CN111464337A - 资源配置方法、装置、电子设备 - Google Patents

Abstract

本申请实施例公开了一种资源配置方法，属于计算机技术领域，有助于提升资源配置匹配度。本申请实施例公开的资源配置方法，包括：基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型；根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值；根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量；根据获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置第一网络资源的数量，有助于提升资源配置的匹配度。

Description

资源配置方法、装置、电子设备

技术领域

本申请实施例涉及计算机技术领域，特别是涉及一种资源配置方法、装置、电子设备及计算机可读存储介质。

背景技术

在网络平台运营场景中，网络资源管理平台通常会通过对下游对象执行资源配置操作，从而提升网络平台的运行效率。例如，数据分发中心为下游数据分发节点配置网络带宽，以利用有限网络带宽提升分发的数据流量。再例如，商家通过向用户发放订单补贴，从而促进用户使用补贴，以增加用户在商家的订单数量和消费额度。在类似应用场景中，核心问题是确定每个网络资源管理平台给不同的下游对象配置的网络资源的数量，以使网络资源利用效率最高。例如，在网络分发数据流量不降的情况下，降低数据分发节点的网络带宽。

现有技术中，确定数据分发节点的网络资源配置数量的方案，依赖于配置人员的个人经验，存在网络资源利用效率低的问题。

可见，现有技术中的资源配置方法至少存在计算资源配置数量不匹配的缺陷。

发明内容

本申请实施例公开一种资源配置方法，有助于提升资源配置的匹配度。

为了解决上述问题，第一方面，本申请实施例公开了一种资源配置方法，包括：

基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型；

根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值；

根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量；

在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，对所述下游对象配置获取的所述预估数量的第一网络资源；否则，对所述下游对象配置指定数量的第一网络资源。

第二方面，本申请实施例公开了一种资源配置装置，包括：

资源配置模型建立模块，用于基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型；

资源配置参数取值获取模块，用于根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值；

预估数量获取模块，用于根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量；

资源配置数量确定模块，用于在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置获取的所述预估数量的第一网络资源；否则，确定对所述下游对象配置指定数量的第一网络资源。

第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的资源配置方法。

第四方面，本申请实施例公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本申请实施例公开的资源配置方法的步骤。

本申请实施例公开的资源配置方法，通过基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型；根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值；根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量；在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置获取的所述预估数量的第一网络资源；否则，确定对所述下游对象配置指定数量的第一网络资源，有助于提升资源配置的匹配度。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1是本申请实施例一的资源配置方法流程图；

图2是本申请实施例二的资源配置方法流程图；

图3是本申请实施例三的资源配置装置结构示意图之一；

图4是本申请实施例三的资源配置装置结构示意图之二；

图5示意性地示出了用于执行根据本申请的方法的电子设备的框图；以及

图6示意性地示出了用于保持或者携带实现根据本申请的方法的程序代码的存储单元。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

实施例一

本申请实施例公开的一种资源配置方法，如图1所示，所述方法包括：步骤110至步骤140。

步骤110,基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型。

凸优化问题研究凸集中凸函数最小化的问题，求满足一定条件下某些参数最小值的场景，经常可以采用解决凸优化问题理论。具体实施时，求解的问题通常通过不等式(即凸函数)表达，在一定约束条件下，满足不等式的变量值，就是最终求解的数值。

在网络资源配置场景中，解决上游的网络资源管理平台对下游对象配置网络资源数量供下游对象使用以输出第二网络资源时，在第二网络资源不变的情况下，第一网络资源配置数量最小值的问题，就是一个凸优化问题，可以基于解决凸优化问题理论建模。其中，第一网络资源与第二网络资源不同，且使用第一网络资源可以生成或促进生成第二网络资源。例如，解决在数据分发流量不变的情况下，数据分发节点的网络带宽最小值问题；再例如，解决在订单金额不变的情况下，用户配置资源(如红包、补贴券)的最小值问题。

首先，根据第一网络资源的配置数量和输出第二网络资源数量之间的关系建模。例如，可以根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型。以所述第一网络资源为网络带宽，所述第二网络资源数量为网络数据流量，所述网络资源管理平台为数据分发中心、所述下游对象为所述数据分发中心的数据分发节点为例，所述基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型的步骤，包括：以数据分发中心对数据分发节点的网络带宽的配置率最小化为优化目标，以在所述网络带宽的配置率最小化时对应的预估数量网络带宽配置条件下所述数据分发节点分发的网络数据流量，大于或等于在指定数量网络带宽配置条件下所述数据分发节点在分发的网络数据流量为约束，对所述预估数量建模，确定第二模型；在满足所述约束的条件下，通过在指定数量网络带宽配置条件下所述数据分发节点的历史网络数据流量代换在所述预估数量网络带宽配置条件下所述数据分发节点的网络数据流量，对所述优化目标和约束进行简化处理，其中，简化处理后的优化目标和约束通过所述数据分发中心为所述数据分发节点配置的网络带宽的预估数量，和/或，数据分发节点使用概率表示；基于所述利用率的计算公式，将简化处理后的优化目标和约束转化为凸优化问题，对简化后的优化目标和约束进行转化，确定表达所述凸优化问题的资源配置模型。

例如，第二模型的优化目标表示为：

第二模型的约束表示为：

∑_i volume(d_i,cen_k,R_k)P(y|d_i,cen_k,R_k)-volume(d_i,cen_k,J_ik)P(y|d_i,cen_k,J_ik)≤0；

上述公式中各参数的含义如下：J_ik表示数据分发中心k为数据分发节点i配置的网络带宽的预估数量；P(y|d_i,cen_k,J_ik)表示数据分发中心k为数据分发节点i配置预估数量J_ik的网络带宽条件下，数据分发节点使用概率；volume(d_i,cen_k,J_ik)表示数据分发节点i在数据分发中心k为其配置预估数量J_ik的网络带宽条件下分发的网络数据流量；volume(d_i,cen_k,R_k)表示数据分发节点i在数据分发中心k为其配置指定数量R_k的网络带宽条件下分发的网络数据流量；P(y|d_i,cen_k,R_k)表示数据分发中心k为数据分发节点i配置指定数量R_k的网络带宽条件下数据分发节点使用概率。

然后，通过在指定数量网络带宽配置条件下所述数据分发节点的历史网络数据流量代换在所述预估数量网络带宽配置条件下所述数据分发节点的网络数据流量，对所述优化目标和约束进行简化处理，使得简化处理后的优化目标通过所述数据分发中心为所述数据分发节点配置的网络带宽的预估数量和通过数据分发节点进行数据分发的概率表示，使得简化处理后的约束通过所述数据分发中心为所述数据分发节点配置的网络带宽的预估数量和通过数据分发节点进行数据分发的概率，和历史网络数据流量表示。由于通过数据分发节点进行数据分发的概率在不同时间段会有所不同，不便于模型求解。本申请具体实施时，需要基于数据分发节点使用概率的计算公式，将简化处理后的优化目标和约束转化为凸优化问题，对简化后的优化目标和约束进行转化，确定表达所述凸优化问题的资源配置模型。

步骤120,根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值。

表达所述凸优化问题的资源配置模型的参数包括第一网络资源的预估数量、还包括资源配置参数。以网络带宽配置场景为例，所述第一网络资源为网络带宽，所述第二网络资源数量为网络数据流量，所述网络资源管理平台为数据分发中心，所述资源配置参数包括：数据分发节点使用概率预估值、数据分发节点的访问量预估值和节点带宽敏感度，所述下游对象为所述网络资源管理平台的数据分发节点，所述根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值的步骤，包括：根据所述数据分发中心的信息，获取所述数据分发中心的数据分发节点使用概率预估值；以及，根据所述数据分发节点的信息，获取所述数据分发节点的访问量预估值和节点带宽敏感度。

其中，数据分发节点的访问量预估值根据该数据分发节点及其同类数据分发节点(如同一地区的数据分发节点)的历史访问流量平均值确定；节点带宽敏感度根据不同节点条件下，该数据分发节点及其同类数据分发节点分发的网络数据流量确定。数据分发节点使用概率预估值通过预先训练的预估模型确定。网络数据流量预估值的预估模型可以采用现有技术中的方法，本申请实施例中不再赘述。

步骤130,根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量。

在获取到资源配置参数的取值之后，基于资源配置参数的取值求解资源配置模型，以得到满足资源配置模型的另一个变量，即第一网络资源的预估数量得取值。例如，首先根据资源配置参数的取值求解满足约束条件的预估数量的取值范围，之后，在所述预估数量的取值范围中确定满足表达凸函数最小化的不等式的预估数量取值。

具体到网络带宽配置场景中，首先根据数据分发节点使用概率预估值和节点带宽敏感度的取值求解满足约束条件的预估数量的取值范围，之后，在所述预估数量的取值范围中确定满足表达凸函数最小化的不等式的预估数量取值。

步骤140,在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置获取的所述预估数量的第一网络资源；否则，确定对所述下游对象配置指定数量的第一网络资源。

本申请的一些实施例中，若求解所述凸优化问题的结果时，存在所述凸优化问题的解，则将满足所述资源配置模型的所述预估数量输出为所述商家对所述用户配置的虚拟资源的所述预估数量。若求解所述凸优化问题的结果时，不存在所述凸优化问题的解，则将所述商家预先设置的指定数量输出为所述商家对所述用户配置的虚拟资源的所述预估数量。

本申请实施例公开的资源配置方法，通过基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型；根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值；根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量；在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置获取的所述预估数量的第一网络资源；否则，确定对所述下游对象配置指定数量的第一网络资源，有助于提升资源配置的匹配度。本申请实施例公开的资源配置方法将资源配置问题建模为含不等式约束的凸优化问题，利用最优化理论给出了网络资源管理平台维度最优资源配置方案存在的条件以及最优解的具体求解方法，可以给下游对象配置与网络资源使用需求数量匹配的第一网络资源，从而提升资源配置与需求的匹配度，提升第一网络资源的利用效率。

实施例二

参考图2，为了便于读者理解本方案，本实施例结合另一个应用场景对本申请实施例公开的一种资源配置方法进行详细说明。如图2所示，所述方法包括：步骤210至步骤260。

步骤210，基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型虚拟资源。

本实施例中所述第一网络资源为虚拟资源，所述第二网络资源为网络订单评价指标，所述网络资源管理平台为商家，所述下游对象为用户。虚拟资源例如，第一网络资源可以为：会员等级、补贴券、积分、红包等。本申请实施例中所述的第二网络资源与所述第一网络资源不同且与所述第一网络资源关联。如当所述第一网络资源为补贴券时，所述第二网络资源可以为所述补贴券可用的产品的订单金额；当所述第一网络资源为会员等级时，所述第二网络资源可以为通过该会员等级购买产品的订单金额。

例如，电子商务平台的商家可以为不同的用户在资源管理平台中配置不同数量的补贴券，以提升用户针对该商家的产品的订单量。用户可以使用商家为其配置的补贴券下单购买商家的产品，在所述商家支付订单金额。

本申请所解决的技术问题是避免为所有用户配置相同数量第一网络资源导致的资源配置与用户的资源需求不匹配，即资源配置不准确的问题。资源配置不准确，表现为资源配置率高，即为用户配置了较大数量的第一网络资源，却没有提升由此产生的第二网络资源。本申请解决该技术问题的思路是，通过对商家给用户配置的第一网络资源(即虚拟资源)的预估数量建模，基于资源使用场景下，商家在一段时间内的历史数据的共性，对模型进行简化和优化处理，最终得到由影响资源配置率的多个参数、该多个参数对所述资源配置率的影响方式组成的资源配置模型。该资源配置模型中还包括商家为用户配置的资源的预估数量。应用过程中，根据确定的所述多个参数的取值和资源配置率，即可进一步确定指定商家为指定用户配置的第一网络资源的预估数量。

本申请的一些实施例中，基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型虚拟资源包括：子步骤S1至子步骤S3。

子步骤S1，以商家对用户的虚拟资源的配置率最小化为优化目标，以在所述虚拟资源的配置率最小化时对应的预估数量虚拟资源配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标,大于或等于在指定数量虚拟资源配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标为约束，对所述预估数量建模，确定第一模型。

为了便于读者更容易理解本申请的技术方案，下面以电子商务平台中商家为用户配置补贴券的应用场景为例，具体说明本申请的资源配置方法的具体实施方式。其中，虚拟资源以补贴券的形式体现，网络订单评价指标以商家为用户配置补贴券后用户在该商家的订单价格总和的形式体现。

首先根据商家对用户配置补贴券的预估数量建模。行业内对补贴配置率的定义为：用户使用的商家为所述用户配置的补贴券的总数量与配置补贴券后所述用户在所述商家的用户订单原价格总额的比值，本申请一些实施例中，首先根据行业内对补贴配置率的定义对商家给用户配置的补贴券的预估数量建立优化模型。

本申请的一些实施例中，虚拟资源的配置率为：用户使用商家对所述用户配置的预估数量虚拟资源的总数量与在所述预估数量虚拟资源配置条件下所述用户使用所述商家为其配置的所述虚拟资源时产生的网络订单评价指标总和的比值。则第一模型的优化目标为：用户使用商家对所述用户配置的预估数量虚拟资源的总和与在所述预估数量虚拟资源配置条件下所述用户使用所述商家为其配置的所述虚拟资源时产生的网络订单评价指标总和的比值最小。第一模型的约束为：在所述虚拟资源的配置率最小化时对应的预估数量虚拟资源配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标大于或等于在指定数量虚拟资源配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标。其中，用户使用商家对所述用户配置的预估数量虚拟资源的总数量为：使用所述商家配置的所述预估数量虚拟资源的所有用户中，各用户在所述商家为该用户配置相应所述预估数量虚拟资源条件下生成订单的概率与所述商家为该用户配置的所述预估数量的乘积的累加和。

例如，第一模型可以通过如下公式(0)和公式(1)表示。

S.t.:

∑_iprice(u_i,poi_k,R_k)P(y|u_i,poi_k,R_k)-price(u_i,poi_k,J_ik)P(y|u_i,poi_k,J_ik)≤0(1)

上述公式(0)中，各参数的含义如下：J_ik表示商家k为用户i配置的补贴券的预估数量；P(z|u_i,poi_k,J_ik)表示商家k为用户i配置预估数量J_ik的补贴券条件下用户使用补贴券下单的概率；price(u_i,poi_k,J_ik)表示用户i在商家k为其配置预估数量J_ik的补贴券条件下生成订单的实付订单价格。

上述公式(1)中，price(u_i,poi_k,R_k)表示用户i在商家k为其配置指定数量R_k的补贴券条件下生成订单的实付订单价格；P(y|u_i,poi_k,R_k)表示商家k为用户i配置指定数量R_k的补贴券条件下用户下单的概率；price(u_i,poi_k,J_ik)表示用户i在商家k为其配置预估数量J_ik的补贴券条件下的实付订单价格；P(y|u_i,poi_k,J_ik)表示商家k为用户i配置预估数量J_ik的补贴券条件下用户下单的概率。

上述公式(0)和公式(1)构成了第一模型。其中，第一模型的优化目标为：商家对用户的补贴配置率最小；第一模型的约束为：商家为用户发放预估数量的补贴券条件下，所述用户在所述商家的产品交易总额不低于商家为用户发放指定数量的补贴券条件下所述用户在所述商家的产品交易总额。

