该用户在MOL1、MOL2、MOL3下的有激励结果参数分别为COR1、COR2、COR3,其中,COR3与无激励结果参数相同,COR1、COR2均大于无激励结果参数,且COR1与COR2相同或接近,从而可以选取激励程度参数MOL2对该用户进行激励。
具体地,当MOL1=30,MOL2=20,MOL3=10,COR1=0.8,COR2=0.8,COR3=0.6时,选取激励程度参数MOL2对该用户进行激励可以为:向用户的账号发送金额为20元的补贴券,该账号可以为用户在网络销售平台上注册的账号。
可选地,在本公开的另一种实施例中,所述步骤104包括子步骤A1至A2:
子步骤A1,将所述激励程度参数、所述激励敏感参数输入至预设函数,得到结果调整参数,所述预设函数为单调递增函数,且所述预设函数的值域存在最大值。
在实际应用中,预设函数通常可以选取Sigmoid函数,也可以选取分段函数。本公开对预设函数的选取不加以限制。
结果调整参数表示有激励结果参数相对无激励结果参数的提高幅度。可以理解,结果调整参数越大代表提高幅度越高,对于相同的无激励结果参数,有激励结果参数越大;结果调整参数越小代表提高幅度越低,对于相同的无激励结果参数,有激励结果参数越小。
基于预设函数的上述说明可知,在激励程度参数一定的情况下,若激励敏感参数越大,则结果调整参数越大;若激励敏感参数越小,则结果调整参数越小;在激励敏感参数一定的情况下,若激励程度参数越小,则结果调整参数越小;若激励程度参数越大,则结果调整参数越大。
子步骤A2,根据所述结果调整参数和所述无激励结果参数确定有激励结果参数。
具体地,可以构建结果调整参数、无激励结果参数与有激励结果参数之间的任意函数关系,只要保证如下关系即可:在无激励结果参数一定的情况下,若结果调整参数越大,则有激励结果参数越大;若结果调整参数越小,则有激励结果参数越小。
基于上述说明,最简单的,可以将无激励结果参数和结果调整参数的乘积作为有激励结果参数。
可选地,在本公开的另一种实施例中,所述预设函数为Sigmoid函数,所述子步骤A1包括子步骤B1至B3:
子步骤B1,计算所述激励程度参数、所述激励敏感参数的乘积。
子步骤B2,将所述乘积输入至所述Sigmoid函数得到结果调整参数。
子步骤B3,根据所述Sigmoid函数对应的预设常数对所述结果调整参数进行调整。
其中,预设常数用于将结果调整参数的最小取值调整为>1,从而使得激励之后的有激励结果参数大于激励之前的无激励结果参数。对于Sigmoid函数,其输入变量是激励程度参数与激励敏感参数的乘积,通常情形下,激励程度参数和激励敏感参数是大于0的,因此,我们仅需考虑输入变量大于0的情况下,Sigmoid函数的输出变量的取值范围。由于在图4所示的Sigmoid函数中,输入变量大于0时其取值范围为(0.5,1],为将Sigmoid的输出变量,即结果调整参数的最小取值调整为>1,在本实施例中,可将预设常数设置为2,使得结果调整参数的取值范围为(1,2]。从而可以得到计算结果调整参数的如下公式:
其中,RAP为结果调整参数,IDP为激励程度参数,ISP为激励敏感参数。
基于上述公式(1)可以得到计算有激励结果参数的如下公式:
其中,SRP2为有激励结果参数,SRP1为无激励结果参数。
本公开可以结合Sigmoid函数准确的确定有激励结果参数。
可选地,在本公开的另一种实施例中,所述无激励结果预测模型和所述激励敏感度预测模型通过如下步骤C训练得到:
步骤C,以联合训练过程对所述无激励结果预测模型和所述激励敏感度预测模型至少一次的训练;
其中,所述联合训练过程包括子步骤C11至C22:
子步骤C11,通过第一样本集对所述无激励结果预测模型进行第一训练,所述第一样本集包括至少一个第一样本,所述第一样本包括:第一样本商户特征、第一样本用户特征和作为标注信息的样本无激励结果;
子步骤C12,通过第二样本集对所述激励敏感度预测模型和所述第一训练得到的无激励结果预测模型进行第二训练,所述第二样本集包括至少一个第二样本,所述第二样本包括:第二样本商户特征、第二样本用户特征、样本激励程度和作为标注信息的样本有激励结果,所述第二样本用户特征包括:样本消费特征。
其中,第一样本集包括大量的第一样本,其中第一样本为无激励情况下的样本。例如,在无激励情况下用户是否下单或是否访问、以及影响下单或访问的用户特征和商户特征,以及其他特征。其中,其他特征可以为商户侧、用户侧之外的其余侧影响下单或访问的特征,例如,天气状况,交通状况等,本公开对其不加以限制。具体地,若用户在无激励情况下对其中一个商户存在下单行为,则可以将该用户的用户特征作为第一样本用户特征,将该商户的商户特征作为第一样本商户特征,将正样本标识“1”作为样本无激励结果。而若用户在无激励情况下对一个商户不存在下单行为,则可以将该用户的用户特征作为第一样本用户特征,将该商户的商户特征作为第一样本商户特征,将负样本标识“0”作为样本无激励结果。
