CN111553736A - 优惠信息的处理方法、装置、可读介质以及设备 - Google Patents
优惠信息的处理方法、装置、可读介质以及设备 Download PDFInfo
- Publication number
- CN111553736A CN111553736A CN202010361340.2A CN202010361340A CN111553736A CN 111553736 A CN111553736 A CN 111553736A CN 202010361340 A CN202010361340 A CN 202010361340A CN 111553736 A CN111553736 A CN 111553736A
- Authority
- CN
- China
- Prior art keywords
- consumption
- user
- verified
- actual
- preferential
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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
- G06Q30/0213—Consumer transaction fees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种优惠信息的处理方法、装置、可读介质以及设备,该方法通过获取待推送用户的消费特征信息以及预设的多个待验证优惠条件;针对每一个待验证优惠条件,将消费特征信息以及待验证优惠条件输入至盈利预测模型中,得到待推送用户在所述待验证优惠条件下的预测盈利值;选取出满足预设盈利条件的预测盈利值,并将满足预设盈利条件的预测盈利值所对应的待验证优惠条件作为待推送用户的实际优惠条件推送给待推送用户。本申请针对不同用户的消费特征信息,选取出针对该用户而言,能够满足预设盈利条件的优惠条件推送给用户,对所有用户都能起到促进消费和增加盈利的作用。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种优惠信息的处理方法、装置、可读介质以及设备。
背景技术
许多银行为了促进用户消费,会向用户推出减免信用卡年费的优惠活动。当用户使用信用卡的消费次数达到减免年费的条件时,银行则会减免用户的信用卡年费。
现有的减免年费的优惠方式,一定程度上起到了促进用户消费的作用。部分用户为了达到减免年费的条件,会增加消费次数,银行从这些用户所获取到的盈利有所上升。然而,在现有的减免年费的优惠方式下,也存在许多消费水平不高的用户,为了减免年费,特意增加了消费次数,但每一次消费的金额都非常低,银行从这些用户所获取到的盈利实际上没有得到提升。因此,现有的减免年费的优惠方式无法对所有用户都能起到促进消费和增加银行盈利的作用。
发明内容
基于上述现有技术的不足,本申请提供了一种优惠信息的处理方法、装置、可读介质以及设备,以实现针对不同用户推送能够满足盈利条件的优惠条件。
为了实现上述目的,现提出的方案如下:
本申请第一方面公开了一种优惠信息的处理方法,包括:
获取待推送用户的消费特征信息以及预设的多个待验证优惠条件;
针对每一个所述待验证优惠条件,将所述待推送用户的消费特征信息以及所述待验证优惠条件输入至盈利预测模型中,由所述盈利预测模型预测得到所述待推送用户在所述待验证优惠条件下的预测盈利值;其中,所述盈利预测模型由多个用户的消费特征信息、每一个用户对应的实际优惠条件、每一个用户在对应的实际优惠条件下的实际消费次数、以及每一个用户在对应的实际优惠条件下的实际消费金额对神经网络模型进行训练得到;
从所有的所述待验证优惠条件下的预测盈利值中,选取出满足预设盈利条件的预测盈利值,并将所述满足预设盈利条件的预测盈利值所对应的待验证优惠条件作为所述待推送用户的实际优惠条件;
将所述待推送用户的实际优惠条件推送给所述待推送用户。
可选地,在上述优惠信息的处理方法中,所述待验证优惠条件,包括:按照消费次数设置的待验证优惠条件,和/或,按照消费金额设置的待验证优惠条件。
可选地,在上述优惠信息的处理方法中,所述盈利预测模型,包括:第一消费预测模型、第二消费预测模型、以及盈利评价函数;其中,所述第一消费预测模型由多个用户的消费特征信息、每一个用户对应的按照消费次数设置的实际优惠条件、每一个用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额对神经网络模型进行训练得到;所述第二消费预测模型由多个用户的消费特征信息、每一个用户对应的按照消费金额设置的实际优惠条件、以及每一个用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额对神经网络模型进行训练得到;
所述针对每一个所述待验证优惠条件,将所述待推送用户的消费特征信息以及所述待验证优惠条件输入至盈利预测模型中,由所述盈利预测模型预测得到所述待推送用户在所述待验证优惠条件下的预测盈利值,包括:
针对每一个所述按照消费次数设置的待验证优惠条件,将所述待推送用户的消费特征信息、以及所述按照消费次数设置的待验证优惠条件输入至所述第一消费预测模型,由所述第一消费预测模型预测得到所述待推送用户在所述按照消费次数设置的待验证优惠条件下的预测消费次数和预测消费金额;并针对每一个所述按照消费金额设置的待验证优惠条件,将所述待推送用户的消费特征信息、以及所述按照消费金额设置的待验证优惠条件输入至所述第二消费预测模型,由所述第二消费预测模型预测得到所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测消费金额;
针对每一个所述按照消费次数设置的待验证优惠条件,将所述按照消费次数设置的待验证优惠条件、所述待推送用户在所述按照消费次数设置的待验证优惠条件下的预测消费次数以及预测消费金额输入至所述盈利评价函数中,得到所述待推送用户在所述按照消费次数设置的待验证优惠条件下的预测盈利值;并针对每一个所述按照消费金额设置的待验证优惠条件,将所述按照消费金额设置的待验证优惠条件、所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测消费金额输入至所述盈利评价函数中,得到所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测盈利值。
可选地,在上述优惠信息的处理方法中,所述第一消费预测模型的创建方法,包括:
构建用户数据集;其中,所述用户数据集,包括:多个用户的消费特征信息、每一个用户对应的按照消费次数设置的实际优惠条件、每一个用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额;
针对每一个用户,将所述用户数据集中的所述用户的消费特征信息和所述用户对应的按照消费次数设置的实际优惠条件输入至神经网络模型中,得到所述用户在对应的按照消费次数设置的实际优惠条件下的预测消费次数和预测消费金额;
利用每一个用户的预测消费次数与实际消费次数之间的误差、以及每一个用户的预测消费金额与实际消费金额之间的误差,对所述神经网络模型的参数不断调整,直至调整后的所述神经网络模型输出的预测消费次数与实际消费次数之间的误差、以及预测消费金额与实际消费金额之间的误差均满足预设的收敛条件时,将所述调整后的神经网络模型确定为第一消费预测模型。
可选地,在上述优惠信息的处理方法中,所述第二消费预测模型的创建方法,包括:
构建用户数据集;其中,所述用户数据集,包括:多个用户的消费特征信息、每一个用户对应的按照消费金额设置的实际优惠条件、每一个用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额;
