CN112508631A - 用户策略分配方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种用户策略分配方法、装置、电子设备及计算机可读介质。该方法包括：基于目标用户的基础信息确定多个用户策略；将所述多个用户策略和所述目标用户的基础信息输入响应模型中，生成多个响应概率，所述响应概率用于计算目标用户在不同用户策略下进行预设行为的概率；基于所述多个响应概率确定目标用户策略；将所述目标用户策略分配给所述目标用户。本公开涉及的用户策略分配方法、装置、电子设备及计算机可读介质，能够准确合理的为长期未操作用户分配带有优惠信息的用户策略，进而提升用户的活跃性，提升用户的动支率，增加用户满意度、提升资源利用率。

Description

用户策略分配方法、装置及电子设备

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种用户策略分配方法、装置、电子设备及计算机可读介质。

背景技术

近年来，随着越来越多的提供金融服务的各种信贷公司的出现，对于金融用户而言，能够获得金融资源的渠道增多，服务也多样化，金融用户有了更大的选择性。这使得提供金融服务的公司之间也增多了竞争。对金融公司而言，一些很久未在某平台上进行过操作的用户，可称之为睡眠用户，这些睡眠用户都是经过授信的用户，是具有较高用户价值的用户。挽回这些用户，让这些用户重新回归本平台，对金融公司而言是具有极大的价值的。

对于用户而言，最优惠的金融产品或者最长的还款期限是其最关注的，而对金融公司而言，为用户分配恰当的用户策略，在用户策略中给用户的特享资源额度需要恰到好处，使得该用户策略在能满足用户需求的同时，又能保证公司本身资源的安全。

在用户策略制定上，现有技术是通过专家的经验知识，然后基于用户基本信息结合个人行为数据进行分析，从而制定的用户策略。而且，现有技术中的用户策略大部分是在用户授信初期制定的，无法考虑到用户进入睡眠用户，长久未进行操作的情况。

因此，需要一种新的用户策略分配方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种用户策略分配方法、装置、电子设备及计算机可读介质，能够准确合理的为长期未操作用户分配带有优惠信息的用户策略，进而提升用户的活跃性，提升用户的动支率，增加用户满意度、提升资源利用率。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种用户策略分配方法，该方法包括：基于目标用户的基础信息确定多个用户策略；将所述多个用户策略和所述目标用户的基础信息输入响应模型中，生成多个响应概率，所述响应概率用于计算目标用户在不同用户策略下进行预设行为的概率；将所述多个响应概率中最大响应概率对应的用户策略作为目标用户策略，所述目标用户策略用于促进该用户进行预设行为；将所述目标用户策略分配给所述目标用户。

可选地，基于目标用户的用户信息确定多个用户策略之前，还包括：基于预设资源的资源利用率数据由多个用户中确定所述目标用户；和/或基于预设行为的行为发生率由多个用户中确定所述目标用户。

可选地，还包括：对历史用户进行分群计算，生成多个用户群；由多个用户群中确定至少一个目标用户群；根据所述至少一个目标用户群中用户的基础信息生成所述响应模型。

可选地，对历史用户进行分群计算，生成多个用户群，包括：利用聚类算法基于所述历史用户的基础信息将所述历史用户分为多个用户群。

可选地，由多个用户群中确定至少一个目标用户群，包括：将用户群中的用户按照其对应的资源额度进行分组；计算每一个分组中用户数量和用户群中所有用户数量的占比情况；基于所述占比情况生成所述用户群的置信度指标；将置信度指标大于置信度阈值的用户群作为所述目标用户群。

可选地，基于所述占比情况生成所述用户群的置信度指标，包括：基于所述占比情况计算所述分组的香农多样性指标；基于所述香农多样性指标生成所述分组的置信度指标。

可选地，根据所述至少一个目标用户群中用户的基础信息生成所述响应模型，包括：确定所述至少一个目标用户群中用户的预设行为发生率；基于所述预设行为发生率为所述至少一个目标用户群中用户分配标签，所述标签包括正向标签和负向标签；将所述至少一个用户群中用户的基础信息和其对应的标签输入机器学习模型中进行训练，生成所述响应模型。

可选地，基于目标用户的基础信息确定多个用户策略，包括：将所述目标用户的基础信息和用户策略提取参数进行比较；基于比较结果确定多个用户策略。

可选地，基于所述多个响应概率确定目标用户策略，包括：将所述多个响应概率中最大响应概率对应的用户策略作为目标用户策略。

可选地，将所述目标用户策略分配给所述目标用户之后，还包括：对所述目标用户的行为数据进行监控；获取所述目标用户在预设时间内进行预设行为的概率；基于所述概率更新所述响应模型。

根据本公开的一方面，提出一种用户策略分配装置，该装置包括：信息模块，用于基于目标用户的基础信息确定多个用户策略；概率模块，用于将所述多个用户策略和所述目标用户的基础信息输入响应模型中，生成多个响应概率，所述响应概率用于计算目标用户在不同用户策略下进行预设行为的概率；策略模块，用于将所述多个响应概率中最大响应概率对应的用户策略作为目标用户策略；分配模块，用于将所述目标用户策略分配给所述目标用户。

可选地，还包括：用户模块，用于基于预设资源的资源利用率数据由多个用户中确定所述目标用户；和/或基于预设行为的行为发生率由多个用户中确定所述目标用户。

可选地，还包括：分群模块，用于对历史用户进行分群计算，生成多个用户群；目标模块，用于由多个用户群中确定至少一个目标用户群；模型模块，用于根据所述至少一个目标用户群中用户的基础信息生成所述响应模型。

可选地，所述分群模块，还用于利用聚类算法基于所述历史用户的基础信息将所述历史用户分为多个用户群。

可选地，所述目标模块，包括：分组单元，用于将用户群中的用户按照其对应的资源额度进行分组；占比单元，用于计算每一个分组中用户数量和用户群中所有用户数量的占比情况；指标单元，用于基于所述占比情况生成所述用户群的置信度指标；比较单元，用于将置信度指标大于置信度阈值的用户群作为所述目标用户群。

可选地，所述指标单元，还用于基于所述占比情况计算所述分组的香农多样性指标；基于所述香农多样性指标生成所述分组的置信度指标。

可选地，所述模型模块，包括：行为单元，用于确定所述至少一个目标用户群中用户的预设行为发生率；标签单元，用于基于所述预设行为发生率为所述至少一个目标用户群中用户分配标签，所述标签包括正向标签和负向标签；训练单元，用于将所述至少一个用户群中用户的基础信息和其对应的标签输入机器学习模型中进行训练，生成所述响应模型。

可选地，所述信息模块，还用于将所述目标用户的基础信息和用户策略提取参数进行比较；基于比较结果确定多个用户策略。

可选地，所述策略模块，还用于将所述多个响应概率中最大响应概率对应的用户策略作为目标用户策略。

可选地，还包括：更新模块，用于对所述目标用户的行为数据进行监控；获取所述目标用户在预设时间内进行预设行为的概率；基于所述概率更新所述响应模型。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的用户策略分配方法、装置、电子设备及计算机可读介质，基于目标用户的基础信息确定多个用户策略；将所述多个用户策略和所述目标用户的基础信息输入响应模型中，生成多个响应概率，所述响应概率用于计算目标用户在不同用户策略下进行预设行为的概率；基于所述多个响应概率确定目标用户策略；将所述目标用户策略分配给所述目标用户的方式，能够准确合理的为长期未操作用户分配带有优惠信息的用户策略，进而提升用户的活跃性，提升用户的动支率，增加用户满意度、提升资源利用率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据一示例性实施例示出的一种用户策略分配方法及装置的系统框图。

图2是根据一示例性实施例示出的一种用户策略分配方法的流程图。

图3是根据另一示例性实施例示出的一种用户策略分配方法的流程图。

图4是根据另一示例性实施例示出的一种用户策略分配方法的示意图。

图5是根据一示例性实施例示出的一种用户策略分配装置的框图。

图6是根据另一示例性实施例示出的一种用户策略分配装置的框图。

图7是根据一示例性实施例示出的一种电子设备的框图。

图8是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

本发明中，资源是指任何可被利用的物质、信息、时间，信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。本发明的创新之处在于如何使用服务器和客户端之间的信息交互技术来使资源分配的过程更加自动化、高效和减小人力成本。由此，从本质上来说，本发明可以应用于各类资源的分配，包括实体的货物、水、电，以及有意义的资料等。但是，为了方便起见，本发明中以金融数据资源为例进行说明资源分配的实施，但本领域技术人员应当理解，本发明亦可以用于其他资源的分配。

图1是根据一示例性实施例示出的一种用户策略分配方法及装置的系统框图。

如图1所示，系统架构10可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果（例如用户策略）反馈给金融服务网站的管理员和/或终端设备101、102、103。

服务器105可例如基于目标用户的基础信息确定多个用户策略；服务器105可例如将所述多个用户策略和所述目标用户的基础信息输入响应模型中，生成多个响应概率，所述响应概率用于计算目标用户在不同用户策略下进行预设行为的概率；服务器105可例如基于所述多个响应概率确定目标用户策略；服务器105可例如将所述目标用户策略分配给所述目标用户。

服务器105还可例如基于预设资源的资源利用率数据由多个用户中确定所述目标用户；和/或基于预设行为的行为发生率由多个用户中确定所述目标用户。

服务器105还可例如对历史用户进行分群计算，生成多个用户群；服务器105还可例如由多个用户群中确定至少一个目标用户群；服务器105还可例如根据所述至少一个目标用户群中用户的基础信息生成所述响应模型。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本公开实施例所提供的用户策略分配方法可以由服务器105执行，相应地，用户策略分配装置可以设置于服务器105中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。

图2是根据一示例性实施例示出的一种用户策略分配方法的流程图。用户策略分配方法20至少包括步骤S202至S208。

如图2所示，在S202中，基于目标用户的基础信息确定多个用户策略。包括：将所述目标用户的基础信息和用户策略提取参数进行比较；基于比较结果确定多个用户策略。

在一个实施例中，由用户的基础信息中经过预先设定的风险模型的计算，确定该用户为低风险的用户，而且由用户的基础信息中还可知该用户的风险承担能力较强，则可针对这类用户确定其对应的用户策略为资源额度提升策略和还款期延长策略。更进一步的，在资源额度提升策略中还包括额度提升的具体数值，则可根据用户的基础信息中用户的收入情况和用户的风险值确定具体提额等级。

在一个实施例中，由用户的基础信息中经过预先设定的风险模型的计算，确定该用户为高风险的用户，而且由用户的基础信息中还可知该用户的风险承担能力较弱，则可针对这类用户确定其对应的用户策略为利率优惠策略和还款补贴策略。更进一步的，在利率优惠政策中还包括利率优惠的具体数值，则可根据用户的基础信息中用户的收入情况和用户的风险值确定具体优惠的等级。

其中，基于目标用户的用户信息确定多个用户策略之前，还包括：基于预设资源的资源利用率数据由多个用户中确定所述目标用户；和/或基于预设行为的行为发生率由多个用户中确定所述目标用户。可例如，提取出很久未进行动支操作的用户，以便后续对该类用户进行额度改变，以提升该类用户的动支意愿。还可例如，获取很久未登陆的用户，以便针对这类用户确定其对应的用户策略，以增强该类用户的活跃度。

在S204中，将所述多个用户策略和所述目标用户的基础信息输入响应模型中，生成多个响应概率，所述响应概率用于计算目标用户在不同用户策略下进行预设行为的概率。

更具体的，如上文所述的用户提升额度策略中，待提升的具体额度可为多个，可例如为额度提升1000,2000,3000这几只种情况，而待给用户分配的延长还款期限也可为多个，比如1周，半个月，1个月等。将目标用户的基础信息和上述额度或时间参数、用户策略一并输入到响应模型，响应模型经过计算，得到目标用户在额度提升1000的情况下的动支概率，还能够得到目标用户在额度提升2000的情况下的动支概率；目标用户在额度提升3000的情况下的动支概率；目标用户在延长还款期限延长1周的情况下的动支概率等等。

在S206中，基于所述多个响应概率确定目标用户策略。包括：将所述多个响应概率中最大响应概率对应的用户策略作为目标用户策略。在上述计算到的概率中，选择动支率最大时对应的用户策略。

值得一提的是，本公开中响应模型训练时候是依据最大动支概率为目标进行训练的，还可依据最短还款期限，最大盈利等等其他的目标训练响应模型，以便在计算的时候得到能代表其他概率的结果，但是模型训练的基本步骤是相同的，在这里不再赘述。模型训练的具体过程可参考图3对应的实施例中的内容。

在S208中，将所述目标用户策略分配给所述目标用户。可将目标用户策略生成提醒消息，以发送给目标用户。

在一个实施例中，将所述目标用户策略分配给所述目标用户之后，还包括：对所述目标用户的行为数据进行监控；获取所述目标用户在预将用户的行为发生的概率，作为参数再次训练响应模型，以对响应模型进行实时更新。

根据本公开的用户策略分配方法，基于目标用户的基础信息确定多个用户策略；将所述多个用户策略和所述目标用户的基础信息输入响应模型中，生成多个响应概率，所述响应概率用于计算目标用户在不同用户策略下进行预设行为的概率；基于所述多个响应概率确定目标用户策略；将所述目标用户策略分配给所述目标用户的方式，能够准确合理的为长期未操作用户分配带有优惠信息的用户策略，进而提升用户的活跃性，提升用户的动支率，增加用户满意度、提升资源利用率。

根据本公开的用户策略分配方法，在应用场景中，可先选出睡眠用户（很久没动支的用户），然后将睡眠用户和不同策略（可为不同提额数值）输入响应模型中，看不同的额度，哪个对这个用户促进最大，从而，为该用户分配用户策略，以提升该用户的动支率，在现有技术中，遇到睡眠用户的情况是，管理员通过个人经验，单一的为睡眠用户进行提额或者其他的优惠方法，这种方式对有些睡眠用户效果不大，因为没达到客户心理动支“预期”，本公开的方法可以快速直观有效的得到结论。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种用户策略分配方法的流程图。图3所示的流程30是对“生成响应模型”的详细描述。在本公开中，利用响应模型计算用户对于一个刺激（优惠券、提额等动作）的反应结果，比如说想给用户分配一个优惠券，用响应模型判断这个刺激是否会引起用户的动支行为，如果可以引起较大概率的用户动支行为，则认为这个刺激是有效的，是可以在线下执行的。

其中，响应模型能得到一个用户是否会响应的概率。响应模型可理解为一个函数，f（x，t）；其中，目标用户为x，t为用户策略。

Uplift（提升度）=f（x，t1）-f（x，t0）；

T1为待分配的用户策略1；t0 为当前用户策略，提升度代表用户在待分配策略下的动支概率和当前策略下动支概率之间的差值。

但是，在构造响应模型的时候，训练响应模型的用户数据中，用户数据中X和t是需要相互独立的，这样训练得到的响应模型才更加准确，能够反映真实的概率信息。所以，在模型训练中，引入了置信度作为用户数据的考核指标。

如图3所示，在S302中，对历史用户进行分群计算，生成多个用户群。包括：利用聚类算法基于所述历史用户的基础信息将所述历史用户分为多个用户群。

在S304中，计算用户群的置信度。包括：将用户群中的用户按照其对应的资源额度进行分组；计算每一个分组中用户数量和用户群中所有用户数量的占比情况；基于所述占比情况生成所述用户群的置信度指标。具体可如图4所示，每个用户群中的用户均和多个额度等级进行比较，以生成用户数据占比情况。

其中，基于所述占比情况生成所述用户群的置信度指标，包括：基于所述占比情况计算所述分组的香农多样性指标；基于所述香农多样性指标生成所述分组的置信度指标。置信度指标越高，代表用户群中的各个用户和额度之间不固定，很分散，正是这种分散，能帮助响应模型进行训练。

香农多样性指标（Shannon's Diversity Index，SHDI），是一种基于信息理论的测量指数，在本公开的实施例，置信度指标引用香农多样性指标的含义，并进行引申，置信度指标为用户各个额度上的占比乘以其值的自然对数之后的和的负值。

在S306中，基于置信度由多个用户群中确定至少一个目标用户群。将置信度指标大于置信度阈值的用户群作为所述目标用户群。

在一个实施例中，在线上使用响应模型时，还可将用户和预先设定的多个用户群进行比较，以确定该用户所属的用户群，然后计算该用户群的置信度数值，在该用户群的置信度数值较低的时候，证明该用户不适合用响应模型计算，此时可生成提醒信息，提醒新用于提醒管理员通过其他方式确定该用户的用户策略。

在S308中，根据所述至少一个目标用户群中用户的基础信息生成所述响应模型。更具体的，可包括：确定所述至少一个目标用户群中用户的预设行为发生率；基于所述预设行为发生率为所述至少一个目标用户群中用户分配标签，所述标签包括正向标签和负向标签；将所述至少一个用户群中用户的基础信息和其对应的标签输入机器学习模型中进行训练，生成所述响应模型。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU 执行的计算机程序。在该计算机程序被CPU 执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图5是根据一示例性实施例示出的一种用户策略分配装置的框图。如图5所示，用户策略分配装置50包括：信息模块502，概率模块504，策略模块506，分配模块508，用户模块510。

信息模块502用于基于目标用户的基础信息确定多个用户策略；所述信息模块502还用于将所述目标用户的基础信息和用户策略提取参数进行比较；基于比较结果确定多个用户策略。

概率模块504用于将所述多个用户策略和所述目标用户的基础信息输入响应模型中，生成多个响应概率，所述响应概率用于计算目标用户在不同用户策略下进行预设行为的概率；

策略模块506用于基于所述多个响应概率确定目标用户策略；所述策略模块506还用于将所述多个响应概率中最大响应概率对应的用户策略作为目标用户策略。

分配模块508用于将所述目标用户策略分配给所述目标用户。

用户模块510用于基于预设资源的资源利用率数据由多个用户中确定所述目标用户；和/或基于预设行为的行为发生率由多个用户中确定所述目标用户。

图6是根据另一示例性实施例示出的一种用户策略分配装置的框图。如图6所示，用户策略分配装置60包括：分群模块602，目标模块604，模型模块606，更新模块608。

分群模块602用于对历史用户进行分群计算，生成多个用户群；所述分群模块602还用于利用聚类算法基于所述历史用户的基础信息将所述历史用户分为多个用户群。

目标模块604用于由多个用户群中确定至少一个目标用户群；所述目标模块604包括：分组单元，用于将用户群中的用户按照其对应的资源额度进行分组；占比单元，用于计算每一个分组中用户数量和用户群中所有用户数量的占比情况；指标单元，用于基于所述占比情况生成所述用户群的置信度指标；所述指标单元，还用于基于所述占比情况计算所述分组的香农多样性指标；基于所述香农多样性指标生成所述分组的置信度指标；比较单元，用于将置信度指标大于置信度阈值的用户群作为所述目标用户群。

模型模块606用于根据所述至少一个目标用户群中用户的基础信息生成所述响应模型。所述模型模块606包括：行为单元，用于确定所述至少一个目标用户群中用户的预设行为发生率；标签单元，用于基于所述预设行为发生率为所述至少一个目标用户群中用户分配标签，所述标签包括正向标签和负向标签；训练单元，用于将所述至少一个用户群中用户的基础信息和其对应的标签输入机器学习模型中进行训练，生成所述响应模型。

更新模块608用于对所述目标用户的行为数据进行监控；获取所述目标用户在预设时间内进行预设行为的概率；基于所述概率更新所述响应模型。

根据本公开的用户策略分配装置，基于目标用户的基础信息确定多个用户策略；将所述多个用户策略和所述目标用户的基础信息输入响应模型中，生成多个响应概率，所述响应概率用于计算目标用户在不同用户策略下进行预设行为的概率；基于所述多个响应概率确定目标用户策略；将所述目标用户策略分配给所述目标用户的方式，能够准确合理的为长期未操作用户分配带有优惠信息的用户策略，进而提升用户的活跃性，提升用户的动支率，增加用户满意度、提升资源利用率。

图7是根据一示例性实施例示出的一种电子设备的框图。

下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件（包括存储单元720和处理单元710）的总线730、显示单元740等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书中的根据本公开各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图2，图3中所示的步骤。

所述存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元（ROM）7203。

所述存储单元720还可以包括具有一组（至少一个）程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备700’（例如键盘、指向设备、蓝牙设备等）通信，使得用户能与该电子设备700交互的设备通信，和/或该电子设备700能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图8所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本公开实施方式的上述方法。

所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：基于目标用户的基础信息确定多个用户策略；将所述多个用户策略和所述目标用户的基础信息输入响应模型中，生成多个响应概率，所述响应概率用于计算目标用户在不同用户策略下进行预设行为的概率；基于所述多个响应概率确定目标用户策略；将所述目标用户策略分配给所述目标用户。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、移动终端、或者网络设备等）执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (10)

1.一种用户策略分配方法，其特征在于，包括：

基于目标用户的基础信息确定多个用户策略；

将所述多个用户策略和所述目标用户的基础信息输入响应模型中，生成多个响应概率，所述响应概率用于计算目标用户在不同用户策略下进行预设行为的概率；

将所述多个响应概率中最大响应概率对应的用户策略作为目标用户策略，所述目标用户策略用于促进该用户进行预设行为；

将所述目标用户策略分配给所述目标用户。

2.如权利要求1所述的方法，其特征在于，基于目标用户的用户信息确定多个用户策略之前，还包括：

基于预设资源的资源利用率数据由多个用户中确定所述目标用户；和/或

基于预设行为的行为发生率由多个用户中确定所述目标用户。

3.如权利要求1所述的方法，其特征在于，还包括：

对历史用户进行分群计算，生成多个用户群；

由多个用户群中确定至少一个目标用户群；

根据所述至少一个目标用户群中用户的基础信息生成所述响应模型。

4.如权利要求3所述的方法，其特征在于，对历史用户进行分群计算，生成多个用户群，包括：

利用聚类算法基于所述历史用户的基础信息将所述历史用户分为多个用户群。

5.如权利要求3所述的方法，其特征在于，由多个用户群中确定至少一个目标用户群，包括：

将用户群中的用户按照其对应的资源额度进行分组；

计算每一个分组中用户数量和用户群中所有用户数量的占比情况；

基于所述占比情况生成所述用户群的置信度指标；

将置信度指标大于置信度阈值的用户群作为所述目标用户群。

6.如权利要求5所述的方法，其特征在于，基于所述占比情况生成所述用户群的置信度指标，包括：

基于所述占比情况计算所述分组的香农多样性指标；

基于所述香农多样性指标生成所述分组的置信度指标。

7.如权利要求3所述的方法，其特征在于，根据所述至少一个目标用户群中用户的基础信息生成所述响应模型，包括：

确定所述至少一个目标用户群中用户的预设行为发生率；

基于所述预设行为发生率为所述至少一个目标用户群中用户分配标签，所述标签包括正向标签和负向标签；

将所述至少一个用户群中用户的基础信息和其对应的标签输入机器学习模型中进行训练，生成所述响应模型。

8.一种用户策略分配装置，其特征在于，包括：

信息模块，用于基于目标用户的基础信息确定多个用户策略；

概率模块，用于将所述多个用户策略和所述目标用户的基础信息输入响应模型中，生成多个响应概率，所述响应概率用于计算目标用户在不同用户策略下进行预设行为的概率；

策略模块，用于将所述多个响应概率中最大响应概率对应的用户策略作为目标用户策略；

分配模块，用于将所述目标用户策略分配给所述目标用户。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images