第二样本集包括大量的第二样本,其中第二样本为有激励情况下的样本。例如,在有激励情况下用户是否下单或是否访问、以及影响下单或访问的用户特征和商户特征,以及其他特征。具体地,若用户在有激励情况下对其中一个商户存在下单行为,则可以将该用户的用户特征作为第二样本用户特征,将该商户的商户特征作为第二样本商户特征,将该商户对该用户的激励程度参数作为样本激励程度,将正样本标识“1”作为样本有激励结果。而若用户在有激励情况下对一个商户不存在下单行为,则可以将该用户的用户特征作为第二样本用户特征,将该商户的商户特征作为第二样本商户特征,将该商户对该用户的激励程度参数作为样本激励程度,将负样本标识“0”作为样本有激励结果。
本公开可以对无激励结果预测模型和激励敏感度预测模型进行联合训练。例如,第一样本集包括1万个第一样本,第二样本集也包括1万个第二样本,可以以500个样本为一批次进行训练即:首先,选取500个第一样本对无激励结果预测模型进行第一轮迭代训练;在根据第一轮迭代训练之后调整无激励结果预测模型的参数之后,再选取500个新的第一样本对无激励结果预测模型进行第二轮迭代训练,如此可以对无激励结果预测模型进行N轮迭代训练;然后,选取500个第二样本对无激励结果预测模型和激励敏感度预测模型进行第N+1轮迭代训练,在根据第N+1轮迭代训练之后调整无激励结果预测模型和激励敏感度预测模型的参数之后,再选取500个新的第二样本对无激励结果预测模型和激励敏感度预测模型进行第N+2轮迭代训练,如此可以对无激励结果预测模型和激励敏感度预测模型再进行M-N轮迭代训练。
当然,在每个联合训练过程中,也可以通过第一样本集对所述无激励结果预测模型仅进行一轮迭代训练,以及,通过第二样本集对无激励结果预测模型和激励敏感度预测模型仅进行一轮迭代训练,即N为1,M为2。
本公开可以对无激励结果预测模型和激励敏感度预测模型进行联合训练,有助于提高模型的预测准确度。
可选地,在本公开的另一种实施例中,所述子步骤C11包括子步骤D1至D3:
子步骤D1,针对每个所述第一样本,将所述第一样本中的所述第一样本商户特征、所述第一样本用户特征输入至所述无激励结果预测模型,得到所述第一样本对应的第一训练无激励结果。
如图5所示,在训练时,针对每个第一样本,将其中的第一样本商户特征、第一样本用户特征输入至无激励结果预测模型中,输出第一训练无激励结果。
除此之外,还可以基于图6的结构进行训练,将真实的样本消费特征或设置为任意数值的样本消费特征输入至激励敏感度预测模型中,此时激励敏感度预测模型输出的结果是训练敏感度参数,并将样本激励程度设置为0。从而对应于公式(2),将图6中的第一训练无激励结果作为公式(2)中的SRP1,将图6中设置为0的样本激励程度作为公式(2)中的IDP,将图6中激励敏感度预测模型输出的训练敏感度参数作为公式(2)中的ISP,代入公式(2)计算得到的值与第一训练无激励结果相同。
子步骤D2,根据所述样本无激励结果和所述第一训练无激励结果确定第一收敛指标。
其中,第一收敛指标包括但不限于:第一损失值和第一AUC(Area Under theCurve,曲线下面积)指标。
第一损失值可以采用各种损失函数计算得到,对于预测结果为数值的应用场景,可以优选采用交叉熵损失函数计算第一损失值,具体如下公式:
其中,LOSS1为第一损失值,I为第一样本的样本数量,对于分批次训练,I为每个批次所使用的第一样本的数量,例如,I为步骤C中举例的500,RS1i为第i个第一样本中的样本无激励结果,TRP1i为根据第i个第一样本确定的第一训练无激励结果。
本公开对第一损失值的计算公式不加以限制,除上述公式(3)之外,还可以采用其余公式,例如,平方损失函数、绝对值损失函数等。
第一AUC指标为ROC(Receiver Operating Characteristic,受试者工作特征)曲线下的面积,ROC曲线为不同的判定阈值下真阳性率和假阳性率之间的关系,真阳性率作为纵坐标,假阳性率作为横坐标。真阳性率为样本无激励结果是正样本标识的第一样本中,被无激励结果预测模型判定为正样本的数目占比,假阳性率为样本无激励结果是负样本标识的第一样本中,被无激励结果预测模型判定为正样本的数目占比。而判定第一样本是否为正样本即为:判定第一样本对应的第一训练无激励结果是否大于或等于判定阈值,若第一样本对应的第一训练无激励结果大于或等于判定阈值,则该第一样本被无激励结果预测模型判定为正样本;否则,该第一样本被判定为负样本。