针对每一个用户,将所述用户数据集中的所述用户的消费特征信息和所述用户对应的按照消费金额设置的实际优惠条件输入至神经网络模型中,得到所述用户在对应的按照消费金额设置的实际优惠条件下的预测消费金额;
利用每一个用户的预测消费金额与实际消费金额之间的误差,对所述神经网络模型的参数不断调整,直至调整后的所述神经网络模型输出的预测消费金额与实际消费金额之间的误差满足预设的收敛条件时,将所述调整后的神经网络模型确定为第二消费预测模型。
本申请第二方面公开了一种优惠信息的处理装置,包括:
获取单元,用于获取待推送用户的消费特征信息以及预设的多个待验证优惠条件;
预测单元,用于针对每一个所述待验证优惠条件,将所述待推送用户的消费特征信息以及所述待验证优惠条件输入至盈利预测模型中,由所述盈利预测模型预测得到所述待推送用户在所述待验证优惠条件下的预测盈利值;其中,所述盈利预测模型由多个用户的消费特征信息、每一个用户对应的实际优惠条件、每一个用户在对应的实际优惠条件下的实际消费次数、以及每一个用户在对应的实际优惠条件下的实际消费金额对神经网络模型进行训练得到;
选取单元,用于从所有的所述待验证优惠条件下的预测盈利值中,选取出满足预设盈利条件的预测盈利值,并将所述满足预设盈利条件的预测盈利值所对应的待验证优惠条件作为所述待推送用户的实际优惠条件;
推送单元,用于将所述待推送用户的实际优惠条件推送给所述待推送用户。
可选地,在上述优惠信息的处理装置中,所述待验证优惠条件,包括:按照消费次数设置的待验证优惠条件,和/或,按照消费金额设置的待验证优惠条件。
可选地,在上述优惠信息的处理装置中,所述盈利预测模型,包括:第一消费预测模型、第二消费预测模型、以及盈利评价函数;其中,所述第一消费预测模型由多个用户的消费特征信息、每一个用户对应的按照消费次数设置的实际优惠条件、每一个用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额对神经网络模型进行训练得到;所述第二消费预测模型由多个用户的消费特征信息、每一个用户对应的按照消费金额设置的实际优惠条件、以及每一个用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额对神经网络模型进行训练得到;
所述预测单元,包括:
第一预测子单元,用于针对每一个所述按照消费次数设置的待验证优惠条件,将所述待推送用户的消费特征信息、以及所述按照消费次数设置的待验证优惠条件输入至所述第一消费预测模型,由所述第一消费预测模型预测得到所述待推送用户在所述按照消费次数设置的待验证优惠条件下的预测消费次数和预测消费金额;并针对每一个所述按照消费金额设置的待验证优惠条件,将所述待推送用户的消费特征信息、以及所述按照消费金额设置的待验证优惠条件输入至所述第二消费预测模型,由所述第二消费预测模型预测得到所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测消费金额;
第一计算子单元,用于针对每一个所述按照消费次数设置的待验证优惠条件,将所述按照消费次数设置的待验证优惠条件、所述待推送用户在所述按照消费次数设置的待验证优惠条件下的预测消费次数以及预测消费金额输入至所述盈利评价函数中,得到所述待推送用户在所述按照消费次数设置的待验证优惠条件下的预测盈利值;并针对每一个所述按照消费金额设置的待验证优惠条件,将所述按照消费金额设置的待验证优惠条件、所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测消费金额输入至所述盈利评价函数中,得到所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测盈利值。
可选地,在上述优惠信息的处理装置中,还包括:
第一构建单元,用于构建用户数据集;其中,所述用户数据集,包括:多个用户的消费特征信息、每一个用户对应的按照消费次数设置的实际优惠条件、每一个用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额;
第一训练单元,用于针对每一个用户,将所述用户数据集中的所述用户的消费特征信息和所述用户对应的按照消费次数设置的实际优惠条件输入至神经网络模型中,得到所述用户在对应的按照消费次数设置的实际优惠条件下的预测消费次数和预测消费金额;
第一调整单元,用于利用每一个用户的预测消费次数与实际消费次数之间的误差、以及每一个用户的预测消费金额与实际消费金额之间的误差,对所述神经网络模型的参数不断调整,直至调整后的所述神经网络模型输出的预测消费次数与实际消费次数之间的误差、以及预测消费金额与实际消费金额之间的误差均满足预设的收敛条件时,将所述调整后的神经网络模型确定为第一消费预测模型。
可选地,在上述优惠信息的处理装置中,还包括:
第二构建单元,用于构建用户数据集;其中,所述用户数据集,包括:多个用户的消费特征信息、每一个用户对应的按照消费金额设置的实际优惠条件、每一个用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额;
第二训练单元,用于针对每一个用户,将所述用户数据集中的所述用户的消费特征信息和所述用户对应的按照消费金额设置的实际优惠条件输入至神经网络模型中,得到所述用户在对应的按照消费金额设置的实际优惠条件下的预测消费金额;
第二调整单元,用于利用每一个用户的预测消费金额与实际消费金额之间的误差,对所述神经网络模型的参数不断调整,直至调整后的所述神经网络模型输出的预测消费金额与实际消费金额之间的误差满足预设的收敛条件时,将所述调整后的神经网络模型确定为第二消费预测模型。
本申请第三方面公开了一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如上述第一方面中任一所述的方法。
本申请第四方面公开了一种设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述第一方面中任一所述的方法。
从上述技术方案可以看出,本申请实施例提出的优惠信息的处理方法中,通过获取待推送用户的消费特征信息以及预设的多个待验证优惠条件,然后针对每一个待验证优惠条件,将待推送用户的消费特征信息以及待验证优惠条件输入至盈利预测模型中,由盈利预测模型预测得到待推送用户在待验证优惠条件下的预测盈利值。其中,盈利预测模型由多个用户的消费特征信息、每一个用户对应的实际优惠条件、每一个用户在对应的实际优惠条件下的实际消费次数、以及每一个用户在对应的实际优惠条件下的实际消费金额对神经网络模型进行训练得到。进而能够从所有的待验证优惠条件下的预测盈利值中,选取出满足预设盈利条件的预测盈利值,并将满足预设盈利条件的预测盈利值所对应的待验证优惠条件作为待推送用户的实际优惠条件,推送给待推送用户。本申请实施例可针对不同用户的消费特征信息,选取出针对该用户而言,能够满足预设盈利条件的优惠条件推送给用户,实现对所有用户都能起到促进消费和增加盈利的作用。
附图说明
为了更清楚地说明本发明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发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种优惠信息的处理方法的流程示意图;
图2为本申请实施例公开的一种得到待推送用户在待验证优惠条件下的预测盈利值的方法的流程示意图;
图3为本申请实施例公开的一种第一消费预测模型的创建方法的流程示意图;
图4为本申请实施例公开的一种训练得到第一消费预测模型的神经网络模型的初始权值和初始阈值的设置方法的流程示意图;
图5为本申请实施例公开的一种第二消费预测模型的创建方法的流程示意图;
图6为本申请实施例公开的一种训练得到第二消费预测模型的神经网络模型的初始权值和初始阈值的设置方法的流程示意图;
