CN112132634A - 虚拟馈赠资源发放方法、装置、计算机设备和存储介质 - Google Patents

虚拟馈赠资源发放方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112132634A
CN112132634A CN202011070844.5A CN202011070844A CN112132634A CN 112132634 A CN112132634 A CN 112132634A CN 202011070844 A CN202011070844 A CN 202011070844A CN 112132634 A CN112132634 A CN 112132634A
Authority
CN
China
Prior art keywords
resource
training
user
virtual gift
probability
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
Application number
CN202011070844.5A
Other languages
English (en)
Inventor
陈蓉
黄银锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202011070844.5A priority Critical patent/CN112132634A/zh
Publication of CN112132634A publication Critical patent/CN112132634A/zh
Pending legal-status Critical Current

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
    • G06Q30/0222—During e-commerce, i.e. online transactions
    • 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
    • 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
    • G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种人工智能的虚拟馈赠资源发放方法、装置、计算机设备和存储介质。所述方法包括：获取与用户标识对应的用户特征参数，及与会员类型对应的会员特征参数；根据所述用户特征参数和所述会员特征参数，确定所述用户标识针对所述会员类型的会员开通概率；根据所述会员开通概率、所述会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定所述每个候选的虚拟馈赠资源对应的期望收益值；从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。采用本方法能够实现虚拟馈赠资源的个性化发放。

Description

虚拟馈赠资源发放方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种虚拟馈赠资源发放方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，电子商务逐渐成为人们日常生活的重要组成部分。电子商务中经常将虚拟馈赠资源的发放作为智能营销的一种有效手段，以激励用户下单、给平台或商家带来新会员，提高平台或商家的业务量。
然而，传统的方案是通过产品的一系列规则实现虚拟馈赠资源的发放，没有做到个性化推送。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现个性化推送的虚拟馈赠资源发放方法、装置、计算机设备和存储介质。
一种虚拟馈赠资源发放方法，所述方法包括：
获取与用户标识对应的用户特征参数，及与会员类型对应的会员特征参数；
根据所述用户特征参数和所述会员特征参数，确定所述用户标识针对所述会员类型的会员开通概率；
根据所述会员开通概率、所述会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定所述每个候选的虚拟馈赠资源对应的期望收益值；
从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
一种虚拟馈赠资源发放装置，所述装置包括：
参数获取模块，用于获取与用户标识对应的用户特征参数，及与会员类型对应的会员特征参数；
概率确定模块，用于根据所述用户特征参数和所述会员特征参数，确定所述用户标识针对所述会员类型的会员开通概率；
收益确定模块，用于根据所述会员开通概率、所述会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定所述每个候选的虚拟馈赠资源对应的期望收益值；
发放模块，用于从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取与用户标识对应的用户特征参数，及与会员类型对应的会员特征参数；
根据所述用户特征参数和所述会员特征参数，确定所述用户标识针对所述会员类型的会员开通概率；
根据所述会员开通概率、所述会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定所述每个候选的虚拟馈赠资源对应的期望收益值；
从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取与用户标识对应的用户特征参数，及与会员类型对应的会员特征参数；
根据所述用户特征参数和所述会员特征参数，确定所述用户标识针对所述会员类型的会员开通概率；
根据所述会员开通概率、所述会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定所述每个候选的虚拟馈赠资源对应的期望收益值；
从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
上述虚拟馈赠资源发放方法、装置、计算机设备和存储介质，通过获取用户的特征参数和会员类型的会员特征参数，从而根据用户的特征参数和会员特征参数准确确定出用户开通会员的概率。根据用户开通会员的概率、会员类型对应的消耗资源数值和候选的虚拟馈赠资源所含的资源数值，准确计算出每个候选的虚拟馈赠资源对应的期望收益值，从而将期望收益值作为发放虚拟馈赠资源的条件。选取使得期望收益值满足发放条件的虚拟馈赠资源发放给对应的用户，能够实现虚拟馈赠资源的个性化推送。
一种预测模型的处理方法，所述方法包括：
获取训练样本和所述训练样本对应的标签；
通过预测模型提取所述训练样本中与训练用户标识对应的训练用户特征参数，以及所述训练样本中与训练会员类型对应的训练会员特征参数；
根据所述训练用户特征参数和所述训练会员特征参数，通过所述预测模型确定所述训练用户标识针对所述训练会员类型的预测会员开通概率；
根据所述预测会员开通概率和所述训练样本对应的标签之间的差异调整所述预测模型的参数，当满足训练停止条件时得到已训练的预测模型；
其中，所述已训练的预测模型用于预测用户标识针对会员类型的会员开通概率；所述会员开通概率用于确定每个候选的虚拟馈赠资源对应的期望收益值，以从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
一种预测模型的处理装置，所述装置包括：
训练样本获取模块，用于获取训练样本和所述训练样本对应的标签；
训练参数获取模块，用于通过预测模型提取所述训练样本中与训练用户标识对应的训练用户特征参数，以及所述训练样本中与训练会员类型对应的训练会员特征参数；
预测模块，用于根据所述训练用户特征参数和所述训练会员特征参数，通过所述预测模型确定所述训练用户标识针对所述训练会员类型的预测会员开通概率；
训练模块，用于根据所述预测会员开通概率和所述训练样本对应的标签之间的差异调整所述预测模型的参数，当满足训练停止条件时得到已训练的预测模型；
其中，所述已训练的预测模型用于预测用户标识针对会员类型的会员开通概率；所述会员开通概率用于确定每个候选的虚拟馈赠资源对应的期望收益值，以从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取训练样本和所述训练样本对应的标签；
通过预测模型提取所述训练样本中与训练用户标识对应的训练用户特征参数，以及所述训练样本中与训练会员类型对应的训练会员特征参数；
根据所述训练用户特征参数和所述训练会员特征参数，通过所述预测模型确定所述训练用户标识针对所述训练会员类型的预测会员开通概率；
根据所述预测会员开通概率和所述训练样本对应的标签之间的差异调整所述预测模型的参数，当满足训练停止条件时得到已训练的预测模型；