子步骤S2，在满足所述约束的条件下，通过在指定数量虚拟资源配置条件下所述用户在所述商家生成订单时的历史订单数据代换在所述预估数量虚拟资源配置条件下所述用户在所述商家生成订单时所匹配的相应订单数据，对所述优化目标和约束进行简化处理。

其中，简化处理后的优化目标和约束通过所述商家为所述用户配置的虚拟资源的预估数量，和/或，在所述预估数量虚拟资源配置条件下所述用户在所述商家生成订单的成单概率表示。本申请的一些实施例中，简化处理后的优化目标表示为：所述商家为用户配置的虚拟资源的配置量之和最小化，商家为每个用户的所述虚拟资源的配置量为：所述商家为所述用户配置的虚拟资源的预估数量、在所述预估数量虚拟资源配置条件下所述用户在所述商家生成订单的成单概率、在指定数量虚拟资源配置条件下所述用户在所述商家生成订单时使用所述虚拟资源的先验概率的乘积；简化处理后的约束表示为：在所述预估数量虚拟资源配置条件下所述用户在所述商家生成订单的成单概率与所述用户在预设时间段内在所述商家生成订单所匹配的网络订单评价指标先验值的乘积，大于或等于在所述指定数量虚拟资源配置条件下所述用户在预设时间段内在所述商家生成订单所匹配的网络订单评价指标的均值。

简化后的第一模型包括多个参数，所述多个参数包括：影响所述虚拟资源的配置率的商家属性信息和用户属性信息，即影响所述预估数量的商家属性信息和用户属性信息。本申请的一些实施例中，所述商家属性信息包括：商家的成单概率、用户流量，所述用户属性信息包括：用户对虚拟资源的敏感度。

计算预估数量的虚拟资源的配置率的第一模型是一个优化问题，优化问题的求解过程通常需要基于约束对优化目标的计算公式进行简化以及优化处理，最终使得优化问题可以求解。本申请具体实施时，首先基于第一模型所应用的应用场景中的数据共性，对第一模型进行简化处理。

其中，对所述优化目标进行简化处理包括：在满足所述约束的条件下，通过在指定数量虚拟资源配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标，替换所述在所述预估数量虚拟资源配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标，对所述第一模型的优化目标进行松弛。

首先，根据约束对第一模型的优化目标(即虚拟资源的配置率)进行松弛，将第一模型的优化目标松弛为：用户使用商家对所述用户配置的预估数量虚拟资源的总数量与在指定数量虚拟资源配置条件下所述用户使用所述商家为其配置的所述虚拟资源时产生的网络订单评价指标总和的比值最小。

例如，假设BTR(J_ik)′为配置预估数量的虚拟资源时配置率的上界，由第一模型的约束(即公式(1))可以看出，在满足上述约束的条件下，以下条件成立：

当约束(即公式(1))取等号时，配置预估数量的虚拟资源时配置率的上界的最小值等于配置预估数量的虚拟资源时的配置率，即minBTR′(J_ik)等价于minBTR(J_ik)。因此，可以将第一模型的优化目标松弛为minBTR′(J_ik)。

对所述优化目标进行简化处理，还包括：通过在所述指定数量虚拟资源配置条件下所述用户在所述商家生成订单时使用所述虚拟资源的先验概率，替换在所述预估数量虚拟资源配置条件下所述用户在所述商家生成订单时使用所述虚拟资源的概率，将松弛后的优化目标简化为：虚拟资源的配置量最小化，其中，虚拟资源的所述配置量表示为：在所述指定数量虚拟资源配置条件下每个所述用户在所述商家生成订单时使用所述虚拟资源的先验概率、在所述预估数量虚拟资源配置条件下所述用户在所述商家生成订单的概率以及所述预估数量的乘积之和。

在补贴券发放场景中，当给定商家和用户(或用户集合)时，在商家为用户发放固定数量R补贴券时，商家的交易总金额与补贴金额无关，即商家的交易总金额∑_iprice(u_i,poi_k,R_k)P(z|u_i,poi_k,R_k)为常数。因此，松弛后的优化目标可以表示为：

其中，C为常数。

由松弛后的优化目标可以得出，虚拟资源配置率取最小值时，商家为所有用户配置的虚拟资源的总数量最小。因此，第一模型的优化目标进一步可以简化为：

本申请的一些实施例中，将商家k给用户i配置预估数量J_ik补贴券时成单条件下，使用补贴券的概率表示为P(z|u_i,poi_k,J_ik,y＝1)，商家k给用户i配置预估数量J_ik补贴券时使用补贴券下单的概率表示为p(y＝1|u_i,poi_k,J_ik)，则商家k为用户i配置数量J_ik的补贴券条件下用户使用补贴券下单的概率P(z|u_i,poi_k,J_ik)可以通过如下公式(2)表达：

P(z|u_i,poi_k,J_ik)＝p(z,y＝1|u_i,poi_k,J_ik)

＝p(y＝1|u_i,poi_k,J_ik)P(z|u_i,poi_k,J_ik,y＝1)。 (2)

本申请的一些实施例中，对于同一个商家，当该商家给用户发放补贴券后用户有成单的条件下使用补贴券的概率通常是为较稳定的，因此，可以利用商家各自在为用户配置预估数量J_ik补贴券且成单的条件下，使用补贴券的概率的统计值(下文中记为p₀)替代上述公式(2)中商家k给用户i配置预估数量J_ik补贴券且成单的条件下，使用补贴券的概率P(z|u_i,poi_k,J_ik,y＝1)，即公式(2)可以简化为下述公式(2’)。

P(z|u_i,poi_k,J_ik)＝p(y＝1|u_i,poi_k,J_ik)p₀ (2’)

上述公式(2’)中，p₀可以通过对商家最近指定时间段内(如7天)的网络订单评价指标生成数据(如历史订单交易数据)进行分析得到。

至此，上述第一模型的优化目标(即公式(0))进行简化后，得到的优化目标为：

实际应用场景中，基于单个用户维度的数据，对上述第一模型进行求解时，由于用户数量非常大，将导致模型求解过程运算量巨大，占用计算处理设备的大量的计算资源，同时，模型求解时间过长，资源配置数量计算效率低下。本申请的一些实施例中，将用户按照预设特征维度进行分层，属于同一分层内的用户将被配置相同预估数量的虚拟资源。因此，上述第一模型中的用户u_i可以表示第i层的每个用户。上述公式(3)转换为公式(3’)：

在公式(3’)中，n_i表示第i层用户中的用户数量。

本申请一些实施例中，例如可以按照用户对虚拟资源的敏感度对用户分层，将敏感度相同或相近的用户划分在一个用户层。

接下来，对第一模型的约束(即公式(1))进行简化。

本申请一些实施例中，对所述约束进行简化处理，包括：通过在指定数量虚拟资源配置条件下所述用户在预设时间段内在所述商家生成订单所匹配的网络订单评价指标的日均值，替换在指定数量虚拟资源配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标，以及，通过所述用户在预设时间段内在所述商家生成订单所匹配的网络订单评价指标的历史日均值，替换在预估数量虚拟资源配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标，对所述第一模型的约束进行简化处理。

由第一模型的约束可知，当预估数量J_ik和指定数量R_k相等时，将会导致优化问题无意义，因此，将约束(即公式1)中在指定数量虚拟资源配置条件下所述用户在所述商家产生的所述网络订单评价指标∑_iprice(u_i,poi_k,R_k)P(y|u_i,poi_k,R_k)替换为所述商家为用户配置指定数量虚拟资源条件下所述商家最近指定时间段内每天实际产生的所述网络订单评价指标的均值，记为a_k。

本申请的一些实施例中，第i层用户(或用户i)在商家k为其配置预估数量J_ik的虚拟资源条件下产生的网络订单评价指标price(u_i,poi_k,J_ik)很难预估，为保证每个用户在商家下实际支付金额的差异性，使用第i层用户(或用户i)最近一个月在商家k的实际支付金额的日平均值作为price(u_i,poi_k,J_ik)的近似，记做b_ik，即通过b_ik表示第i层用户(或用户i)在商家k为其配置预估数量J_ik的虚拟资源条件下产生的网络订单评价指标。

