CN111738790A - 业务推送方法和推送系统 - Google Patents

Abstract

本发明实施例提供一种业务推送方法和推荐系统，该业务推送方法包括：接收用户的账户发送的用于选择待执行业务迁移的目标对象的第一选择指令；根据第一选择指令，获取目标对象的目标额度；根据目标额度判断目标对象是否满足资源分配限额，若不满足，则响应于第一选择指令，向对目标对象发起待执行业务迁移的账户推送匹配对象，其中，匹配对象具有匹配额度，以使目标额度和匹配额度的总额度满足资源分配限额；若满足，则响应于第一选择指令，向对目标对象发起待执行业务迁移的账户推送目标对象的关联对象。通过该方法能智能识别出需要向用户推送的匹配对象，使得匹配对象的匹配额度和目标对象的目标额度之和满足资源分配限额，满足用户的需求。

Description

业务推送方法和推送系统

技术领域

本发明涉及计算机技术领域，具体涉及一种业务推送方法和推送系统。

背景技术

用户在电商购物时，电商平台或店铺往往有一定的购物门槛，例如单次购物金额需达到要求值以上才能免于收取运费，所以用户在完成原有购物需求后，为了达到免运费门槛通常会进行额外的购物行为，即凑单。同样的需求也会发生在满减、满赠等其他对单次购买金额有限制的购物活动中，电商平台因此会向客户推荐一些备选商品，即推送对象。

当前的推送对象的选取往往基于人工运营，辨识难度大，易于混淆，且人力成本较高、效率低下，难以在海量数据下开展；另外，目前的推送方法仅是基于简单的规则过滤，准确率较低，推荐效果不理想，难以显著降低用户挑选凑单商品的难度；而且，推送对象的种类繁多，用户挑选过程繁琐，增加挑选难度。

因此，发明人认为，上述的推送方法有很大的局限性，基于简单的规则过滤和人工识别推荐，存在难以满足用户需求的问题。

发明内容

有鉴于此，本发明实施例提供一种业务推送方法和推荐系统，判断目标对象的目标额度是否满足资源分配限额，若不满足，则向其推送匹配对象，使得匹配对象对应的匹配额度与目标对象对应的目标额度之和满足资源分配限额，从而合理地向用户实现目标对象的推送，满足用户的需求。

根据本发明第一方面，提供一种业务推送方法，包括：

接收用户的账户发送的用于选择待执行业务迁移的目标对象的第一选择指令；

根据所述第一选择指令，获取所述目标对象的目标额度；

根据所述目标额度判断所述目标对象是否满足资源分配限额，

若不满足，则响应于所述第一选择指令，向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象，其中，所述匹配对象具有匹配额度，以使所述目标额度和所述匹配额度的总额度满足资源分配限额；

若满足，则响应于所述第一选择指令，向对所述目标对象发起所述待执行业务迁移的所述账户推送所述目标对象的关联对象。

优选地，向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象包括：

采用排序模型对所述匹配对象进行排序，按照排序顺序依次推送所述匹配对象。

优选地，在向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象后还包括：

接收用户的账户发送的用于选择待执行业务迁移的所述匹配对象的第二选择指令；

根据所述第二选择指令，获取所述匹配对象的匹配额度；

判断所述目标额度和所述匹配额度的总额度是否满足资源分配限额，

若不满足，则响应于所述第二选择指令，再次向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象，直至所述目标额度和所述匹配额度的总额度满足资源分配限额。

优选地，在向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象之前还包括：

采用筛选算法，根据预设的筛选参数从多个待选择的目标对象中筛选出所述匹配对象。

优选地，所述筛选参数包括所述目标对象的融合置信度。

优选地，采用筛选算法，根据预设的排序规则从多个待选择的目标对象中筛选出所述匹配对象包括：

采用至少一种模型独立计算每个所述目标对象的分类置信度；

将所述至少一种模型下计算出的所述分类置信度进行集成，生成对应于每个所述目标对象的所述融合置信度；以及

设定置信度阈值，将所述融合置信度大于所述置信度阈值的所述目标对象筛选出作为所述匹配对象。

优选地，所述采用至少一种模型独立计算每个所述目标对象的分类置信度包括：

建立所述目标对象之间的相关图模型，根据所述目标对象之间的相关度计算所述目标对象的第一分类置信度；

建立所述目标对象的转化率分布模型，根据概率分布表计算所述目标对象的第二分类置信度；以及

建立与所述目标对象的内容属性相关的分类器模型，优化后得到关于所述目标对象的第三分类置信度。

优选地，所述分类器包括带正则项的集成树，logistic回归和神经网络。

优选地，所述分类置信度、所述融合置信度和所述置信度阈值的取值均分布在0-1之间。

优选地，所述关联对象包括去除所述匹配对象后的所述待选择的目标对象。

根据本发明第二方面，提供一种业务推送系统，包括：

第一接收单元，用于接收用户的账户发送的用于选择待执行业务迁移的目标对象的第一选择指令；

第一获取单元，用于根据所述第一选择指令，获取所述目标对象的目标额度；

第一判断单元，用于根据所述目标额度判断所述目标对象是否满足资源分配限额，

第一响应单元，用于当不满足时，则响应于所述第一选择指令，向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象，其中，所述匹配对象具有匹配额度，以使所述目标额度和所述匹配额度的总额度满足资源分配限额；

第二响应单元，用于当满足时，则响应于所述第一选择指令，向对所述目标对象发起所述待执行业务迁移的所述账户推送所述目标对象的关联对象。

优选地，所述第一响应单元还用于采用排序模型对所述匹配对象进行排序，按照排序顺序依次推送所述匹配对象。

优选地，所述业务推送系统还包括：

第二接收单元，用于接收用户的账户发送的用于选择待执行业务迁移的所述匹配对象的第二选择指令；

第二获取单元，用于根据所述第二选择指令，获取所述匹配对象的匹配额度；

第二判断单元，用于判断所述目标额度和所述匹配额度的总额度是否满足资源分配限额，

循环单元，用于当不满足时，则响应于所述第二选择指令，再次向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象，直至所述目标额度和所述匹配额度的总额度满足资源分配限额。

优选地，所述业务推送系统还包括：

筛选单元，用于采用筛选算法，根据预设的筛选参数从多个待选择的目标对象中筛选出所述匹配对象。

优选地，所述筛选参数包括所述目标对象的融合置信度。

优选地，所述筛选单元包括：

计算单元，用于采用至少一种模型独立计算每个所述目标对象的分类置信度；

集成单元，用于将所述至少一种模型下计算出的所述分类置信度进行集成，生成对应于每个所述目标对象的所述融合置信度；以及

分类单元，用于设定置信度阈值，将所述融合置信度大于所述置信度阈值的所述目标对象筛选出作为所述匹配对象。

根据本发明第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现如上述所述业务推送方法。

根据本发明第四方面，提供一种业务推送装置，包括：存储器，用于存储计算机指令；处理器，耦合到所述存储器，所述处理器被配置为基于所述存储器存储的计算机指令执行实现如上述所述的业务推送方法。

本发明的实施例具有以下优点或有益效果：首先根据用户的选择指令获取用户选择的目标对象的目标额度，然后判断目标对象的目标额度是否满足资源分配限额，若不满足，则向其推送匹配对象，使得匹配对象对应的匹配额度与目标对象对应的目标额度之和满足资源分配限额；若满足，则向其推送目标对象的关联对象，使得在不同的模式下可以向用户推荐不同的选择对象，节约了用户的选择时间，使用户的选择更加合理可靠，满足用户的不同选择需求，改善用户体验。

本发明的另一优选实施例具有以下优点或有益效果：采用多个独立识别匹配对象的数据源和模型，分别计算分类置信度，最后将他们进行集成，生成融合置信度，由此识别匹配对象，多个模型从不同角度提取匹配对象的信息，再融合后可达到较高的精确度，使匹配对象的识别更加准确，更加贴合客户的实际需求。

附图说明

通过参照以下附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1示出了本发明实施例中的业务推送方法的流程图；

图2示出了本发明实施例中汇总的业务推送方法的流程图；

图3示出了图2所示的步骤S205的具体流程图；

图4示出了本发明实施例中的业务推送系统的结构图；

图5示出了本发明实施例中汇总的业务推送系统的结构图；

图6示出了本发明实施例中的业务推送系统的筛选单元501的结构图；

图7示出了根据本发明实施例的业务推送装置的结构图。

具体实施方式

以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程没有详细叙述。另外附图不一定是按比例绘制的。

图1示出了本发明实施例中的业务推送方法的流程图，具体步骤包括S101-S105。

如背景技术中所述，现有的业务推送方法辨识度不高，容易混淆，往往基于人工运营进行匹配对象的推送，容易耗费人力，而且对匹配对象的过滤规则较为简单，推荐效果不理想；也不会对匹配对象那个进行过滤或其他处理，影响用户使用体验。

因而在本实施例中，通过判断目标对象的目标额度是否满足资源分配限额，若不满足，则向其推送匹配对象，使得匹配对象对应的匹配额度与目标对象对应的目标额度之和满足资源分配限额；若满足，则向其推送目标对象的关联对象，使得在不同的模式下可以向用户推荐不同的选择对象，节约了用户的选择时间。

在步骤S101中，接收用户的账户发送的用于选择待执行业务迁移的目标对象的第一选择指令。

首先，接收用户的账户发送的第一选择指令，该指令用于选择目标对象，目标对象即为待执行业务迁移的对象。应用在电商系统中，例如，首先获取某一用户的账号锁添加的待选购对象。

在步骤S102中，根据第一选择指令，获取目标对象的目标额度。

每个目标对象均对应有目标额度，根据第一选择指令，获取所有的目标对象，以及统计所有目标对象对应的目标额度。该目标额度例如是用户选择的待购买的物品对应的总价。

在步骤S103中，根据目标额度判断目标对象是否满足资源分配限额。

设定一个资源分配限额，判断所有目标对象对应的目标额度是否满足资源分配限额，例如，判断所有待购买物品的总价是否达到可以免运费的额度，如果没有达到，可以向用户推荐用于凑单的对象。

在步骤S104中，若不满足，则响应于第一选择指令，向对目标对象发起待执行业务迁移的账户推送匹配对象，其中，匹配对象具有匹配额度，以使目标额度和匹配额度的总额度满足资源分配限额。

由于所有目标对象对应的目标额度未满足资源分配限额，所以向该账户推送匹配对象，将匹配对象对应的匹配额度与目标对象对应的目标额度相结合，即可以为达到满足资源分配限额提供基础。例如，向用户推荐一些销量大、价格低的匹配对象以使两种对象的总价达到可以免运费或达到满减的价格。

在步骤S105中，若满足，则响应于第一选择指令，向对目标对象发起待执行业务迁移的账户推送目标对象的关联对象。

由于所有目标对象对应的目标额度已满足资源分配限额，所以可以向用户推荐一些与目标对象关联的关联对象。例如，由于用户挑选的待购买对象的总价已经达到满减资格或者免运费门槛，此时可以向用户继续推荐一些与挑选对象相似的非匹配对象，以丰富用户的选择性。

本发明实施例的业务推送方法首先根据用户的选择指令获取用户选择的目标对象的目标额度，然后判断目标对象的目标额度是否满足资源分配限额，若不满足，则向其推送匹配对象，使得匹配对象对应的匹配额度与目标对象对应的目标额度之和满足资源分配限额；若满足，则向其推送目标对象的关联对象，使得在不同的模式下可以向用户推荐不同的选择对象，节约了用户的选择时间，使用户的选择更加合理可靠，满足用户的不同选择需求，改善用户体验。

图2示出了本发明实施例中汇总的业务推送方法的流程图，具体包括以下步骤。

在步骤S201中，接收用户的账户发送的用于选择待执行业务迁移的目标对象的第一选择指令。

在步骤S202中，根据第一选择指令，获取目标对象的目标额度。

在步骤S203中，根据目标额度判断目标对象是否满足资源分配限额。

在步骤S204中，响应于第一选择指令，向对目标对象发起待执行业务迁移的账户推送目标对象的关联对象。

在步骤S205中，采用筛选算法，根据预设的筛选参数从多个待选择的目标对象中筛选出匹配对象。

在步骤S206中，响应于第一选择指令，向对目标对象发起待执行业务迁移的账户推送匹配对象，其中，匹配对象具有匹配额度，以使目标额度和匹配额度的总额度满足资源分配限额。

在步骤S207中，接收用户的账户发送的用于选择待执行业务迁移的匹配对象的第二选择指令。

在步骤S208中，根据第二选择指令，获取匹配对象的匹配额度。

在步骤S209中，判断目标额度和匹配额度的总额度是否满足资源分配限额。

在步骤S210中，若不满足，则响应于第二选择指令，再次向对目标对象发起待执行业务迁移的账户推送匹配对象，直至目标额度和匹配额度的总额度满足资源分配限额。

本实施例是比前述实施例更加完善的匹配对象的业务推送方法。其中，步骤S201-S204和步骤S206和图1的步骤S101-S105相同，这里就不再赘述。

在步骤S205中，采用筛选算法，根据预设的筛选参数从多个待选择的目标对象中筛选出匹配对象。

当目标对象的目标额度不满足资源分配限额时，向用户推送匹配对象，本步骤是匹配对象的选择步骤。采用一些筛选算法从提前选定的多个待选择目标对象中筛选出匹配对象。

筛选参数包括目标对象的融合置信度。例如，首先根据一段时间内的历史订单数据、用户浏览历史、用户好评数据等，选定多种对象作为目标对象。然后采用能独立识别目标对象的数据源和模型，采用一定的算法和指标，计算目标对象能成为匹配对象的融合置信度，并判断哪些目标对象适于作为匹配对象进行业务推送。在图3中详细介绍此步骤。

在步骤S206中，响应于第一选择指令，向对目标对象发起待执行业务迁移的账户推送匹配对象。包括：采用排序模型对匹配对象进行排序，按照排序顺序依次推送匹配对象。

向用户推送匹配对象以满足用户因免运费、满减等原因产生的凑单需求。在一个实施例中，进行匹配对象的推送时，可以根据目标对象的属性和设定排序模型进行选择。

首先，根据电商业务的实际场景，对待推荐的多个目标对象进行规则过滤，包括价格、重量、所属仓库等，确保只有符合凑单需求的目标对象才有可能被展示。

其次，设定排序模型，例如根据目标对象的融合置信度Confidence对排序模型进行调整，确保排序靠前的匹配对象能优先被推送。具体地，在求解排序模型时，对其梯度进行修正，即：

其中g_i为第i个样本对应的原始梯度，Confidence_i为第i个样本属于匹配对象的融合置信度。f为具体的加权函数，可以取置信度Confidence_i本身，或是经过根号或对数变换后的置信度等，本实施例是对匹配对象的梯度进行加权。

根据修正后的排序模型得出匹配对象的推荐顺序，并按照推荐顺序向用户推送匹配对象。

通过对梯度的修正，排序模型在求解时会更倾向于拟合匹配对象，导致匹配对象能够有效地被推送给用户，缩短用户找到匹配对象耗费的时间。按照修正后的梯度对应的排序模型，对需要推荐的匹配对象进行优先级的排序，使最适于作为匹配对象的对象最先展示。

在另一个实施例中，关联对象包括去除匹配对象后的待选择的目标对象。当向用户推送关联对象时，即不需要匹配对象时，可以降低匹配对象在推送系统中的权重和排序中的优先级。在非凑单场景下，首先要对匹配对象进行处理，将其放至最后推送。因为虽然匹配对象单价较低，转化率较高，但不是用户日常需要的物品，推送位置较前会影响用户的选择。为了避免匹配对象过多或排序太靠前，影响用户的挑选，所以需要对匹配对象进行降权，优先推荐关联对象。

具体地，调整方法包括修正梯度和添加正则项两种，使得当用户不需要凑单时，匹配对象的排序优先级降低，先向客户展示非匹配对象，再展示少量的优质匹配对象。

在一个可选的实施例中，采用排序模型，根据融合置信度对匹配对象的排序梯度进行压缩，降低匹配对象在排序中的优先级，例如，首先可以建立一个排序模型时，并对其梯度进行修正，用公式表达即：

其中

为修正后的排序模型的梯度，g_i为第i个样本对应的原始梯度，Confidence_i为第i个样本属于匹配对象的融合置信度。f为具体的加权函数，例如可以取融合置信度的倒数

或是将融合置信度经过根号或对数变换后的数值等。可以看到，非凑单推荐采取对梯度压缩的方法，降低了匹配对象在排序中的优先级。

在一个实施例中，针对匹配对象，构建包含融合置信度的带正则项的目标函数，调整正则项，降低匹配对象的权重。具体地，例如可以建立模型训练的目标函数为：

这里采用集成树模型，构建K棵独立的决策树，添加正则项后的函数为：

其中，l代表了每个样本的预测值与真实值之间的差距；

为模型对样本x_i的预测结果，f_k即训练出的第k棵数的预测函数，为包含融合置信度的匹配对象的加权函数，Ω为对模型复杂度的惩罚(正则)项，用以防止过拟合；Ψ为对匹配对象的惩罚(正则)项，用以防止过多的匹配对象出现在推荐列表中。

在一个可选的实施例中，调整排序模型以优化匹配对象/非匹配对象时，调整二阶梯度也可以达到类似的效果。应该指出的是，本发明不仅限于上述实施例提供的算法规则，其他算法规则，也可以实践本发明实施例提供的业务推送方法。

步骤S207-S210是在响应于第一选择指令，向对目标对象发起待执行业务迁移的账户推送匹配对象之后执行的循环步骤，目的是使目标额度和匹配额度的总额度满足资源分配限额，达到用户的需求。

在步骤S207中，接收用户的账户发送的用于选择待执行业务迁移的匹配对象的第二选择指令。

用户在多个匹配对象中挑选一至多个匹配对象，则产生第二选择指令，接收该第二选择指令，可以获得用户选择的匹配对象。

在步骤S208中，根据第二选择指令，获取匹配对象的匹配额度。

获得匹配对象对应的所有匹配额度。

在步骤S209中，判断目标额度和匹配额度的总额度是否满足资源分配限额。

将用户选择的匹配对象对应的匹配额度与目标对象对应的目标额度的总和与资源分配额度进行比较，看匹配对象对应的匹配额度与目标对象对应的目标额度是否符合资源分配额度。

在步骤S210中，若不满足，则响应于第二选择指令，再次向对目标对象发起待执行业务迁移的账户推送匹配对象，直至目标额度和匹配额度的总额度满足资源分配限额。

当匹配对象对应的匹配额度与目标对象对应的目标额度符合资源分配额度时，停止向用户推送匹配对象。当匹配对象对应的匹配额度与目标对象对应的目标额度不符合资源分配额度时，再次向用户推送匹配对象，循环这个过程，直至匹配对象对应的匹配额度与目标对象对应的目标额度符合资源分配额度。由此才完整的完成了对用户的匹配对象的推送。

本实施例提供了一种在海量对象中自动识别匹配对象的方法，该方法的准确率和效率是人工运营或规则过滤等传统方法远远无法达到的。根据识别出的匹配对象，建立排序模型并调整梯度，以展现更多的匹配对象或关联对象。以满足用户购物需求，有效提升用户体验。

图3示出了图2所示的步骤S205的具体流程图。具体包括以下步骤。图2的步骤205中，通过计算每个目标对象的融合置信度，识别出匹配对象和非匹配对象。本实施例是步骤S205的细分步骤，本实施例采用至少一个独立识别匹配对象的数据源和模型，计算出对象为匹配对象得到置信度，从而判断是否为匹配对象。

在步骤S2051中，采用至少一种模型独立计算每个目标对象的分类置信度。建立模型，计算每个目标对象能成为匹配对象的置信度。具体可以采用一至多个模型分别计算分类置信度，最后集成为一个总的融合置信度，举例如下。

首先，根据历史订单数据，建立目标对象之间的相关图模型，根据目标对象之间的相关度计算目标对象的第一分类置信度。

相比普通对象，匹配对象应该与较多目标对象均具备相关关系，因此可以通过订单行为构建相关对象的图模型，在此模型中连接边较多的对象即为可能的匹配对象。根据历史订单数据，构建对象之间的准确相关关系。相对于传统的频繁项集，本实施例提出更为稳健的估计方式，以抵消热销对象、热门用户的干扰。具体地，通过下式计算所有潜在相关对象的相关得分：

其中，buyers_a和buyers_b分别表示购买了对象a、b的用户集合，n_i表示用户i购买的总对象数。Score_(a,b)定义了在购买这一维度上，对象a、b的相关程度。当Score为正数时，说明两个对象具有正向的相关关系，且该值越大代表相关的程度越高，反之亦然。

选取一定的相关度阈值，(选择所有相关度得分在阈值范围内的对象组合a-b)以每个对象为顶点，对象之间的相关关系为边，即可构造对象之间的相关关系图。在这一关系图中，匹配对象应该具有较高的出度及入度。因为用户购买了多种对象后，均可能存在凑单需求，造成了匹配对象与多种对象的相关关系。而“手机壳”之类的搭配对象，其相关关系只存在于手机品类，导致其出度和入度较低，所以不适于作为匹配对象。利用该模型可以选择出度和入度较低的对象作为非匹配对象，出度和入度较高的对象作为匹配对象，由此可有效地在销量大、重量轻、价格低、转化率高的对象中识别出匹配对象与非匹配对象。

计算对象为匹配对象的第一分类置信度，例如，一个对象a为匹配对象的第一分类置信度可以表示为：

式中，a·及·a分别表示对象a与之相关的集合，和与对象a相关的集合。Threshold为事先定义的相关分数阈值，σ为缩放系数，将第一分类置信度缩放至0-1之间，以便于后续运算。

其次，建立目标对象的转化率分布模型，根据概率分布表计算目标对象的第二分类置信度。

用户的反馈行为也可以作为对匹配对象的判断指标，用户对某一对象的点击率或购买率代表了用户将其用作匹配对象的概率。因此，可以直接用用户对某对象的点击率或转化率来识别匹配对象。并且使用转化率的置信区间下限来作为“分类置信度”的另一估计。

购买转化这一行为服从二项分布，则在正态假设下，对象转化率的修正估计，即Wilson区间为：

其中，n为该对象总的曝光量，

为某段时间内该对象的转化率，z为正态分布的分位数，可通过正态分布表获得。在实际计算中，可取其95％置信度下的Wilson区间下限作为匹配对象置信度的估计，即

同样，该第二分类置信度的取值分布在0-1之间，越接近1的值代表该对象成为匹配对象的概率越大。

然后，建立与目标对象的内容属性相关的分类器模型，优化后得到关于目标对象的第三分类置信度。一个对象是否容易成为匹配对象，也取决于对象的内容属性，如重量、价格、用途、尺寸等。可以从对象的内容属性中构建模型，预测其作为匹配对象的概率。

分类器包括带正则项的集成树，logistic回归和神经网络等。此处采取带正则项的集成树模型进行预测，即构建K棵独立的决策树，将其预测结果进行线性加和，得到最终的预测结果。即：

其中，

为模型对样本x_i的预测结果，f_k即训练出的第k棵数的预测函数，w_k为这棵树的权重。据此，可构建模型训练的目标函数：

其中，l为定义的损失函数，Ω为正则项，防止模型的形式过于复杂而造成过拟合。假设对象是否为匹配对象的真实分布为q(该分布由人工编辑进行打标得到)，模型的预测分布为p，两者均服从二项分布，那么可以通过交叉熵定义模型的损失，即：l＝H(p,q)＝-q·log(p)+(1-q)·log(1-p)

其中，

以保证预测概率p的取值在0到1之间。通过优化目标函数L使其取得最小值，训练集成树模型，我们可以得到基于对象内容属性的匹配对象的第三分类置信度，即：

同样，该置信度位于0到1之间，且越接近1的值代表这对象i为匹配对象的概率越大。

本实施例采用三种模型，分别计算出目标对象的三个分类置信度，然后将他们进行集成，生成融合置信度。

在步骤S2052中，将至少一种模型下计算出的分类置信度进行集成，生成对应于每个目标对象的融合置信度。

以上三种识别方案均从不同角度对对象是否为匹配对象给予了识别(预测)，根据集成学习理论，当三种识别方案均有效时(即准确度>0.5)，对其进行集成融合，生成最终的预测概率，可以有效提升准确度。

针对凑单数据的特点，采取的集成模型为：

其中，Confidence为集成后对象为匹配对象的融合置信度，confidence_i为前文所述第i种模型给出的置信度(confidence_a、confidence_w、confidence_i)。θ_i为线性加和系数，可以通过经验值或模型学习的方式给出。γ用以控制当某个模型以极高置信度认为对象为匹配对象时，直接将该对象判定为匹配对象，即：

γ＝I(confidence₁>T∨confidence₂>T∨confidence₃>T)

其中，I为示性函数，当条件成立时取值为1，否则为0。T为事先定义的置信度阈值。

在步骤S2053中，设定置信度阈值，将融合置信度大于置信度阈值的目标对象筛选出作为匹配对象。即通过置信度阈值识别匹配对象和非匹配对象。

通过将三种置信度集成，得到了判定对象是否为匹配对象的融合置信度Confidence，给定一个置信度阈值，置信度阈值的取值均分布在0-1之间，将融合置信度取值大于置信度阈值的判定为匹配对象，融合置信度取值小于置信度阈值的判定为非匹配对象。根据购物场景的不同，对判定为匹配对象和非匹配对象将采取不同的推荐方法。

本实施例中采用多个模型从不同角度提取匹配对象信息，融合后判断融合置信度的高低可达到较高的判断精确度。

图4示出了本发明实施例中的业务推送系统的结构图。

该业务推送系统400包括第一接收单元401、第一获取单元402、第一判断单元403、第一响应单元404和第二相应单元405。

第一接收单元401用于接收用户的账户发送的用于选择待执行业务迁移的目标对象的第一选择指令；

第一获取单元402用于根据第一选择指令，获取目标对象的目标额度；

第一判断单元403用于根据目标额度判断目标对象是否满足资源分配限额，

第一响应单元404用于当不满足时，则响应于第一选择指令，向对目标对象发起待执行业务迁移的账户推送匹配对象，其中，匹配对象具有匹配额度，以使目标额度和匹配额度的总额度满足资源分配限额；

第二响应单元405用于当满足时，则响应于第一选择指令，向对目标对象发起待执行业务迁移的账户推送目标对象的关联对象。

优选地，第一响应单元404还用于采用排序模型对匹配对象进行排序，按照排序顺序依次推送匹配对象。

在本实施例中，通过计算每个选定的目标对象的融合置信度，由此识别出匹配对象和非匹配对象，再根据客户的需求分别进行匹配对象和非匹配对象的推荐。根据目标对象的融合置信度来判断是否为匹配对象，识别准确度高，可以避免人工识别时带来的混淆，而且区分不同的推荐种类，可以解决用户的不同购物需求，使用户能快速找到自己需要的对象，改善用户的购物体验。

图5示出了本发明实施例中汇总的业务推送系统的结构图。图5所示的实施例在图4的实施例的基础上增加了筛选单元501、第二接收单元502、第二获取单元503、第二判断单元504和循环单元505。

筛选单元501用于采用筛选算法，根据预设的筛选参数从多个待选择的目标对象中筛选出匹配对象；筛选参数包括目标对象的融合置信度。

第二接收单元502用于接收用户的账户发送的用于选择待执行业务迁移的匹配对象的第二选择指令；

第二获取单元503用于根据第二选择指令，获取匹配对象的匹配额度；

第二判断单元504用于判断目标额度和匹配额度的总额度是否满足资源分配限额，

循环单元505用于当不满足时，则响应于第二选择指令，再次向对目标对象发起待执行业务迁移的账户推送匹配对象，直至目标额度和匹配额度的总额度满足资源分配限额。

图6示出了本发明实施例中的业务推送系统的筛选单元501的结构图。

如图6所示，识别单元501包括计算单元5011、集成单元5012和分类单元5013。

计算单元5011用于采用至少一种模型独立计算每个目标对象的分类置信度；

集成单元5012用于将至少一种模型下计算出的分类置信度进行集成，生成对应于每个目标对象的融合置信度；以及

分类单元5013用于设定置信度阈值，将融合置信度大于置信度阈值的目标对象筛选出作为匹配对象。

应该理解，本发明实施例的系统和方法是对应的，因此，在系统的描述中以相对简略的方式进行。

图7示出了本发明实施例的业务推送装置的结构图。图7示出的设备仅仅是一个示例，不应对本发明实施例的功能和使用范围构成任何限制。

参考图7，该业务推送装置包括通过总线连接的处理器701、存储器702和输入输出设备703。存储器702包括只读存储器(ROM)和随机访问存储器(RAM)，存储器702内存储有执行系统功能所需的各种计算机指令和数据，处理器701从存储器702中读取各种计算机指令以执行各种适当的动作和处理。输入输出设备包括键盘、鼠标等的输入部分；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。存储器702还存储有以下的计算机指令以完成本发明实施例的业务推送方法规定的操作：接收用户的账户发送的用于选择待执行业务迁移的目标对象的第一选择指令；根据第一选择指令，获取目标对象的目标额度；根据目标额度判断目标对象是否满足资源分配限额，若不满足，则响应于第一选择指令，向对目标对象发起待执行业务迁移的账户推送匹配对象，其中，匹配对象具有匹配额度，以使目标额度和匹配额度的总额度满足资源分配限额；若满足，则响应于第一选择指令，向对目标对象发起待执行业务迁移的账户推送目标对象的关联对象。

相应地，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现上述业务推送方法所规定的操作。

附图中的流程图、框图图示了本发明实施例的系统、方法、装置的可能的体系框架、功能和操作，流程图和框图上的方框可以代表一个模块、程序段或仅仅是一段代码，所述模块、程序段和代码都是用来实现规定逻辑功能的可执行指令。也应当注意，所述实现规定逻辑功能的可执行指令可以重新组合，从而生成新的模块和程序段。因此附图的方框以及方框顺序只是用来更好的图示实施例的过程和步骤，而不应以此作为对发明本身的限制。

系统的各个模块或单元可以通过硬件、固件或软件实现。软件例如包括采用JAVA、C/C++/C#、SQL等各种编程语言形成的编码程序。虽然在方法以及方法图例中给出本发明实施例的步骤以及步骤的顺序，但是所述步骤实现规定的逻辑功能的可执行指令可以重新组合，从而生成新的步骤。所述步骤的顺序也不应该仅仅局限于所述方法以及方法图例中的步骤顺序，可以根据功能的需要随时进行调整。例如将其中的某些步骤并行或按照相反顺序执行。

根据本发明的系统和方法可以部署在单个或多个服务器上。例如，可以将不同的模块分别部署在不同的服务器上，形成专用服务器。或者，可以在多个服务器上分布式部署相同的功能单元、模块或系统，以减轻负载压力。所述服务器包括但不限于在同一个局域网以及通过Internet连接的多个PC机、PC服务器、刀片机、超级计算机等。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种业务推送方法，其特征在于，包括：

接收用户的账户发送的用于选择待执行业务迁移的目标对象的第一选择指令；

根据所述第一选择指令，获取所述目标对象的目标额度；

根据所述目标额度判断所述目标对象是否满足资源分配限额，

若不满足，则响应于所述第一选择指令，向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象，其中，所述匹配对象具有匹配额度，以使所述目标额度和所述匹配额度的总额度满足资源分配限额；

若满足，则响应于所述第一选择指令，向对所述目标对象发起所述待执行业务迁移的所述账户推送所述目标对象的关联对象。

2.根据权利要求1所述的业务推送方法，其特征在于，向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象包括：

采用排序模型对所述匹配对象进行排序，按照排序顺序依次推送所述匹配对象。

3.根据权利要求1所述的业务推送方法，其特征在于，在向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象后还包括：

接收用户的账户发送的用于选择待执行业务迁移的所述匹配对象的第二选择指令；

根据所述第二选择指令，获取所述匹配对象的匹配额度；

判断所述目标额度和所述匹配额度的总额度是否满足资源分配限额，

若不满足，则响应于所述第二选择指令，再次向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象，直至所述目标额度和所述匹配额度的总额度满足资源分配限额。

4.根据权利要求1所述的业务推送方法，其特征在于，在向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象之前还包括：

采用筛选算法，根据预设的筛选参数从多个待选择的目标对象中筛选出所述匹配对象。

5.根据权利要求4所述的业务推送方法，其特征在于，所述筛选参数包括所述目标对象的融合置信度。

6.根据权利要求5所述的业务推送方法，其特征在于，采用筛选算法，根据预设的排序规则从多个待选择的目标对象中筛选出所述匹配对象包括：

采用至少一种模型独立计算每个所述目标对象的分类置信度；

将所述至少一种模型下计算出的所述分类置信度进行集成，生成对应于每个所述目标对象的所述融合置信度；以及

设定置信度阈值，将所述融合置信度大于所述置信度阈值的所述目标对象筛选出作为所述匹配对象。

7.根据权利要求6所述的业务推送方法，其特征在于，所述采用至少一种模型独立计算每个所述目标对象的分类置信度包括：

建立所述目标对象之间的相关图模型，根据所述目标对象之间的相关度计算所述目标对象的第一分类置信度；

建立所述目标对象的转化率分布模型，根据概率分布表计算所述目标对象的第二分类置信度；以及

建立与所述目标对象的内容属性相关的分类器模型，优化后得到关于所述目标对象的第三分类置信度。

8.根据权利要求7所述的业务推送方法，其特征在于，所述分类器包括带正则项的集成树，logistic回归和神经网络。

9.根据权利要求6所述的业务推送方法，其特征在于，所述分类置信度、所述融合置信度和所述置信度阈值的取值均分布在0-1之间。

10.根据权利要求4所述的业务推送方法，其特征在于，所述关联对象包括去除所述匹配对象后的所述待选择的目标对象。

11.一种业务推送系统，其特征在于，包括：

第一接收单元，用于接收用户的账户发送的用于选择待执行业务迁移的目标对象的第一选择指令；

第一获取单元，用于根据所述第一选择指令，获取所述目标对象的目标额度；

第一判断单元，用于根据所述目标额度判断所述目标对象是否满足资源分配限额，

第一响应单元，用于当不满足时，则响应于所述第一选择指令，向对所述目标对象发起所述待执行业务迁移的所述账户推送匹配对象，其中，所述匹配对象具有匹配额度，以使所述目标额度和所述匹配额度的总额度满足资源分配限额；

第二响应单元，用于当满足时，则响应于所述第一选择指令，向对所述目标对象发起所述待执行业务迁移的所述账户推送所述目标对象的关联对象。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现如权利要求1至10中任一项所述的业务推送方法。

13.一种业务推送装置，其特征在于，包括：

存储器，用于存储计算机指令；

处理器，耦合到所述存储器，所述处理器被配置为基于所述存储器存储的计算机指令执行实现如权利要求1至10中任一项所述的业务推送方法。

Images