其中，所述已训练的预测模型用于预测用户标识针对会员类型的会员开通概率；所述会员开通概率用于确定每个候选的虚拟馈赠资源对应的期望收益值，以从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取训练样本和所述训练样本对应的标签；
通过预测模型提取所述训练样本中与训练用户标识对应的训练用户特征参数，以及所述训练样本中与训练会员类型对应的训练会员特征参数；
根据所述训练用户特征参数和所述训练会员特征参数，通过所述预测模型确定所述训练用户标识针对所述训练会员类型的预测会员开通概率；
根据所述预测会员开通概率和所述训练样本对应的标签之间的差异调整所述预测模型的参数，当满足训练停止条件时得到已训练的预测模型；
其中，所述已训练的预测模型用于预测用户标识针对会员类型的会员开通概率；所述会员开通概率用于确定每个候选的虚拟馈赠资源对应的期望收益值，以从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
上述预测模型的处理方法、装置、计算机设备和存储介质，通过训练样本和训练样本对应的标签对预测模型进行训练，根据预测模型的预测结果和标签之间的差异调整模型参数并继续训练，以提高预测模型的精度和准确性。通过训练好的预测模型能够根据用户特征和会员特征准确快速预测出会员开通概率，从而根据会员开通概率计算出每个候选的虚拟馈赠资源对应的期望收益值，从而将期望收益值作为发放虚拟馈赠资源的条件，实现虚拟馈赠资源的个性化推送。
附图说明
图1为一个实施例中虚拟馈赠资源发放方法的应用环境图；
图2为一个实施例中虚拟馈赠资源发放方法的流程示意图；
图3为一个实施例中根据用户特征参数和会员特征参数，确定用户标识针对会员类型的会员开通概率的流程示意图；
图4为另一个实施例中根据用户特征参数和会员特征参数，确定用户标识针对会员类型的会员开通概率的流程示意图；
图5为一个实施例中展示会员开通概率、候选的虚拟馈赠资源和期望收益值的可视化对应关系的示意图；
图6为一个实施例中预测模型的处理方法的流程示意图；
图7为一个实施例中的会员开通页面的示意图；
图8为一个实施例中获取负样本的流程示意图；
图9为一个实施例中不同的负样本的示意图；
图10为一个实施例中虚拟馈赠资源发放方法的原理图；
图11为一个实施例中虚拟馈赠资源发放装置的结构框图；
图12为一个实施例中预测模型的处理装置的结构框图；
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销等，而虚拟馈赠资源的发放被作为智能营销的一种重要手段。本申请实施例提供的方案涉及人工智能的虚拟馈赠资源发放技术，具体通过如下各实施例进行说明。
本申请提供的虚拟馈赠资源发放方法，可以应用于如图1所示的应用环境中。终端110获取与用户标识对应的用户特征参数，及与会员类型对应的会员特征参数。终端110将用户特征参数和会员特征参数发送给服务器120。服务器120根据用户特征参数和会员特征参数，确定用户标识针对会员类型的会员开通概率。服务器120将该会员开通概率返回给终端110。终端110根据会员开通概率、会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定每个候选的虚拟馈赠资源对应的期望收益值。接着，终端110从候选的虚拟馈赠资源中，选取使得期望收益值满足发放条件的目标虚拟馈赠资源，并针对用户标识发放目标虚拟馈赠资源。服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端110以及服务器120可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
在本实施例中，该虚拟馈赠资源发放方法可应用于服务器120。服务器120获取与用户标识对应的用户特征参数，及与会员类型对应的会员特征参数。服务器120根据用户特征参数和会员特征参数，确定用户标识针对会员类型的会员开通概率。接着，服务器120根据会员开通概率、会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定每个候选的虚拟馈赠资源对应的期望收益值。接着，服务器120从候选的虚拟馈赠资源中，选取使得期望收益值满足发放条件的目标虚拟馈赠资源，并针对用户标识发放目标虚拟馈赠资源。用户标识对应的用户终端接收服务器120发放的目标虚拟馈赠资源。
在一个实施例中，如图2所示，提供了一种虚拟馈赠资源发放方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，获取与用户标识对应的用户特征参数，及与会员类型对应的会员特征参数。
其中，用户特征参数包括用户属性、兴趣画像、用户关注的未发布多媒体数据、用户的设备类型中的至少一种。用户属性包括年龄、性别、地域、教育程度、职业等。兴趣画像包括兴趣爱好等。设备类型可以是用户所使用的设备的操作系统的类型。会员特征参数包括会员类型、会员类型对应的消耗资源数值、候选的虚拟馈赠资源所含的资源数值等参数，还可以包括会员有效期等。
具体地，终端可确定使用目标应用的用户标识，获取各用户标识在该目标应用上对应的用户特征参数。并且，终端获取该目标应用的会员类型、以及会员类型对应的会员特征参数。该目标应用可以包括即时通信应用、SNS(Social Network Sites，社交网站)应用、短视频分享应用、长视频分享应用、通话应用、游戏应用、音乐分享应用、UGC(UserGenerated Content，用户生成内容)应用，但不限于此。
例如，终端确定使用长视频分享应用的用户标识，并获取各用户标识在该长视频分享应用上提供的用户属性、兴趣画像、用户关注的未发布多媒体数据、用户的设备类型等用户特征参数。终端获取该长视频分享应用的会员类型、会员类型对应的消耗资源数值、候选的虚拟馈赠资源所含的资源数值等会员特征参数。
步骤204，根据用户特征参数和会员特征参数，确定用户标识针对会员类型的会员开通概率。
其中，会员开通概率是指用户开通会员的预测概率。
具体地，终端根据用户特征参数和会员特征参数，计算出同一用户标识针对每种会员类型的会员开通概率。例如，目标应用提供了普通、高级两种会员类型，终端根据用户特征参数和会员特征参数，计算出该用户标识可能开通普通会员的会员开通概率，并计算出该用户标识可能开通高级会员的会员开通概率。
在一个实施例中，终端可将所获取的用户特征参数和会员特征参数输入预测模型，通过预测模型输出每个用户标识针对每种会员类型的会员开通概率。
步骤206，根据会员开通概率、会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定每个候选的虚拟馈赠资源对应的期望收益值。
其中，虚拟馈赠资源是指发放给用户标识对应的资源账户的虚拟物品，包括账户数值、红包、礼品券、优惠券、电子卡券、虚拟形象产品、虚拟充值卡、游戏装备和虚拟货币中的至少一种。
具体地，终端根据用户标识对应每种会员类型的会员开通概率、每种会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，计算出每个候选的虚拟馈赠资源所对应的期望收益值。
当目标应用仅有一种会员类型时，终端根据用户特征参数和会员特征参数，计算出用户针对该会员类型的会员开通概率。接着，终端可获取每个候选的虚拟馈赠资源所含的资源数值，并获取该会员类型对应的消耗资源数值。终端可根据一个候选的虚拟馈赠资源所含的资源数值和该会员类型对应的消耗资源数值，以及针对该会员类型的会员开通概率，计算出该一个候选的虚拟馈赠资源对应的期望收益值。按照相同的处理方式，可计算出每一个候选的虚拟馈赠资源对应的期望收益值。
当目标应用包含至少两种会员类型时，终端根据用户特征参数和会员特征参数，计算出同一用户针对每种会员类型的会员开通概率。接着，终端可获取每个候选的虚拟馈赠资源所含的资源数值，并获取该会员类型对应的消耗资源数值。终端根据一个候选的虚拟馈赠资源所含的资源数值、一个会员类型对应的会员开通概率和该会员类型对应的资源消耗数值，计算出该候选的虚拟馈赠资源对应的期望收益值。按照相同的处理方式，可计算出同一用户标识针对同一个候选的虚拟馈赠资源，且分别对应不同会员类型时所对应的期望收益值。
例如，候选的虚拟馈赠资源为优惠券，会员类型对应的消耗资源数值为会员类型对应的付费金额。候选的虚拟馈赠资源所含的资源数值为8，会员类型为普通会员或高级会员。终端可根据该8元的优惠券、用户标识A针对普通会员的购买概率，以及普通会员的付费金额，计算出该用户标识A使用该8元的优惠券购买普通会员时的期望收益值1。接着，终端可根据该8元的优惠券、用户标识A针对高级会员的购买概率，以及高级会员的付费金额，计算出该用户标识A使用该8元的优惠券购买高级会员时的期望收益值2。
步骤208，从候选的虚拟馈赠资源中，选取使得期望收益值满足发放条件的目标虚拟馈赠资源，并针对用户标识发放目标虚拟馈赠资源。
具体地，终端根据每个候选的虚拟馈赠资源对应的期望收益值，获取满足发放条件的期望收益值所对应的候选的虚拟馈赠资源。终端将所获取的候选的虚拟馈赠资源作为目标虚拟馈赠资源，并将该目标虚拟馈赠资源发放至该用户标识对应的资源账户。