至此，上述第一模型的约束(即公式1)进行简化后，得到如下约束：

a_k-∑_in_ib_ikp(y|u_i,poi_k,J_ik)≤0 (4)

简化后的优化目标和约束构成了第二模型。对上述第一模型简化后得到的第二模型可以通过如下的公式(3’)和(4)表示。

S.t.:

a_k-∑_in_ib_ikp(y|u_i,poi_k,J_ik)≤0 (4)

简化后得到的第二模型的优化目标为：商家为用户配置的虚拟资源的配置量最小化，其中，虚拟资源的所述配置量表示为：在所述指定数量虚拟资源配置条件下每个所述用户在所述商家生成订单时使用所述虚拟资源的先验概率、在所述预估数量虚拟资源配置条件下所述用户在所述商家生成订单的概率以及所述预估数量的乘积之和。第二模型中，各变量的含义分别介绍如下。

b_ik表示第i层用户(或用户i)在商家k为其配置预估数量J_ik的虚拟资源条件下生成订单所匹配的网络订单评价指标，如b_ik为第i层用户中的所有用户在商家k下最近7天的实付成单金额的统计均值。

a_k表示所述商家k为用户配置指定数量虚拟资源条件下，所述用户在所述商家k最近指定时间段内每天实际生成订单所产生的所述网络订单评价指标的均值，如a_k为商家k最近7天的实付订单交易额的均值。

p₀表示商家k给用户配置预估数量J_ik的虚拟资源条件下生成订单以产生网络订单评价指标时使用所述商家k为所述用户配置的所述虚拟资源的概率，例如，商家k给第i层用户发放补贴券后且第i层用户有成单时使用补贴券的概率，可以通过对如商家最近7天的订单数据进行统计分析得到p₀的取值。

n_i表示第i层用户中的用户数量。n_i的取值通过商家流量预估可以得到。本申请的一些实施例中，如果不对用户进行分层，则n_i的值设为1，此时对每个用户分别计算应配置的虚拟资源的预估数量；如果对用户进行分层，则按照商家流量预估方法计算每个用户分层中的用户数。属于同一分层的用户会求解出同样的虚拟资源的预估数量。

p(y|u_i,poi_k,J_ik)表示商家k给用户i配置预估数量J_ik补贴券时第i层用户(或用户i)的成单概率。本申请的一些实施例中，商家k给用户i配置预估数量J_ik补贴券时第i层用户(或用户i)的成单概率p(y|u_i,poi_k,J_ik)通过成单概率计算模型计算得到。其中，u_i表示第i层用户的预设用户特征，poi_k表示商家k的预设商家特征，J_ik表示商家k给第i层用户(或用户i)配置的虚拟资源的数量。

本申请的一些实施例中，例如，将成单概率计算模型建模为p(y|u_i,poi_k,J_ik)＝p(u_i,poi_k)*2sigmod(β_iJ_ik),其中，p(u_i,poi_k)表示商家k不给第i层用户配置虚拟资源时第i层用户在商家k产生网络订单评价指标的概率，即零数量虚拟资源配置条件下商家的成单概率；sigmod(β_iJ_ik)表示商家k给第i层用户配置数量J_ik的虚拟资源时第i层用户在商家k产生网络订单评价指标的概率提升比例，β_i表示第i层用户对虚拟资源的敏感度。

用户对虚拟资源的敏感度β_i反映了用户对虚拟资源(如补贴券)的敏感程度。例如，同样给用户A和B发放1元补贴券，用户A的成单概率提高了5％，用户B的成单概率提高了10％，则说明用户B对补贴券的敏感程度要高于A。即敏感度反映了给用户配置虚拟资源时，对用户生成订单的成单概率的影响大小。

本申请的一些实施例中，某个用户或某个用户层中的用户对虚拟资源的敏感度β_i通过预先训练的敏感度预估模型(如深度卷积神经网络模型)预测得到，或者通过现有技术中的其他方法获得。在通过预先训练的敏感度预估模型预测某层用户对虚拟资源的敏感度时，所述敏感度预估模型的输入特征包括：该用户层中所有用户的第二用户特征，即用户的与优惠相关的用户特征，例如用户最近一周使用补贴券的成单数、用户最近一周使用的补贴券总额度等，用来反映用户对优惠的敏感程度。例如，在训练敏感度预估模型时，可以利用商家给用户配置补贴券后用户的实际成单数据构建训练样本，若配置补贴券后用户当天成单，则该用户对应的样本标签为1，否则该用户对应样本标签为0；而该用户的第二用户特征作为该用户对应的训练样本的一部分样本数据；构建若干条训练样本。之后，基于构建的训练样本训练敏感度预估模型。之后，利用构建的训练样本训练敏感度预估模型。在具体应用时，输入某一用户的第二用户特征，即可通过所述敏感度预估模型预估得到该用户的对虚拟资源的敏感度β_i；输入某一层用户的第二用户特征，即可通过所述敏感度预估模型预估得到该层用户中每个用户对虚拟资源的敏感度β_i。

相应的，上述成单概率计算模型中，p(u_i,poi_k)通过预先训练的成单概率预估模型预测得到。所述成单概率预估模型的输入特征包括：商家特征和用户的第一特征(如该用户层中所有用户的第一特征)，所述成单概率预估模型包括多个隐层，所述隐层用于对输入特征进行特征映射，得到成单概率。

本申请的一些实施例中，还可以将所述敏感度预估模型作为所述成单概率计算模型的第一分支网络，将成单概率预估模型作为第二分支网络，则在构建训练样本时，将商家特征和该层用户的第一特征组成训练样本的另一部分样本数据。之后，基于构建的训练样本训练成单概率计算模型。成单概率计算模型的具体训练方法参见现有技术，本申请实施例中不再赘述。之后，在实际应用过程中，将目标商家的商家特征和目标用户的第一用户特征，以及预估数量J_ik输入至训练得到的成单概率计算模型的第二分支网络，将所述目标用户的第二用户特征输入至所述成单概率计算模型的第一分支网络支，所述成单概率计算模型将输出在目标商家为目标用户配置预估数量J_ik虚拟资源条件下生成订单的概率。

其中，激活函数sigmod(β_iJ_ik)用于根据对所述用户对虚拟资源的所述敏感度值β_i和所述预估数量J_ik进行映射处理，得到成单概率提升比例。

子步骤S3，基于所述成单概率的计算公式，将简化处理后的优化目标和约束转化为凸优化问题，对简化后的优化目标和约束进行转化，确定表达所述凸优化问题的资源配置模型。

由上述第二模型，如公式(4)可以看出，第二模型中定义的优化问题为非凸问题，很难求其最优解，因此先将式(3’)和(4)中定义的最优化问题转化为凸优化问题。另t(J_ik)＝sigmod(β_iJ_ik)，则可以得到公式(5)：

其中，t(J_ik)∈(0.5,1)。

将公式(5)带入公式(3’)和(4)，则可以得到通过如下公式(6)和(7)表示的资源配置模型。

S.t.:

g(t(J_ik))＝a_k-2∑_in_ib_ikp(i,k)t(J_ik)≤0 (7)

所述资源配置模型的优化目标和约束通过包括以下模型参数的不等式表达：所述商家的成单概率预估值、用户流量预估值、用户对虚拟资源的敏感度值和所述商家对所述用户配置的虚拟资源的预估数量。如公式(6)和(7)所示，本申请的一些实施例中，所述资源配置模型的优化目标为：虚拟资源的配置率最小化，所述资源配置模型的约束为：在所述预估数量虚拟资源的配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标大于或等于在所述指定数量虚拟资源的配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标。

在所述资源配置模型中，虚拟资源的所述配置率与所述商家的用户流量预估值、所述商家在零数量虚拟资源配置条件下的成单概率预估值、所述商家在所述预估数量虚拟资源配置条件下的成单概率提升比例，以及所述预估数量正相关，且所述成单概率提升比例根据虚拟资源的所述预估数量和所述用户对虚拟资源的敏感度确定；在所述预估数量虚拟资源的配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标，是根据所述商家的用户流量预估值、所述商家在零数量虚拟资源配置条件下的成单概率预估值、所述商家在所述预估数量虚拟资源配置条件下的成单概率提升比例，以及预设历史时间段内所述用户在所述商家生成订单所匹配的网络订单评价指标先验值确定的；所述指定数量虚拟资源的配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标，是根据预设历史时间段内所述用户在所述商家生成订单所匹配的日平均网络订单评价指标的先验值确定的。

至此，资源配置模型的优化目标和约束条件都转化为凸函数，资源配置率优化的问题转化为带有不等式约束的凸优化问题。所述资源配置模型的资源配置参数包括：商家的成单概率预估值、用户流量预估值、用户对虚拟资源的敏感度值。

步骤220，根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值。

在确定了资源配置模型之后，进一步还需要确定资源配置模型中不需要求解的其他参数。以公式(6)和(7)表示的资源配置模型为例，需要确定的模型参数包括：商家的所述成单概率预估值p(i,k)、商家的用户流量预估值n_i、所述用户对虚拟资源的敏感度值β_i，以及，商家k给用户配置预估数量J_ik的虚拟资源条件下生成订单以产生网络订单评价指标时使用所述商家K为所述用户配置的所述虚拟资源的概率p₀、第i用户层中的用户在商家k为其配置预估数量J_ik的虚拟资源条件下生成订单所匹配的网络订单评价指标b_ik和所述商家k为用户配置指定数量虚拟资源条件下，所述用户在所述商家k最近指定时间段内每天实际生成订单所产生的所述网络订单评价指标的均值a_k。

如前述模型建模过程可以得知，模型参数b_ik、a_k和p₀是通过对商家的历史数据进行统计分析得到的。所述根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值的步骤，包括：根据所述商家的信息和所述用户的信息，获取在零虚拟资源配置条件下所述商家的所述成单概率预估值；以及，根据所述商家的历史访问数据和预先获取的所述用户对虚拟资源的敏感度值，获取所述商家的用户流量预估值。

本申请的一些实施例中，根据所述商家的信息和所述用户的信息，获取在零虚拟资源配置条件下所述商家的所述成单概率预估值时，例如包括：获取所述商家的预设商家特征和所述用户的预设用户特征；将获取的所述预设商家特征以及所述预设用户特征输入至预设的成单概率预估模型；通过所述成单概率预估模型的隐层对所述预设商家特征和所述预设用户特征进行特征映射，预估零虚拟资源配置条件下所述商家的所述成单概率预估值。其中，所述预设商家特征可以包括：品类、星级、地理位置等，所述预设用户特征可以包括：性别、年龄、常驻区域、职业、兴趣偏好等。所述成单概率预估模型的训练方法如前所述，此处不再赘述。

本申请的一些实施例中，可以通过读取数据库中存储的商家数据和用户数据，并对读取的商家数据进行处理，提取预设商家特征，以及对用户数据进行处理，提取预设用户特征。本申请实施例对预设商家特征和预设用户特征不做限定，对预设商家特征和预设用户特征获取的技术手段也不做限定。

本申请的一些实施例中，所述用户对虚拟资源的敏感度值可以是通过与先训练的敏感度识别模型确定的，也可以是资源管理平台调用现有技术中的其他用户管理系统的接口直接获取的。本领域技术人员应该可以理解，只要获取的敏感度值能够反映用户对虚拟资源的敏感程度即可。本申请的一些实施例中，所述资源管理平台可以预先获取平台注册的所有用户的对虚拟资源的敏感度值。

在通过敏感度识别模型获取用户的敏感度值时，可以将所述用户的预设用户特征输入至预设的资源敏感度识别模型，其中，所述预设用户特征包括：所述用户在预设时间段内使用所述虚拟资源的订单数量、所述用户在预设时间段内使用所述虚拟资源生成订单所匹配的网络订单评价指标；通过所述资源敏感度识别模型对所述预设用户特征进行特征映射，确定所述用户对虚拟资源的敏感度值。例如，当虚拟资源为补贴券时，可以将所述用户在1星期内使用补贴券下单的订单数量、所述用户在1星期内使用补贴券生成的订单的金额作为预设用户特征，输入至预先训练的敏感度识别模型，从而确定该用户对补贴券的敏感度值。

本申请的一些实施例中，根据所述商家的历史访问数据和预先获取的所述用户对虚拟资源的敏感度值，获取所述商家的用户流量预估值的步骤，包括：根据所述用户对虚拟资源的敏感度值，确定所述用户匹配的用户层，不同所述用户层匹配不同的敏感度值范围；根据所述商家的历史访问数据，确定在预设时间段内访问所述商家的所有用户中所述用户层中用户的用户数量占比；根据所述商家的日访问量和所述用户数量占比的乘积，获取所述商家的用户流量预估值。本申请的一些实施例中，由于用户数量巨大，为了提升资源管理平台的资源配置效率，根据用户对虚拟资源的敏感度，对用户进行了分层管理，对同一用户层中的所有用户配置相同数量的虚拟资源。相应的，在确定商家的用户流量时，需要确定相应用户层的用户流量。

实际应用过程中，对于每个商家，很难准确预估其未来每天的来访用户流量。因此，本申请的实施例中，通过预估商家的日独立访问(UV)总量N，之后，根据商家的日独立访问总量进一步预估该商家每天的用户流量。具体实施时，可以采用现有技术中的方法预估商家的日独立访问总量。例如，可以将预估商家的日独立访问总量建模为时间序列预估问题，利用时间序列模型，例如Arima模型、Prophet模型对商家历史数据中每天的独立访问总量建模，以预估指定时间的商家日独立访问总量。然后，在根据统计数据确定每个商家预设历史时间段内各层用户的流量占比。最后，根据商家的预估日独立访问总量N与第i层用户的流量占比的乘积，确定第i层用户的用户数量。

步骤230，根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量。

如前所述，所述资源配置模型的优化目标和约束通过包括以下模型参数的不等式表达：所述商家的成单概率预估值、用户流量预估值、用户对虚拟资源的敏感度值和所述商家对所述用户配置的虚拟资源的预估数量。相应的，本申请的一些实施例中，所述根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量，包括：将所述商家的成单概率预估值、所述用户流量预估值、所述用户对虚拟资源的敏感度值作为已知模型参数，确定满足所述资源配置模型中约束条件的所述预估数量的取值范围；在所述预估数量的取值范围中，确定满足所述资源配置模型中求最小值不等式的所述预估数量的取值。

为了求解上述凸优化问题，引入拉格朗日乘子λ(λ≥0)，则有

其中，记λ^*和t^*为使目标最优时对应的解，在根据KKT条件(Karush–Kuhn–Tuckerconditions，求解优化问题时常用的一个条件)求解带不等式约束的最优化问题时，由公式(8)可以得到下述公式(9)和(10)：

λ^*g₁(t^*)＝0 (9)

在公式(9)和(10)中，t表示t(J_ik)。由公式(10)可知λ^*不为0，求解微分方程(10)可以得到：

公式(11)中的W为Lambert W Function，即朗伯W函数。

且由公式(9)可以得到：

g₁(t^*)＝0 (12)

对于同一个用户或者同一层用户，其对虚拟资源的敏感度β_i是确定的，因此，由公式(11)可以得出：不同用户层用户配置的资源数量仅与拉格朗日对偶乘子λ^*有关，如果能计算出λ^*的值，就能计算出商家k给用户i配置的资源数量。将公式(11)代入公式(12)可得：

g₁(λ^*)＝0 (13)

即只要求解出公式(13)的解即可得到资源配置数量。由t(J_ik)∈(0.5，1)可可得出：W[exp(β_iλ^*b_ik-1)]>1,或者，W[exp(β_iλ^*b_ik-1)]<-1，但由于exp(β_iλ^*b_ik-1)>0,顾可以得出：W[exp(β_iλ^*b_ik-1)]>1，

至此，可以得到如下结论：

(1)g(λ)是严格单调递减的，且当λ趋向于无穷大时，g(+∞)趋向于a_k-2∑_in_ib_ikp(i,k)；

(2)当

时，

若a_k-∑_in_ib_ikp(i,k)>0且a_k-2∑_in_ib_ikp(i,k)<0,则必然存在λ^*使得g₁(λ^*)＝0成立,求出λ^*的值之后，结合公式(5)和(11)可计算出商家k给不同用户i或不同用户集合i(即不同层用户)配置的虚拟资源的数量。此时，根据slater条件(求解优化问题是的另一个条件，官方定义为：即存在x，使得不等式约束g(x)<＝0严格成立)，duality gap(对偶间隙)为0，得到的最优值即为原始问题的最优解。

本申请的一些实施例中，当g₁(λ^*)＝0的解存在时，采用二分逼近法对g₁(λ^*)＝0进行求解。

由上述分析可知，如果所述商家的成单概率预估值、所述用户流量预估值、所述用户对虚拟资源的敏感度值使得不等式a_k-∑_in_ib_ikp(i,k)>0且a_k-2∑_in_ib_ikp(i,k)<0成立，则必然存在λ^*使得g₁(λ^*)＝0成立，通过二分逼近法求出λ^*的值。将λ代入公式(11)，即可求出t(J_ik)的值。之后，根据公式(5)可计算出商家k给用户用户集合i(如第i层用户)配置的虚拟资源的数量J_ik。

至此，通过计算处理模块执行计算机程序代码，将所述商家的成单概率预估值、所述用户流量预估值、所述用户对虚拟资源的敏感度值代入相应公式中进行计算，确定了满足所述资源配置模型的预估数量J_ik。如，计算基于所述资源配置模型变换后得到的公式(13)的解λ^*，在求得λ^*之后，进一步将λ^*对公式(11)中的变量赋值，计算出t(J_ik)的取值；之后，执行公式(5)得出商家k给用户i配置的预估数量J_ik，至此，完成资源配置模型的求解过程。

具体实施过程中，由前述结论可知，成单概率预估值、所述用户流量预估值、所述用户对虚拟资源的敏感度值都会对求解g₁(λ^*)＝0带来影响，因此，对于某些商家和用户的数据，可能不存在g₁(λ^*)＝0的解。本申请的另一些实施例中，若不存在满足g₁(λ^*)＝0的λ^*，则无需继续执行公式(11)和公式(5)。

步骤240，在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置获取的所述预估数量的第一网络资源；否则，确定对所述下游对象配置指定数量的第一网络资源。

本申请的一些实施例中，若求解所述凸优化问题的结果时，存在所述凸优化问题的解，则将满足所述资源配置模型的所述预估数量输出为所述商家对所述用户配置的虚拟资源的所述预估数量。例如，当存在满足g₁(λ^*)＝0的λ^*值时，可以将计算处理模块计算得到的满足公式(5)的预估数量J_ik的确定商家K配置给用户层i中用户的虚拟资源最优数量，并通过资源管理平台的输出接口输出预估数量J_ik的值。

本申请的一些实施例中，若求解所述凸优化问题的结果时，不存在所述凸优化问题的解，则将所述商家预先设置的指定数量输出为所述商家对所述用户配置的虚拟资源的所述预估数量。例如，当不存在满足g₁(λ^*)＝0的λ^*值时，说明不存在资源配置模型的最优解，则可以直接按照商家k预先设置的给用户配置虚拟资源的指定数量进行资源配置。

实际应用过程中，通过前述步骤求解出的为不同用户配置的资源数量是连续值，不利于体现对不同用户的区别度，用户体验较差。在本申请的另一些实施例中，本申请的一些实施例中，所述在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，对所述下游对象配置获取的所述预估数量的第一网络资源的步骤，包括：在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，对满足所述资源配置模型的所述预估数量，进行离散化处理；根据进行离散化处理的结果，对所述下游对象配置进行离散化处理后的所述预估数量，或者对所述下游对象配置所述商家预先设置的指定数量。

本申请的一些实施例中，采用MCKP(Multi-constraint Knapsack problem,多约束背包问题)算法求解出最优的离散解。采用MCKP算法求解出连续数值的最优离散解的具体方法参见现有技术，本申请实施例中不再赘述。本申请的另一些实施例中，还可以采用其他方法对所述商家对所述用户配置的虚拟资源的所述预估数量进行离散化处理，本申请实施例中不再一一例举。如果不存在所述预估数量的最优离散解，如离散化处理得到的数值不符合所述商家预先设置的数值范围，则通过资源管理平台的输出接口输出所述商家预先设置的数值。

步骤250，存储所述网络资源管理平台的下游对象分层与第一网络资源数量的对应关系。

具体到虚拟资源配置场景中，在确定了为某个用户层的用户配置的虚拟资源之后，存储所述商家的用户层与虚拟资源数量的对应关系。

步骤260，根据目标下游对象匹配的下游对象分层，以及所述网络资源管理平台的下游对象分层与第一网络资源数量的所述对应关系，预估所述网络资源管理平台为所述目标下游对象配置的第一网络资源的数量。

具体到虚拟资源配置场景中，根据目标用户匹配的用户层，以及所述商家的用户层与虚拟资源数量的所述对应关系，最终确定所述商家为所述目标用户配置的虚拟资源的数量。

本申请的一些实施例中，所述在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置获取的所述预估数量的第一网络资源；否则，确定对所述下游对象配置指定数量的第一网络资源的步骤之后，还包括：存储所述商家的用户层与虚拟资源数量的对应关系；根据目标用户匹配的用户层，以及所述商家的用户层与虚拟资源数量的所述对应关系，为所述目标用户配置相应数量的虚拟资源。其中，所述用户层为：根据所述用户对所述虚拟资源的敏感度确定的用户分层，所述虚拟资源数量为：输出为所述商家对所述用户配置的虚拟资源的所述预估数量。

通常，资源配置模型可以通过预先建立，之后，在线运行本申请实施例中所述的资源配置方法时，对于资源管理平台接收到的资源配置请求中的商家和用户，需要针对单一商家和指定的一个或一个用户层的用户，计算相应的资源配置数量，仍需要占用较大的计算资源和花费一定的时间。为了提升资源管理平台的资源配置效率，在确定了某个商家为某个用户或某一分层的用户配置的资源数量之后，所述资源管理平台会将所述用户的用户层信息和所述商家为其配置的资源数量以用户层与资源数量的对应关系的形式存储在数据库中。当所述资源管理平台再一次接收到该商家为某个用户配置虚拟资源的请求时，所述资源管理平台可以通过检索数据库中的用户层与资源数量的对应关系，确定该用户所述用户分层对应的资源数量，然后，为该用户配置同样的资源数量，而不需要重新进行计算，从而提升资源所述资源管理平台的配置效率。

为了便于读者更容易理解本申请的技术方案，本申请实施例中以电子商务平台中商家为用户配置补贴券的应用场景为例，具体说明本申请的资源配置方法的具体实施方式。本领域技术人员，应当可以理解，本申请实施例中公开的资源配置方法，不限于确定单一商家为各用户配置补贴券的应用场景，还适用于单个商家为用户动态配置其他资源的应用场景，都可以解决基于人工设置的配置参数为用户配置资源时，导致的配置资源数量不准确的问题。资源适量配置不准确，将致使资源配置率低下，例如，需要资源的用户得不到资源，而对于不需要资源的用户，商家却为其配置了资源，造成了资源的浪费。

本申请实施例公开的资源配置方法，本申请实施例公开的资源配置方法，通过基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型；根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值；根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量；在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置获取的所述预估数量的第一网络资源；否则，确定对所述下游对象配置指定数量的第一网络资源，有助于提升资源配置的匹配度。

进一步的，通过存储所述网络资源管理平台的下游对象分层与第一网络资源数量的对应关系，在线上实际应用中，根据目标下游对象匹配的下游对象分层，以及所述网络资源管理平台的下游对象分层与第一网络资源数量的所述对应关系，预估所述网络资源管理平台为所述目标下游对象配置的第一网络资源的数量，有助于提升资源配置效率。

本申请实施例公开的资源配置方法,将资源配置问题建模为含不等式约束的凸优化问题，利用最优化理论给出了网络资源管理平台维度最优资源配置方案存在的条件以及最优解的具体求解方法，可以给下游对象配置与网络资源使用需求数量匹配的第一网络资源，从而提升资源配置与需求的匹配度，提升第一网络资源的利用效率。

以营销场景中的商家为用户个性化发放补贴券的应用场景为例，将补贴券数量的计算问题建模为含不等式约束的凸优化问题，利用最优化理论给出了商家维度最优补贴券分配方案存在的条件以及最优解的具体求解方法，实现将补贴券精准发放给能够带动下单的用户，可以达到在每个商家订单金额基本不降的情况下，减少每个商家的营销成本。

实施例三

本申请实施例公开的一种资源配置装置，如图3所示，所述装置包括：

资源配置模型建立模块310，用于基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型；

资源配置参数取值获取模块320，用于根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值；

预估数量获取模块330，用于根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量；

资源配置数量确定模块340，用于在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置获取的所述预估数量的第一网络资源；否则，确定对所述下游对象配置指定数量的第一网络资源。

本申请的一些实施例中，所述第一网络资源为网络带宽，所述第二网络资源数量为网络数据流量，所述网络资源管理平台为数据分发中心，所述资源配置参数包括：数据分发节点使用概率预估值、数据分发节点的访问量预估值和节点带宽敏感度，所述下游对象为所述网络资源管理平台的数据分发节点，所述资源配置参数取值获取模块320，进一步用于：

根据所述数据分发中心的信息，获取所述数据分发中心的数据分发节点使用概率预估值；以及，根据所述数据分发节点的信息，获取所述数据分发节点的访问量预估值和节点带宽敏感度。

本申请的一些实施例中，所述第一网络资源为虚拟资源，所述第二网络资源为网络订单评价指标，所述网络资源管理平台为商家，所述下游对象为用户，所述资源配置参数包括：商家的成单概率预估值、用户流量预估值、用户对虚拟资源的敏感度值，所述资源配置参数取值获取模块320，进一步用于：

根据所述商家的信息和所述用户的信息，获取在零虚拟资源配置条件下所述商家的所述成单概率预估值；以及，

根据所述商家的历史访问数据和预先获取的所述用户对虚拟资源的敏感度值，获取所述商家的用户流量预估值。

本申请的一些实施例中，所述根据所述商家的历史访问数据和预先获取的所述用户对虚拟资源的敏感度值，获取所述商家的用户流量预估值的步骤，包括：

根据所述用户对虚拟资源的敏感度值，确定所述用户匹配的用户层，不同所述用户层匹配不同的敏感度值范围；

根据所述商家的历史访问数据，确定在预设时间段内访问所述商家的所有用户中所述用户层中用户的用户数量占比；

根据所述商家的日访问量和所述用户数量占比的乘积，获取所述商家的用户流量预估值。

本申请的一些实施例中，如图4所示，所述装置还包括：

资源数量对应关系存储模块350，用于在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，对所述下游对象配置获取的所述预估数量的第一网络资源；否则，对所述下游对象配置指定数量的第一网络资源之后，存储所述商家的用户层与虚拟资源数量的对应关系，其中，所述用户层为：根据所述用户对所述虚拟资源的敏感度确定的用户分层，所述虚拟资源数量为：输出为所述商家对所述用户配置的虚拟资源的所述预估数量；

资源配置模块360，用于根据目标用户匹配的用户层，以及所述商家的用户层与虚拟资源数量的所述对应关系，为所述目标用户配置相应数量的虚拟资源。

本申请的一些实施例中，所述在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，对所述下游对象配置获取的所述预估数量的第一网络资源的步骤，包括：

在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，对满足所述资源配置模型的所述预估数量，进行离散化处理；

根据进行离散化处理的结果，对所述下游对象配置进行离散化处理后的所述预估数量，或者对所述下游对象配置所述商家预先设置的指定数量。

本申请的一些实施例中，所述基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型的步骤，包括：

以商家对用户的虚拟资源的配置率最小化为优化目标，以在所述虚拟资源的配置率最小化时对应的预估数量虚拟资源配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标，大于或等于在指定数量虚拟资源配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标为约束，对所述预估数量建模，确定第一模型；

在满足所述约束的条件下，通过在指定数量虚拟资源配置条件下所述用户在所述商家生成订单时的历史订单数据代换在所述预估数量虚拟资源配置条件下所述用户在所述商家生成订单时所匹配的相应订单数据，对所述优化目标和约束进行简化处理，其中，简化处理后的优化目标和约束通过所述商家为所述用户配置的虚拟资源的预估数量，和/或，在所述预估数量虚拟资源配置条件下所述用户在所述商家生成订单的成单概率表示；

基于所述成单概率的计算公式，将简化处理后的优化目标和约束转化为凸优化问题，对简化后的优化目标和约束进行转化，确定表达所述凸优化问题的资源配置模型。

本申请实施例公开的资源配置装置，用于实现本申请实施例一或实施例二中所述的资源配置方法，装置的各模块的具体实施方式不再赘述，可参见方法实施例相应步骤的具体实施方式。

本申请实施例公开的资源配置装置，通过基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型；根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值；根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量；在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置获取的所述预估数量的第一网络资源；否则，确定对所述下游对象配置指定数量的第一网络资源，有助于提升资源配置的匹配度。本申请实施例公开的资源配置方法将资源配置问题建模为含不等式约束的凸优化问题，利用最优化理论给出了网络资源管理平台维度最优资源配置方案存在的条件以及最优解的具体求解方法，可以给下游对象配置与网络资源使用需求数量匹配的第一网络资源，从而提升资源配置与需求的匹配度，提升第一网络资源的利用效率。

以营销场景中的商家为用户个性化发放补贴券的应用场景为例，将补贴券数量的计算问题建模为含不等式约束的凸优化问题，利用最优化理论给出了商家维度最优补贴券分配方案存在的条件以及最优解的具体求解方法，实现将补贴券精准发放给能够带动下单的用户，可以达到在每个商家订单金额基本不降的情况下，减少每个商家的营销成本。

进一步的，在确定了商家对每个用户分层的第一网络资源的预估配置数量之后，通过存储所述网络资源管理平台的下游对象分层与第一网络资源数量的对应关系，然后，在线上实际应用中，根据目标下游对象匹配的下游对象分层，以及所述网络资源管理平台的下游对象分层与第一网络资源数量的所述对应关系，预估所述网络资源管理平台为所述目标下游对象配置的第一网络资源的数量，有助于提升资源配置效率。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。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。

以上对本申请公开的一种资源配置方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其一种核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

本申请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)来实现根据本申请实施例的电子设备中的一些或者全部部件的一些或者全部功能。本申请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(例如，计算机程序和计算机程序产品)。这样的实现本申请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。

例如，图5示出了可以实现根据本申请的方法的电子设备。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。该电子设备传统上包括处理器510和存储器520及存储在所述存储器520上并可在处理器510上运行的程序代码530，所述处理器510执行所述程序代码530时实现上述实施例中所述的方法。所述存储器520可以为计算机程序产品或者计算机可读介质。存储器520可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器520具有用于执行上述方法中的任何方法步骤的计算机程序的程序代码530的存储空间5201。例如，用于程序代码530的存储空间5201可以包括分别用于实现上面的方法中的各种步骤的各个计算机程序。所述程序代码530为计算机可读代码。这些计算机程序可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。所述计算机程序包括计算机可读代码，当所述计算机可读代码在电子设备上运行时，导致所述电子设备执行根据上述实施例的方法。

本申请实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例一或实施例二所述的资源配置方法的步骤。

这样的计算机程序产品可以为计算机可读存储介质，该计算机可读存储介质可以具有与图5所示的电子设备中的存储器520类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩存储在所述计算机可读存储介质中。所述计算机可读存储介质通常为如参考图6所述的便携式或者固定存储单元。通常，存储单元包括计算机可读代码530’，所述计算机可读代码530’为由处理器读取的代码，这些代码被处理器执行时，实现上面所描述的方法中的各个步骤。

本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着，结合实施例描述的特定特征、结构或者特性包括在本申请的至少一个实施例中。此外，请注意，这里“在一个实施例中”的词语例子不一定全指同一个实施例。

在此处所公开的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下被实践。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。

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。本申请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。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (12)

1.一种资源配置方法，其特征在于，包括：

基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型；

根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值；

根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量；

在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置获取的所述预估数量的第一网络资源；否则，确定对所述下游对象配置指定数量的第一网络资源。

2.根据权利要求1所述的方法，其特征在于，所述第一网络资源为网络带宽，所述第二网络资源数量为网络数据流量，所述网络资源管理平台为数据分发中心，所述资源配置参数包括：数据分发节点使用概率预估值、数据分发节点的访问量预估值和节点带宽敏感度，所述下游对象为所述网络资源管理平台的数据分发节点，所述根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值的步骤，包括：

根据所述数据分发中心的信息，获取所述数据分发中心的数据分发节点使用概率预估值；以及，根据所述数据分发节点的信息，获取所述数据分发节点的访问量预估值和节点带宽敏感度。

3.根据权利要求1所述的方法，其特征在于，所述第一网络资源为虚拟资源，所述第二网络资源为网络订单评价指标，所述网络资源管理平台为商家，所述下游对象为用户，所述资源配置参数包括：商家的成单概率预估值、用户流量预估值、用户对虚拟资源的敏感度值，所述根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值的步骤，包括：

根据所述商家的信息和所述用户的信息，获取在零虚拟资源配置条件下所述商家的所述成单概率预估值；以及，

根据所述商家的历史访问数据和预先获取的所述用户对虚拟资源的敏感度值，获取所述商家的用户流量预估值。

4.根据权利要求3所述的方法，其特征在于，所述根据所述商家的历史访问数据和预先获取的所述用户对虚拟资源的敏感度值，获取所述商家的用户流量预估值的步骤，包括：

根据所述用户对虚拟资源的敏感度值，确定所述用户匹配的用户层，不同所述用户层匹配不同的敏感度值范围；

根据所述商家的历史访问数据，确定在预设时间段内访问所述商家的所有用户中所述用户层中用户的用户数量占比；

根据所述商家的日访问量和所述用户数量占比的乘积，获取所述商家的用户流量预估值。

5.根据权利要求4所述的方法，其特征在于，所述在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置获取的所述预估数量的第一网络资源；否则，确定对所述下游对象配置指定数量的第一网络资源的步骤之后，还包括：

存储所述商家的用户层与虚拟资源数量的对应关系，其中，所述用户层为：根据所述用户对所述虚拟资源的敏感度确定的用户分层，所述虚拟资源数量为：输出为所述商家对所述用户配置的虚拟资源的所述预估数量；

根据目标用户匹配的用户层，以及所述商家的用户层与虚拟资源数量的所述对应关系，为所述目标用户配置相应数量的虚拟资源。

6.根据权利要求3所述的方法，其特征在于，所述在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，对所述下游对象配置获取的所述预估数量的第一网络资源的步骤，包括：

在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，对满足所述资源配置模型的所述预估数量，进行离散化处理；

根据进行离散化处理的结果，对所述下游对象配置进行离散化处理后的所述预估数量，或者对所述下游对象配置所述商家预先设置的指定数量。

7.根据权利要求3所述的方法，其特征在于，所述基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型的步骤，包括：

以商家对用户的虚拟资源的配置率最小化为优化目标，以在所述虚拟资源的配置率最小化时对应的预估数量虚拟资源配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标，大于或等于在指定数量虚拟资源配置条件下所述用户在所述商家生成订单所匹配的网络订单评价指标为约束，对所述预估数量建模，确定第一模型；

在满足所述约束的条件下，通过在指定数量虚拟资源配置条件下所述用户在所述商家生成订单时的历史订单数据代换在所述预估数量虚拟资源配置条件下所述用户在所述商家生成订单时所匹配的相应订单数据，对所述优化目标和约束进行简化处理，其中，简化处理后的优化目标和约束通过所述商家为所述用户配置的虚拟资源的预估数量，和/或，在所述预估数量虚拟资源配置条件下所述用户在所述商家生成订单的成单概率表示；

基于所述成单概率的计算公式，将简化处理后的优化目标和约束转化为凸优化问题，对简化后的优化目标和约束进行转化，确定表达所述凸优化问题的资源配置模型。

8.一种资源配置装置，其特征在于，包括：

资源配置模型建立模块，用于基于解决凸优化问题理论，根据网络资源管理平台的下游对象使用第一网络资源的预估数量总和与使用所述第一网络资源输出的第二网络资源之间的比值，建立针对第一网络资源的资源配置模型；

资源配置参数取值获取模块，用于根据所述网络资源管理平台和所述下游对象的信息，获取所述资源配置模型的资源配置参数的取值；

预估数量获取模块，用于根据获取的所述资源配置参数的取值，获取满足所述资源配置模型的第一网络资源的预估数量；

资源配置数量确定模块，用于在获取到满足所述资源配置模型的第一网络资源的预估数量的情况下，确定对所述下游对象配置获取的所述预估数量的第一网络资源；否则，确定对所述下游对象配置指定数量的第一网络资源。

9.根据权利要求8所述的装置，其特征在于，所述第一网络资源为网络带宽，所述第二网络资源数量为网络数据流量，所述网络资源管理平台为数据分发中心，所述资源配置参数包括：数据分发节点使用概率预估值、数据分发节点的访问量预估值和节点带宽敏感度，所述下游对象为所述网络资源管理平台的数据分发节点，所述资源配置参数取值获取模块，进一步用于：

根据所述数据分发中心的信息，获取所述数据分发中心的数据分发节点使用概率预估值；以及，根据所述数据分发节点的信息，获取所述数据分发节点的访问量预估值和节点带宽敏感度。

10.根据权利要求8所述的装置，其特征在于，所述第一网络资源为虚拟资源，所述第二网络资源为网络订单评价指标，所述网络资源管理平台为商家，所述下游对象为用户，所述资源配置参数包括：商家的成单概率预估值、用户流量预估值、用户对虚拟资源的敏感度值，所述资源配置参数取值获取模块，进一步用于：

根据所述商家的信息和所述用户的信息，获取在零虚拟资源配置条件下所述商家的所述成单概率预估值；以及，

根据所述商家的历史访问数据和预先获取的所述用户对虚拟资源的敏感度值，获取所述商家的用户流量预估值。

11.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的程序代码，其特征在于，所述处理器执行所述程序代码时实现权利要求1至7任意一项所述的资源配置方法。

12.一种计算机可读存储介质，其上存储有程序代码，其特征在于，该程序代码被处理器执行时实现权利要求1至7任意一项所述的资源配置方法的步骤。

Images