子步骤D3,若所述第一收敛指标不满足预设条件,则调整所述无激励结果预测模型的参数,直至所述第一收敛指标满足预设条件。
具体地,当第一收敛指标为第一损失值时,若第一损失值在多次连续迭代过程中未变小,则确定第一收敛指标满足预设条件;若第一损失值在多次连续迭代过程中有变小,则确定第一收敛指标不满足预设条件。当第一收敛指标为第一AUC指标时,若第一AUC指标在多次连续迭代过程中未变大,则确定第一收敛指标满足预设条件;若第一AUC指标在多次连续迭代过程中有变大,则确定第一收敛指标不满足预设条件。
在实际应用中,可以同时结合第一损失值和第一AUC指标确定是否结束训练。
在调整无激励结果预测模型的参数时,可以依据第一损失值针对无激励结果预测模型的参数的导数,以使下一轮迭代之后第一损失值减小。
需要说明的是,子步骤C11在实现时,可以以子步骤D1至D3为单位,并采用不同的第一样本循环执行多次,例如以子步骤D1至D3为单位循环执行10次,从而子步骤C11实现了针对无激励结果预测模型的10次参数调整。
本公开可以单独训练无激励结果预测模型,并根据无激励结果预测模型的输出确定第一收敛指标,以准确的确定无激励结果预测模型是否训练结束。
可选地,在本公开的另一种实施例中,所述子步骤C12包括子步骤E1至E4:
子步骤E1,针对每个所述第二样本,将所述第二样本中的所述第二样本商户特征、所述第二样本用户特征输入至所述第一训练得到的无激励结果预测模型,得到所述第二样本对应的第二训练无激励结果,以及,将所述第二样本中的所述样本消费特征输入至所述激励敏感度预测模型,得到所述第二样本对应的训练敏感度参数。
参照图7所示,在训练时,针对每个第二样本,将其中的第二样本商户特征、第二样本用户特征输入至无激励结果预测模型中,输出第二训练无激励结果,并将其中的样本消费特征输入至激励敏感度预测模型中,输出训练敏感度参数。
子步骤E2,针对每个所述第二样本,根据所述第二样本中的所述样本激励程度、对应的所述第二训练无激励结果和对应的所述训练敏感度参数,确定所述第二样本对应的训练有激励结果。
参照图7所示,在训练时,针对每个第二样本,根据无激励结果预测模型输出的第二训练无激励结果、激励敏感度预测模型输出的训练敏感度参数以及第二样本中的样本激励程度,计算训练有激励结果,训练有激励结果与步骤104得到的有激励结果参数对应同一概念,例如,均是激励之后的转化率,只是训练有激励结果是根据训练过程中的无激励结果预测模型、激励敏感度预测模型的输出、样本激励程度计算得到的,而步骤104中的有激励结果参数是模型训练好之后的无激励结果预测模型、激励敏感度预测模型的输出、激励程度参数计算得到的。由于训练时无激励结果预测模型的输入和参数均与训练好的无激励结果预测模型的输入和参数均不同,从而训练时的无激励结果预测模型的输出和训练好的无激励结果预测模型的输出也不同;同理,由于训练时激励敏感度预测模型的输入和参数均与训练好的激励敏感度预测模型的输入和参数均不同,从而训练时的激励敏感度预测模型的输出和训练好的激励敏感度预测模型的输出也不用,再由于训练时的样本激励程度和步骤104中的激励程度参数不同,最终导致训练有激励结果与有激励结果参数的取值不同。
基于上述说明,结合公式(2),可以将图7中的第二训练无激励结果作为公式(2)中的SRP1,将图7中的样本激励程度作为公式(2)中的IDP,将图7中的训练敏感度参数作为公式(2)中的ISP,代入公式(2)计算得到训练有激励结果。
子步骤E3,根据所述样本有激励结果和所述训练有激励结果确定第二收敛指标。
其中,第二收敛指标包括但不限于:第二损失值和第二AUC指标。
第二损失值可以采用各种损失函数计算得到,对于预测结果为数值的应用场景,可以优选采用交叉熵损失函数计算第二损失值,具体如下公式:
其中,LOSS2为第二损失值,J为第二样本的样本数量,对于分批次训练,J为每个批次所使用的第二样本的数量,例如,J为步骤C中举例的500,RS2j为第j个第二样本中的样本有激励结果,TRP4j为根据第j个第二样本确定的训练有激励结果。
本公开对第二损失值的计算公式不加以限制,除上述公式(4)之外,还可以采用其余公式,例如,平方损失函数、绝对值损失函数等。