图7为本申请实施例公开的一种优惠信息的处理装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1,本申请公开了一种优惠信息的处理方法,具体包括以下步骤:
S101、获取待推送用户的消费特征信息以及预设的多个待验证优惠条件。
其中,待推送用户为还未推送对应的优惠条件的用户。优惠条件指的是为用户提供优惠时用户所需满足的条件。例如,在银行的应用场景中,若银行为用户提供了免去信用卡年费的活动,则会设置相应的优惠条件,当用户满足相应的优惠条件时,则免去用户的信用卡年费。还可以是商场为用户提供打折优惠,如果用户满足相应的优惠条件,则让用户享受打折优惠等。而步骤S101中提及的待验证优惠条件指的是尚未推送给用户的备选的优惠条件。由于实际应用中,为用户推送优惠条件的目的是为了刺激用户消费,增收盈利,因此需要优惠条件能够对用户起到刺激消费的作用。本申请实施例中,预设了多个待验证优惠条件,通过后续的步骤S102至步骤S104,可从多个待验证优惠条件中选择出能够实现增收盈利的优惠条件。其中,待验证优惠条件的类型可以有很多。可选地,在本申请一具体实施例中,待验证优惠条件可以包括按照消费次数设置的待验证优惠条件,和/或,按照消费金额设置的待验证优惠条件。例如,在银行的应用场景下,可以按照消费次数设置多个待验证优惠条件,比如当用户消费次数在预设时间段内达到20次即可享受免年费优惠、用户消费次数在预设时间段内达到15次即可享受免年费优惠、用户消费次数在预设时间段内达到40次即可享受免年费优惠等。还可以按照消费金额设置免年费优惠条件,比如当用户消费金额在预设时间段内达到2000元即可享受免年费优惠、当用户消费金额在预设时间段内达到1500元即可享受免年费优惠、当用户消费金额在预设时间段内达到1000元即可享受免年费优惠等。在实际应用中,可根据以往的经验获取多个在以往的应用场景中推送后盈利较高的待验证优惠条件,也可以随机的设置多个待验证优惠条件。
现有技术中,对所有的用户都采用了统一的优惠条件,但由于不同用户的消费水平存在差距,统一设置的优惠条件对某一部分用户起到了刺激消费的效果,对某些用户可能未必起作用。例如,如果统一设置的免年费的优惠条件为一年的总消费次数需达到10次,部分消费水平不高的用户可能会为了达到免年费的优惠条件,会刻意增加消费次数,在1天内使用信用卡消费10次,但每次消费的金额都非常小,对用户起到的刺激消费的效果不明显。但如果优惠条件设置得难以达到,用户需要提高消费水平才可达到,那么用户会放弃争取优惠条件所提供的优惠,同样也起不到刺激消费的效果。因此,步骤S101中需要获取待推送用户的消费特征信息和多个待验证优惠条件,并通过步骤S102至步骤S104选出与待推送用户的消费特征信息相对应的待验证优惠条件,该优惠条件对该用户能起到增收盈利的作用。
用户的消费特征信息用于说明用户的消费水平。用户的消费特征信息可以包括用户的资产信息、用户的职业信息、用户的每月消费金额等能够体现用户消费水平的信息。获取用户的消费特征信息的具体方式有很多,例如,可以在用户注册账号时手机用户的个人信息,从用户的个人信息中提取用户的消费特征信息,还可以设置一个预设时间段,并在该预设时间段内收集用户的消费行为信息,并从消费行为信息中提取出能够反映用户消费水平的消费特征信息。获取用户的消费特征信息的具体方式包括但不限于本申请实施例所提出的内容。
S102、针对每一个待验证优惠条件,将待推送用户的消费特征信息以及待验证优惠条件输入至盈利预测模型中,由盈利预测模型预测得到待推送用户在待验证优惠条件下的预测盈利值。
其中,盈利预测模型由多个用户的消费特征信息、每一个用户对应的实际优惠条件、每一个用户在对应的实际优惠条件下的实际消费次数、以及每一个用户在对应的实际优惠条件下的实际消费金额对神经网络模型进行训练得到。具体地,在某个历史时间段内对不同用户推送了不同的实际优惠条件,然后统计用户在对应的实际优惠条件下的实际消费次数以及实际消费金额,进而可使用多个用户的消费特征信息、每一个用户对应的实际优惠条件、每一个用户在对应的实际优惠条件下的实际消费次数、以及每一个用户在对应的实际优惠条件下的实际消费金额对神经网络模型进行训练,得到盈利预测模型。使得待推送用户的消费特征信息以及待验证优惠条件输入至盈利预测模型中之后,盈利预测模型能够预测出待推送用户的待验证优惠条件下的预测盈利值。
具体地,盈利预测模型先根据待推送用户的消费特征信息以及待验证优惠条件,预测出待推送用户的消费次数和消费金额,然后根据预测消费次数和消费金额计算得到用户的预测盈利值。
由于待推送用户在待验证优惠条件下的预测盈利值会受到待推送用户的消费特征信息以及待验证优惠条件的影响,例如如果待推送用户的消费特征信息反映出用户是高消费水平的用户,那么相较于较容易满足的待验证优惠条件,比较难满足的待验证优惠条件可能能更好的刺激到该待推送用户的消费。因此,可以通过盈利预测模型,建立待推送用户的消费特征信息、待验证优惠条件、以及预测盈利值之间的关联性,进而实现通过待推送用户的消费特征信息以及待验证优惠条件,得到待推送用户在待验证优惠条件下的预测盈利值。
可选地,在本申请一具体实施例中,若待验证优惠条件,包括:按照消费次数设置的待验证优惠条件和按照消费金额设置的待验证优惠条件则盈利预测模型包括:第一消费预测模型、第二消费预测模型、以及盈利评价函数。
其中,第一消费预测模型由多个用户的消费特征信息、每一个用户对应的按照消费次数设置的实际优惠条件、每一个用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额对神经网络模型进行训练得到。第二消费预测模型由多个用户的消费特征信息、每一个用户对应的按照消费金额设置的实际优惠条件、以及每一个用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额对神经网络模型进行训练得到。
可选地,参阅图2,在本申请一具体实施例中,执行步骤S102的一种实施方式,包括:
S201、针对每一个按照消费次数设置的待验证优惠条件,将待推送用户的消费特征信息、以及按照消费次数设置的待验证优惠条件输入至第一消费预测模型,由第一消费预测模型预测得到待推送用户在按照消费次数设置的待验证优惠条件下的预测消费次数和预测消费金额,并针对每一个按照消费金额设置的待验证优惠条件,将待推送用户的消费特征信息、以及按照消费金额设置的待验证优惠条件输入至第二消费预测模型,由第二消费预测模型预测得到所述待推送用户在按照消费金额设置的待验证优惠条件下的预测消费金额。
具体地,将图1示出的步骤S101中获取到的多个待验证优惠条件,分为按照消费次数设置的待验证优惠条件和按照消费金额设置的待验证优惠条件这两大类。针对每一个属于按照消费次数设置的待验证优惠条件,将待推送用户的消费特征信息、以及按照消费次数设置的待验证优惠条件输入至第一消费预测模型,预测得到待推送用户在按照消费次数设置的待验证优惠条件下的预测消费次数和预测消费金额。由于预测盈利值时,除了需要用户的预测消费金额,还需要用户是否达到待验证优惠条件的预测结果,若达到了待验证优惠条件,则需要计算优惠后的预测盈利值。因此,针对按照消费次数设置的待验证优惠,第一消费预测模型需预测消费次数和消费金额。而针对每一个按照消费金额设置的待验证优惠条件,将待推送用户的消费特征信息、以及按照消费金额设置的待验证优惠条件输入至第二消费预测模型,只需预测得到待推送用户的消费金额即可,通过预测消费金额即可预测出待推送用户是否能达到待验证优惠条件。
可选地,参阅图3,在本申请一具体实施例中,第一消费预测模型的创建方法,包括:
S301、构建用户数据集。其中,用户数据集,包括:多个用户的消费特征信息、每一个用户对应的按照消费次数设置的实际优惠条件、每一个用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额。