在本实施例中，终端计算出每个候选的虚拟馈赠资源对应的期望收益值后，确定同一用户标识针对同一候选的虚拟馈赠资源，且对不同会员类型时所对应的期望收益值，将同一用户标识、同一候选的虚拟馈赠资源，且不同会员类型所对应的各期望收益值求和，得到该同一用户标识针对同一候选的虚拟馈赠资源所对应的总期望收益值。按照相同的处理方式，可得到同一用户标识针对每种候选的虚拟馈赠资源所分别对应的总期望收益值。接着，终端从候选的虚拟馈赠资源中，选取使得总期望收益值满足发放条件的目标虚拟馈赠资源，并针对用户标识发放目标虚拟馈赠资源。
上述虚拟馈赠资源发放方法中，通过获取用户的特征参数和会员类型的会员特征参数，从而根据用户的特征参数和会员特征参数准确确定出用户开通会员的概率。根据用户开通会员的概率、会员类型对应的消耗资源数值和候选的虚拟馈赠资源所含的资源数值，准确计算出每个候选的虚拟馈赠资源对应的期望收益值，从而将期望收益值作为发放虚拟馈赠资源的条件。选取使得期望收益值满足发放条件的虚拟馈赠资源发放给对应的用户，能够实现虚拟馈赠资源的个性化推送。
在一个实施例中，如图3所示，该根据用户特征参数和会员特征参数，确定用户标识针对会员类型的会员开通概率，包括：
步骤302，获取用户特征参数对应的权重，以及每个会员类型对应的会员特征参数所对应的权重。
具体地，终端可获取用户特征参数对应的权重参数，并获取每个会员类型对应的会员特征参数所对应的权重。例如，终端获取用户属性、兴趣画像、用户关注的未发布多媒体数据、用户的设备类型等分别对应的权重，并获取会员类型、会员类型对应的消耗资源数值、候选的虚拟馈赠资源所含的资源数值等分别对应的权重。
步骤304，根据用户特征参数和对应的权重、每个会员类型对应的会员特征参数及所对应的权重，确定用户标识针对每个会员类型的会员开通概率。
具体地，终端可将用户特征参数和对应的权重、一种会员类型和该会员类型对应的会员特征参数，及其对应的权重进行加权处理，得到用户标识针对该会员类型的会员开通概率。按照相同的处理方式，可得到同一个用户针对每种会员类型的会员开通概率。并且，根据不同用户标识对应的不同用户特征参数，能够计算出各用户标识分别对应每个会员类型的会员开通概率。
根据会员开通概率、会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定每个候选的虚拟馈赠资源对应的期望收益值，包括：
步骤306，根据每个会员开通概率、每个会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定每个候选的虚拟馈赠资源对应的期望收益值。
具体地，终端根据一个用户标识对应每个会员类型的会员开通概率、每个会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，分别计算出该同一用户标识针对同一个候选的虚拟馈赠资源，且对应不同会员类型时所对应的期望收益值。例如，计算出“用户标识A+8元优惠券+对应普通会员的会员开通概率+普通会员的付费金额”所对应的期望收益值，并计算出“用户标识A+8元优惠券+对应高级会员的会员开通概率+高级会员的付费金额”所对应的期望收益值。
接着，根据不同的候选的虚拟馈赠资源，可计算出该同一用户标识针对不同候选的虚拟馈赠资源，且对应不同会员类型时分别对应的期望收益值。例如，计算出“用户标识A+5元优惠券+对应普通会员的会员开通概率+普通会员的付费金额”所对应的期望收益值，并计算出“用户标识A+5元优惠券+对应高级会员的会员开通概率+高级会员的付费金额”所对应的期望收益值。
类似地，可计算出每个用户标识针对不同候选的虚拟馈赠资源，且对应不同会员类型时分别对应的期望收益值。
本实施例中，根据用户特征参数、每个会员类型对应的会员特征参数及其对应的权重，准确计算用户针对每个会员类型的会员开通概率，以进一步准确计算每种会员类型针对每个候选虚拟馈赠资源的期望收益值，从而根据期望收益值确定发放给用户的虚拟馈赠资源，实现虚拟馈赠资源的个性化发放。
在一个实施例中，如图4所示，会员特征参数包括会员有效期；根据用户特征参数和会员特征参数，确定用户标识针对会员类型的会员开通概率，包括：
步骤402，确定每个会员类型分别和每个会员有效期的组合。
具体地，终端确定目标应用所提供的每个会员类型，以及每个会员有效期。接着，终端将每个会员类型和每个会员有效期进行组合，得到包含会员类型和会员有效期对应的组合。例如，会员类型包括普通会员和高级会员。会员有效期包括月卡、连续包月、季卡和年卡，则终端将会员类型和会员有效期进行组合，得到普通+月卡、普通+连续包月、普通+季卡、普通+年卡、高级+月卡、高级+连续包月、高级+季卡、高级+年卡等组合。
步骤404，获取用户特征参数对应的权重和组合对应的组合权重，确定用户标识针对每个组合的会员开通概率。
具体地，终端获取包含会员类型和会员有效期的组合所对应的组合权重。接着，终端可将用户特征参数和对应的权重、包含会员类型和会员有效期的组合、会员特征参数，及其组合权重进行加权处理，得到用户标识针对该每个组合的会员开通概率。按照相同的处理方式，可得到同一个用户针对每种组合的会员开通概率。并且，根据不同用户标识对应的不同用户特征参数，能够计算出各用户标识分别对应每个组合的会员开通概率。
该根据会员开通概率、会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定每个候选的虚拟馈赠资源对应的期望收益值，包括：
步骤406，根据每个会员开通概率、每个组合对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定每个候选的虚拟馈赠资源对应的期望收益值。
具体地，终端可获取每个组合对应的消耗资源数值，终端根据一个用户标识对应每个组合类型的会员开通概率、每个组合对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，分别计算出该同一用户标识针对同一个候选的虚拟馈赠资源，且对应不同组合时所对应的期望收益值。例如，计算出“用户标识A+8元优惠券+对应普通包月的会员开通概率+普通包月的付费金额”所对应的期望收益值，“用户标识A+8元优惠券+对应普通季卡的会员开通概率+普通季卡的付费金额”所对应的期望收益值，并计算出“用户标识A+8元优惠券+对应高级包月的会员开通概率+高级包月的付费金额”所对应的期望收益值等。
接着，根据不同的候选的虚拟馈赠资源，可计算出该同一用户标识针对不同候选的虚拟馈赠资源，且对应不同组合时分别对应的期望收益值。例如，计算出“用户标识A+5元优惠券+对应普通包月的会员开通概率+普通包月的付费金额”所对应的期望收益值，“用户标识A+5元优惠券+对应普通季卡的会员开通概率+普通季卡的付费金额”所对应的期望收益值，并计算出“用户标识A+5元优惠券+对应高级包月的会员开通概率+高级包月的付费金额”所对应的期望收益值等。
类似地，可计算出每个用户标识针对不同候选的虚拟馈赠资源，且对应不同组合时分别对应的期望收益值。
本实施例中，确定每个会员类型分别和每个会员有效期的组合，进一步细化会员特征参数，以准确计算用户出针对每个组合的会员开通概率。通过用户特征参数、包含会员类型和会员有效期的组合，每个组合的会员开通概率，以及组合对应的消耗资源数值、候选的虚拟馈赠资源所含的资源数值，计算出针对每个候选虚拟馈赠资源的期望收益值，从而根据期望收益值确定发放给用户的虚拟馈赠资源，实现虚拟馈赠资源的个性化发放。
在一个实施例中，获取与用户标识对应的用户特征参数，包括：
确定用户标识的会员开通状态；当用户标识已开通会员时，确定用户标识添加的未发布多媒体数据，并获取用户标识对应的包含未发布多媒体数据的用户特征参数；当用户标识未开通会员时，确定用户标识的历史浏览记录，并获取用户标识对应的包含历史浏览记录的用户特征参数。
具体地，会员有权限收藏添加未上线、未更新、未开始的音视频等多媒体数据，以在未发布的多媒体数据被发布时通知该用户标识。而非会员没有预先添加收藏的权限，不能预先添加用户近期关注的多媒体数据。
终端可确定使用目标应用的各用户标识对应的会员开通状态。会员开通状态包括已开通会员和未开通会员。当用户标识已开通会员时，终端获取用户标识所关注的未发布多媒体数据。该未发布多媒体数据包括未上线的音频、视频、未开始的比赛视频、未更新的音频、视频等。例如，该目标应用的会员所关注的未来几天的比赛，或者收藏的准备上线的电影、电视剧等。接着，终端可获取该用户标识对应的用户属性、兴趣画像、设备类型，将用户属性、兴趣画像、设备类型和该未发布多媒体数据作为该用户标识对应的用户特征参数。
例如，当目标应用为体育类应用时，该未发布多媒体数据可为用户关注的未来几天内的体育比赛，如未来4天内有“勇士-湖人”、“马刺-热火”等。
当用户标识未开通会员时，终端获取用户标识在预设时间段内的历史浏览记录，以确定用户标识在近期内关注的多媒体数据。接着，终端可获取该用户标识对应的用户属性、兴趣画像、设备类型，将用户属性、兴趣画像、设备类型和该历史浏览记录作为该用户标识对应的用户特征参数。