第二AUC指标为ROC曲线下的面积,ROC曲线为不同的判定阈值下真阳性率和假阳性率之间的关系,真阳性率作为纵坐标,假阳性率作为横坐标。真阳性率为样本有激励结果是正样本标识的第二样本中,被无激励结果预测模型、激励敏感度预测模型判定为正样本的数目占比,假阳性率为样本有激励结果为负样本标识的第二样本中,被无激励结果预测模型、激励敏感度预测模型判定为正样本的数目占比。而判定第二样本是否为正样本即为:判定第二样本对应的训练有激励结果是否大于或等于判定阈值,若第二样本对应的训练有激励结果大于或等于判定阈值,则该第二样本被无激励结果预测模型、激励敏感度预测模型判定为正样本;否则,该第二样本被判定为负样本。
子步骤E4,若所述第二收敛指标不满足预设条件,则调整所述无激励结果预测模型、所述激励敏感度预测模型的参数,直至所述第二收敛指标满足预设条件。
具体地,当第二收敛指标为第二损失值时,若第二损失值在多次连续迭代过程中未变小,则确定第二收敛指标满足预设条件;若第二损失值在多次连续迭代过程中有变小,则确定第二收敛指标不满足预设条件。当第二收敛指标为第二AUC指标时,若第二AUC指标在多次连续迭代过程中未变大,则确定第二收敛指标满足预设条件;若第二AUC指标在多次连续迭代过程中有变大,则确定第二收敛指标不满足预设条件。
在实际应用中,可以同时结合第二损失值和第二AUC指标确定是否结束训练。
在调整无激励结果预测模型、激励敏感度预测模型的参数时,可以依据第二损失值针对无激励结果预测模型、激励敏感度预测模型的参数的导数,以使下一轮迭代之后第二损失值减小。
需要说明的是,子步骤C12在实现时,可以以子步骤E1至E4为单位,并采用不同的第二样本循环执行多次,例如以子步骤E1至E4为单位循环执行10次,从而子步骤C12分别实现了针对无激励结果预测模型的10次参数调整以及针对激励敏感度预测模型的10次参数调整。
本公开可以结合无激励结果预测模型和激励敏感度预测模型的输出确定训练有激励结果,进而确定第二收敛指标,从而联合调整无激励结果预测模型和激励敏感度预测模型的参数,有助于提高训练速度以及使得无激励结果预测模型和激励敏感度预测模型的准确度均较好。
可选地,在本公开的另一种实施例中,所述无激励结果预测模型、所述激励敏感度预测模型均是基于DNN模型训练得到的。
其中,DNN(Deep Neural Networks,深度神经网络)模型的训练过程较简单,从而是一种最优的选择。当然,还可以选取其余机器模型,本公开对其不加以限制,只要损失函数对该机器模型的参数的导数是存在的即可。
本公开可以优先选取DNN模型作为无激励结果预测模型和激励敏感度预测模型,使得训练的复杂度较低,且无激励结果预测模型和激励敏感度预测模型采用相同的模型,有助于进一步简化无激励结果预测模型和激励敏感度预测模型之间的联合优化。
综上所述,本公开提供了一种激励结果的预测方法,包括:获取目标信息,所述目标信息至少包括:商户特征、激励程度参数、用户特征,所述用户特征包括用户消费特征;将所述商户特征、所述用户特征输入至无激励结果预测模型,得到无激励结果参数;将所述用户消费特征输入至激励敏感度预测模型,得到激励敏感参数;根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数。本公开可以采用激励敏感参数表示激励程度参数对激励结果的单独影响,进而基于无激励结果参数、激励敏感参数、激励程度参数确定有激励结果参数,有助于提高激励结果的预测准确度。
参照图8,其示出了在本公开的一种实施例中的激励结果的预测装置的结构图,具体如下:
目标信息获取模块201,用于获取目标信息,所述目标信息至少包括:商户特征、激励程度参数、用户特征,所述用户特征包括用户消费特征。
无激励结果参数确定模块202,用于将所述商户特征、所述用户特征输入至无激励结果预测模型,得到无激励结果参数。
激励敏感参数确定模块203,用于将所述用户消费特征输入至激励敏感度预测模型,得到激励敏感参数。
有激励结果参数确定模块204,用于根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数。
可选地,在本公开的另一种实施例中,所述有激励结果参数确定模块204包括结果调整参数确定子模块、有激励结果参数确定子模块:
结果调整参数确定子模块,用于将所述激励程度参数、所述激励敏感参数输入至预设函数,得到结果调整参数,所述预设函数为单调递增函数,且所述预设函数的值域存在最大值。
有激励结果参数确定子模块,用于根据所述结果调整参数和所述无激励结果参数确定有激励结果参数。
可选地,在本公开的另一种实施例中,所述预设函数为Sigmoid函数,所述结果调整参数确定子模块包括乘积计算单元、结果调整参数确定单元、结果调整参数调整单元:
乘积计算单元,用于计算所述激励程度参数、所述激励敏感参数的乘积。
结果调整参数确定单元,用于将所述乘积输入至所述Sigmoid函数得到结果调整参数。
结果调整参数调整单元,用于根据所述Sigmoid函数对应的预设常数对所述结果调整参数进行调整。
可选地,在本公开的另一种实施例中,所述无激励结果预测模型和所述激励敏感度预测模型通过如下训练模块训练得到:
训练模块,用于以联合训练过程对所述无激励结果预测模型和所述激励敏感度预测模型至少一次的训练;
其中,所述联合训练过程包括第一训练子模块、第二训练子模块:
第一训练子模块,用于通过第一样本集对所述无激励结果预测模型进行第一训练,所述第一样本集包括至少一个第一样本,所述第一样本包括:第一样本商户特征、第一样本用户特征和作为标注信息的样本无激励结果。
第二训练子模块,用于通过第二样本集对所述激励敏感度预测模型和所述第一训练得到的无激励结果预测模型进行第二训练,所述第二样本集包括至少一个第二样本,所述第二样本包括:第二样本商户特征、第二样本用户特征、样本激励程度和作为标注信息的样本有激励结果,所述第二样本用户特征包括:样本消费特征。
可选地,在本公开的另一种实施例中,所述第一训练子模块包括第一训练结果确定单元、第一收敛指标确定单元、第一调整单元:
第一训练结果确定单元,用于针对每个所述第一样本,将所述第一样本中的所述第一样本商户特征、所述第一样本用户特征输入至所述无激励结果预测模型,得到所述第一样本对应的第一训练无激励结果。
第一收敛指标确定单元,用于根据所述样本无激励结果和所述第一训练无激励结果确定第一收敛指标。
第一调整单元,用于若所述第一收敛指标不满足预设条件,则调整所述无激励结果预测模型的参数,直至所述第一收敛指标满足预设条件。
可选地,在本公开的另一种实施例中,所述第二训练子模块包括第三训练结果确定单元、第四训练结果确定单元、第二收敛指标确定单元、第二调整单元:
第三训练结果确定单元,用于针对每个所述第二样本,将所述第二样本中的所述第二样本商户特征、所述第二样本用户特征输入至所述第一训练得到的无激励结果预测模型,得到所述第二样本对应的第二训练无激励结果,以及,将所述第二样本中的所述样本消费特征输入至所述激励敏感度预测模型,得到所述第二样本对应的训练敏感度参数。
第四训练结果确定单元,用于针对每个所述第二样本,根据所述第二样本中的所述样本激励程度、对应的所述第二训练无激励结果和对应的所述训练敏感度参数,确定所述第二样本对应的训练有激励结果。
第二收敛指标确定单元,用于根据所述样本有激励结果和所述训练有激励结果确定第二收敛指标。
第二调整单元,用于若所述第二收敛指标不满足预设条件,则调整所述无激励结果预测模型、所述激励敏感度预测模型的参数,直至所述第二收敛指标满足预设条件。
可选地,在本公开的另一种实施例中,所述无激励结果预测模型、所述激励敏感度预测模型均是基于DNN模型训练得到的。
综上所述,本公开提供了一种激励结果的预测装置,所述装置包括:目标信息获取模块,用于获取目标信息,所述目标信息至少包括:商户特征、激励程度参数、用户特征,所述用户特征包括用户消费特征;无激励结果参数确定模块,用于将所述商户特征、所述用户特征输入至无激励结果预测模型,得到无激励结果参数;激励敏感参数确定模块,用于将所述用户消费特征输入至激励敏感度预测模型,得到激励敏感参数;有激励结果参数确定模块,用于根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数。本公开可以采用激励敏感参数表示激励程度参数对激励结果的单独影响,进而基于无激励结果参数、激励敏感参数、激励程度参数确定有激励结果参数,有助于提高激励效果的预测准确度。
装置实施例的详细说明可以参照方法实施例,在此不再赘述。
本公开还提供了一种电子设备,参照图9,包括:处理器301、存储器302以及存储在所述存储器302上并可在所述处理器上运行的计算机程序3021,所述处理器301执行所述程序时实现前述实施例的激励结果的预测方法。
本公开还提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述实施例的激励结果的预测方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本公开也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的内容,并且上面对特定语言所做的描述是为了披露本公开的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的激励结果的预测设备中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本公开的较佳实施例而已,并不用以限制本公开,凡在本公开的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本公开的保护范围之内。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种激励结果的预测方法,其特征在于,所述方法包括:
获取目标信息,所述目标信息至少包括:商户特征、激励程度参数、用户特征,所述用户特征包括用户消费特征;
将所述商户特征、所述用户特征输入至无激励结果预测模型,得到无激励结果参数;
将所述用户消费特征输入至激励敏感度预测模型,得到激励敏感参数;
根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数的步骤,包括:
将所述激励程度参数、所述激励敏感参数输入至预设函数,得到结果调整参数,所述预设函数为单调递增函数,且所述预设函数的值域存在最大值;
根据所述结果调整参数和所述无激励结果参数确定有激励结果参数。
3.根据权利要求2所述的方法,其特征在于,所述预设函数为Sigmoid函数,将所述激励程度参数、所述激励敏感参数输入至预设函数,得到结果调整参数的步骤,包括:
计算所述激励程度参数、所述激励敏感参数的乘积;
将所述乘积输入至所述Sigmoid函数得到结果调整参数;
根据所述Sigmoid函数对应的预设常数对所述结果调整参数进行调整。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述无激励结果预测模型和所述激励敏感度预测模型通过如下步骤训练得到:
以联合训练过程对所述无激励结果预测模型和所述激励敏感度预测模型至少一次的训练;
其中,所述联合训练过程包括:
通过第一样本集对所述无激励结果预测模型进行第一训练,所述第一样本集包括至少一个第一样本,所述第一样本包括:第一样本商户特征、第一样本用户特征和作为标注信息的样本无激励结果;
通过第二样本集对所述激励敏感度预测模型和所述第一训练得到的无激励结果预测模型进行第二训练,所述第二样本集包括至少一个第二样本,所述第二样本包括:第二样本商户特征、第二样本用户特征、样本激励程度和作为标注信息的样本有激励结果,所述第二样本用户特征包括:样本消费特征。
5.根据权利要求4所述的方法,其特征在于,所述通过第一样本集对所述无激励结果预测模型进行第一训练的步骤,包括:
针对每个所述第一样本,将所述第一样本中的所述第一样本商户特征、所述第一样本用户特征输入至所述无激励结果预测模型,得到所述第一样本对应的第一训练无激励结果;
根据所述样本无激励结果和所述第一训练无激励结果确定第一收敛指标;
若所述第一收敛指标不满足预设条件,则调整所述无激励结果预测模型的参数,直至所述第一收敛指标满足预设条件。
6.根据权利要求4所述的方法,其特征在于,所述通过第二样本集对所述激励敏感度预测模型和所述第一训练得到的无激励结果预测模型进行第二训练的步骤,包括:
针对每个所述第二样本,将所述第二样本中的所述第二样本商户特征、所述第二样本用户特征输入至所述第一训练得到的无激励结果预测模型,得到所述第二样本对应的第二训练无激励结果,以及,将所述第二样本中的所述样本消费特征输入至所述激励敏感度预测模型,得到所述第二样本对应的训练敏感度参数;
针对每个所述第二样本,根据所述第二样本中的所述样本激励程度、对应的所述第二训练无激励结果和对应的所述训练敏感度参数,确定所述第二样本对应的训练有激励结果;
根据所述样本有激励结果和所述训练有激励结果确定第二收敛指标;
若所述第二收敛指标不满足预设条件,则调整所述无激励结果预测模型、所述激励敏感度预测模型的参数,直至所述第二收敛指标满足预设条件。
7.根据权利要求1至3中任一项所述的方法,其特征在于,所述无激励结果预测模型、所述激励敏感度预测模型均是基于DNN模型训练得到的。
8.一种激励结果的预测装置,其特征在于,所述装置包括:
目标信息获取模块,用于获取目标信息,所述目标信息至少包括:商户特征、激励程度参数、用户特征,所述用户特征包括用户消费特征;
无激励结果参数确定模块,用于将所述商户特征、所述用户特征输入至无激励结果预测模型,得到无激励结果参数;
激励敏感参数确定模块,用于将所述用户消费特征输入至激励敏感度预测模型,得到激励敏感参数;
有激励结果参数确定模块,用于根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数。
9.一种电子设备,其特征在于,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的激励结果的预测方法。
10.一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如方法权利要求1-7中任一项所述的激励结果的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911260355.3A CN111160951A (zh) | 2019-12-10 | 2019-12-10 | 激励结果的预测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911260355.3A CN111160951A (zh) | 2019-12-10 | 2019-12-10 | 激励结果的预测方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160951A true CN111160951A (zh) | 2020-05-15 |
Family
ID=70556661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911260355.3A Pending CN111160951A (zh) | 2019-12-10 | 2019-12-10 | 激励结果的预测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160951A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183728A (zh) * | 2020-09-29 | 2021-01-05 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的学习策略生成方法和系统 |
CN112231585A (zh) * | 2020-12-10 | 2021-01-15 | 北京每日优鲜电子商务有限公司 | 推荐信息显示方法、装置、设备和计算机可读介质 |
CN113689022A (zh) * | 2020-05-19 | 2021-11-23 | 汉海信息技术(上海)有限公司 | 分配处理方法、装置及服务器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909392A (zh) * | 2017-11-02 | 2018-04-13 | 北京三快在线科技有限公司 | 刺激行为敏感度预测方法、装置、设备及可读存储介质 |
CN109146580A (zh) * | 2018-09-30 | 2019-01-04 | 青岛大学 | 一种基于大数据分析的o2o优惠券分发方法及系统 |
CN109389431A (zh) * | 2018-09-30 | 2019-02-26 | 北京三快在线科技有限公司 | 优惠券的分配方法、装置、电子设备及可读存储介质 |
CN110070399A (zh) * | 2019-04-24 | 2019-07-30 | 北京三快在线科技有限公司 | 一种优惠券推送方法及装置 |
-
2019
- 2019-12-10 CN CN201911260355.3A patent/CN111160951A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909392A (zh) * | 2017-11-02 | 2018-04-13 | 北京三快在线科技有限公司 | 刺激行为敏感度预测方法、装置、设备及可读存储介质 |
CN109146580A (zh) * | 2018-09-30 | 2019-01-04 | 青岛大学 | 一种基于大数据分析的o2o优惠券分发方法及系统 |
CN109389431A (zh) * | 2018-09-30 | 2019-02-26 | 北京三快在线科技有限公司 | 优惠券的分配方法、装置、电子设备及可读存储介质 |
CN110070399A (zh) * | 2019-04-24 | 2019-07-30 | 北京三快在线科技有限公司 | 一种优惠券推送方法及装置 |
Non-Patent Citations (1)
Title |
---|
张正禄 等: "《工程的变形监测分析与预报》", 30 November 2007, 测绘出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689022A (zh) * | 2020-05-19 | 2021-11-23 | 汉海信息技术(上海)有限公司 | 分配处理方法、装置及服务器 |
CN112183728A (zh) * | 2020-09-29 | 2021-01-05 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的学习策略生成方法和系统 |
CN112183728B (zh) * | 2020-09-29 | 2021-07-20 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的学习策略生成方法和系统 |
CN112231585A (zh) * | 2020-12-10 | 2021-01-15 | 北京每日优鲜电子商务有限公司 | 推荐信息显示方法、装置、设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210150625A1 (en) | Customizing loan specifics on a per-user basis | |
CN109389431B (zh) | 优惠券的分配方法、装置、电子设备及可读存储介质 | |
CN110033314B (zh) | 广告数据处理方法及装置 | |
US10204374B1 (en) | Parallel fraud check | |
CN111160951A (zh) | 激励结果的预测方法、装置、电子设备及可读存储介质 | |
CN110830448B (zh) | 目标事件的流量异常检测方法、装置、电子设备及介质 | |
CN108133372A (zh) | 评估支付风险的方法及装置 | |
US20140325056A1 (en) | Scoring quality of traffic to network sites | |
CN111340244B (zh) | 预测方法、训练方法、装置、服务器及介质 | |
AU2015213817A1 (en) | Systems, apparatuses and methods for communication flow modification | |
CN111461812A (zh) | 对象推荐方法、装置、电子设备及可读存储介质 | |
CN111241388A (zh) | 多策略召回方法、装置、电子设备及可读存储介质 | |
US20190362354A1 (en) | Real-time updating of predictive analytics engine | |
CN109714301A (zh) | 注册风险识别方法、装置、电子设备及存储介质 | |
CN102163304A (zh) | 带有优化的域间信息质量评定的协作联网的方法和系统 | |
CN112162762B (zh) | 灰度发布方法、灰度发布装置和电子设备 | |
CA3037134A1 (en) | Systems and methods of generating a pooled investment vehicle using shared data | |
CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
JP2022534721A (ja) | データトラフィックを処理及び分配する予測モデリング及び分析 | |
CN113297310B (zh) | 一种物联网中区块链分片验证者选取的方法 | |
CN111724176A (zh) | 店铺流量调节方法、装置、设备及计算机可读存储介质 | |
CN112381617B (zh) | 网络购物方法及装置 | |
CN112258225B (zh) | 电子券发放方法、装置、设备与计算机可读存储介质 | |
CN114240605A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
CN114240599A (zh) | 贷款测算方法、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200515 |