具体地,在某个历史时间段内,针对每一个用户,向用户推送随机的一个按照消费次数设置的实际优惠条件,然后收集用户在实际优惠条件下的实际消费次数和实际消费金额,将用户的消费特征信息、用户对应的按照消费次数设置的实际优惠条件、用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额收集至用户数据集中。
例如,在银行的应用场景中,对其中100名用户推送一年内消费次数满100次即可免年费的实际优惠条件,对另外的100名用户推送一年内消费次数满50次即可免年费的实际优惠条件,还对除了上述200名用户之外的100名用户推送一年内消费次数满150次即可免年费的实际优惠条件。然后收集上述用户在一年内的实际消费次数和消费金额,将上述的多个用户的消费特征信息、每一个用户对应的按照消费次数设置的实际优惠条件、每一个用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额收集至用户数据集中,其中,属于同一个用户的相关信息需对应存储在用户数据集中。
需要说明的是,用户数据集中所涵盖的用户数量越大,最终训练得到的第一消费预测模型的准确性越高,每一个用户的消费特征信息收集的越多越详细,最终训练得到的第一消费预测模型的准确性也会越高。
S302、针对每一个用户,将用户数据集中的用户的消费特征信息和用户对应的按照消费次数设置的实际优惠条件输入至神经网络模型中,得到用户在对应的按照消费次数设置的实际优惠条件下的预测消费次数和预测消费金额。
针对每一个用户,将该用户在用户数据集中的消费特征信息以及对应的按照消费次数设置的实际优惠条件输入到需要进行训练的神经网络模型中,神经网络模型输出该用户在对应的按照消费次数设置的实际优惠条件下的预测消费次数和预测消费金额。其中,步骤S302中的神经网络模型可以是误差逆向神经网络模型或者卷积神经网络模型等。
可选地,在本申请一具体实施例中,执行步骤S302时,可以针对每一个用户,将用户数据集中的用户的消费特征信息和用户对应的按照消费次数设置的实际优惠条件输入至第一神经网络模型中,得到用户在对应的按照消费次数设置的实际优惠条件下的预测消费次数。然后针对每一个用户,将用户数据集中的用户的消费特征信息和用户对应的按照消费次数设置的实际优惠条件输入至第二神经网络模型中,得到用户在对应的按照消费次数设置的实际优惠条件下的预测消费金额。
即执行步骤S302时,可以使用到第一神经网络模型和第二神经网络模型这两个神经网络模型。其中,第一神经网络模型用于预测用户在对应的按照消费次数设置的实际优惠条件下的消费次数,第二神经网络模型用于预测用户在对应的按照消费次数设置的实际优惠条件下的消费金额。
S303、利用每一个用户的预测消费次数与实际消费次数之间的误差、以及每一个用户的预测消费金额与实际消费金额之间的误差,对神经网络模型的参数不断调整,直至调整后的神经网络模型输出的预测消费次数与实际消费次数之间的误差、以及预测消费金额与实际消费金额之间的误差均满足预设的收敛条件时,将调整后的神经网络模型确定为第一消费预测模型。
通过不断调整神经网络模型中的参数,使得预测消费次数与实际消费次数之间的误差逐渐减小,且预测消费金额与实际消费金额之间的误差也不断减小,直至调整后的神经网络模型输出的预测消费次数与实际消费次数之间的误差、以及预测消费金额与实际消费金额之间的误差均满足预设的收敛条件时,可认为调整后的神经网络模型能够准确预测出用户的消费次数和消费金额,因此可将调整后的神经网络模型确认为第一消费预测模型。
可选地,若执行步骤S302时,使用了第一神经网络模型用于预测用户在对应的按照消费次数设置的实际优惠条件下的消费次数,且使用了第二神经网络模型用于预测用户在对应的按照消费次数设置的实际优惠条件下的消费金额,则执行步骤S303时,根据用户的预测消费次数与实际消费次数之间的误差,调整第一神经网络模型的参数,直到调整后的第一神经网络模型输出的预测消费次数与实际消费次数之间的误差满足预设的收敛条件为止。并且对根据用户的预测消费金额与实际消费金额之间的误差,调整第二神经网络模型的参数,直到调整后的第二神经网络模型输出的预测消费金额与实际消费金额之间的误差满足预设的收敛条件为止。进而得到第一消费预测模型,其中,第一消费预测模型包括调整后的第一神经网络模型和调整后的第二神经网络模型。
需要说明的是,步骤S303中的神经网络模型的参数包括神经网络模型的权值和阈值。
可选地,参阅图4,在本申请一具体实施例中,图3示出的实施例中提及的神经网络模型的初始权值和初始阈值的设置方法,包括:
S401、将神经网络模型的待优化权值、待优化阈值、以及适应度代入至遗传算法中,得到神经网络模型的最优权值和最优阈值。其中,神经网络模型的适应度为神经网络模型的权值为待优化权值、且神经网络模型的阈值为待优化阈值时所输出的每一个用户的预测消费次数与实际消费次数之间的误差、以及每一个用户的预测消费金额与实际消费金额之间的误差。
待优化权值可以为任意的一个数值,待优化阈值也可以为任意的一个数值。将神经网络模型的权值设置为待优化权值、且将阈值设置为待优化阈值后,分别向设置好的神经网络模型中输入用户数据集中的每一个用户的信息,得到模型输出的用户在对应的按照消费次数设置的实际优惠条件下的预测消费次数和预测消费金额。然后将神经网络模型在权值设置为待优化权值、以及阈值设置为待优化阈值情况下所得到的每一个用户的预测消费次数与实际消费次数之间的误差、以及每一个用户的预测消费金额与实际消费金额之间的误差,作为适应度,将待优化权值、待优化阈值、以及适应度代入至遗传算法中以求取最优解(即最优权值和最优阈值)。
S402、将神经网络模型的最优权值和最优阈值作为神经网络模型的初始权值和初始阈值。
遗传算法中求取得到的最优权值和最优阈值,能够使得神经网络模型在将权值设置为最优权值、以及将阈值设置为最优阈值的情况下,所输出的每一个用户的预测消费次数与实际消费次数较为接近、以及每一个用户的预测消费金额与实际消费金额较为接近。因此,将遗传算法求得的最优权值作为神经网络模型的初始权值、以及将最优阈值作为神经网络模型的初始阈值,能够减少对神经网络模型的训练调整次数,只需对模型的权值和阈值进行较少次数的调整,即可得到满足预设的收敛条件的模型。
可选地,参阅图5,在本申请一具体实施例中,步骤S201中提及的第二消费预测模型的创建方法,包括:
S501、构建用户数据集。其中,用户数据集,包括:多个用户的消费特征信息、每一个用户对应的按照消费金额设置的实际优惠条件、每一个用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额。
具体地,在某个历史时间段内,针对每一个用户,向用户推送随机的一个按照消费金额设置的实际优惠条件,然后收集用户在实际优惠条件下的预测消费次数和预测消费金额,将用户的消费特征信息、用户对应的按照消费金额设置的实际优惠条件、用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额收集至用户数据集中。
例如,在银行的应用场景中,对其中100名用户推送一年内消费金额满1000元即可免年费的实际优惠条件,对另外的100名用户推送一年内消费金额满1500元即可免年费的实际优惠条件,还对除了上述200名用户之外的100名用户推送一年内消费金额满2000元即可免年费的实际优惠条件。然后收集上述用户在一年内的实际消费金额,将上述的多个用户的消费特征信息、每一个用户对应的按照消费金额设置的实际优惠条件、每一个用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额收集至用户数据集中,其中,属于同一个用户的相关信息需对应存储在用户数据集中。
需要说明的是,用户数据集中所涵盖的用户数量越大,最终训练得到的第二消费预测模型的准确性越高,每一个用户的消费特征信息收集的越多越详细,最终训练得到的第二消费预测模型的准确性也会越高。
S502、针对每一个用户,将用户数据集中的所述用户的消费特征信息和用户对应的按照消费金额设置的实际优惠条件输入至神经网络模型中,得到用户在对应的按照消费金额设置的实际优惠条件下的预测消费金额。
针对每一个用户,将该用户在用户数据集中的消费特征信息以及对应的按照消费金额设置的实际优惠条件输入到需要进行训练的神经网络模型中,神经网络模型输出该用户在对应的按照消费金额设置的实际优惠条件下的预测消费金额。其中,步骤S502中的神经网络模型可以是误差逆向神经网络模型或者卷积神经网络模型等。
S503、利用每一个用户的预测消费金额与实际消费金额之间的误差,对神经网络模型的参数不断调整,直至调整后的神经网络模型输出的预测消费金额与实际消费金额之间的误差满足预设的收敛条件时,将调整后的神经网络模型确定为第二消费预测模型。
通过不断调整神经网络模型中的参数,使得预测消费金额与实际消费金额之间的误差也不断减小,直至调整后的神经网络模型输出的预测消费金额与实际消费金额之间的误差满足预设的收敛条件时,可认为调整后的神经网络模型能够准确预测出用户的消费金额,因此可将调整后的神经网络模型确认为第二消费预测模型。
需要说明的是,步骤S503中的神经网络模型的参数包括神经网络模型的权值和阈值。
可选地,参阅图6,在本申请一具体实施例中,图5示出的实施例中提及的神经网络模型的初始权值和初始阈值的设置方法,包括:
S601、将神经网络模型的待优化权值、待优化阈值、以及适应度代入至遗传算法中,得到神经网络模型的最优权值和最优阈值。其中,神经网络模型的适应度为神经网络模型的权值为待优化权值、且神经网络模型的阈值为待优化阈值时所输出的每一个用户的预测消费金额与实际消费金额之间的误差。
待优化权值可以为任意的一个数值,待优化阈值也可以为任意的一个数值。将神经网络模型的权值设置为待优化权值、且将阈值设置为待优化阈值后,分别向设置好的神经网络模型中输入用户数据集中的每一个用户的信息,得到模型输出的用户在对应的按照消费金额设置的实际优惠条件下的预测消费金额。然后将神经网络模型在权值设置为待优化权值、以及阈值设置为待优化阈值情况下所得到的每一个用户的预测消费金额与实际消费金额之间的误差,作为适应度,将待优化权值、待优化阈值、以及适应度代入至遗传算法中以求取最优解(即最优权值和最优阈值)。
S602、将神经网络模型的最优权值和最优阈值作为神经网络模型的初始权值和初始阈值。
遗传算法中求取得到的最优权值和最优阈值,能够使得神经网络模型在将权值设置为最优权值、以及将阈值设置为最优阈值的情况下,所输出的每一个用户的预测消费金额与实际消费金额较为接近。因此,将遗传算法求得的最优权值作为神经网络模型的初始权值、以及将最优阈值作为神经网络模型的初始阈值,能够减少对神经网络模型的训练调整次数,只需对模型的权值和阈值进行较少次数的调整,即可得到满足预设的收敛条件的模型。
S202、针对每一个按照消费次数设置的待验证优惠条件,将按照消费次数设置的待验证优惠条件、待推送用户在按照消费次数设置的待验证优惠条件下的预测消费次数以及预测消费金额输入至盈利评价函数中,得到待推送用户在按照消费次数设置的待验证优惠条件下的预测盈利值,并针对每一个按照消费金额设置的待验证优惠条件,将按照消费金额设置的待验证优惠条件、待推送用户在按照消费金额设置的待验证优惠条件下的预测消费金额输入至盈利评价函数中,得到待推送用户在按照消费金额设置的待验证优惠条件下的预测盈利值。
针对每一个按照消费次数设置的待验证优惠条件,将按照消费次数设置的待验证优惠条件、待推送用户在按照消费次数设置的待验证优惠条件下的预测消费次数以及预测消费金额输入至盈利评价函数中后,盈利评价函数会根据输入的按照消费次数设置的待验证优惠条件以及待推送用户在按照消费次数设置的待验证优惠条件下的预测消费次数,判断出待推送用户是否满足待验证优惠条件,如果待推送用户满足待验证优惠条件,则在为待推送用户提供优惠的情况下计算预测的盈利值。预测盈利值根据待推送用户的预测消费金额、以及是否满足待验证优惠条件的判断结果计算得到。举例说明,在银行应用场景中,某一个按照消费次数设置的待验证优惠条件为:当用户一年内的消费次数达到1000次则免去年费,而待推送用户在将该待验证优惠条件下预测的消费次数为1329次,而预测消费金额为30019元,将待验证优惠条件、预测消费次数以及预测消费金额输入至盈利评价函数中后,盈利评价函数判断出待推送用户满足了待验证优惠条件,因此盈利评价函数计算盈利值时需要考虑到免去待推送用户的年费,并根据待推送用户的预测消费金额30019元计算得到待推送用户的预测盈利值。
同样的,针对每一个按照消费金额设置的待验证优惠条件,将按照消费金额设置的待验证优惠条件、所待推送用户在按照消费金额设置的待验证优惠条件下的预测消费金额输入至盈利评价函数中后,盈利评价函数会根据输入的按照消费金额设置的待验证优惠条件以及预测销售金额,判断待推送用户是否满足待验证优惠条件,如果满足待验证优惠条件,则在为待推送用户提供优惠的情况下计算预测的盈利值。预测盈利值会根据待推送用户的预测消费金额、以及是否满足待验证优惠条件的判断结果计算得到。举例说明,在银行应用场景中,某一个按照消费金额设置的待验证优惠条件为:当用户一年内的消费金额达到10000元则免去年费,而待推送用户在将该待验证优惠条件下的预测消费金额为13000元,将待验证优惠条件、预测消费金额输入至盈利评价函数中后,盈利评价函数判断出待推送用户满足了待验证优惠条件,因此盈利评价函数计算盈利值时需要考虑到免去待推送用户的年费,并根据待推送用户的预测消费金额13000元计算得到待推送用户的预测盈利值。
需要说明的是,若步骤S101获取的待验证优惠条件中仅包括按照消费次数设置的待验证优惠条件,则执行图2示出的实施例时,可以仅执行图2示出的实施例中针对每一个按照消费次数设置的待验证优惠条件的相关步骤(即仅使用第一消费预测模型),若步骤S101获取的待验证优惠条件中仅包括按照消费金额设置的待验证优惠条件,则执行图2示出的实施例中,可以仅执行图2示出的实施例中针对每一个按照消费金额设置的待验证优惠条件的相关步骤。
S103、从所有的待验证优惠条件下的预测盈利值中,选取出满足预设盈利条件的预测盈利值,并将满足预设盈利条件的预测盈利值所对应的待验证优惠条件作为待推送用户的实际优惠条件。
其中,预设盈利条件可根据实际需求进行设置。例如实际需求中要求能得到最大的盈利,那么预设盈利条件则可以是所有的待验证优惠条件下的预测盈利值中的最大值。又如实际需求中要求在能增收盈利的情况下不尽可能提升或者保持用户的好感度,则预设盈利条件可以是所有的待验证优惠条件下的预测盈利值中能够大于预设盈利值、且对应的待验证优惠条件最容易达到的预测盈利值。从所有的待验证优惠条件下的预测盈利值中,选取出满足预设盈利条件的预测盈利值之后,将满足预设盈利条件的预测盈利值所对应的待验证优惠条件作为待推送用户的实际优惠条件。其中,待推送用户的实际优惠条件指的是为待推送用户实际推送的优惠条件。当待推送用户满足了对应的实际优惠条件时,即为待推送用户提供相应的优惠。
可选地,如果所有的待验证优惠条件下的预测盈利值中,不存在满足预设盈利条件的预测盈利值,则可以返回至步骤S101中,重新获取其他的待验证优惠条件。
S104、将待推送用户的实际优惠条件推送给待推送用户。
其中,执行步骤S104的具体方式有很多,例如可通过短信方式将待推送用户的实际优惠条件推送给待推送用户,还可以通过电话通知的方式将待推送用户的实际优惠条件推送给待推送用户。执行步骤S104的具体方式包括但不限于本申请实施例所提出的内容。
现有技术中,向每一名待推送用户所推送的实际优惠条件都是一样的,但由于每一名待推送用户的消费水平是不相同的,所推送的实际优惠条件不能够对所有的待推送用户都起到刺激消费的作用。而本申请实施例中,针对待推送用户的消费特征信息,为待推送用户从多个待验证优惠条件中选出能够满足预设盈利条件的待验证优惠条件,将选取出的优惠条件再推送给待推送优惠,使得每一名待推送用户所获取的实际优惠条件均能够起到刺激消费,增收盈利的效果。