本实施例中，对于已开通会员的用户标识，确定用户标识添加的未发布多媒体数据，对于未开通会员的用户标识，确定用户标识的历史浏览记录，能够确定用户近期内关注的多媒体数据，从而确定用户感兴趣的类型。将用户关注的多媒体数据作为用户特征参数，并结合其他特征更准确计算出用户开通会员的概率，或者计算出以开通会员的用户更换更高级别的会员类型的概率。
在一个实施例中，该方法还包括：展示会员开通概率、候选的虚拟馈赠资源和期望收益值的可视化对应关系。
具体地，终端确定出用户对每种会员类型的会员开通概率、每个候选的虚拟馈赠资源，以及针对每个候选的虚拟馈赠资源对应的期望收益值。接着，终端根据会员开通概率、虚拟馈赠资源和期望收益值，生成三者之间的可视化对应关系。进一步地，终端可通过曲线显示会员开通概率、候选的虚拟馈赠资源和期望收益值的对应关系。
如图5所示，通过曲线图展示会员开通概率、候选的虚拟馈赠资源和期望收益值的对应关系。优惠券金额即为候选的虚拟馈赠资源。图5中横轴的5-20为各种优惠券的金额，例如，5元优惠券、10元优惠券、17元优惠券等。纵轴的0-1为用户对某种会员类型的会员开通概率，例如0-1为用户对普通月卡的开通概率、普通连续包月、普通季卡、普通年卡的开通概率，以及对高级月卡、高级连续包月、高级季卡、高级年卡的开通概率等。纵轴的50-120为每种优惠券对应的期望收益值，例如5元优惠券对应的期望收益值、10元优惠券对应的期望收益值、17元优惠券对应的期望收益值等。
本实施例中，展示会员开通概率、候选的虚拟馈赠资源和期望收益值的可视化对应关系，能够直观显示会员开通概率、候选的虚拟馈赠资源和期望收益值的对应关系。并且通过该可视化对应关系，能够直接获取期望收益最高的虚拟馈赠资源发放给用户，从而在针对用户发放虚拟馈赠资源的同时实现收益的最大化。
在一个实施例中，从候选的虚拟馈赠资源中，选取使得期望收益值满足发放条件的目标虚拟馈赠资源，并针对用户标识发放目标虚拟馈赠资源，包括：
从可视化对应关系中，选择期望收益值最大时对应的候选的虚拟馈赠资源作为目标虚拟馈赠资源，并针对用户标识发放目标虚拟馈赠资源。
具体地，终端生成会员开通概率、候选的虚拟馈赠资源和期望收益值的可视化对应关系后，能够直接从该可视化对应关系中确定期望收益值最大的候选的虚拟馈赠资源。接着，终端将该期望收益值最大时对应的候选的虚拟馈赠资源作为目标虚拟馈赠资源，并发放至用户标识对应的资源账户。
如图5所示，终端可从该曲线图中的期望收益曲线确定最大的期望收益值，即110至120之间的期望收益值最大，该最大收益值对应的优惠券金额为17元。终端将该17元优惠券发放至用户的资源账户，使得用户使用该优惠券开通会员时，能够实现收益最大化。
在本实施例中，终端计算出每个候选的虚拟馈赠资源对应的期望收益值后，确定同一用户标识针对同一候选的虚拟馈赠资源，且对不同会员类型时所对应的期望收益值，将同一用户标识、同一候选的虚拟馈赠资源，且不同会员类型所对应的各期望收益值求和，得到该同一用户标识针对同一候选的虚拟馈赠资源所对应的总期望收益值。按照相同的处理方式，可得到同一用户标识针对每种候选的虚拟馈赠资源所分别对应的总期望收益值。接着，终端从候选的虚拟馈赠资源中，选取使得总期望收益值最大的目标虚拟馈赠资源，并针对该用户标识发放目标虚拟馈赠资源。按照相同的处理方式，可对每个用户标识发放对应的目标虚拟馈赠资源。
本实施例中，通过从可视化对应关系中，选择期望收益值最大时对应的候选的虚拟馈赠资源作为目标虚拟馈赠资源，能够以期望收益最大化作为虚拟馈赠资源的发放条件，使得在进行优惠券的个性化推送时充分考虑到商家的收益。
在一个实施例中，该方法还包括：响应于用户标识对目标虚拟馈赠资源的转移操作，确定用户标识的会员开通状态和目标对象的会员开通概率；当用户标识已开通会员，且目标对象的会员开通概率超过概率阈值时，将目标虚拟馈赠资源从用户标识的资源账户转移至目标对象的资源账户。
具体地，用户标识对应的用户终端通过该目标应用接收推送的目标虚拟馈赠资源后，可保存在用户终端的资源账户。用户可将该目标虚拟馈赠资源转赠给使用该目标应用的其他用户。当终端接收到该用户标识对应的用户终端通过该目标应用对该目标虚拟馈赠资源的转移操作时，终端确定该用户标识的是否已开通会员，并确定该目标对象的会员开通概率。该用户标识作为该目标虚拟馈赠资源的发送方，则该目标对象作为该目标虚拟馈赠资源的接收方。
终端获取概率阈值，当该用户标识已开通会员概率，且该目标对象的会员开通概率超过概率阈值时，终端将该目标虚拟馈赠资源从该用户标识对应的资源账号转移至目标对象的资源账户。
在本实施例中，终端确定该用户标识的会员开通状态，当该用户标识已开通会员时，终端进一步确定该用户标识对应的会员等级。当该用户标识对应的会员等级满足转移条件，且该目标对象的会员开通概率超过概率阈值时，终端将目标虚拟馈赠资源从用户标识的资源账户转移至目标对象的资源账户。
在本实施例中，当该用户标识未开通会员时，提示该目标虚拟馈赠资源禁止转移。当该目标对象的会员开通概率小于或等于该概率阈值时，提示该目标虚拟馈赠资源禁止转移。该提示的方式包括但不限于语音提示、信息提示。
本实施例中，当用户标识已开通会员，且目标对象的会员开通概率满足概率阈值时，允许用户将目标虚拟馈赠资源转赠给其他需要的用户使用，以提高虚拟馈赠资源的使用率和使用价值，从而提高会员的开通数量。
在一个实施例中，当用户标识已开通会员，且目标对象的会员开通概率超过概率阈值时，将目标虚拟馈赠资源从用户标识的资源账户转移至目标对象的资源账户，包括：
当用户标识已开通会员时，获取用户标识和目标对象的互动次数，以及目标对象的会员开通概率；当互动次数超过互动阈值，且目标对象的会员开通概率超过概率阈值时，将目标虚拟馈赠资源从用户标识的资源账户转移至目标对象的资源账户。
具体地，终端确定用户标识是否已开通会员，当该用户标识已开通会员时，终端获取用户标识和目标对象的互动次数。并且，终端获取概率阈值，并确定目标对象的会员开通概率，将该目标对象的会员开通概率和概率阈值进行对比。当用户标识和目标对象的互动次数超过互动阈值，且目标对象的会员开通概率超过概率阈值时，允许该用户标识将该目标虚拟馈赠资源转赠给目标对象。则终端将目标虚拟馈赠资源从用户标识的资源账户转移至目标对象的资源账户。
进一步地，终端可获取该用户标识和目标对象在预设时间段内的互动次数。当用户标识和目标对象在预设时间段内的互动次数超过互动阈值，且目标对象的会员开通概率超过概率阈值时，将目标虚拟馈赠资源从用户标识的资源账户转移至目标对象的资源账户。
本实施例中，将用户标识的会员开通状态、用户标识与目标对象的互动次数、目标对象的会员开通概作为是否允许转移目标虚拟馈赠资源的条件，当同时满足三个条件时，允许用户将目标虚拟馈赠资源转赠给其他需要的用户使用，以提高虚拟馈赠资源的使用率和使用价值，从而提高会员的开通数量。
在一个实施例中，如图6所示，提供了一种预测模型的处理方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤602，获取训练样本和训练样本对应的标签。
其中，该训练样本包含用户标识对应的用户特征参数和各训练会员类型对应的训练会员特征参数。标签为训练样本对应的会员开通概率。
具体地，终端可获取使用目标应用的训练用户标识，获取各训练应用标识在该目标应用上对应的训练用户特征参数，并获取该目标应用的各训练会员类型对应的训练会员特征参数，将该训练用户特征参数和训练会员特征参数的组合作为训练样本。并且，终端获取训练用户特征参数和训练会员特征参数的组合所对应的会员开通概率作为训练样本对应的标签。
步骤604，通过预测模型提取训练样本中与训练用户标识对应的训练用户特征参数，以及训练样本中与训练会员类型对应的训练会员特征参数。
具体地，终端可将训练样本和训练样本对应的标签输入待训练的预测模型。通过预测模型提取训练样本中的训练用户标识，各训练用户标识分别对应的用户特征参数，以及各训练会员类型对应的训练会员特征参数。该预测模型可采用LightGBM(LightGradient Boosting Machine)二分类模型。
步骤606，根据训练用户特征参数和训练会员特征参数，通过预测模型确定训练用户标识针对训练会员类型的预测会员开通概率。
具体地，终端通过待训练的预测模型基于该训练用户特征参数和训练会员特征参数，预测出该每个训练用户标识针对每种训练会员类型的预测会员开通概率。
步骤608，根据预测会员开通概率和训练样本对应的标签之间的差异调整预测模型的参数，当满足训练停止条件时得到已训练的预测模型；
其中，已训练的预测模型用于预测用户标识针对会员类型的会员开通概率；该会员开通概率用于确定每个候选的虚拟馈赠资源对应的期望收益值，以从候选的虚拟馈赠资源中，选取使得期望收益值满足发放条件的目标虚拟馈赠资源，并针对用户标识发放目标虚拟馈赠资源。
具体地，终端将预测模型输出的预测会员开通概率和训练样本对应的标签进行对比，确定两者之间的差异。并根据两者之间的差异调整该预测模型的参数并继续训练，直到满足训练停止条件时停止训练，得到训练好的预测模型。
在本实施例中，训练停止条件为训练样本对应的预测会员开通概率和对应的标签之间的差异小于预设差异。或者训练停止条件为预测模型输出的损失值小于损失阈值。当训练样本对应的预测会员开通概率和对应的标签之间的差异小于预设差异，或者训练停止条件为预测模型输出的损失值小于或等于损失阈值时，停止训练，得到训练好的预测模型。
接着，终端可通过该训练好的预测模型对用户标识对应的用户特征参数和会员类型对应的会员特征参数进行预测，输出用户标识针对每种会员类型的会员开通概率。通过该会员开通概率、根据会员开通概率、会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定每个候选的虚拟馈赠资源对应的期望收益值，以以从候选的虚拟馈赠资源中，选取使得期望收益值满足发放条件的目标虚拟馈赠资源，并针对用户标识发放目标虚拟馈赠资源。
本实施例中，通过训练样本和训练样本对应的标签对预测模型进行训练，根据预测模型的预测结果和标签之间的差异调整模型参数并继续训练，以提高预测模型的精度和准确性。通过训练好的预测模型能够根据用户特征和会员特征准确快速预测出会员开通概率。根据用户开通会员的概率、会员类型对应的消耗资源数值和候选的虚拟馈赠资源所含的资源数值，准确计算出每个候选的虚拟馈赠资源对应的期望收益值，从而将期望收益值作为发放虚拟馈赠资源的条件。选取使得期望收益值满足发放条件的虚拟馈赠资源发放给对应的用户，能够实现虚拟馈赠资源的个性化推送。
在一个实施例中，训练样本包括正样本和负样本；获取训练样本，包括：
从训练样本集中选择已领取虚拟馈赠资源，且基于虚拟馈赠资源开通会员的训练用户标识所对应的训练样本作为正样本；将训练样本集中通过虚拟馈赠资源进入会员开通页面，且未开通会员的训练用户标识所对应的训练样本作为负样本。
具体地，该训练样本集中包括各训练样本和各训练样本对应的标签。终端从训练样本集中确定已领取虚拟馈赠资源的训练用户标识，并确定领取虚拟馈赠资源的训练用户标识对应的会员开通状态。终端确定该训练样本集中的使用所领取的虚拟馈赠资源开通会员的训练用户标识，并获取该训练用户标识对应的训练样本作为正样本。
当领取虚拟馈赠资源的训练用户标识未开通会员时，终端检测该训练用户标识对应的用户终端是否通过该虚拟馈赠资源进入会员开通页面。进一步地，终端可确定训练用户标识对应的用户终端进入该会员开通页面后是否开通会员。当训练用户标识通过该虚拟馈赠资源进入会员开通页面，但未开通会员时，获取该训练用户标识对应的训练样本，将该训练样本作为负样本。
如图7所示，当用户通过运行于用户终端上的目标应用领取该虚拟馈赠资源时，用户终端可通过该虚拟馈赠资源进入如图7中的(a)所示为一个实施例中。该会员开通页面显示会员类型和每个会员类型的有效期，以及每个会员类型和有效期组合的金额。用户可在该会员开通页面选择所要开通的会员类型，进入所选择的会员类型对应的信息展示页面，如图7中的(b)所示。在该信息展示页面选择该会员类型的有效期，以及选择需要使用的虚拟馈赠资源，以开通会员。终端确定通过该虚拟馈赠资源进入如图7中的(a)所示会员开通页面，或者进入图7中的(b)所示的信息展示页面的用户标识作为负样本。终端确定通过该虚拟馈赠资源进入如图7中的(a)所示会员开通页面，并开通会员的用户标识所对应的训练样本作为正样本。或者终端确定通过该虚拟馈赠资源进入如图7中的(b)所示的信息展示页面的用户标识所对应的训练样本作为负样本。
本实施例中，将使用虚拟馈赠资源开通会员的用户标识所对应的训练样本作为正样本，使得采集的正样本和虚拟馈赠资源相关联。将通过虚拟馈赠资源进入会员开通页面，但未开通会员的用户标识所对应的训练样本作为负样本，能够将是否使用虚拟馈赠资源作为正负样本筛选的条件，从而将虚拟馈赠资源作为模型训练的特征之一，训练更准确。使用该方式筛选出的正负样本训练预测模型，使得训练得到的预测模型进行会员开通概率的预测时，能够结合该虚拟馈赠资源，使得预测更准确。
在一个实施例中，如图8所示，将训练样本集中通过虚拟馈赠资源进入会员开通页面，且未开通会员的训练用户标识所对应的训练样本作为负样本，包括：
步骤802，选择训练样本集中通过虚拟馈赠资源进入会员开通页面，且未开通会员的训练用户标识，并确定被选择的训练用户标识对应的训练用户特征参数。
具体地，终端从训练样本集中确定已领取虚拟馈赠资源的训练用户标识，并确定领取虚拟馈赠资源的训练用户标识对应的会员开通状态。终端检测该训练用户标识对应的用户终端是否通过该虚拟馈赠资源进入会员开通页面。进一步地，终端可确定训练用户标识对应的用户终端进入该会员开通页面后是否开通会员。
终端确定通过虚拟馈赠资源进入会员开通页面，且未开通会员的训练用户标识。接着，终端获取该训练用户标识对应的训练用户特征参数，例如用户属性、兴趣画像、用户关注的未发布多媒体数据、用户的设备类型等。
步骤804，获取训练会员类型和训练会员有效期，确定训练会员类型和训练会员有效期的组合。
具体地，终端可获取该目标应用的训练会员类型和训练会员有效期，会员类型包括普通会员和高级会员。训练会员有效期包括连续包月、月卡、季卡和年卡。终端可确定训练会员类型和训练会员有效期的组合，例如得到普通+月卡、普通+连续包月、普通+季卡、普通+年卡、高级+月卡、高级+连续包月、高级+季卡、高级+年卡等组合。
步骤806，将包含训练用户特征参数和组合的训练样本确定为负样本，负样本的数量和组合的数量相同。
具体地，终端可筛选出训练样本集中进入会员开通页面，且未开通会员的训练用户标识所对应的训练样本。接着，终端确定筛选出的训练样本中包含训练会员类型和训练会员有效期的组合的训练样本作为负样本，所筛选中的负样本的数量和该组合的数量相同。例如，终端筛查选出进入会员开通页面且未开通会员的训练用户标识所对应的训练样本，该训练样本中包含训练用户特征参数和会员特征参数。将会员特征参数中包含训练会员类型和训练会员有效期的组合所对应的训练样本作为负样本。
如图9所示，训练会员类型和训练会员有效期的组合包含普通+月卡、普通+连续包月、普通+季卡、普通+年卡、高级+月卡、高级+连续包月、高级+季卡、高级+年卡等组合。则终端筛选出训练样本后，从该筛选出的训练样本中的会员特征参数中包含普通+月卡、普通+连续包月、普通+季卡、普通+年卡、高级+月卡、高级+连续包月、高级+季卡、高级+年卡等组合的训练样本，则这些训练样本中至少包含用户特征参数+普通+月卡、用户特征参数+普通+连续包月、用户特征参数+普通+季卡、用户特征参数+普通+年卡、用户特征参数+高级+月卡、用户特征参数+高级+连续包月、用户特征参数+高级+季卡、用户特征参数+高级+年卡中的一种组合，从而得到负样本。如图9所示的负样本的数量和组合的数量相同。
本实施例中，通过包含训练会员类型和训练会员有效期的组合，将组合和进入会员开通页面但未开通会员的训练用户标识所对应的用户特征参数相结合，能够扩增负样本的数量。
如图10所示，为一个实施例中虚拟馈赠资源发放方法的原理图。终端可构造训练样本和对应的标签，该训练样本包含用户特征参数和会员特征参数。用户特征参数可包括用户标识、用户属性、兴趣画像、用户关注的未发布多媒体数据、用户的设备类型等。会员特征参数包括会员类型、会员类型对应的消耗资源数值、候选的虚拟馈赠资源所含的资源数值、会员有效期等。接着，终端可构造预测模型的目标函数，根据目标函数和训练样本、标签对该预测模型进行离线训练。该目标函数例如：
Figure BDA0002714754280000221
其中，
Figure BDA0002714754280000222
为用户针对会员类型的购买概率，x为用户标识对应的用户特征参数，ui为用户标识，cj为候选的虚拟馈赠资源。
预测模型的优化目标为：
Figure BDA0002714754280000223
其中，p为预测模型的优化目标，buy为训练中正样本的数量，click为训练中负样本的数量。
预测模型训练结束后，得到已训练的预测模型，即训练好的预测模型。则终端可获取某个目标应用中所提供的会员类型，获取会员类型对应的会员特征参数，并获取使用该目标应用的用户标识所对应的用户特征参数。将用户特征参数和会员特征参数输入预测模型，得到输出的用户标识针对每个会员类型的会员开通概率。接着，终端根据每个会员类型所对应的会员开通概率、每个会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定同一用户标识对于每个候选的虚拟馈赠资源，且对应不同会员类型时分别对应的期望收益值。接着，终端将同一个用户标识对于同一种候选的虚拟馈赠资源时，所对应的不同会员类型时分别得到的期望收益值进行求和，得到总期望收益值。
终端可通过以下公式计算：
Figure BDA0002714754280000224
Figure BDA0002714754280000225
maxG(Pui,cj)(5)
其中，
Figure BDA0002714754280000226
为期望收益值。
Figure BDA0002714754280000227
是会员类型对应的消耗资源数值，
Figure BDA0002714754280000228
为用户针对会员类型的购买概率。k为会员类型。G为用户标识ui针对同一候选的虚拟馈赠资源cj，且对应不同会员类型所确定的总期望收益值，即不同会员类型对应的期望收益值的总和。maxG(Pui,cj)为用户标识ui针对不同候选的虚拟馈赠资源cj所确定的总期望收益值中的最大的总期望收益值。
在一个实施例中，通过虚拟馈赠资源发放方法对用户发放针对目标应用的虚拟馈赠资源，使得目标应用的会员开通人数增加了35.9％，该目标应用的收益增加了16.8％，使得同时实现虚拟馈赠资源的个性化发放，以及收益的最大化。
在一个实施例中，提供了一种虚拟馈赠资源发放方法，包括：
终端获取训练样本和训练样本对应的标签。训练样本包括正样本和负样本。
接着，终端通过预测模型提取训练样本中与训练用户标识对应的训练用户特征参数，以及训练样本中与训练会员类型对应的训练会员特征参数。
接着，终端根据训练用户特征参数和训练会员特征参数，通过预测模型确定训练用户标识针对训练会员类型的预测会员开通概率。
进一步地。终端根据预测会员开通概率和训练样本对应的标签之间的差异调整预测模型的参数，当满足训练停止条件时得到已训练的预测模型。
终端获取目标应用所提供的会员类型，以及各会员类型对应的会员特征参数。终端获取使用该目标应用的用户标识对应的用户特征参数。
接着，终端将用户特征参数和会员特征参数输入训练好的预测模型，通过预测模型输出每个用户标识针对每种会员类型和有效期的组合的会员开通概率。
进一步地，终端根据每个组合的会员开通概率、每个组合对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定每个候选的虚拟馈赠资源对应的期望收益值。
接着，终端将同一用户标识、同一候选的虚拟馈赠资源，且不同组合所对应的各期望收益值求和，得到同一用户标识针对同一候选的虚拟馈赠资源所对应的总期望收益值。
接着，终端展示会员开通概率、候选的虚拟馈赠资源和期望收益值的可视化对应关系。
进一步地，终端从可视化对应关系中，选择总期望收益值最大时对应的候选的虚拟馈赠资源作为目标虚拟馈赠资源，并针对用户标识发放目标虚拟馈赠资源。
接着，终端响应于用户标识对目标虚拟馈赠资源的转移操作，确定用户标识的会员开通状态和目标对象的会员开通概率。
可选地，当用户标识已开通会员时，终端获取用户标识和目标对象的互动次数，以及目标对象的会员开通概率。
当互动次数超过互动阈值，且目标对象的会员开通概率超过概率阈值时，终端将目标虚拟馈赠资源从用户标识的资源账户转移至目标对象的资源账户。
本实施例中，通过训练样本和训练样本对应的标签对预测模型进行训练，根据预测模型的预测结果和标签之间的差异调整模型参数并继续训练，以提高预测模型的精度和准确性。通过训练好的预测模型能够根据用户特征和会员特征准确快速预测出会员开通概率。
根据用户开通会员的概率、会员类型对应的消耗资源数值和候选的虚拟馈赠资源所含的资源数值，准确计算出每个候选的虚拟馈赠资源对应的期望收益值，从而将期望收益值作为发放虚拟馈赠资源的条件。选取使得期望收益值满足发放条件的虚拟馈赠资源发放给对应的用户，能够实现虚拟馈赠资源的个性化推送，并提高虚拟馈赠资源被使用率。
应该理解的是，虽然图2-图10的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图10中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图11所示，提供了一种虚拟馈赠资源发放装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：参数获取模块1102、概率确定模块1104、收益确定模块1106和发放模块1108，其中：
参数获取模块1102，用于获取与用户标识对应的用户特征参数，及与会员类型对应的会员特征参数。
概率确定模块1104，用于根据用户特征参数和会员特征参数，确定用户标识针对会员类型的会员开通概率。
收益确定模块1106，用于根据会员开通概率、会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定每个候选的虚拟馈赠资源对应的期望收益值。
发放模块1108，用于从候选的虚拟馈赠资源中，选取使得期望收益值满足发放条件的目标虚拟馈赠资源，并针对用户标识发放目标虚拟馈赠资源。
本实施例中，通过获取用户的特征参数和会员类型的会员特征参数，从而根据用户的特征参数和会员特征参数准确确定出用户开通会员的概率。根据用户开通会员的概率、会员类型对应的消耗资源数值和候选的虚拟馈赠资源所含的资源数值，准确计算出每个候选的虚拟馈赠资源对应的期望收益值，从而将期望收益值作为发放虚拟馈赠资源的条件。选取使得期望收益值满足发放条件的虚拟馈赠资源发放给对应的用户，能够实现虚拟馈赠资源的个性化推送。
在一个实施例中，该概率确定模块1104还用于：获取用户特征参数对应的权重，以及每个会员类型对应的会员特征参数所对应的权重；根据用户特征参数和对应的权重、每个会员类型对应的会员特征参数及所对应的权重，确定用户标识针对每个会员类型的会员开通概率；
该收益确定模块1106还用于：根据每个会员开通概率、每个会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定每个候选的虚拟馈赠资源对应的期望收益值。
本实施例中，根据用户特征参数、每个会员类型对应的会员特征参数及其对应的权重，准确计算用户针对每个会员类型的会员开通概率，以进一步准确计算每种会员类型针对每个候选虚拟馈赠资源的期望收益值，从而根据期望收益值确定发放给用户的虚拟馈赠资源，实现虚拟馈赠资源的个性化发放。
在一个实施例中，该会员特征参数包括会员有效期；该概率确定模块1104还用于：确定每个会员类型分别和每个会员有效期的组合；获取用户特征参数对应的权重和组合对应的组合权重，确定用户标识针对每个组合的会员开通概率；
该收益确定模块1106还用于：根据每个会员开通概率、每个组合对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定每个候选的虚拟馈赠资源对应的期望收益值。
本实施例中，确定每个会员类型分别和每个会员有效期的组合，进一步细化会员特征参数，以准确计算用户出针对每个组合的会员开通概率。通过用户特征参数、包含会员类型和会员有效期的组合，每个组合的会员开通概率，以及组合对应的消耗资源数值、候选的虚拟馈赠资源所含的资源数值，计算出针对每个候选虚拟馈赠资源的期望收益值，从而根据期望收益值确定发放给用户的虚拟馈赠资源，实现虚拟馈赠资源的个性化发放。
在一个实施例中，该参数获取模块1102还用于：确定用户标识的会员开通状态；当用户标识已开通会员时，确定用户标识添加的未发布多媒体数据，并获取用户标识对应的包含未发布多媒体数据的用户特征参数；当用户标识未开通会员时，确定用户标识的历史浏览记录，并获取用户标识对应的包含历史浏览记录的用户特征参数。
本实施例中，对于已开通会员的用户标识，确定用户标识添加的未发布多媒体数据，对于未开通会员的用户标识，确定用户标识的历史浏览记录，能够确定用户近期内关注的多媒体数据，从而确定用户感兴趣的类型。将用户关注的多媒体数据作为用户特征参数，并结合其他特征更准确计算出用户开通会员的概率，或者计算出以开通会员的用户更换更高级别的会员类型的概率。
在一个实施例中，该装置还包括：展示模块。该展示模块用于：展示会员开通概率、候选的虚拟馈赠资源和期望收益值的可视化对应关系。
本实施例中，展示会员开通概率、候选的虚拟馈赠资源和期望收益值的可视化对应关系，能够直观显示会员开通概率、候选的虚拟馈赠资源和期望收益值的对应关系。并且通过该可视化对应关系，能够直接获取期望收益最高的虚拟馈赠资源发放给用户，从而在针对用户发放虚拟馈赠资源的同时实现收益的最大化。
在一个实施例中，该发放模块1108还用于：从可视化对应关系中，选择期望收益值最大时对应的候选的虚拟馈赠资源作为目标虚拟馈赠资源，并针对用户标识发放目标虚拟馈赠资源。
本实施例中，通过从可视化对应关系中，选择期望收益值最大时对应的候选的虚拟馈赠资源作为目标虚拟馈赠资源，能够以期望收益最大化作为虚拟馈赠资源的发放条件，使得在进行优惠券的个性化推送时充分考虑到商家的收益。
在一个实施例中，该装置还包括：转移模块。该转移模块用于：响应于用户标识对目标虚拟馈赠资源的转移操作，确定用户标识的会员开通状态和目标对象的会员开通概率；当用户标识已开通会员，且目标对象的会员开通概率超过概率阈值时，将目标虚拟馈赠资源从用户标识的资源账户转移至目标对象的资源账户。
本实施例中，当用户标识已开通会员，且目标对象的会员开通概率满足概率阈值时，允许用户将目标虚拟馈赠资源转赠给其他需要的用户使用，以提高虚拟馈赠资源的使用率和使用价值，从而提高会员的开通数量。
在一个实施例中，该转移模块还用于：当用户标识已开通会员时，获取用户标识和目标对象的互动次数，以及目标对象的会员开通概率；当互动次数超过互动阈值，且目标对象的会员开通概率超过概率阈值时，将目标虚拟馈赠资源从用户标识的资源账户转移至目标对象的资源账户。
本实施例中，将用户标识的会员开通状态、用户标识与目标对象的互动次数、目标对象的会员开通概作为是否允许转移目标虚拟馈赠资源的条件，当同时满足三个条件时，允许用户将目标虚拟馈赠资源转赠给其他需要的用户使用，以提高虚拟馈赠资源的使用率和使用价值，从而提高会员的开通数量。
关于虚拟馈赠资源发放装置的具体限定可以参见上文中对于虚拟馈赠资源发放方法的限定，在此不再赘述。上述虚拟馈赠资源发放装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，如图12所示，提供了一种预测模型的处理装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：训练样本获取模块1202、训练参数获取模块1204、预测模块1206和训练模块1208，其中：
训练样本获取模块1202，用于获取训练样本和训练样本对应的标签。
训练参数获取模块1204，用于通过预测模型提取训练样本中与训练用户标识对应的训练用户特征参数，以及训练样本中与训练会员类型对应的训练会员特征参数。
预测模块1206，用于根据训练用户特征参数和训练会员特征参数，通过预测模型确定训练用户标识针对训练会员类型的预测会员开通概率。
训练模块1208，用于根据预测会员开通概率和训练样本对应的标签之间的差异调整预测模型的参数，当满足训练停止条件时得到已训练的预测模型；
其中，已训练的预测模型用于预测用户标识针对会员类型的会员开通概率；会员开通概率用于确定每个候选的虚拟馈赠资源对应的期望收益值，以从候选的虚拟馈赠资源中，选取使得期望收益值满足发放条件的目标虚拟馈赠资源，并针对用户标识发放目标虚拟馈赠资源。
本实施例中，通过训练样本和训练样本对应的标签对预测模型进行训练，根据预测模型的预测结果和标签之间的差异调整模型参数并继续训练，以提高预测模型的精度和准确性。通过训练好的预测模型能够根据用户特征和会员特征准确快速预测出会员开通概率。
在一个实施例中，训练样本包括正样本和负样本；该训练样本获取模块1202还用于：从训练样本集中选择已领取虚拟馈赠资源，且基于虚拟馈赠资源开通会员的训练用户标识所对应的训练样本作为正样本；将训练样本集中通过虚拟馈赠资源进入会员开通页面，且未开通会员的训练用户标识所对应的训练样本作为负样本。
本实施例中，将使用虚拟馈赠资源开通会员的用户标识所对应的训练样本作为正样本，使得采集的正样本和虚拟馈赠资源相关联。将通过虚拟馈赠资源进入会员开通页面，但未开通会员的用户标识所对应的训练样本作为负样本，能够将是否使用虚拟馈赠资源作为正负样本筛选的条件，从而将虚拟馈赠资源作为模型训练的特征之一，训练更准确。使用该方式筛选出的正负样本训练预测模型，使得训练得到的预测模型进行会员开通概率的预测时，能够结合该虚拟馈赠资源，使得预测更准确。
在一个实施例中，该训练样本获取模块1202还用于：选择训练样本集中通过虚拟馈赠资源进入会员开通页面，且未开通会员的训练用户标识，并确定被选择的训练用户标识对应的训练用户特征参数；获取训练会员类型和训练会员有效期，确定训练会员类型和训练会员有效期的组合；将包含训练用户特征参数和组合的训练样本确定为负样本，负样本的数量和组合的数量相同。
本实施例中，通过包含训练会员类型和训练会员有效期的组合，将组合和进入会员开通页面但未开通会员的训练用户标识所对应的用户特征参数相结合，能够扩增负样本的数量。
关于预测模型的处理装置的具体限定可以参见上文中对于预测模型的处理方法的限定，在此不再赘述。上述预测模型的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种虚拟馈赠资源发放方法或预测模型的处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (15)

1.一种虚拟馈赠资源发放方法，其特征在于，所述方法包括：
获取与用户标识对应的用户特征参数，及与会员类型对应的会员特征参数；
根据所述用户特征参数和所述会员特征参数，确定所述用户标识针对所述会员类型的会员开通概率；
根据所述会员开通概率、所述会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定所述每个候选的虚拟馈赠资源对应的期望收益值；
从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
2.根据权利要求1所述的方法，其特征在于，所述根据所述用户特征参数和所述会员特征参数，确定所述用户标识针对所述会员类型的会员开通概率，包括：
获取所述用户特征参数对应的权重，以及每个会员类型对应的会员特征参数所对应的权重；
根据所述用户特征参数和对应的权重、所述每个会员类型对应的会员特征参数及所对应的权重，确定所述用户标识针对所述每个会员类型的会员开通概率；
所述根据所述会员开通概率、所述会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定所述每个候选的虚拟馈赠资源对应的期望收益值，包括：
根据每个会员开通概率、所述每个会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定所述每个候选的虚拟馈赠资源对应的期望收益值。
3.根据权利要求1所述的方法，其特征在于，所述会员特征参数包括会员有效期；所述根据所述用户特征参数和所述会员特征参数，确定所述用户标识针对所述会员类型的会员开通概率，包括：
确定每个会员类型分别和每个会员有效期的组合；
获取所述用户特征参数对应的权重和所述组合对应的组合权重，确定所述用户标识针对每个组合的会员开通概率；
所述根据所述会员开通概率、所述会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定所述每个候选的虚拟馈赠资源对应的期望收益值，包括：
根据每个会员开通概率、所述每个组合对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定所述每个候选的虚拟馈赠资源对应的期望收益值。
4.根据权利要求1所述的方法，其特征在于，所述获取与用户标识对应的用户特征参数，包括：
确定用户标识的会员开通状态；
当用户标识已开通会员时，确定所述用户标识添加的未发布多媒体数据，并获取所述用户标识对应的包含所述未发布多媒体数据的用户特征参数；
当所述用户标识未开通会员时，确定所述用户标识的历史浏览记录，并获取所述用户标识对应的包含所述历史浏览记录的用户特征参数。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
展示所述会员开通概率、所述候选的虚拟馈赠资源和所述期望收益值的可视化对应关系。
6.根据权利要求5所述的方法，其特征在于，所述从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源，包括：
从所述可视化对应关系中，选择所述期望收益值最大时对应的候选的虚拟馈赠资源作为目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
响应于所述用户标识对所述目标虚拟馈赠资源的转移操作，确定所述用户标识的会员开通状态和目标对象的会员开通概率；
当所述用户标识已开通会员，且所述目标对象的会员开通概率超过概率阈值时，将所述目标虚拟馈赠资源从所述用户标识的资源账户转移至所述目标对象的资源账户。
8.根据权利要求7所述的方法，其特征在于，所述当所述用户标识已开通会员，且所述目标对象的会员开通概率超过概率阈值时，将所述目标虚拟馈赠资源从所述用户标识的资源账户转移至所述目标对象的资源账户，包括：
当所述用户标识已开通会员时，获取所述用户标识和所述目标对象的互动次数，以及所述目标对象的会员开通概率；
当所述互动次数超过互动阈值，且所述目标对象的会员开通概率超过概率阈值时，将所述目标虚拟馈赠资源从所述用户标识的资源账户转移至所述目标对象的资源账户。
9.一种预测模型的处理方法，其特征在于，所述方法包括：
获取训练样本和所述训练样本对应的标签；
通过预测模型提取所述训练样本中与训练用户标识对应的训练用户特征参数，以及所述训练样本中与训练会员类型对应的训练会员特征参数；
根据所述训练用户特征参数和所述训练会员特征参数，通过所述预测模型确定所述训练用户标识针对所述训练会员类型的预测会员开通概率；
根据所述预测会员开通概率和所述训练样本对应的标签之间的差异调整所述预测模型的参数，当满足训练停止条件时得到已训练的预测模型；
其中，所述已训练的预测模型用于预测用户标识针对会员类型的会员开通概率；所述会员开通概率用于确定每个候选的虚拟馈赠资源对应的期望收益值，以从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
10.根据权利要求9所述的方法，其特征在于，所述训练样本包括正样本和负样本；所述获取训练样本，包括：
从训练样本集中选择已领取虚拟馈赠资源，且基于所述虚拟馈赠资源开通会员的训练用户标识所对应的训练样本作为正样本；
将所述训练样本集中通过所述虚拟馈赠资源进入会员开通页面，且未开通会员的训练用户标识所对应的训练样本作为负样本。
11.根据权利要求10所述的方法，其特征在于，所述将所述训练样本集中通过所述虚拟馈赠资源进入会员开通页面，且未开通会员的训练用户标识所对应的训练样本作为负样本，包括：
选择所述训练样本集中通过所述虚拟馈赠资源进入会员开通页面，且未开通会员的训练用户标识，并确定被选择的训练用户标识对应的训练用户特征参数；
获取训练会员类型和训练会员有效期，确定所述训练会员类型和所述训练会员有效期的组合；
将包含所述训练用户特征参数和所述组合的训练样本确定为负样本，所述负样本的数量和所述组合的数量相同。
12.一种虚拟馈赠资源发放装置，其特征在于，所述装置包括：
参数获取模块，用于获取与用户标识对应的用户特征参数，及与会员类型对应的会员特征参数；
概率确定模块，用于根据所述用户特征参数和所述会员特征参数，确定所述用户标识针对所述会员类型的会员开通概率；
收益确定模块，用于根据所述会员开通概率、所述会员类型对应的消耗资源数值、每个候选的虚拟馈赠资源所含的资源数值，确定所述每个候选的虚拟馈赠资源对应的期望收益值；
发放模块，用于从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
13.一种预测模型的处理装置，其特征在于，所述装置包括：
训练样本获取模块，用于获取训练样本和所述训练样本对应的标签；
训练参数获取模块，用于通过预测模型提取所述训练样本中与训练用户标识对应的训练用户特征参数，以及所述训练样本中与训练会员类型对应的训练会员特征参数；
预测模块，用于根据所述训练用户特征参数和所述训练会员特征参数，通过所述预测模型确定所述训练用户标识针对所述训练会员类型的预测会员开通概率；
训练模块，用于根据所述预测会员开通概率和所述训练样本对应的标签之间的差异调整所述预测模型的参数，当满足训练停止条件时得到已训练的预测模型；
其中，所述已训练的预测模型用于预测用户标识针对会员类型的会员开通概率；所述会员开通概率用于确定每个候选的虚拟馈赠资源对应的期望收益值，以从所述候选的虚拟馈赠资源中，选取使得所述期望收益值满足发放条件的目标虚拟馈赠资源，并针对所述用户标识发放所述目标虚拟馈赠资源。
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的方法的步骤。
15.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。
CN202011070844.5A 2020-10-09 2020-10-09 虚拟馈赠资源发放方法、装置、计算机设备和存储介质 Pending CN112132634A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011070844.5A CN112132634A (zh) 2020-10-09 2020-10-09 虚拟馈赠资源发放方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011070844.5A CN112132634A (zh) 2020-10-09 2020-10-09 虚拟馈赠资源发放方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN112132634A true CN112132634A (zh) 2020-12-25

Family

ID=73843847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011070844.5A Pending CN112132634A (zh) 2020-10-09 2020-10-09 虚拟馈赠资源发放方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112132634A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159829A (zh) * 2021-03-19 2021-07-23 北京京东拓先科技有限公司 虚拟资产分配方法、装置与电子设备
CN114693294A (zh) * 2022-03-04 2022-07-01 支付宝(杭州)信息技术有限公司 基于电子凭证的互动方法、装置及电子设备
CN114862432A (zh) * 2021-02-04 2022-08-05 武汉斗鱼鱼乐网络科技有限公司 目标用户确定方法、装置、电子设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862432A (zh) * 2021-02-04 2022-08-05 武汉斗鱼鱼乐网络科技有限公司 目标用户确定方法、装置、电子设备和存储介质
CN113159829A (zh) * 2021-03-19 2021-07-23 北京京东拓先科技有限公司 虚拟资产分配方法、装置与电子设备
CN114693294A (zh) * 2022-03-04 2022-07-01 支付宝(杭州)信息技术有限公司 基于电子凭证的互动方法、装置及电子设备

Similar Documents

Publication Publication Date Title
WO2020024715A1 (zh) 利用深度强化学习进行推荐营销的方法及装置
Rao et al. Bank selection criteria employed by MBA students in Delhi: An empirical analysis
KR101761226B1 (ko) 수취인에게 관심 있는 선물의 크라우드-소싱을 위한 상황적 관련성 정보에 기초한 사용자 정보의 선택적 공유
CN112132634A (zh) 虚拟馈赠资源发放方法、装置、计算机设备和存储介质
CN107798607A (zh) 资产配置策略获取方法、装置、计算机设备和存储介质
CN111767466A (zh) 基于人工智能的推荐信息推荐方法、装置及电子设备
CN108777701A (zh) 一种确定信息受众的方法及装置
Song et al. Personalized menu optimization with preference updater: a Boston case study
CN109711866B (zh) 一种银行广告投放方法、装置及系统
US20200302400A1 (en) Job-post budget recommendation based on performance
Gupta et al. Prioritizing factors affecting the adoption of mobile financial services in emerging markets—a fuzzy AHP approach
CN113781139A (zh) 物品推荐方法、物品推荐装置、设备和介质
CN115860870A (zh) 一种商品推荐方法、系统、装置及可读介质
An et al. Artificial intelligence-based predictions of movie audiences on opening Saturday
Valsamidis et al. Digital banking in the new era: Exploring customers’ attitudes
Chopra M-Wallet technology acceptance by street vendors in India
Huang et al. Cost-Based attraction recommendation for tour operators under stochastic demand
CN111476657B (zh) 信息推送方法、装置及系统
CN109829593A (zh) 目标对象的信用度确定方法、装置、存储介质及电子装置
CN116823410A (zh) 数据处理方法、对象处理方法、推荐方法及计算设备
CN114391159A (zh) 数字人类学和人种学系统
CN116361542A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN114222146B (zh) 数据投放方法、装置、电子设备及存储介质
US20240005386A1 (en) Modeling to generate dynamic electronic representations
CN116226537A (zh) 页面中页面模块的布局、展示方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination