CN111340573A - 一种分享业务的处理方法及装置 - Google Patents
一种分享业务的处理方法及装置 Download PDFInfo
- Publication number
- CN111340573A CN111340573A CN202010412804.8A CN202010412804A CN111340573A CN 111340573 A CN111340573 A CN 111340573A CN 202010412804 A CN202010412804 A CN 202010412804A CN 111340573 A CN111340573 A CN 111340573A
- Authority
- CN
- China
- Prior art keywords
- shared
- information
- sharing
- party
- characteristic information
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书一个或多个实施例提供了一种分享业务的处理方法及装置,其中,该方法包括:获取分享业务的业务特征信息;基于该业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对该分享业务的激励方式的识别结果;其中,该识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;该业务指标信息表征分享方分享待分享对象的激励程度、以及表征被分享方核销待分享对象的激励程度。基于各组合激励方式对应的业务指标信息,确定分配给被分享方的目标分享对象和分享方的目标返佣方式。基于该目标分享对象和目标返佣方式执行相应的分享业务处理。
Description
技术领域
本文件涉及互联网技术领域,尤其涉及一种分享业务的处理方法及装置。
背景技术
目前,随着互联网时代的到来,互联网在人们日常的学习、工作和生活中得到广泛的应用。人们日常的各种事务都可以通过互联网来处理和呈现。同时,随着互联网技术的快速发展,采用拉新、提频、促活的方式向用户推广某一互联网业务服务,其中,为了提升互联网业务服务的推广范围和推广效果,将具有激励被分享方使用该互联网业务服务的奖励作为待分享对象,例如,乘车优惠券,并且,当被分享方核销该待分享对象后,向分享方分发相应的返佣奖励,以激励用户向被分享方分享该待分享对象,进而达到推广互联网业务服务的目的。
其中,以互联网业务服务为扫码乘车服务为例,对应的,待分享对象可以是具有一定金额的乘车优惠券,具体的,通过向用户分享乘车优惠券,来推广某一应用的扫码乘车服务,以吸引并拉动新用户使用乘车优惠券通过扫码进行乘车,即带动新用户使用某一应用提供的扫码乘车服务;并且,为了鼓励老用户向新用户分享乘车优惠券,当被分享方核销了该乘车优惠券后,向分享方分发相应的返佣奖励。具体的,按照预设激励规则,基于被分享方的所属分层,确定分配给被分享方的乘车优惠券的金额;以及在检测到被分享方核销了该乘车优惠券后,按照预设返佣规则,确定所需分配给分享方的返佣奖励,并向分享方分发该返佣奖励,以完成针对扫码乘车服务的分享业务的处理过程。
由此可知,需要提供一种更精准、更具有针对性、能够增强激励作用的分享业务的处理的技术方案。
发明内容
本说明书一个或多个实施例的目的是提供一种分享业务的处理方法。该分享业务的处理方法包括:
获取分享业务的业务特征信息;其中,所述业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个所述待分享对象的至少一种返佣方式的特征信息。基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果;其中,所述识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;所述业务指标信息表征所述分享方分享所述待分享对象的激励程度、以及表征所述被分享方核销所述待分享对象的激励程度。基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式。基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理。
本说明书一个或多个实施例的目的是提供一种分享业务的处理装置。该分享业务的处理装置包括:
特征信息获取模块,其获取分享业务的业务特征信息;其中,所述业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个所述待分享对象的至少一种返佣方式的特征信息。识别结果确定模块,其基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果;其中,所述识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;所述业务指标信息表征所述分享方分享所述待分享对象的激励程度、以及表征所述被分享方核销所述待分享对象的激励程度。激励方式确定模块,其基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式。分享业务处理模块,其基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理。
本说明书一个或多个实施例的目的是提供一种分享业务的处理设备,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。
所述计算机可执行指令在被执行时使所述处理器获取分享业务的业务特征信息;其中,所述业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个所述待分享对象的至少一种返佣方式的特征信息。基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果;其中,所述识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;所述业务指标信息表征所述分享方分享所述待分享对象的激励程度、以及表征所述被分享方核销所述待分享对象的激励程度。基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式。基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理。
本说明书一个或多个实施例的目的是提供一种存储介质,用于存储计算机可执行指令。所述可执行指令在被处理器执行时获取分享业务的业务特征信息;其中,所述业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个所述待分享对象的至少一种返佣方式的特征信息。基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果;其中,所述识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;所述业务指标信息表征所述分享方分享所述待分享对象的激励程度、以及表征所述被分享方核销所述待分享对象的激励程度。基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式。基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理。
附图说明
为了更清楚地说明本说明书一个或多个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一个或多个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为本说明书一个或多个实施例提供的分享业务的处理系统的应用场景示意图;
图2为本说明书一个或多个实施例提供的分享业务的处理方法的第一种流程示意图;
图3为本说明书一个或多个实施例提供的分享业务的处理方法的第二种流程示意图;
图4为本说明书一个或多个实施例提供的分享业务的处理方法的第三种流程示意图;
图5为本说明书一个或多个实施例提供的分享业务的处理方法的第四种流程示意图;
图6为本说明书一个或多个实施例提供的分享业务的处理方法中目标分享对象和目标返佣方式的确定过程的具体实现原理示意图;
图7为本说明书一个或多个实施例提供的分享业务的处理装置的第一种模块组成示意图;
图8为本说明书一个或多个实施例提供的分享业务的处理装置的第二种模块组成示意图;
图9为本说明书一个或多个实施例提供的分享业务的处理设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个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个或多个一部分实施例,而不是全部的实施例。基于本说明书一个或多个中的实施例,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,都应当属于本本文件的保护范围。
需要说明的是,在不冲突的情况下,本说明书中的一个或多个实施例以及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本说明书一个或多个实施例。
本说明书一个或多个实施例提供了一种分享业务的处理方法及装置,针对目标互联网业务服务的推广拉新的应用场景中,确定目标分享对象和目标返佣方式的过程,同时参考分享方的用户特征信息和被分享方的用户特征信息,并同时考虑可选的至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息,得到多个输入特征信息;将该多个输入特征信息输入至训练好的识别模型,得到针对分享业务的激励方式的识别结果;再基于该识别结果综合确定分配给被分享方的目标分享对象和分享方的目标返佣方式,并执行相应的业务处理,这样能够实现精准确定分配给被分享方的待分享对象和分享方的返佣奖励,进一步提高被分享方的核销积极性和分享方的分享积极性,从而达到对分享方和被分享方的最大化激励作用,进而进一步提高分享方的信息分享率和被分享方的信息核销率。
图1为本说明书一个或多个实施例提供的分享业务的处理系统的应用场景示意图,如图1所示,该系统包括:后台服务端、分享方对应的第一客户端和被分享方对应的第二客户端,其中,该第一客户端或第一客户端可以是智能手机、平板电脑等移动终端,该第一客户端或第一客户端还可以是个人计算机等终端设备,该后台服务端可以是用于利用训练好的识别模型,确定分配给被分享方的目标分享对象和分享方的目标返佣方式并执行相应的分享业务处理的业务服务端,该后台服务端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,其中,在具体实施时,上述分享业务的处理的具体过程为:
第一客户端在检测到用户的分享触发操作后,向后台服务端发送针对目标分享业务的分享请求,其中,该分享请求携带有目标分享业务的标识信息、分享方的标识信息和被分享方的标识信息;
其中,例如,若目标分享业务所针对的业务服务为扫码乘车服务,该分享触发操作所针对的待分享对象可以包括:多个不同数额的乘车优惠券;又如,若目标分享业务所针对的业务服务为在线医疗服务,该分享触发操作所针对的待分享对象可以包括:多个不同数额的就医咨询优惠券;
其中,为了进一步提高被分享方的核销积极性和分享方的分享积极性,采用如下方式确定分配给被分享方的目标分享对象和分享方的目标返佣方式;其中,若目标分享业务所针对的业务服务为扫码乘车服务,该目标分享对象为多个不同数额的乘车优惠券中的一个目标乘车优惠券;若目标分享业务所针对的业务服务为在线医疗服务,该目标分享对象为多个不同数额的就医咨询优惠券中的一个目标就医咨询优惠券。
后台服务端在接收到第一客户端发送的分享请求后,获取目标分享业务的业务特征信息;其中,该业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息;具体的,可以从预设特征信息数据库中,基于目标分享业务的标识信息、分享方的标识信息和被分享方的标识信息,获取所需的业务特征信息。
后台服务端基于获取到的业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对目标分享业务的激励方式的识别结果;其中,该识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;该业务指标信息表征分享方分享待分享对象的激励程度、以及表征被分享方核销待分享对象的激励程度;
其中,上述识别模型用于针对每个输入特征信息分别进行特征信息融合、特征向量拆分、特征向量交互处理、以及组合激励方式评估,来确定针对目标分享业务的各组合激励方式的识别结果;
具体的,在基于获取到的业务特征信息生成多个输入特征信息后,针对每个输入特征信息,将该输入特征信息作为模型输入,利用训练好的识别模型,对输入特征信息进行特征融合处理,得到综合嵌入特征向量;再对综合嵌入特征向量进行向量拆分处理,得到用户特征信息对应的嵌入特征向量和组合激励方式对应的嵌入特征向量;再对嵌入特征向量进行交互处理,得到各输入特征信息分别对应的初始识别结果;再基于该初始识别结果对组合激励方式的激励程度进行预估,得到针对目标分享业务的多个组合激励方式的识别结果。
后台服务端基于各组合激励方式对应的业务指标信息,确定分配给被分享方的目标分享对象和分享方的目标返佣方式。
后台服务端基于确定出的目标分享对象和目标返佣方式执行相应的分享业务处理;具体的,后台服务端向被分享方分配目标分享对象;以及,判断被分享方是否请求核销该目标分享对象;若是,则基于确定出的目标返佣方式,向分享方分配相应的返佣奖励;
具体的,第二客户端接收并显示目标分享对象,以及在检测到用户针对该目标分享对象的使用触发操作后,向后台服务端发送核销请求,其中,该核销请求携带有目标分享业务的标识信息、分享方的标识信息和被分享方的标识信息;后台服务端在接收到第二客户端发送的核销请求后,基于确定出的目标返佣方式,向第一客户端分配相应的返佣奖励;其中,该目标返佣方式是在被分享方请求核销目标分享对象之前所确定的,即在确定目标分享对象的同时确定了目标返佣方式。
在上述应用场景中,针对目标互联网业务服务的推广拉新的应用场景中,确定目标分享对象和目标返佣方式的过程,同时参考分享方的用户特征信息和被分享方的用户特征信息,并同时考虑可选的至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息,得到多个输入特征信息;将该多个输入特征信息输入至训练好的识别模型,得到针对分享业务的激励方式的识别结果;再基于该识别结果综合确定分配给被分享方的目标分享对象和分享方的目标返佣方式,并执行相应的业务处理,这样能够实现精准确定分配给被分享方的待分享对象和分享方的返佣奖励,进一步提高被分享方的核销积极性和分享方的分享积极性,从而达到对分享方和被分享方的最大化激励作用,进而进一步提高分享方的信息分享率和被分享方的信息核销率。
图2为本说明书一个或多个实施例提供的分享业务的处理方法的第一种流程示意图,图2中的方法能够由图1中的后台服务端执行,如图2所示,该方法至少包括以下步骤:
S202,获取分享业务的业务特征信息;其中,该业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息中至少一项;
其中,从信息类型看,上述用户特征信息可以包括:用户离散特征和用户稠密特征,对应的,待分享对象的特征信息和返佣方式的特征信息也可以包括:离散特征和稠密特征,该离散特征可以是枚举型数据,例如,性别为男或女,该稠密特征可以是浮点型数据,例如,信息分享次数;
其中,从信息内容看,上述用户特征信息可以包括:用户基本属性信息(如性别、职位、年龄等)、用户行为特征信息、用户图特征表达等;其中,上述分享方的用户特征信息可以包括:用户基本属性信息、分享方的历史分享数据等多维度特征信息;基于该历史分享数据可以确定分享方的信息分享指标的取值;其中,上述被分享方的用户特征信息可以包括:用户基本属性信息、被分享方的历史分享核销数据等多维度特征信息;基于该历史分享核销数据可以确定被分享方的信息核销指标的取值;
其中,上述至少一个待分享对象的特征信息可以包括:与被分享方所属用户类型对应的多个备选分享对象的特征信息,其中,,例如,多个备选分享对象可以是多个不同数额的乘车优惠券,对应的,备选分享对象的特征信息可以是乘车优惠券的数额信息;上述每个待分享对象的至少一种返佣方式的特征信息可以包括:与分享方所属用户类型对应的多个备选返佣方式的特征信息,其中,,例如,多个备选返佣方式对应的分享返佣对象可以是多个不同数额的分享奖励红包,对应的,备选返佣方式的特征信息可以是分享奖励红包的数额信息。
S204,基于上述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对分享业务的激励方式的识别结果;其中,该识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;该业务指标信息表征分享方分享待分享对象的激励程度、以及表征被分享方核销待分享对象的激励程度;以及,
S206,基于各组合激励方式对应的业务指标信息,确定分配给被分享方的目标分享对象和分享方的目标返佣方式;
其中,上述识别模型是利用深度学习方法并基于模型训练样本集,对预设神经网络模型的模型参数进行训练得到的;其中,可以基于模型训练样本集实时进行识别模型的训练,也可以预先基于模型训练样本集进行识别模型的训练;
具体的,在对预设神经网络模型的模型参数进行训练过程中,不断优化调整模型参数的赋值,直到模型损失函数收敛,以学习分享方和被分享方的特征信息、组合激励方式、业务指标变化情况之间的对应关系,得到识别模型,这样在分享业务的处理过程中,将分享业务的业务特征信息作为识别模型的输入,并利用该识别模型,来确定分配给被分享方的目标分享对象和分享方的目标返佣方式并执行相应的分享业务处理;其中,该目标分享对象和目标返佣方式能够反映奖励分配向非活跃用户倾斜,实现最大限度地调动分享方的分享操作和被分享方的核销操作,从而综合提高分享方的分享率和被分享方的核销率;
具体的,针对目标分享对象和目标返佣方式的确定过程,在获取到分享业务的业务特征信息后,将该业务特征信息作为模型输入,再利用识别模型,对特征信息进行特征融合处理特征向量拆分、特征向量交互处理、以及组合激励方式评估,来确定针对目标分享业务的各组合激励方式的识别结果;再基于该识别结果确定目标分享对象和目标返佣方式。
S208,基于确定出的目标分享对象和目标返佣方式执行相应的分享业务处理。
其中,上述目标分享对象和目标返佣方式对应的分享返佣对象可以是虚拟物品,比如,电子优惠券、电子红包、权益兑换凭证等,精准地确定目标分享对象的具体数额和目标返佣方式对应的分享返佣对象的具体数额,从而实现最大限度地调动分享方的分享积极性和被分享方的核销积极性;
具体的,基于最终确定出的目标分享对象和目标返佣方式,向被分享方分配该目标分享对象;以及,在确定被分享方核销了该目标分享对象后,基于该目标返佣方式,向分享方分配相应的返佣奖励;
例如,以目标分享业务所针对的分享对象为乘车优惠券为例,若确定出的目标分享对象为第一额度的乘车优惠券,则在检测到分享方的分享确认操作后,向被分享方的客户端下发第一额度的乘车优惠券;若确定出的目标返佣方式对应的分享返佣对象为第二额度的分享返佣红包,则在确定被分享方使用了该第一额度的乘车优惠券后,向分享方的客户端下发第二额度的分享返佣红包。
具体的,后台服务端在检测到分享方与被分享方之间存在目标分享业务后,则触发执行上述S202至S208的步骤,以便综合确定目标分享对象和目标返佣方式,再基于该目标分享对象和目标返佣方式执行相应的分享业务处理。其中,后台服务端若接收到分享方的分享请求或被分享方的分享对象领取请求,则确定检测到分享方与被分享方之间存在目标分享业务。
例如,仍以目标分享业务所针对的分享对象为分享乘车优惠券为例,后台服务端在接收到分享方的乘车优惠券分享请求或被分享方扫码领取乘车优惠券的请求后,触发执行上述S202至S208的步骤,综合确定分享给被分享方的乘车优惠券的金额大小、以及需要分配给分享方的分享返佣红包的金额大小。
本说明书一个或多个实施例中,针对目标互联网业务服务的推广拉新的应用场景中,确定目标分享对象和目标返佣方式的过程,同时参考分享方的用户特征信息和被分享方的用户特征信息,并同时考虑可选的至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息,得到多个输入特征信息;将该多个输入特征信息输入至训练好的识别模型,得到针对分享业务的激励方式的识别结果;再基于该识别结果综合确定分配给被分享方的目标分享对象和分享方的目标返佣方式,并执行相应的业务处理,这样能够实现精准确定分配给被分享方的待分享对象和分享方的返佣奖励,进一步提高被分享方的核销积极性和分享方的分享积极性,从而达到对分享方和被分享方的最大化激励作用,进而进一步提高分享方的信息分享率和被分享方的信息核销率。
其中,针对分享业务的处理过程,并不是在检测到被分享方针对目标分享对象的核销操作后再确定目标返佣方式,而是在确定目标分享对象的同时确定目标返佣方式,具体的,同时参考分享方和被分享方双方的用户特征信息,并同时考虑可选的至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息,得到多个输入特征信息,再利用训练好的识别模型基于该输入特征信息综合确定目标分享对象和目标返佣方式,基于此,如图3所示,上述S208,基于确定出的目标分享对象和目标返佣方式执行相应的分享业务处理,具体包括:
S2081,向被分享方分配确定出的目标分享对象;以及,
S2082,判断被分享方是否请求核销目标分享对象;
若判断结果为是,则执行S2083,基于确定出的目标返佣方式,向分享方分配相应的返佣奖励;
另外,若判断结果为否,则根据预设分配条件判断是否需要向分享方进行返佣奖励。
其中,仍以目标分享业务所针对的分享对象为乘车优惠券为例,考虑到被分享方将基于乘车优惠券的数额大小决定是否核销乘车优惠券,以及分享方将基于分享返佣红包的数额大小决定是否分享乘车优惠券,因此,只有合理地确定乘车优惠券金额大小和分享返佣红包金额的大小,提高目标分享对象和目标返佣方式的识别精准度,才能有效地激励被分享方核销该乘车优惠券和分享方分享该乘车优惠券。
其中,针对利用识别模型得到激励方式的识别结果的过程,如图4所示,上述S204,基于上述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对分享业务的激励方式的识别结果,具体包括:
S2041,基于上述业务特征信息生成多个输入特征信息;其中,每个输入特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、一个待分享对象的特征信息、以及该待分享对象对应的一种返佣方式的特征信息;该多个输入特征信息包括:至少一个待分享对象与至少一种返佣方式的全部组合;
具体的,若至少一个待分享对象包括:多个备选分享对象,其中,,例如,多个备选分享对象可以是多个不同数额的乘车优惠券,每个待分享对象的至少一种返佣方式可以包括:多个备选返佣方式,其中,,例如,多个备选返佣方式对应的分享返佣对象可以是多个不同数额的分享奖励红包;
S2042,将多个输入特征信息输入至训练好的识别模型,得到针对分享业务的激励方式的多个识别结果;其中,每个识别结果包括一个业务指标信息;
具体的,针对每个输入特征信息得到一个识别结果,其中,每个输入特征信息对应于一个组合激励方式,因此,每个组合激励方式对应于一个识别结果,即每个组合激励方式对应于一个业务指标信息。
其中,针对基于确定出的业务指标信息确定目标分享对象和目标返佣方式的过程,如图5所示,上述S206,基于各组合激励方式对应的业务指标信息,确定分配给被分享方的目标分享对象和分享方的目标返佣方式,具体包括:
S2061,从得到的多个识别结果中的业务指标信息中,确定激励程度最高的目标业务指标信息;
具体的,若业务指标信息包括:针对输入特征信息对应的组合激励方式的综合打分信息,则将综合打分最高的组合激励方式对应的业务指标信息确定为激励程度最高的目标业务指标信息。
S2062,将得到目标业务指标信息的输入特征信息所对应的待分享对象确定为目标分享对象,以及将所对应的返佣方式确定为目标返佣方式;
具体的,针对每个输入特征信息得到一个业务指标信息,其中,每个输入特征信息对应于一个组合激励方式,若业务指标信息包括:针对输入特征信息对应的组合激励方式的综合打分信息,则综合打分最高的组合激励方式中的待分享对象为目标分享对象、以及返佣方式为目标返佣方式。
进一步的,针对将多个输入特征信息输入至识别模型并自动得到多个识别结果的过程,其中,一个输入特性信息对应于一个组合激励方式,该组合激励方式包括:一个待分享对象和一种返佣方式,一个输入特性信息对应于一个业务指标信息,上述识别模型可以包括:神经网络嵌入层、特征向量划分层和激励方式识别网络;
对应的,上述S2042,将多个输入特征信息输入至训练好的识别模型,得到针对分享业务的激励方式的多个识别结果,具体包括:
步骤a,针对每个输入特征信息,将该输入特征信息输入至神经网络嵌入层,得到用户特征信息的第一综合嵌入特征向量、以及该输入特征信息对应的组合激励方式的第二综合嵌入特征向量;
其中,上述第一综合嵌入特征向量是对该输入特征信息中的分享方的用户特征信息和被分享方的用户特征信息进行嵌入特征提取及特征融合得到的一个多维特征向量;上述第二综合嵌入特征向量是对该输入特征信息中的待分享对象的特征信息和返佣方式的特征信息进行嵌入特征提取及特征融合得到的一个多维特征向量;
具体的,可以依次将生成的输入特征信息作为模型输入,输入至神经网络嵌入层,该神经网络嵌入层对分享方和被分享方双方的用户特征信息进行特征融合及特征向量提取,得到第一综合嵌入特征向量;以及,该神经网络嵌入层还对该输入特征信息中的待分享对象的特征信息和返佣方式的特征信息进行特征融合及特征向量提取,得到第二综合嵌入特征向量;
其中,上述第一综合嵌入特征向量即包含由分享方的用户特征信息提取出的嵌入特征向量,也包含由被分享方的用户特征信息提取出的嵌入特征向量;同理,上述第二综合嵌入特征向量即包含由该输入特征信息中的待分享对象的特征信息提取出的嵌入特征向量,也包含由该输入特征信息中的返佣方式的特征信息提取出的嵌入特征向量。
步骤b,将上述第一综合嵌入特征向量和第二综合嵌入特征向量输入至特征向量划分层,得到用户特征信息的第一特征向量组合和该输入特征信息对应的组合激励方式的第二特征向量组合;
具体的,将第一综合嵌入特征向量和第二综合嵌入特征向量作为识别模型的中间网络层的输入,输入至特征向量划分层,该特征向量划分层对第一综合嵌入特征向量进行特征向量提取及特征向量拆分,得到第一特征向量组合;以及,该特征向量划分层还对第二综合嵌入特征向量进行特征向量提取及特征向量拆分,得到第二特征向量组合;
其中,上述第一特征向量组合可以包括:按照预设特征向量拆分方式得到的分享方对应的用户嵌入特征向量、以及被分享方对应的用户嵌入特征向量;
其中,分享方对应的用户嵌入特征向量包括:第一维度特征向量和第二维度特征向量,该第一维度特征向量为:与分享方的用户特征信息相关的嵌入特征向量,该第二维度的特征向量为:与被分享方的用户特征信息相关的嵌入特征向量;
也就是说,由被分享方的用户特征信息提取出的嵌入特征向量并不是全部划分至被分享方对应的用户特征向量,而是将预设维度的嵌入特征向量划分至分享方对应的用户嵌入特征向量;即分享方对应的用户嵌入特征向量并不是单纯地由分享方的用户特征信息得到的,还与被分享方的用户特征信息有关。
对应的,被分享方对应的用户嵌入特征向量包括:第三维度特征向量和第四维度特征向量,其第三维度特征向量为:与被分享方的用户特征信息相关的嵌入特征向量,该第四维度的特征向量为:与分享方的用户特征信息相关的嵌入特征向量;
也就是说,由分享方的用户特征信息提取出的嵌入特征向量并不是全部划分至分享方对应的用户特征向量,而是将预设维度的嵌入特征向量划分至被分享方对应的用户嵌入特征向量;即被分享方对应的用户嵌入特征向量并不是单纯地由被分享方的用户特征信息得到的,还与分享方的用户特征信息有关。
其中,上述第二特征向量组合可以包括:按照预设特征向量拆分方式得到的输入特征信息中的待分享对象对应的嵌入特征向量和输入特征信息中的返佣方式对应的嵌入特征向量;
同样的,输入特征信息中的待分享对象对应的嵌入特征向量包括:第五维度特征向量和第六维度特征向量,该第五维度特征向量为:与输入特征信息中的待分享对象的特征信息相关的嵌入特征向量,该第六维度的特征向量为:与输入特征信息中的返佣方式的特征信息相关的嵌入特征向量;
对应的,输入特征信息中的返佣方式对应的嵌入特征向量包括:第七维度特征向量和第八维度特征向量,该第七维度特征向量为:与输入特征信息中的返佣方式的特征信息相关的嵌入特征向量,该第八维度的特征向量为:与输入特征信息中的待分享对象的特征信息相关的嵌入特征向量。
步骤c,将多个输入特征信息分别对应的第一特征向量组合和第二特征向量组合输入至激励方式识别网络,得到针对分享业务的激励方式的多个识别结果。
具体的,将第一特征向量组合和第二特征向量组合作为识别模型的中间网络层的输入,输入至激励方式识别网络,该激励方式识别网络对第一特征向量组合中的分享方的用户嵌入特征向量和第二特征向量组合中的返佣方式对应的嵌入特征向量进行向量交互处理,得到交互处理后的第一识别结果,该激励方式识别网络还对第一特征向量组合中的被分享方的用户嵌入特征向量和第二特征向量组合中的待分享对象对应的嵌入特征向量进行向量交互处理,得到交互处理后的第二识别结果,以及该激励方式识别网络还基于该第一识别结果和第二识别结果,得到各组合激励方式的综合识别结果。
进一步的,为了提高综合嵌入特征向量的提取准确度,从而进一步提高目标分享对象和目标返佣方式的识别准确度,考虑到需要分别对输入特征信息中的用户特征信息、输入特征信息中与组合激励方式相关的特征信息进行特征融合处理,得到相应的综合嵌入特征向量,基于此,针对综合嵌入特征向量的确定过程,上述神经网络嵌入层可以包括:第一嵌入层和第二嵌入层;
其中,第一嵌入层可以是一个Embedding层,属于识别模型中的用于对输入特征信息中的用户特征信息进行融合处理的网络层,第二嵌入层可以另一个Embedding层,属于识别模型中的用于对输入特征信息中与组合激励方式相关的特征信息进行融合处理的网络层;
对应的,上述步骤a,针对每个输入特征信息,将该输入特征信息输入至神经网络嵌入层,得到用户特征信息的第一综合嵌入特征向量、以及该输入特征信息对应的组合激励方式的第二综合嵌入特征向量,具体包括:
步骤a1,利用第一嵌入层,对该输入特征信息中的分享方的用户特征信息和被分享方的用户特征信息进行融合及特征提取,得到第一综合嵌入特征向量;
具体的,针对每个输入特征信息,将该输入特征信息中的分享方的用户特征信息和被分享方的用户特征信息同时输入至第一嵌入层,该第一嵌入层对输入的用户特征信息进行特征融合及特征向量提取,得到第一综合嵌入特征向量;其中,第一嵌入层的输出信息即为第一综合嵌入特征向量。
步骤a2,利用第二嵌入层,对该输入特征信息中的待分享对象的特征信息和返佣方式的特征信息进行融合及特征提取,得到第二综合嵌入特征向量。
具体的,针对每个输入特征信息,将该输入特征信息中的待分享对象的特征信息和返佣方式的特征信息同时输入至第二嵌入层,该第二嵌入层对输入的待分享对象的特征信息和返佣方式的特征信息进行特征融合及特征向量提取,得到第二综合嵌入特征向量;其中,第二嵌入层的输出信息即为第二综合嵌入特征向量。
进一步的,为了提高拆分得到的用户嵌入特征向量和组合激励方式对应的嵌入特征向量的提取准确度,从而进一步提高目标分享对象和目标返佣方式的识别准确度,考虑到需要分别对由用户特征信息融合得到的第一综合嵌入特征向量、由与组合激励方式相关的特征信息融合得到的第二综合嵌入特征向量进行特征拆分处理,得到拆分后的嵌入特征向量,基于此,针对综合嵌入特征向量的拆分过程,上述特征向量划分层可以包括:第一多层感知机和第二多层感知机;
其中,第一多层感知机可以是一个多层感知网络层,属于识别模型中用于对与输入特征信息中的用户特征信息对应的用户特征向量进行拆分处理的网络层,第二多层感知机可以是另一个多层感知网络层,属于识别模型中用于对与输入特征信息中的组合激励方式对应的特征向量进行拆分处理的网络层;另外,第一多层感知机也可以替换为第一深度学习神经网络,同理,第二多层感知机也可以替换为第二深度学习神经网络;
对应的,上述步骤b,将上述第一综合嵌入特征向量和第二综合嵌入特征向量输入至特征向量划分层,得到用户特征信息的第一特征向量组合和该输入特征信息对应的组合激励方式的第二特征向量组合,具体包括:
步骤b1,利用第一多层感知机,对第一综合嵌入特征向量进行特征提取及拆分处理,得到分享方的用户嵌入表达和被分享方的用户嵌入表达;
具体的,针对每个输入特征信息,将该输入特征信息对应的第一综合嵌入特征向量输入至第一多层感知机,该第一多层感知机对输入的第一综合嵌入特征向量进行特征向量提取及特征拆分,得到分享方对应的用户嵌入特征向量、以及被分享方对应的用户嵌入特征向量;其中,第一多层感知机的输出信息即为分享方对应的用户嵌入特征向量、以及被分享方对应的用户嵌入特征向量。
步骤b2,利用第二多层感知机,对第二综合嵌入特征向量进行特征提取及拆分处理,得到该输入特征信息对应的组合激励方式中的待分享对象对应的嵌入表达和返佣方式对应的嵌入表达。
具体的,针对每个输入特征信息,将该输入特征信息对应的第二综合嵌入特征向量输入至第二多层感知机,该第二多层感知机对输入的第二综合嵌入特征向量进行特征向量提取及特征拆分,得到相应的待分享对象对应的嵌入特征向量、以及相应的返佣方式对应的嵌入特征向量;其中,第二多层感知机的输出信息即为待分享对象对应的嵌入特征向量、以及返佣方式对应的嵌入特征向量。
进一步的,针对基于特征向量组合确定与输入特征信息对应的组合激励方式的识别结果的过程,上述激励方式识别网络可以包括:特征向量交互层和组合激励方式评估层;
其中,上述第一特征向量组合包括:分享方的用户嵌入表达和被分享方的用户嵌入表达,上述第二特征向量组合包括:与输入特征信息对应的组合激励方式中的待分享对象对应的嵌入表达和返佣方式对应的嵌入表达。
对应的,上述步骤c,将多个输入特征信息分别对应的第一特征向量组合和第二特征向量组合输入至激励方式识别网络,得到针对分享业务的激励方式的多个识别结果,具体包括:
步骤c1,针对每个输入特征信息,利用特征向量交互层,基于分享方的用户嵌入表达和该输入特征信息相关的返佣方式对应的嵌入表达,确定针对该返佣方式的第一打分信息;
具体的,针对每个输入特征信息,将特征拆分得到的分享方对应的用户嵌入特征向量和返佣方式对应的嵌入特征向量同时输入至特征向量交互层,该特征向量交互层对输入的分享方的用户嵌入特征向量和返佣方式对应的嵌入特征向量进行向量交互处理,得到第一打分信息;其中,特征向量交互层的输出信息包括:针对备选返佣方式的激励程度进行打分得到的第一打分信息;
在具体实施时,对输入的分享方的用户嵌入特征向量和返佣方式对应的嵌入特征向量进行向量交互处理可以包括:将分享方对应的用户嵌入特征向量和返佣方式对应的嵌入特征向量进行点乘处理,或者,采用余弦距离计算方式对分享方对应的用户嵌入特征向量和返佣方式对应的嵌入特征向量进行相应的求解处理。
步骤c2,针对每个输入特征信息,利用特征向量交互层,基于被分享方的用户嵌入表达和该输入特征信息相关的待分享对象对应的嵌入表达,确定针对该待分享对象的第二打分信息;
具体的,针对每个输入特征信息,将特征拆分得到的被分享方对应的用户嵌入特征向量和待分享对象对应的嵌入特征向量同时输入至特征向量交互层,该特征向量交互层对输入的被分享方的用户嵌入特征向量和待分享对象对应的嵌入特征向量进行向量交互处理,得到第二打分信息;其中,特征向量交互层的输出信息还包括:针对备选分享对象的激励程度进行打分得到的第二打分信息;
在具体实施时,对输入的被分享方的用户嵌入特征向量和待分享对象对应的嵌入特征向量进行向量交互处理可以包括:将被分享方对应的用户嵌入特征向量和待分享对象对应的嵌入特征向量进行点乘处理,或者,采用余弦距离计算方式对分享方对应的用户嵌入特征向量和待分享对象对应的嵌入特征向量进行相应的求解处理。
步骤c3,利用组合激励方式评估层,基于各输入特征信息对应的第一打分信息和第二打分信息,确定针对分享业务的激励方式的多个识别结果。
具体的,将各组合激励方式(,)对应的第一打分信息和第二打分信息输入至组合激励方式评估层,该组合激励方式评估层,用于对输入的各组合激励方式(,)对应的第一打分信息和第二打分信息进行综合打分,得到该组合激励方式(,)对应的综合打分信息;其中,组合激励方式评估层的输出信息即为多个组合激励方式的识别结果,例如,各组合激励方式(,)对应的综合打分信息。
另外,在具体实施时,还可以引入预设在线流控模型,利用该预设在线流控模型根据用于分享核销激励的剩余总额度,对各组合激励方式(,)对应的综合打分信息进行动态调整,再根据动态调整后的综合打分信息,确定目标分享对象和目标返佣方式。
进一步的,考虑到分享方的特征信息、以及被分享方的特征信息对最终确定的目标分享对象和目标返佣方式的影响程度不同,因此,在对嵌入特征向量进行交互处理的过程中,针对分享方的嵌入特征向量进行交互处理过程和针对被分享方的嵌入特征向量的交互处理过程选择不同的权重系数,即增大影响程度大的一方对应的权重系数,对应的,减少影响程度小的另一方对应的权重系数,其中,若被分享方的特征信息的影响程度大于分享方的特征信息的影响程度,则被分享方的嵌入特征向量的交互处理过程所用的权重系数大于分享方的嵌入特征向量的交互处理过程所用的权重系数。
具体的,在确定出针对返佣方式的第一打分结果和针对待分享对象的第二打分结果后,自动确定各组合激励方式对应的综合打分结果,基于此,上述步骤c3,利用组合激励方式评估层,基于各输入特征信息对应的第一打分信息和第二打分信息,确定针对分享业务的激励方式的多个识别结果,具体包括:
步骤c31,针对每个输入特征信息,利用组合激励方式评估层,基于该输入特征信息对应的第一打分信息和第二打分信息,确定该输入特征信息对应的组合激励方式的综合打分信息;
步骤c32,将各输入特征信息对应的综合打分信息,确定为针对分享业务的激励方式的多个识别结果;
进一步的,针对基于业务指标信息确定目标分享对象和目标返佣方式的过程,若组合激励方式对应的业务指标信息包括:输入特征信息对应的组合激励方式的综合打分信息;
对应的,上述S2061,从得到的多个识别结果中的业务指标信息中,确定激励程度最高的目标业务指标信息,具体包括:
按照综合打分分数由高到低的顺序,确定排序最靠前的综合打分信息对应的输入特征信息;
将基于确定出的输入特征信息得到的业务指标信息,确定为激励程度最高的目标业务指标信息。
具体的,在确定出目标业务指标信息后,将得到该目标业务指标信息的输入特征信息所对应的待分享对象确定为目标分享对象,以及将所对应的返佣方式确定为目标返佣方式,其中,每个输入特征信息对应于一个组合激励方式(,),对应的,将得到目标业务指标信息的输入特征信息所对应的待分享对象确定为目标分享对象,以及将所对应的返佣方式确定为目标返佣方式;
具体的,针对每个输入特征信息,将该输入特征信息中的分享方和被分享方双方的用户特征信息、以及该输入特征信息对应的组合激励方式(,)的特征信息作为模型输入,利用训练好的识别模型,确定该组合激励方式(,)对应的综合打分信息;以及,
在一个具体实施例中,如图6所示,以至少一个待分享对象为多个不同数额的乘车优惠券,每个待分享对象的至少一种返佣方式为多个不同数额的红包奖励返佣方式为例,对应的,每个输入特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、一个乘车优惠券的特征信息、以及一种红包奖励返佣方式的特征信息;每个输入特征信息对应于一个组合激励方式(,),其中,,。
其中,上述识别模型包括:神经网络嵌入层、特征向量划分层和激励方式识别网络;具体的,该神经网络嵌入层包括:第一嵌入层和第二嵌入层;该特征向量划分层包括:第一多层感知机和第二多层感知机;该激励方式识别网络包括:特征向量交互层和组合激励方式评估层,该特征向量交互层包括:第一向量交互层和第二向量交互层。
具体的,针对基于多个输入特征信息并利用识别模型,确定分配给被分享方的目标分享对象和分享方的目标返佣方式的过程,具体包括:
(1)针对每个输入特征信息,将该输入特征信息中的分享方的用户特征信息、以及被分享方的用户特征信息同时输入至第一嵌入层;该第一嵌入层对输入的用户特征信息进行特征融合及特征向量提取,输出为:第一综合嵌入特征向量;以及,
将该输入特征信息中待分享对象的特征信息、以及一种返佣方式的特征信息同时输入至第二嵌入层;该第二嵌入层对输入的与组合激励方式相关的特征信息进行特征融合及特征向量提取,输出为:第二综合嵌入特征向量;其中,该待分享对象可以是一个乘车优惠券,该返佣方式可以是红包奖励返佣方式。
(2)将第一综合嵌入特征向量输入至第一多层感知机,该第一多层感知机对输入的第一综合嵌入特征向量进行特征向量提取及特征拆分,输出为:分享方对应的用户嵌入特征向量、以及被分享方对应的用户嵌入特征向量;以及,
将第二综合嵌入特征向量输入至第二多层感知机,该第二多层感知机对输入的第二综合嵌入特征向量进行特征向量提取及特征拆分,输出为:待分享对象对应的嵌入特征向量、以及返佣方式对应的嵌入特征向量;
具体的,可以按照预设特征向量拆分方式对特征向量提取后的综合嵌入特征向量进行拆分,例如,若特征向量提取后的综合嵌入特征向量的维度为128维,可以将综合嵌入特征向量拆分为两个64维特征向量,将一个64维特征向量确定为分享方对应的嵌入特征向量、以及将另一个64维特征向量确定为被分享方对应的嵌入特征向量。
(3)将分享方对应的用户嵌入特征向量和返佣方式对应的嵌入特征向量同时输入至第一向量交互层,该第一向量交互层对输入的用户嵌入特征向量和返佣方式对应的嵌入特征向量进行向量交互处理,输出为:第一打分信息;其中,该第一打分信息可以包括:针对红包奖励返佣方式对分享方的分享积极性的激励程度进行打分得到的第一打分分数;以及,
将被分享方对应的用户嵌入特征向量和待分享对象对应的嵌入特征向量同时输入至第二向量交互层,该第二向量交互层对输入的用户嵌入特征向量和待分享对象对应的嵌入特征向量进行向量交互处理,输出为:第二打分信息;其中,该第二打分信息可以包括:针对乘车优惠券对被分享方的核销积极性的激励程度进行打分得到的第二打分分数;
(5)将各组合激励方式(,)分别对应的第一打分信息和第二打分信息输入至组合激励方式评估层,该组合激励方式评估层,针对每个组合激励方式(,),对该组合激励方式(,)对应的第一打分信息和第二打分信息进行综合打分,得到各组合激励方式(,)对应的综合打分信息;
(6)基于各组合激励方式(,)对应的综合打分信息,确定分配给被分享方的目标分享对象和分享方的目标返佣方式;具体的,基于各组合激励方式(,)对应的综合打分信息,选取综合打分最高的组合激励方式(,),将综合打分最高的组合激励方式(,)中的乘车优惠券确定为目标分享对象,以及将综合打分最高的组合激励方式(,)中的红包奖励返佣方式确定为目标返佣方式。
其中,在线上针对分配给被分享方的目标分享对象和分享方对应的目标返佣方式进行识别之前,需要实时或预先训练得到预设的识别模型;其中,该识别模型可以包括:神经网络嵌入层、特征向量划分层和激励方式识别网络;具体的,该神经网络嵌入层包括:第一嵌入层和第二嵌入层;该特征向量划分层包括:第一多层感知机和第二多层感知机;该激励方式识别网络包括:特征向量交互层和组合激励方式评估层,该特征向量交互层包括:第一向量交互层和第二向量交互层。
具体的,可以基于选取的样本数据集对识别模型中各网络层的模型参数进行训练,得到用于线上目标分享对象和目标返佣方式进行识别的识别模型,其中,针对识别模型的训练过程,上述识别模型是通过如下方式训练得到的,具体的,在上述S202,获取分享业务的业务特征信息之前,还包括:
步骤一,获取模型训练样本数据集,其中,该模型训练样本数据集包括:多个历史分享业务的历史分享样本数据,每个历史分享样本数据包括:样本分享方的用户特征信息、样本被分享方的用户特征信息、历史分享对象的特征信息、以及该历史分享对象对应的返佣方式的特征信息、以及历史分享业务的业务指标信息,其中,该历史分享业务的业务指标信息可以包括:分享方的分享率和被分享方的核销率;
步骤二,利用深度学习方法并基于多个历史分享样本数据,对预设神经网络模型的模型参数进行训练,得到训练好的识别模型,其中,该训练好的识别模型中的模型参数的取值是预设神经网络模型中的业务目标的损失函数满足收敛条件时所确定的。
具体的,利用深度学习方式,基于选取的多个历史分享样本数据,不断优化调整模型参数的赋值,直到模型损失函数收敛,以学习分享方和被分享方的用户特征信息、组合激励方式、业务指标变化情况之间的对应关系,得到训练好的识别模型。
本说明书一个或多个实施例中的分享业务的处理方法,针对目标互联网业务服务的推广拉新的应用场景中,确定目标分享对象和目标返佣方式的过程,同时参考分享方的用户特征信息和被分享方的用户特征信息,并同时考虑可选的至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息,得到多个输入特征信息;将该多个输入特征信息输入至训练好的识别模型,得到针对分享业务的激励方式的识别结果;再基于该识别结果综合确定分配给被分享方的目标分享对象和分享方的目标返佣方式,并执行相应的业务处理,这样能够实现精准确定分配给被分享方的待分享对象和分享方的返佣奖励,进一步提高被分享方的核销积极性和分享方的分享积极性,从而达到对分享方和被分享方的最大化激励作用,进而进一步提高分享方的信息分享率和被分享方的信息核销率。
对应上述图2至图6描述的分享业务的处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种分享业务的处理装置,图7为本说明书一个或多个实施例提供的分享业务的处理装置的第一种模块组成示意图,该装置用于执行图2至图6描述的分享业务的处理方法,如图7所示,该装置包括:
特征信息获取模块701,其获取分享业务的业务特征信息;其中,所述业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个所述待分享对象的至少一种返佣方式的特征信息;
识别结果确定模块702,其基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果;其中,所述识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;所述业务指标信息表征所述分享方分享所述待分享对象的激励程度、以及表征所述被分享方核销所述待分享对象的激励程度;
激励方式确定模块703,其基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式;
分享业务处理模块704,其基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理。
本说明书一个或多个实施例中,针对目标互联网业务服务的推广拉新的应用场景中,确定目标分享对象和目标返佣方式的过程,同时参考分享方的用户特征信息和被分享方的用户特征信息,并同时考虑可选的至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息,得到多个输入特征信息;将该多个输入特征信息输入至训练好的识别模型,得到针对分享业务的激励方式的识别结果;再基于该识别结果综合确定分配给被分享方的目标分享对象和分享方的目标返佣方式,并执行相应的业务处理,这样能够实现精准确定分配给被分享方的待分享对象和分享方的返佣奖励,进一步提高被分享方的核销积极性和分享方的分享积极性,从而达到对分享方和被分享方的最大化激励作用,进而进一步提高分享方的信息分享率和被分享方的信息核销率。
可选地,所述识别结果确定模块702,其:
基于所述业务特征信息生成多个输入特征信息;其中,每个所述输入特征信息包括:所述分享方的用户特征信息、所述被分享方的用户特征信息、一个待分享对象的特征信息、以及该待分享对象对应的一种返佣方式的特征信息;所述多个输入特征信息包括:所述至少一个待分享对象与所述至少一种返佣方式的全部组合;
将所述多个输入特征信息输入至训练好的识别模型,得到针对所述分享业务的激励方式的多个识别结果;其中,每个所述识别结果包括一个所述业务指标信息。
可选地,所述激励方式确定模块703,其:
从所述多个识别结果中的业务指标信息中,确定激励程度最高的目标业务指标信息;
将得到所述目标业务指标信息的输入特征信息所对应的待分享对象确定为所述目标分享对象,以及将所对应的返佣方式确定为目标返佣方式。
可选地,所述识别模型包括:神经网络嵌入层、特征向量划分层和激励方式识别网络;
所述识别结果确定模块702,其:
针对每个所述输入特征信息,将该输入特征信息输入至所述神经网络嵌入层,得到所述用户特征信息的第一综合嵌入特征向量、以及该输入特征信息对应的组合激励方式的第二综合嵌入特征向量;
将所述第一综合嵌入特征向量和所述第二综合嵌入特征向量输入至所述特征向量划分层,得到所述用户特征信息的第一特征向量组合和该输入特征信息对应的组合激励方式的第二特征向量组合;
将所述多个输入特征信息分别对应的所述第一特征向量组合和所述第二特征向量组合输入至所述激励方式识别网络,得到针对所述分享业务的激励方式的多个识别结果。
可选地,所述神经网络嵌入层包括:第一嵌入层和第二嵌入层;
所述识别结果确定模块702,其:
利用所述第一嵌入层,对该输入特征信息中的所述分享方的用户特征信息和所述被分享方的用户特征信息进行融合及特征提取,得到第一综合嵌入特征向量;
利用所述第二嵌入层,对该输入特征信息中的待分享对象的特征信息和返佣方式的特征信息进行融合及特征提取,得到第二综合嵌入特征向量。
可选地,所述特征向量划分层包括:第一多层感知机和第二多层感知机;
所述识别结果确定模块702,其:
利用所述第一多层感知机,对所述第一综合嵌入特征向量进行特征提取及拆分处理,得到所述分享方的用户嵌入表达和所述被分享方的用户嵌入表达;
利用所述第二多层感知机,对所述第二综合嵌入特征向量进行特征提取及拆分处理,得到该输入特征信息对应的组合激励方式中的待分享对象对应的嵌入表达和返佣方式对应的嵌入表达。
可选地,所述激励方式识别网络包括:特征向量交互层和组合激励方式评估层;
所述第一特征向量组合包括:所述分享方的用户嵌入表达和所述被分享方的用户嵌入表达,所述第二特征向量组合包括:所述组合激励方式中的待分享对象对应的嵌入表达和返佣方式对应的嵌入表达。
可选地,所述识别结果确定模块702,其:
针对每个所述输入特征信息,利用所述特征向量交互层,基于所述分享方的所述用户嵌入表达和所述返佣方式对应的嵌入表达,确定针对该输入特征信息对应的组合激励方式中的所述返佣方式的第一打分信息;以及,
利用所述特征向量交互层,基于所述被分享方的所述用户嵌入表达和所述待分享对象的嵌入表达,确定针对该输入特征信息对应的组合激励方式中的所述待分享对象的第二打分信息;
利用所述组合激励方式评估层,基于各所述输入特征信息对应的所述第一打分信息和所述第二打分信息,确定针对所述分享业务的激励方式的多个识别结果。
可选地,所述识别结果确定模块702,其:
针对每个所述输入特征信息,利用所述组合激励方式评估层,基于该输入特征信息对应的所述第一打分信息和所述第二打分信息,确定该输入特征信息对应的组合激励方式的综合打分信息;
将各所述输入特征信息对应的所述综合打分信息,确定为针对所述分享业务的激励方式的多个识别结果。
可选地,所述业务指标信息包括:所述输入特征信息对应的组合激励方式的综合打分信息;
所述激励方式确定模块703,其:
按照综合打分分数由高到低的顺序,确定排序最靠前的所述综合打分信息对应的输入特征信息;
将基于确定出的所述输入特征信息得到的业务指标信息,确定为激励程度最高的目标业务指标信息。
可选地,所述分享业务处理模块704,其:
向所述被分享方分配所述目标分享对象;以及,
判断所述被分享方是否请求核销所述目标分享对象;
若是,则基于所述目标返佣方式,向所述分享方分配相应的返佣奖励。
可选地,如图8所示,所述装置还包括:识别模型训练模块705,其:
获取模型训练样本数据集,其中,所述模型训练样本数据集包括:多个历史分享业务的历史分享样本数据,每个所述历史分享样本数据包括:样本分享方的用户特征信息、样本被分享方的用户特征信息、历史分享对象的特征信息、以及所述历史分享对象对应的返佣方式的特征信息、以及所述历史分享业务的业务指标信息;
利用深度学习方法并基于多个所述历史分享样本数据,对预设神经网络模型的模型参数进行训练,得到训练好的识别模型,其中,所述训练好的识别模型中的模型参数的取值是所述神经网络模型中的业务目标的损失函数满足收敛条件时所确定的。
本说明书一个或多个实施例中的分享业务的处理装置,针对目标互联网业务服务的推广拉新的应用场景中,确定目标分享对象和目标返佣方式的过程,同时参考分享方的用户特征信息和被分享方的用户特征信息,并同时考虑可选的至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息,得到多个输入特征信息;将该多个输入特征信息输入至训练好的识别模型,得到针对分享业务的激励方式的识别结果;再基于该识别结果综合确定分配给被分享方的目标分享对象和分享方的目标返佣方式,并执行相应的业务处理,这样能够实现精准确定分配给被分享方的待分享对象和分享方的返佣奖励,进一步提高被分享方的核销积极性和分享方的分享积极性,从而达到对分享方和被分享方的最大化激励作用,进而进一步提高分享方的信息分享率和被分享方的信息核销率。
需要说明的是,本说明书中关于分享业务的处理装置的实施例与本说明书中关于分享业务的处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的分享业务的处理方法的实施,重复之处不再赘述。
进一步地,对应上述图2至图6所示的方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种分享业务的处理设备,该设备用于执行上述的分享业务的处理方法,如图9所示。
分享业务的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901和存储器902,存储器902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902可以是短暂存储或持久存储。存储在存储器902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分享业务的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901可以设置为与存储器902通信,在分享业务的处理设备上执行存储器902中的一系列计算机可执行指令。分享业务的处理设备还可以包括一个或一个以上电源903,一个或一个以上有线或无线网络接口904,一个或一个以上输入输出接口905,一个或一个以上键盘906等。
在一个具体的实施例中,分享业务的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分享业务的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:
获取分享业务的业务特征信息;其中,所述业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个所述待分享对象的至少一种返佣方式的特征信息;
基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果;其中,所述识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;所述业务指标信息表征所述分享方分享所述待分享对象的激励程度、以及表征所述被分享方核销所述待分享对象的激励程度;
基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式;
基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理。
本说明书一个或多个实施例中,针对目标互联网业务服务的推广拉新的应用场景中,确定目标分享对象和目标返佣方式的过程,同时参考分享方的用户特征信息和被分享方的用户特征信息,并同时考虑可选的至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息,得到多个输入特征信息;将该多个输入特征信息输入至训练好的识别模型,得到针对分享业务的激励方式的识别结果;再基于该识别结果综合确定分配给被分享方的目标分享对象和分享方的目标返佣方式,并执行相应的业务处理,这样能够实现精准确定分配给被分享方的待分享对象和分享方的返佣奖励,进一步提高被分享方的核销积极性和分享方的分享积极性,从而达到对分享方和被分享方的最大化激励作用,进而进一步提高分享方的信息分享率和被分享方的信息核销率。
可选地,计算机可执行指令在被执行时,基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果,包括:
基于所述业务特征信息生成多个输入特征信息;其中,每个所述输入特征信息包括:所述分享方的用户特征信息、所述被分享方的用户特征信息、一个待分享对象的特征信息、以及该待分享对象对应的一种返佣方式的特征信息;所述多个输入特征信息包括:所述至少一个待分享对象与所述至少一种返佣方式的全部组合;
将所述多个输入特征信息输入至训练好的识别模型,得到针对所述分享业务的激励方式的多个识别结果;其中,每个所述识别结果包括一个所述业务指标信息。
可选地,计算机可执行指令在被执行时,基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式,包括:
从所述多个识别结果中的业务指标信息中,确定激励程度最高的目标业务指标信息;
将得到所述目标业务指标信息的输入特征信息所对应的待分享对象确定为所述目标分享对象,以及将所对应的返佣方式确定为目标返佣方式。
可选地,计算机可执行指令在被执行时,所述识别模型包括:神经网络嵌入层、特征向量划分层和激励方式识别网络;
所述将所述多个输入特征信息输入至训练好的识别模型,得到针对所述分享业务的激励方式的多个识别结果,包括:
针对每个所述输入特征信息,将该输入特征信息输入至所述神经网络嵌入层,得到所述用户特征信息的第一综合嵌入特征向量、以及该输入特征信息对应的组合激励方式的第二综合嵌入特征向量;
将所述第一综合嵌入特征向量和所述第二综合嵌入特征向量输入至所述特征向量划分层,得到所述用户特征信息的第一特征向量组合和该输入特征信息对应的组合激励方式的第二特征向量组合;
将所述多个输入特征信息分别对应的所述第一特征向量组合和所述第二特征向量组合输入至所述激励方式识别网络,得到针对所述分享业务的激励方式的多个识别结果。
可选地,计算机可执行指令在被执行时,所述神经网络嵌入层包括:第一嵌入层和第二嵌入层;
所述将该输入特征信息输入至所述神经网络嵌入层,得到所述用户特征信息的第一综合嵌入特征向量、以及该输入特征信息对应的组合激励方式的第二综合嵌入特征向量,包括:
利用所述第一嵌入层,对该输入特征信息中的所述分享方的用户特征信息和所述被分享方的用户特征信息进行融合及特征提取,得到第一综合嵌入特征向量;
利用所述第二嵌入层,对该输入特征信息中的待分享对象的特征信息和返佣方式的特征信息进行融合及特征提取,得到第二综合嵌入特征向量。
可选地,计算机可执行指令在被执行时,所述特征向量划分层包括:第一多层感知机和第二多层感知机;
所述将所述第一综合嵌入特征向量和所述第二综合嵌入特征向量输入至所述特征向量划分层,得到所述用户特征信息的第一特征向量组合和该输入特征信息对应的组合激励方式的第二特征向量组合,包括:
利用所述第一多层感知机,对所述第一综合嵌入特征向量进行特征提取及拆分处理,得到所述分享方的用户嵌入表达和所述被分享方的用户嵌入表达;
利用所述第二多层感知机,对所述第二综合嵌入特征向量进行特征提取及拆分处理,得到该输入特征信息对应的组合激励方式中的待分享对象对应的嵌入表达和返佣方式对应的嵌入表达。
可选地,计算机可执行指令在被执行时,所述激励方式识别网络包括:特征向量交互层和组合激励方式评估层;
所述第一特征向量组合包括:所述分享方的用户嵌入表达和所述被分享方的用户嵌入表达,所述第二特征向量组合包括:所述组合激励方式中的待分享对象对应的嵌入表达和返佣方式对应的嵌入表达。
可选地,计算机可执行指令在被执行时,所述将所述多个输入特征信息分别对应的所述第一特征向量组合和所述第二特征向量组合输入至所述激励方式识别网络,得到针对所述分享业务的激励方式的多个识别结果,包括:
针对每个所述输入特征信息,利用所述特征向量交互层,基于所述分享方的所述用户嵌入表达和所述返佣方式对应的嵌入表达,确定针对该输入特征信息对应的组合激励方式中的所述返佣方式的第一打分信息;以及,
利用所述特征向量交互层,基于所述被分享方的所述用户嵌入表达和所述待分享对象的嵌入表达,确定针对该输入特征信息对应的组合激励方式中的所述待分享对象的第二打分信息;
利用所述组合激励方式评估层,基于各所述输入特征信息对应的所述第一打分信息和所述第二打分信息,确定针对所述分享业务的激励方式的多个识别结果。
可选地,计算机可执行指令在被执行时,所述利用所述组合激励方式评估层,基于各所述输入特征信息对应的所述第一打分信息和所述第二打分信息,确定针对所述分享业务的激励方式的多个识别结果,包括:
针对每个所述输入特征信息,利用所述组合激励方式评估层,基于该输入特征信息对应的所述第一打分信息和所述第二打分信息,确定该输入特征信息对应的组合激励方式的综合打分信息;
将各所述输入特征信息对应的所述综合打分信息,确定为针对所述分享业务的激励方式的多个识别结果。
可选地,计算机可执行指令在被执行时,所述业务指标信息包括:所述输入特征信息对应的组合激励方式的综合打分信息;
所述从所述多个识别结果中的业务指标信息中,确定激励程度最高的目标业务指标信息,包括:
按照综合打分分数由高到低的顺序,确定排序最靠前的所述综合打分信息对应的输入特征信息;
将基于确定出的所述输入特征信息得到的业务指标信息,确定为激励程度最高的目标业务指标信息。
可选地,计算机可执行指令在被执行时,所述基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理,包括:
向所述被分享方分配所述目标分享对象;以及,
判断所述被分享方是否请求核销所述目标分享对象;
若是,则基于所述目标返佣方式,向所述分享方分配相应的返佣奖励。
可选地,计算机可执行指令在被执行时,所述识别模型是通过如下方式训练得到的:
获取模型训练样本数据集,其中,所述模型训练样本数据集包括:多个历史分享业务的历史分享样本数据,每个所述历史分享样本数据包括:样本分享方的用户特征信息、样本被分享方的用户特征信息、历史分享对象的特征信息、以及所述历史分享对象对应的返佣方式的特征信息、以及所述历史分享业务的业务指标信息;
利用深度学习方法并基于多个所述历史分享样本数据,对预设神经网络模型的模型参数进行训练,得到训练好的识别模型,其中,所述训练好的识别模型中的模型参数的取值是所述神经网络模型中的业务目标的损失函数满足收敛条件时所确定的。
本说明书一个或多个实施例中的分享业务的处理设备,针对目标互联网业务服务的推广拉新的应用场景中,确定目标分享对象和目标返佣方式的过程,同时参考分享方的用户特征信息和被分享方的用户特征信息,并同时考虑可选的至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息,得到多个输入特征信息;将该多个输入特征信息输入至训练好的识别模型,得到针对分享业务的激励方式的识别结果;再基于该识别结果综合确定分配给被分享方的目标分享对象和分享方的目标返佣方式,并执行相应的业务处理,这样能够实现精准确定分配给被分享方的待分享对象和分享方的返佣奖励,进一步提高被分享方的核销积极性和分享方的分享积极性,从而达到对分享方和被分享方的最大化激励作用,进而进一步提高分享方的信息分享率和被分享方的信息核销率。
需要说明的是,本说明书中关于分享业务的处理设备的实施例与本说明书中关于分享业务的处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的分享业务的处理方法的实施,重复之处不再赘述。
进一步地,对应上述图2至图6所示的方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
获取分享业务的业务特征信息;其中,所述业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个所述待分享对象的至少一种返佣方式的特征信息;
基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果;其中,所述识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;所述业务指标信息表征所述分享方分享所述待分享对象的激励程度、以及表征所述被分享方核销所述待分享对象的激励程度;
基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式;
基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理。
本说明书一个或多个实施例中,针对目标互联网业务服务的推广拉新的应用场景中,确定目标分享对象和目标返佣方式的过程,同时参考分享方的用户特征信息和被分享方的用户特征信息,并同时考虑可选的至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息,得到多个输入特征信息;将该多个输入特征信息输入至训练好的识别模型,得到针对分享业务的激励方式的识别结果;再基于该识别结果综合确定分配给被分享方的目标分享对象和分享方的目标返佣方式,并执行相应的业务处理,这样能够实现精准确定分配给被分享方的待分享对象和分享方的返佣奖励,进一步提高被分享方的核销积极性和分享方的分享积极性,从而达到对分享方和被分享方的最大化激励作用,进而进一步提高分享方的信息分享率和被分享方的信息核销率。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果,包括:
基于所述业务特征信息生成多个输入特征信息;其中,每个所述输入特征信息包括:所述分享方的用户特征信息、所述被分享方的用户特征信息、一个待分享对象的特征信息、以及该待分享对象对应的一种返佣方式的特征信息;所述多个输入特征信息包括:所述至少一个待分享对象与所述至少一种返佣方式的全部组合;
将所述多个输入特征信息输入至训练好的识别模型,得到针对所述分享业务的激励方式的多个识别结果;其中,每个所述识别结果包括一个所述业务指标信息。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式,包括:
从所述多个识别结果中的业务指标信息中,确定激励程度最高的目标业务指标信息;
将得到所述目标业务指标信息的输入特征信息所对应的待分享对象确定为所述目标分享对象,以及将所对应的返佣方式确定为目标返佣方式。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述识别模型包括:神经网络嵌入层、特征向量划分层和激励方式识别网络;
所述将所述多个输入特征信息输入至训练好的识别模型,得到针对所述分享业务的激励方式的多个识别结果,包括:
针对每个所述输入特征信息,将该输入特征信息输入至所述神经网络嵌入层,得到所述用户特征信息的第一综合嵌入特征向量、以及该输入特征信息对应的组合激励方式的第二综合嵌入特征向量;
将所述第一综合嵌入特征向量和所述第二综合嵌入特征向量输入至所述特征向量划分层,得到所述用户特征信息的第一特征向量组合和该输入特征信息对应的组合激励方式的第二特征向量组合;
将所述多个输入特征信息分别对应的所述第一特征向量组合和所述第二特征向量组合输入至所述激励方式识别网络,得到针对所述分享业务的激励方式的多个识别结果。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述神经网络嵌入层包括:第一嵌入层和第二嵌入层;
所述将该输入特征信息输入至所述神经网络嵌入层,得到所述用户特征信息的第一综合嵌入特征向量、以及该输入特征信息对应的组合激励方式的第二综合嵌入特征向量,包括:
利用所述第一嵌入层,对该输入特征信息中的所述分享方的用户特征信息和所述被分享方的用户特征信息进行融合及特征提取,得到第一综合嵌入特征向量;
利用所述第二嵌入层,对该输入特征信息中的待分享对象的特征信息和返佣方式的特征信息进行融合及特征提取,得到第二综合嵌入特征向量。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述特征向量划分层包括:第一多层感知机和第二多层感知机;
所述将所述第一综合嵌入特征向量和所述第二综合嵌入特征向量输入至所述特征向量划分层,得到所述用户特征信息的第一特征向量组合和该输入特征信息对应的组合激励方式的第二特征向量组合,包括:
利用所述第一多层感知机,对所述第一综合嵌入特征向量进行特征提取及拆分处理,得到所述分享方的用户嵌入表达和所述被分享方的用户嵌入表达;
利用所述第二多层感知机,对所述第二综合嵌入特征向量进行特征提取及拆分处理,得到该输入特征信息对应的组合激励方式中的待分享对象对应的嵌入表达和返佣方式对应的嵌入表达。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述激励方式识别网络包括:特征向量交互层和组合激励方式评估层;
所述第一特征向量组合包括:所述分享方的用户嵌入表达和所述被分享方的用户嵌入表达,所述第二特征向量组合包括:所述组合激励方式中的待分享对象对应的嵌入表达和返佣方式对应的嵌入表达。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述将所述多个输入特征信息分别对应的所述第一特征向量组合和所述第二特征向量组合输入至所述激励方式识别网络,得到针对所述分享业务的激励方式的多个识别结果,包括:
针对每个所述输入特征信息,利用所述特征向量交互层,基于所述分享方的所述用户嵌入表达和所述返佣方式对应的嵌入表达,确定针对该输入特征信息对应的组合激励方式中的所述返佣方式的第一打分信息;以及,
利用所述特征向量交互层,基于所述被分享方的所述用户嵌入表达和所述待分享对象的嵌入表达,确定针对该输入特征信息对应的组合激励方式中的所述待分享对象的第二打分信息;
利用所述组合激励方式评估层,基于各所述输入特征信息对应的所述第一打分信息和所述第二打分信息,确定针对所述分享业务的激励方式的多个识别结果。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述利用所述组合激励方式评估层,基于各所述输入特征信息对应的所述第一打分信息和所述第二打分信息,确定针对所述分享业务的激励方式的多个识别结果,包括:
针对每个所述输入特征信息,利用所述组合激励方式评估层,基于该输入特征信息对应的所述第一打分信息和所述第二打分信息,确定该输入特征信息对应的组合激励方式的综合打分信息;
将各所述输入特征信息对应的所述综合打分信息,确定为针对所述分享业务的激励方式的多个识别结果。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述业务指标信息包括:所述输入特征信息对应的组合激励方式的综合打分信息;
所述从所述多个识别结果中的业务指标信息中,确定激励程度最高的目标业务指标信息,包括:
按照综合打分分数由高到低的顺序,确定排序最靠前的所述综合打分信息对应的输入特征信息;
将基于确定出的所述输入特征信息得到的业务指标信息,确定为激励程度最高的目标业务指标信息。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理,包括:
向所述被分享方分配所述目标分享对象;以及,
判断所述被分享方是否请求核销所述目标分享对象;
若是,则基于所述目标返佣方式,向所述分享方分配相应的返佣奖励。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述识别模型是通过如下方式训练得到的:
获取模型训练样本数据集,其中,所述模型训练样本数据集包括:多个历史分享业务的历史分享样本数据,每个所述历史分享样本数据包括:样本分享方的用户特征信息、样本被分享方的用户特征信息、历史分享对象的特征信息、以及所述历史分享对象对应的返佣方式的特征信息、以及所述历史分享业务的业务指标信息;
利用深度学习方法并基于多个所述历史分享样本数据,对预设神经网络模型的模型参数进行训练,得到训练好的识别模型,其中,所述训练好的识别模型中的模型参数的取值是所述神经网络模型中的业务目标的损失函数满足收敛条件时所确定的。
本说明书一个或多个实施例中的存储介质存储的计算机可执行指令在被处理器执行时,针对目标互联网业务服务的推广拉新的应用场景中,确定目标分享对象和目标返佣方式的过程,同时参考分享方的用户特征信息和被分享方的用户特征信息,并同时考虑可选的至少一个待分享对象的特征信息、以及每个待分享对象的至少一种返佣方式的特征信息,得到多个输入特征信息;将该多个输入特征信息输入至训练好的识别模型,得到针对分享业务的激励方式的识别结果;再基于该识别结果综合确定分配给被分享方的目标分享对象和分享方的目标返佣方式,并执行相应的业务处理,这样能够实现精准确定分配给被分享方的待分享对象和分享方的返佣奖励,进一步提高被分享方的核销积极性和分享方的分享积极性,从而达到对分享方和被分享方的最大化激励作用,进而进一步提高分享方的信息分享率和被分享方的信息核销率。
需要说明的是,本说明书中关于存储介质的实施例与本说明书中关于分享业务的处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的分享业务的处理方法的实施,重复之处不再赘述。
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)、HD Cal、JHDL(Java Hardware Description Language)、Lava、Lola、My HDL、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,本说明书一个或多个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是参照根据本说明书一个或多个实施例的方法、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,本说明书一个或多个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,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一个或多个的实施例而已,并不用于限制本说明书一个或多个。对于本领域技术人员来说,本说明书一个或多个可以有各种更改和变化。凡在本说明书一个或多个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一个或多个的权利要求范围之内。
Claims (26)
1.一种分享业务的处理方法,包括:
获取分享业务的业务特征信息;其中,所述业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个所述待分享对象的至少一种返佣方式的特征信息;
基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果;其中,所述识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;所述业务指标信息表征所述分享方分享所述待分享对象的激励程度、以及表征所述被分享方核销所述待分享对象的激励程度;
基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式;
基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理。
2.根据权利要求1所述的方法,其中,基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果,包括:
基于所述业务特征信息生成多个输入特征信息;其中,每个所述输入特征信息包括:所述分享方的用户特征信息、所述被分享方的用户特征信息、一个待分享对象的特征信息、以及该待分享对象对应的一种返佣方式的特征信息;所述多个输入特征信息包括:所述至少一个待分享对象与所述至少一种返佣方式的全部组合;
将所述多个输入特征信息输入至训练好的识别模型,得到针对所述分享业务的激励方式的多个识别结果;其中,每个所述识别结果包括一个所述业务指标信息。
3.根据权利要求2所述的方法,其中,基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式,包括:
从所述多个识别结果中的业务指标信息中,确定激励程度最高的目标业务指标信息;
将得到所述目标业务指标信息的输入特征信息所对应的待分享对象确定为所述目标分享对象,以及将所对应的返佣方式确定为目标返佣方式。
4.根据权利要求2所述的方法,其中,所述识别模型包括:神经网络嵌入层、特征向量划分层和激励方式识别网络;
所述将所述多个输入特征信息输入至训练好的识别模型,得到针对所述分享业务的激励方式的多个识别结果,包括:
针对每个所述输入特征信息,将该输入特征信息输入至所述神经网络嵌入层,得到所述用户特征信息的第一综合嵌入特征向量、以及该输入特征信息对应的组合激励方式的第二综合嵌入特征向量;
将所述第一综合嵌入特征向量和所述第二综合嵌入特征向量输入至所述特征向量划分层,得到所述用户特征信息的第一特征向量组合和该输入特征信息对应的组合激励方式的第二特征向量组合;
将所述多个输入特征信息分别对应的所述第一特征向量组合和所述第二特征向量组合输入至所述激励方式识别网络,得到针对所述分享业务的激励方式的多个识别结果。
5.根据权利要求4所述的方法,其中,所述神经网络嵌入层包括:第一嵌入层和第二嵌入层;
所述将该输入特征信息输入至所述神经网络嵌入层,得到所述用户特征信息的第一综合嵌入特征向量、以及该输入特征信息对应的组合激励方式的第二综合嵌入特征向量,包括:
利用所述第一嵌入层,对该输入特征信息中的所述分享方的用户特征信息和所述被分享方的用户特征信息进行融合及特征提取,得到第一综合嵌入特征向量;
利用所述第二嵌入层,对该输入特征信息中的待分享对象的特征信息和返佣方式的特征信息进行融合及特征提取,得到第二综合嵌入特征向量。
6.根据权利要求4所述的方法,其中,所述特征向量划分层包括:第一多层感知机和第二多层感知机;
所述将所述第一综合嵌入特征向量和所述第二综合嵌入特征向量输入至所述特征向量划分层,得到所述用户特征信息的第一特征向量组合和该输入特征信息对应的组合激励方式的第二特征向量组合,包括:
利用所述第一多层感知机,对所述第一综合嵌入特征向量进行特征提取及拆分处理,得到所述分享方的用户嵌入表达和所述被分享方的用户嵌入表达;
利用所述第二多层感知机,对所述第二综合嵌入特征向量进行特征提取及拆分处理,得到该输入特征信息对应的组合激励方式中的待分享对象对应的嵌入表达和返佣方式对应的嵌入表达。
7.根据权利要求4所述的方法,其中,所述激励方式识别网络包括:特征向量交互层和组合激励方式评估层;
所述第一特征向量组合包括:所述分享方的用户嵌入表达和所述被分享方的用户嵌入表达,所述第二特征向量组合包括:所述组合激励方式中的待分享对象对应的嵌入表达和返佣方式对应的嵌入表达。
8.根据权利要求7所述的方法,其中,所述将所述多个输入特征信息分别对应的所述第一特征向量组合和所述第二特征向量组合输入至所述激励方式识别网络,得到针对所述分享业务的激励方式的多个识别结果,包括:
针对每个所述输入特征信息,利用所述特征向量交互层,基于所述分享方的所述用户嵌入表达和所述返佣方式对应的嵌入表达,确定针对该输入特征信息对应的组合激励方式中的所述返佣方式的第一打分信息;以及,
利用所述特征向量交互层,基于所述被分享方的所述用户嵌入表达和所述待分享对象的嵌入表达,确定针对该输入特征信息对应的组合激励方式中的所述待分享对象的第二打分信息;
利用所述组合激励方式评估层,基于各所述输入特征信息对应的所述第一打分信息和所述第二打分信息,确定针对所述分享业务的激励方式的多个识别结果。
9.根据权利要求8所述的方法,其中,所述利用所述组合激励方式评估层,基于各所述输入特征信息对应的所述第一打分信息和所述第二打分信息,确定针对所述分享业务的激励方式的多个识别结果,包括:
针对每个所述输入特征信息,利用所述组合激励方式评估层,基于该输入特征信息对应的所述第一打分信息和所述第二打分信息,确定该输入特征信息对应的组合激励方式的综合打分信息;
将各所述输入特征信息对应的所述综合打分信息,确定为针对所述分享业务的激励方式的多个识别结果。
10.根据权利要求3所述的方法,其中,所述业务指标信息包括:所述输入特征信息对应的组合激励方式的综合打分信息;
所述从所述多个识别结果中的业务指标信息中,确定激励程度最高的目标业务指标信息,包括:
按照综合打分分数由高到低的顺序,确定排序最靠前的所述综合打分信息对应的输入特征信息;
将基于确定出的所述输入特征信息得到的业务指标信息,确定为激励程度最高的目标业务指标信息。
11.根据权利要求1至10任一项所述的方法,其中,所述基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理,包括:
向所述被分享方分配所述目标分享对象;以及,
判断所述被分享方是否请求核销所述目标分享对象;
若是,则基于所述目标返佣方式,向所述分享方分配相应的返佣奖励。
12.根据权利要求1至10任一项所述的方法,其中,所述识别模型是通过如下方式训练得到的:
获取模型训练样本数据集,其中,所述模型训练样本数据集包括:多个历史分享业务的历史分享样本数据,每个所述历史分享样本数据包括:样本分享方的用户特征信息、样本被分享方的用户特征信息、历史分享对象的特征信息、以及所述历史分享对象对应的返佣方式的特征信息、以及所述历史分享业务的业务指标信息;
利用深度学习方法并基于多个所述历史分享样本数据,对预设神经网络模型的模型参数进行训练,得到训练好的识别模型,其中,所述训练好的识别模型中的模型参数的取值是所述神经网络模型中的业务目标的损失函数满足收敛条件时所确定的。
13.一种分享业务的处理装置,包括:
特征信息获取模块,其获取分享业务的业务特征信息;其中,所述业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个所述待分享对象的至少一种返佣方式的特征信息;
识别结果确定模块,其基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果;其中,所述识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;所述业务指标信息表征所述分享方分享所述待分享对象的激励程度、以及表征所述被分享方核销所述待分享对象的激励程度;
激励方式确定模块,其基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式;
分享业务处理模块,其基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理。
14.根据权利要求13所述的装置,其中,所述识别结果确定模块,其:
基于所述业务特征信息生成多个输入特征信息;其中,每个所述输入特征信息包括:所述分享方的用户特征信息、所述被分享方的用户特征信息、一个待分享对象的特征信息、以及该待分享对象对应的一种返佣方式的特征信息;所述多个输入特征信息包括:所述至少一个待分享对象与所述至少一种返佣方式的全部组合;
将所述多个输入特征信息输入至训练好的识别模型,得到针对所述分享业务的激励方式的多个识别结果;其中,每个所述识别结果包括一个所述业务指标信息。
15.根据权利要求14所述的装置,其中,所述激励方式确定模块,其:
从所述多个识别结果中的业务指标信息中,确定激励程度最高的目标业务指标信息;
将得到所述目标业务指标信息的输入特征信息所对应的待分享对象确定为所述目标分享对象,以及将所对应的返佣方式确定为目标返佣方式。
16.根据权利要求14所述的装置,其中,所述识别模型包括:神经网络嵌入层、特征向量划分层和激励方式识别网络;
所述识别结果确定模块,其:
针对每个所述输入特征信息,将该输入特征信息输入至所述神经网络嵌入层,得到所述用户特征信息的第一综合嵌入特征向量、以及该输入特征信息对应的组合激励方式的第二综合嵌入特征向量;
将所述第一综合嵌入特征向量和所述第二综合嵌入特征向量输入至所述特征向量划分层,得到所述用户特征信息的第一特征向量组合和该输入特征信息对应的组合激励方式的第二特征向量组合;
将所述多个输入特征信息分别对应的所述第一特征向量组合和所述第二特征向量组合输入至所述激励方式识别网络,得到针对所述分享业务的激励方式的多个识别结果。
17.根据权利要求16所述的装置,其中,所述神经网络嵌入层包括:第一嵌入层和第二嵌入层;
所述识别结果确定模块,其:
利用所述第一嵌入层,对该输入特征信息中的所述分享方的用户特征信息和所述被分享方的用户特征信息进行融合及特征提取,得到第一综合嵌入特征向量;
利用所述第二嵌入层,对该输入特征信息中的待分享对象的特征信息和返佣方式的特征信息进行融合及特征提取,得到第二综合嵌入特征向量。
18.根据权利要求16所述的装置,其中,所述特征向量划分层包括:第一多层感知机和第二多层感知机;
所述识别结果确定模块,其:
利用所述第一多层感知机,对所述第一综合嵌入特征向量进行特征提取及拆分处理,得到所述分享方的用户嵌入表达和所述被分享方的用户嵌入表达;
利用所述第二多层感知机,对所述第二综合嵌入特征向量进行特征提取及拆分处理,得到该输入特征信息对应的组合激励方式中的待分享对象对应的嵌入表达和返佣方式对应的嵌入表达。
19.根据权利要求16所述的装置,其中,所述激励方式识别网络包括:特征向量交互层和组合激励方式评估层;
所述第一特征向量组合包括:所述分享方的用户嵌入表达和所述被分享方的用户嵌入表达,所述第二特征向量组合包括:所述组合激励方式中的待分享对象对应的嵌入表达和返佣方式对应的嵌入表达。
20.根据权利要求19所述的装置,其中,所述识别结果确定模块,其:
针对每个所述输入特征信息,利用所述特征向量交互层,基于所述分享方的所述用户嵌入表达和所述返佣方式对应的嵌入表达,确定针对该输入特征信息对应的组合激励方式中的所述返佣方式的第一打分信息;以及,
利用所述特征向量交互层,基于所述被分享方的所述用户嵌入表达和所述待分享对象的嵌入表达,确定针对该输入特征信息对应的组合激励方式中的所述待分享对象的第二打分信息;
利用所述组合激励方式评估层,基于各所述输入特征信息对应的所述第一打分信息和所述第二打分信息,确定针对所述分享业务的激励方式的多个识别结果。
21.根据权利要求20所述的装置,其中,所述识别结果确定模块,其:
针对每个所述输入特征信息,利用所述组合激励方式评估层,基于该输入特征信息对应的所述第一打分信息和所述第二打分信息,确定该输入特征信息对应的组合激励方式的综合打分信息;
将各所述输入特征信息对应的所述综合打分信息,确定为针对所述分享业务的激励方式的多个识别结果。
22.根据权利要求15所述的装置,其中,所述业务指标信息包括:所述输入特征信息对应的组合激励方式的综合打分信息;
所述激励方式确定模块,其:
按照综合打分分数由高到低的顺序,确定排序最靠前的所述综合打分信息对应的输入特征信息;
将基于确定出的所述输入特征信息得到的业务指标信息,确定为激励程度最高的目标业务指标信息。
23.根据权利要求13至22任一项所述的装置,其中,所述分享业务处理模块,其:
向所述被分享方分配所述目标分享对象;以及,
判断所述被分享方是否请求核销所述目标分享对象;
若是,则基于所述目标返佣方式,向所述分享方分配相应的返佣奖励。
24.根据权利要求13至22任一项所述的装置,其中,所述装置还包括:识别模型训练模块,其:
获取模型训练样本数据集,其中,所述模型训练样本数据集包括:多个历史分享业务的历史分享样本数据,每个所述历史分享样本数据包括:样本分享方的用户特征信息、样本被分享方的用户特征信息、历史分享对象的特征信息、以及所述历史分享对象对应的返佣方式的特征信息、以及所述历史分享业务的业务指标信息;
利用深度学习方法并基于多个所述历史分享样本数据,对预设神经网络模型的模型参数进行训练,得到训练好的识别模型,其中,所述训练好的识别模型中的模型参数的取值是所述神经网络模型中的业务目标的损失函数满足收敛条件时所确定的。
25.一种分享业务的处理设备,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:
获取分享业务的业务特征信息;其中,所述业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个所述待分享对象的至少一种返佣方式的特征信息;
基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果;其中,所述识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;所述业务指标信息表征所述分享方分享所述待分享对象的激励程度、以及表征所述被分享方核销所述待分享对象的激励程度;
基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式;
基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理。
26.一种存储介质,用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下方法:
获取分享业务的业务特征信息;其中,所述业务特征信息包括:分享方的用户特征信息、被分享方的用户特征信息、至少一个待分享对象的特征信息、以及每个所述待分享对象的至少一种返佣方式的特征信息;
基于所述业务特征信息生成输入特征信息并输入至训练好的识别模型,得到针对所述分享业务的激励方式的识别结果;其中,所述识别结果包括:由每个待分享对象与其对应的至少一种返佣方式组合得到的各组合激励方式的业务指标信息;所述业务指标信息表征所述分享方分享所述待分享对象的激励程度、以及表征所述被分享方核销所述待分享对象的激励程度;
基于各所述组合激励方式对应的所述业务指标信息,确定分配给所述被分享方的目标分享对象和所述分享方的目标返佣方式;
基于所述目标分享对象和所述目标返佣方式执行相应的分享业务处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010412804.8A CN111340573A (zh) | 2020-05-15 | 2020-05-15 | 一种分享业务的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010412804.8A CN111340573A (zh) | 2020-05-15 | 2020-05-15 | 一种分享业务的处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340573A true CN111340573A (zh) | 2020-06-26 |
Family
ID=71182963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010412804.8A Pending CN111340573A (zh) | 2020-05-15 | 2020-05-15 | 一种分享业务的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340573A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130173319A1 (en) * | 2006-10-25 | 2013-07-04 | Stubhub, Inc. | System and methods for mapping price and location of tickets in an event venue |
CN103635923A (zh) * | 2011-06-30 | 2014-03-12 | 微软公司 | 利用社交连接和引导的共享电子激励和优惠券 |
CN107886356A (zh) * | 2017-11-03 | 2018-04-06 | 北京翰宁智能科技有限责任公司 | 一种超市优惠券面额的动态生成方法 |
CN109345284A (zh) * | 2018-08-31 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 商家营销的返佣系数的确定方法、装置及服务器 |
CN110245980A (zh) * | 2019-05-29 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 基于神经网络模型确定目标用户激励形式的方法和设备 |
CN111242658A (zh) * | 2018-11-29 | 2020-06-05 | 北京京东尚科信息技术有限公司 | 信息分享奖励方法、装置及计算机可读存储介质 |
-
2020
- 2020-05-15 CN CN202010412804.8A patent/CN111340573A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130173319A1 (en) * | 2006-10-25 | 2013-07-04 | Stubhub, Inc. | System and methods for mapping price and location of tickets in an event venue |
CN103635923A (zh) * | 2011-06-30 | 2014-03-12 | 微软公司 | 利用社交连接和引导的共享电子激励和优惠券 |
CN107886356A (zh) * | 2017-11-03 | 2018-04-06 | 北京翰宁智能科技有限责任公司 | 一种超市优惠券面额的动态生成方法 |
CN109345284A (zh) * | 2018-08-31 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 商家营销的返佣系数的确定方法、装置及服务器 |
CN111242658A (zh) * | 2018-11-29 | 2020-06-05 | 北京京东尚科信息技术有限公司 | 信息分享奖励方法、装置及计算机可读存储介质 |
CN110245980A (zh) * | 2019-05-29 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 基于神经网络模型确定目标用户激励形式的方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10789530B2 (en) | Neural embeddings of transaction data | |
CN110245935B (zh) | 支付渠道推荐方法、装置及设备 | |
US11593847B2 (en) | Unsupervised embeddings disentanglement using a GAN for merchant recommendations | |
US20190180255A1 (en) | Utilizing machine learning to generate recommendations for a transaction based on loyalty credits and stored-value cards | |
US20190035015A1 (en) | Method and apparatus for obtaining a stable credit score | |
US10817804B1 (en) | Using machine learning to predict user profile affinity based on behavioral data analytics | |
WO2021259147A1 (zh) | 基于区块链的资源转移方法、装置及设备 | |
WO2015116650A1 (en) | Developing joint predictive scores | |
KR102492058B1 (ko) | 논커머스 업종 맞춤형 cpa 광고 플랫폼 서비스 제공 장치 및 방법 | |
US20230274282A1 (en) | Transaction tracking and fraud detection using voice and/or video data | |
US11257106B2 (en) | Utilizing machine learning models to recommend travel offer packages relating to a travel experience | |
Indriasari et al. | Adoption of cloud business intelligence in Indonesia’s financial services sector | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
Chen et al. | Quantifying Mileage Runs | |
CN111340573A (zh) | 一种分享业务的处理方法及装置 | |
CN111325557A (zh) | 一种商户风险的检测方法、装置及设备 | |
CN116090913A (zh) | 基于数字孪生技术的员工服务数据的处理方法及相关装置 | |
CN116485391A (zh) | 支付推荐处理方法及装置 | |
US20150134449A1 (en) | Financial conversation management systems and methods | |
CN112967044B (zh) | 一种支付业务的处理方法及装置 | |
CN114240121A (zh) | 资源分配处理方法及装置 | |
US20210233123A1 (en) | Vendor recommendation platform | |
US20190139099A1 (en) | System, method, and recording medium for updating and distributing advertisement | |
CN111401641A (zh) | 业务数据处理方法、装置及电子设备 | |
US20230075588A1 (en) | System for management of distribution according to a dynamic ranking of receiving entities |
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: 20200626 |