本申请实施例提出的优惠信息的处理方法中,通过获取待推送用户的消费特征信息以及预设的多个待验证优惠条件,然后针对每一个待验证优惠条件,将待推送用户的消费特征信息以及待验证优惠条件输入至盈利预测模型中,由盈利预测模型预测得到待推送用户在待验证优惠条件下的预测盈利值。其中,盈利预测模型由多个用户的消费特征信息、每一个用户对应的实际优惠条件、每一个用户在对应的实际优惠条件下的实际消费次数、以及每一个用户在对应的实际优惠条件下的实际消费金额对神经网络模型进行训练得到。进而能够从所有的待验证优惠条件下的预测盈利值中,选取出满足预设盈利条件的预测盈利值,并将满足预设盈利条件的预测盈利值所对应的待验证优惠条件作为待推送用户的实际优惠条件,推送给待推送用户。本申请实施例可针对不同用户的消费特征信息,选取出针对该用户而言,能够满足预设盈利条件的优惠条件推送给用户,实现对所有用户都能起到促进消费和增加盈利的作用。
参阅图7,基于上述本申请实施例提出的优惠信息的处理方法,本申请实施例对应公开了一种优惠信息的处理装置,包括:获取单元701、预测单元702、选取单元703以及推送单元704。
获取单元701,用于获取待推送用户的消费特征信息以及预设的多个待验证优惠条件。
可选地,在本申请一具体实施例中,待验证优惠条件,包括:按照消费次数设置的待验证优惠条件,和/或,按照消费金额设置的待验证优惠条件。
预测单元702,用于针对每一个所述待验证优惠条件,将待推送用户的消费特征信息以及待验证优惠条件输入至盈利预测模型中,由盈利预测模型预测得到所述待推送用户在待验证优惠条件下的预测盈利值。其中,盈利预测模型由多个用户的消费特征信息、每一个用户对应的实际优惠条件、每一个用户在对应的实际优惠条件下的实际消费次数、以及每一个用户在对应的实际优惠条件下的实际消费金额对神经网络模型进行训练得到。
可选地,在本申请一具体实施例中,盈利预测模型,包括:第一消费预测模型、第二消费预测模型、以及盈利评价函数。其中,第一消费预测模型由多个用户的消费特征信息、每一个用户对应的按照消费次数设置的实际优惠条件、每一个用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额对神经网络模型进行训练得到。第二消费预测模型由多个用户的消费特征信息、每一个用户对应的按照消费金额设置的实际优惠条件、以及每一个用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额对神经网络模型进行训练得到。
预测单元702,包括:第一预测子单元和第一计算子单元。
第一预测子单元,用于针对每一个按照消费次数设置的待验证优惠条件,将待推送用户的消费特征信息、以及按照消费次数设置的待验证优惠条件输入至所述第一消费预测模型,由第一消费预测模型预测得到待推送用户在按照消费次数设置的待验证优惠条件下的预测消费次数和预测消费金额;并针对每一个按照消费金额设置的待验证优惠条件,将待推送用户的消费特征信息、以及按照消费金额设置的待验证优惠条件输入至第二消费预测模型,由第二消费预测模型预测得到待推送用户在按照消费金额设置的待验证优惠条件下的预测消费金额。
第一计算子单元,用于针对每一个按照消费次数设置的待验证优惠条件,将按照消费次数设置的待验证优惠条件、待推送用户在按照消费次数设置的待验证优惠条件下的预测消费次数以及预测消费金额输入至盈利评价函数中,得到待推送用户在所述按照消费次数设置的待验证优惠条件下的预测盈利值,并针对每一个按照消费金额设置的待验证优惠条件,将按照消费金额设置的待验证优惠条件、待推送用户在按照消费金额设置的待验证优惠条件下的预测消费金额输入至所述盈利评价函数中,得到所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测盈利值。
可选地,在本申请一具体实施例中,还包括:第一构建单元、第一训练单元以及第一调整单元。
第一构建单元,用于构建用户数据集。其中,用户数据集,包括:多个用户的消费特征信息、每一个用户对应的按照消费次数设置的实际优惠条件、每一个用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额。
第一训练单元,用于针对每一个用户,将用户数据集中的用户的消费特征信息和所述用户对应的按照消费次数设置的实际优惠条件输入至神经网络模型中,得到用户在对应的按照消费次数设置的实际优惠条件下的预测消费次数和预测消费金额。
第一调整单元,用于利用每一个用户的预测消费次数与实际消费次数之间的误差、以及每一个用户的预测消费金额与实际消费金额之间的误差,对所述神经网络模型的参数不断调整,直至调整后的神经网络模型输出的预测消费次数与实际消费次数之间的误差、以及预测消费金额与实际消费金额之间的误差均满足预设的收敛条件时,将调整后的神经网络模型确定为第一消费预测模型。
可选地,在本申请一具体实施例中,还包括:第二构建单元、第二训练单元、以及第二调整单元。
第二构建单元,用于构建用户数据集。其中,用户数据集,包括:多个用户的消费特征信息、每一个用户对应的按照消费金额设置的实际优惠条件、每一个用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额。
第二训练单元,用于针对每一个用户,将用户数据集中的用户的消费特征信息和用户对应的按照消费金额设置的实际优惠条件输入至神经网络模型中,得到用户在对应的按照消费金额设置的实际优惠条件下的预测消费金额。
第二调整单元,用于利用每一个用户的预测消费金额与实际消费金额之间的误差,对神经网络模型的参数不断调整,直至调整后的神经网络模型输出的预测消费金额与实际消费金额之间的误差满足预设的收敛条件时,将调整后的神经网络模型确定为第二消费预测模型。
选取单元703,用于从所有的待验证优惠条件下的预测盈利值中,选取出满足预设盈利条件的预测盈利值,并将满足预设盈利条件的预测盈利值所对应的待验证优惠条件作为待推送用户的实际优惠条件。
推送单元704,用于将待推送用户的实际优惠条件推送给待推送用户。
上述本申请实施例公开的优惠信息的处理装置中的具体的原理和执行过程,与上述本申请实施例公开的优惠信息的处理方法相同,可参见上述本申请实施例公开的优惠信息的处理方法中相应的部分,这里不再进行赘述。
本申请实施例提出的优惠信息的处理装置中,通过获取单元701获取待推送用户的消费特征信息以及预设的多个待验证优惠条件,然后预测单元702针对每一个待验证优惠条件,将待推送用户的消费特征信息以及待验证优惠条件输入至盈利预测模型中,由盈利预测模型预测得到待推送用户在待验证优惠条件下的预测盈利值。其中,盈利预测模型由多个用户的消费特征信息、每一个用户对应的实际优惠条件、每一个用户在对应的实际优惠条件下的实际消费次数、以及每一个用户在对应的实际优惠条件下的实际消费金额对神经网络模型进行训练得到。进而选取单元703能够从所有的待验证优惠条件下的预测盈利值中,选取出满足预设盈利条件的预测盈利值,推送单元704并将满足预设盈利条件的预测盈利值所对应的待验证优惠条件作为待推送用户的实际优惠条件,推送给待推送用户。本申请实施例可针对不同用户的消费特征信息,选取出针对该用户而言,能够满足预设盈利条件的优惠条件推送给用户,实现对所有用户都能起到促进消费和增加盈利的作用。
本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现以上各方法实施例提供的优惠信息的处理方法。
本申请实施例提供了一种设备,该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以上各方法实施例提供的优惠信息的处理方法。
专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种优惠信息的处理方法,其特征在于,包括:
获取待推送用户的消费特征信息以及预设的多个待验证优惠条件;
针对每一个所述待验证优惠条件,将所述待推送用户的消费特征信息以及所述待验证优惠条件输入至盈利预测模型中,由所述盈利预测模型预测得到所述待推送用户在所述待验证优惠条件下的预测盈利值;其中,所述盈利预测模型由多个用户的消费特征信息、每一个用户对应的实际优惠条件、每一个用户在对应的实际优惠条件下的实际消费次数、以及每一个用户在对应的实际优惠条件下的实际消费金额对神经网络模型进行训练得到;
从所有的所述待验证优惠条件下的预测盈利值中,选取出满足预设盈利条件的预测盈利值,并将所述满足预设盈利条件的预测盈利值所对应的待验证优惠条件作为所述待推送用户的实际优惠条件;
将所述待推送用户的实际优惠条件推送给所述待推送用户。
2.根据权利要求1所述的方法,其特征在于,所述待验证优惠条件,包括:按照消费次数设置的待验证优惠条件,和/或,按照消费金额设置的待验证优惠条件。
3.根据权利要求2所述的方法,其特征在于,所述盈利预测模型,包括:第一消费预测模型、第二消费预测模型、以及盈利评价函数;其中,所述第一消费预测模型由多个用户的消费特征信息、每一个用户对应的按照消费次数设置的实际优惠条件、每一个用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额对神经网络模型进行训练得到;所述第二消费预测模型由多个用户的消费特征信息、每一个用户对应的按照消费金额设置的实际优惠条件、以及每一个用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额对神经网络模型进行训练得到;
所述针对每一个所述待验证优惠条件,将所述待推送用户的消费特征信息以及所述待验证优惠条件输入至盈利预测模型中,由所述盈利预测模型预测得到所述待推送用户在所述待验证优惠条件下的预测盈利值,包括:
针对每一个所述按照消费次数设置的待验证优惠条件,将所述待推送用户的消费特征信息、以及所述按照消费次数设置的待验证优惠条件输入至所述第一消费预测模型,由所述第一消费预测模型预测得到所述待推送用户在所述按照消费次数设置的待验证优惠条件下的预测消费次数和预测消费金额;并针对每一个所述按照消费金额设置的待验证优惠条件,将所述待推送用户的消费特征信息、以及所述按照消费金额设置的待验证优惠条件输入至所述第二消费预测模型,由所述第二消费预测模型预测得到所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测消费金额;
针对每一个所述按照消费次数设置的待验证优惠条件,将所述按照消费次数设置的待验证优惠条件、所述待推送用户在所述按照消费次数设置的待验证优惠条件下的预测消费次数以及预测消费金额输入至所述盈利评价函数中,得到所述待推送用户在所述按照消费次数设置的待验证优惠条件下的预测盈利值;并针对每一个所述按照消费金额设置的待验证优惠条件,将所述按照消费金额设置的待验证优惠条件、所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测消费金额输入至所述盈利评价函数中,得到所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测盈利值。
4.根据权利要求3所述的方法,其特征在于,所述第一消费预测模型的创建方法,包括:
构建用户数据集;其中,所述用户数据集,包括:多个用户的消费特征信息、每一个用户对应的按照消费次数设置的实际优惠条件、每一个用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额;
针对每一个用户,将所述用户数据集中的所述用户的消费特征信息和所述用户对应的按照消费次数设置的实际优惠条件输入至神经网络模型中,得到所述用户在对应的按照消费次数设置的实际优惠条件下的预测消费次数和预测消费金额;
利用每一个用户的预测消费次数与实际消费次数之间的误差、以及每一个用户的预测消费金额与实际消费金额之间的误差,对所述神经网络模型的参数不断调整,直至调整后的所述神经网络模型输出的预测消费次数与实际消费次数之间的误差、以及预测消费金额与实际消费金额之间的误差均满足预设的收敛条件时,将所述调整后的神经网络模型确定为第一消费预测模型。
5.根据权利要求3所述的方法,其特征在于,所述第二消费预测模型的创建方法,包括:
构建用户数据集;其中,所述用户数据集,包括:多个用户的消费特征信息、每一个用户对应的按照消费金额设置的实际优惠条件、每一个用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额;
针对每一个用户,将所述用户数据集中的所述用户的消费特征信息和所述用户对应的按照消费金额设置的实际优惠条件输入至神经网络模型中,得到所述用户在对应的按照消费金额设置的实际优惠条件下的预测消费金额;
利用每一个用户的预测消费金额与实际消费金额之间的误差,对所述神经网络模型的参数不断调整,直至调整后的所述神经网络模型输出的预测消费金额与实际消费金额之间的误差满足预设的收敛条件时,将所述调整后的神经网络模型确定为第二消费预测模型。
6.一种优惠信息的处理装置,其特征在于,包括:
获取单元,用于获取待推送用户的消费特征信息以及预设的多个待验证优惠条件;
预测单元,用于针对每一个所述待验证优惠条件,将所述待推送用户的消费特征信息以及所述待验证优惠条件输入至盈利预测模型中,由所述盈利预测模型预测得到所述待推送用户在所述待验证优惠条件下的预测盈利值;其中,所述盈利预测模型由多个用户的消费特征信息、每一个用户对应的实际优惠条件、每一个用户在对应的实际优惠条件下的实际消费次数、以及每一个用户在对应的实际优惠条件下的实际消费金额对神经网络模型进行训练得到;
选取单元,用于从所有的所述待验证优惠条件下的预测盈利值中,选取出满足预设盈利条件的预测盈利值,并将所述满足预设盈利条件的预测盈利值所对应的待验证优惠条件作为所述待推送用户的实际优惠条件;
推送单元,用于将所述待推送用户的实际优惠条件推送给所述待推送用户。
7.根据权利要求6所述的装置,其特征在于,所述待验证优惠条件,包括:按照消费次数设置的待验证优惠条件,和/或,按照消费金额设置的待验证优惠条件。
8.根据权利要求7所述的装置,其特征在于,所述盈利预测模型,包括:第一消费预测模型、第二消费预测模型、以及盈利评价函数;其中,所述第一消费预测模型由多个用户的消费特征信息、每一个用户对应的按照消费次数设置的实际优惠条件、每一个用户在对应的按照消费次数设置的实际优惠条件下的实际消费次数以及实际消费金额对神经网络模型进行训练得到;所述第二消费预测模型由多个用户的消费特征信息、每一个用户对应的按照消费金额设置的实际优惠条件、以及每一个用户在对应的按照消费金额设置的实际优惠条件下的实际消费金额对神经网络模型进行训练得到;
所述预测单元,包括:
第一预测子单元,用于针对每一个所述按照消费次数设置的待验证优惠条件,将所述待推送用户的消费特征信息、以及所述按照消费次数设置的待验证优惠条件输入至所述第一消费预测模型,由所述第一消费预测模型预测得到所述待推送用户在所述按照消费次数设置的待验证优惠条件下的预测消费次数和预测消费金额;并针对每一个所述按照消费金额设置的待验证优惠条件,将所述待推送用户的消费特征信息、以及所述按照消费金额设置的待验证优惠条件输入至所述第二消费预测模型,由所述第二消费预测模型预测得到所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测消费金额;
第一计算子单元,用于针对每一个所述按照消费次数设置的待验证优惠条件,将所述按照消费次数设置的待验证优惠条件、所述待推送用户在所述按照消费次数设置的待验证优惠条件下的预测消费次数以及预测消费金额输入至所述盈利评价函数中,得到所述待推送用户在所述按照消费次数设置的待验证优惠条件下的预测盈利值;并针对每一个所述按照消费金额设置的待验证优惠条件,将所述按照消费金额设置的待验证优惠条件、所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测消费金额输入至所述盈利评价函数中,得到所述待推送用户在所述按照消费金额设置的待验证优惠条件下的预测盈利值。
9.一种计算机可读介质,其特征在于,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
10.一种设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361340.2A CN111553736B (zh) | 2020-04-30 | 2020-04-30 | 优惠信息的处理方法、装置、可读介质以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361340.2A CN111553736B (zh) | 2020-04-30 | 2020-04-30 | 优惠信息的处理方法、装置、可读介质以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553736A true CN111553736A (zh) | 2020-08-18 |
CN111553736B CN111553736B (zh) | 2023-06-20 |
Family
ID=72007908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010361340.2A Active CN111553736B (zh) | 2020-04-30 | 2020-04-30 | 优惠信息的处理方法、装置、可读介质以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553736B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416624A (zh) * | 2018-02-27 | 2018-08-17 | 深圳乐信软件技术有限公司 | 一种优惠券推送方法、装置、存储介质及智能终端 |
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 |
CN110335100A (zh) * | 2019-05-09 | 2019-10-15 | 东莞市盟大塑化科技有限公司 | 基于人工智能的信息推送方法、装置、计算机和存储介质 |
WO2019218758A1 (zh) * | 2018-05-14 | 2019-11-21 | 口口相传(北京)网络技术有限公司 | 一种配置及展示优惠信息的方法及装置及电子和存储设备 |
-
2020
- 2020-04-30 CN CN202010361340.2A patent/CN111553736B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416624A (zh) * | 2018-02-27 | 2018-08-17 | 深圳乐信软件技术有限公司 | 一种优惠券推送方法、装置、存储介质及智能终端 |
WO2019218758A1 (zh) * | 2018-05-14 | 2019-11-21 | 口口相传(北京)网络技术有限公司 | 一种配置及展示优惠信息的方法及装置及电子和存储设备 |
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 |
CN110335100A (zh) * | 2019-05-09 | 2019-10-15 | 东莞市盟大塑化科技有限公司 | 基于人工智能的信息推送方法、装置、计算机和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111553736B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019184583A1 (zh) | 基于电子书的活动内容推送方法及电子设备 | |
CN109784959B (zh) | 一种目标用户预测方法、装置、后台服务器及存储介质 | |
Basu et al. | Stablefees: A predictable fee market for cryptocurrencies | |
CN111582947A (zh) | 一种优惠券处理的方法及相关装置 | |
CN110874797B (zh) | 资源分配方法和资源分配装置 | |
CN111814062A (zh) | 信息推送方法、装置、服务器及存储介质 | |
CN111311332A (zh) | 用户数据的处理方法和装置 | |
CN112257940A (zh) | 一种综合能源服务价格体系适应性评价方法及计算设备 | |
CN111054078A (zh) | 对象信息获取方法及装置 | |
Hassi et al. | A compound real option approach for determining the optimal investment path for RPV-storage systems | |
CN110956500A (zh) | 一种广告实时竞价系统中降低广告请求耗时的方法及系统 | |
CN110348947A (zh) | 对象推荐方法及装置 | |
CN111598632B (zh) | 权益份额、权益份额序列的确定方法及装置 | |
CN112819507A (zh) | 一种服务推送方法、装置、电子设备以及可读存储介质 | |
CN111553736B (zh) | 优惠信息的处理方法、装置、可读介质以及设备 | |
CN111882318A (zh) | 一种基于神经网络的智能卡片推荐方法及装置 | |
CN116777518A (zh) | 事务管理方法、装置、存储介质及设备 | |
Saadatmand et al. | BRRA: a bid-revisable reverse auction based framework for incentive mechanisms in mobile crowdsensing systems | |
CN111047366A (zh) | 充值返利方法及装置 | |
CN106101215A (zh) | 应用商店应用下载方法及装置 | |
JP5105653B1 (ja) | 市場リスク予測装置、ヘッジ数量算出方法及びヘッジ数量算出プログラム | |
US20060059030A1 (en) | Method and decision support system for optimal allocation of expendable resources in internet marketing with resource-dependant effectiveness and use of a-posteriori information | |
CN111860856A (zh) | 概率分布函数训练方法、服务激励处理方法、装置及设备 | |
Chen et al. | Estimating the Demand for Service Bundles under Three‐Part Tariffs | |
JP7058804B1 (ja) | 予測システム、予測方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |