CN113095890A - 电子优惠券发放方法、装置、计算机设备和存储介质 - Google Patents
电子优惠券发放方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113095890A CN113095890A CN202110476936.1A CN202110476936A CN113095890A CN 113095890 A CN113095890 A CN 113095890A CN 202110476936 A CN202110476936 A CN 202110476936A CN 113095890 A CN113095890 A CN 113095890A
- Authority
- CN
- China
- Prior art keywords
- behavior
- user
- neural network
- activity
- electronic coupon
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及神经网络技术领域,揭示了一种电子优惠券发放方法、装置、计算机设备和存储介质,其中方法包括:获取用户在应用程序上操作时产生的多个行为数据;将多个行为数据分别转换成行为向量结构,对行为向量结构进行分类,得到各行为向量结构的类型;根据行为向量结构的类型从预先构建的神经网络模型中划分出相应类型的神经网络层,将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算;获取各个神经网络层计算得到的子活跃度,将所有子活跃度进行累加后得到用户的活跃度;根据活跃度设置用户待发放的电子优惠券的数值,将具有所述数值的电子优惠券发送给用户,以根据用户的行为数据发放相应数值的电子优惠券,提升发放效果。
Description
技术领域
本申请涉及到神经网络技术领域,特别是涉及到一种电子优惠券发放方法、装置、计算机设备和存储介质。
背景技术
互联网技术的快速发展和终端设备的日益普及给人们的生活带来了极大的便利,例如,用户可以通过购物网站足不出户的购买到所需商品。在使用互联网的过程中,如果用户想要获取某些特殊的权限,往往需要具有针对该权限的电子权限凭证。例如,用户在某购物网站购买商品时想要获得价格优惠的权限,则需要具有该购物网站提供的电子优惠券。
现有技术中,电子优惠券发放时,各用户所发放的电子优惠券的数值都是相同的,无法根据不同用户发放不同数值的电子优惠券,发放策略较差。
发明内容
本申请的主要目的为提供一种电子优惠券发放方法、装置、计算机设备和存储介质,旨在解决目前的电子优惠券发放方式较为粗糙、发放效果较差的技术问题。
为了实现上述发明目的,本申请提出一种电子优惠券发放方法,包括:
获取用户在应用程序上操作时产生的多个行为数据;
将所述多个行为数据分别转换成行为向量结构,对所述行为向量结构进行分类,得到各行为向量结构的类型;其中,所述行为向量结构为所述行为数据的向量形式表示;
根据所述行为向量结构的类型从预先构建的神经网络模型中划分出相应类型的神经网络层,将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算;
获取各个神经网络层计算得到的子活跃度,将所有子活跃度进行累加后得到所述用户的活跃度;
根据所述活跃度设置所述用户待发放的电子优惠券的数值;其中,所述电子优惠券的数值与所述活跃度呈正相关;
当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给所述用户。
进一步地,所述将所有子活跃度进行累加后得到所述用户的活跃度的步骤之后,还包括:
监测所述用户的活跃度是否低于预设值,当监测到所述用户的活跃度低于预设值时,将所述各个神经网络层计算得到的子活跃度按照由低到高的顺序进行排序,根据排序结果筛选出排在前N位的子活跃度,其中所述N为大于或等于1的整数;
分别获取所述排在前N位的子活跃度对应的行为向量结构,得到目标行为向量结构;
对所述用户的目标行为向量结构进行分析,根据分析结果生成活跃度升级策略,并将所述活跃度升级策略发送给所述用户;其中,所述活跃度升级策略包括针对所述目标行为向量结构所对应的行为数据的优化策略。
优选地,所述将所述多个行为数据分别转换成行为向量结构的步骤,包括:
对所述多个行为数据分别进行特征提取,得到行为特征;
将所述行为特征进行独热编码并添加相应的时间戳,生成编码数据;
采用预先训练好的向量模型对所述编码数据进行向量转换,得到所述行为向量结构。
优选地,所述将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算的步骤,包括:
获取预先配置在每一神经网络层的权重;
根据各类型的行为向量结构及所在神经网络层的权重计算得到每一神经网络层的子活跃度;其中,所述每一神经网络层的权重根据所述行为向量结构的类型进行预先配置。
优选地,所述根据各类型的行为向量结构及所在神经网络层的权重计算得到每一神经网络层的子活跃度的步骤,包括:
计算各类型的行为向量结构的数量;
根据所述数量及所在神经网络层的权重计算得到每一神经网络层的子活跃度。
进一步地,所述电子优惠券发放条件包括时间条件,所述当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给所述用户的步骤之前,还包括:
判断系统时间是否到达定时时间;
当系统时间到达所述定时时间时,则确定达到电子优惠券发放条件。
进一步地,所述获取用户在应用程序上操作时产生的多个行为数据的步骤之前,还包括:
实时收集所述用户在应用程序上操作时产生的多个历史行为数据;
对所述多个历史行为数据进行数据清理及去噪处理,筛除所述历史行为数据中无意义的数据,得到所述行为数据。
本申请还提供一种电子优惠券发放装置,包括:
第一获取模块,用于获取用户在应用程序上操作时产生的多个行为数据;
转换模块,用于将所述多个行为数据分别转换成行为向量结构,对所述行为向量结构进行分类,得到各行为向量结构的类型;其中,所述行为向量结构为所述行为数据的向量形式表示;
计算模块,用于根据所述行为向量结构的类型从预先构建的神经网络模型中划分出相应类型的神经网络层,将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算;
第二获取模块,用于获取各个神经网络层计算得到的子活跃度,将所有子活跃度进行累加后得到所述用户的活跃度;
设置模块,用于根据所述活跃度设置所述用户待发放的电子优惠券的数值;其中,所述电子优惠券的数值与所述活跃度呈正相关;
发送模块,用于当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给所述用户。
本申请还提供一种计算机设备,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上述任一项所述方法的步骤。
本申请还提供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上述任一项所述的方法的步骤。
本申请的电子优惠券发放方法、装置、计算机设备和存储介质,通过获取用户在应用程序上操作时产生的多个行为数据;将多个行为数据分别转换成行为向量结构,对行为向量结构进行分类,得到各行为向量结构的类型;根据行为向量结构的类型从预先构建的神经网络模型中划分出相应类型的神经网络层,将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算;获取各个神经网络层计算得到的子活跃度,将所有子活跃度进行累加后得到所述用户的活跃度;根据活跃度设置用户待发放的电子优惠券的数值;当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给用户,从而可根据用户的行为数据发放相应数值的电子优惠券,提升发放效果;还可根据行为向量信息结构的类型确定相应类型的神经网络层,而不同类型的神经网络层对应的神经元个数以及每一层的每一神经元与上一层神经元之间的连接方法及运算方法不同。因此,不同数量的神经元、连接方法及运算方法所处理的行为向量信息结构的类型不同,以根据行为向量信息结构的类型以对应不同神经网络层的方式计算用户的活跃度,提高用户活跃度的计算精度及效率。
附图说明
图1为本申请一实施例的电子优惠券发放方法的流程示意图;
图2为本申请一实施例的电子优惠券发放装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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。
参照图1,本申请实施例中提供的一种电子优惠券发放方法,用于解决现有电子优惠券发放时,各用户所发放的电子优惠券的数值都是相同的,难以根据不同用户发放不同数值的电子优惠券,发放策略较为粗糙。该电子优惠券发放方法包括步骤:
S1、获取用户在应用程序上操作时产生的多个行为数据;
S2、将所述多个行为数据分别转换成行为向量结构,对所述行为向量结构进行分类,得到各行为向量结构的类型;其中,所述行为向量结构为所述行为数据的向量形式表示;
S3、根据所述行为向量结构的类型从预先构建的神经网络模型中划分出相应类型的神经网络层,将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算;
S4、获取各个神经网络层计算得到的子活跃度,将所有子活跃度进行累加后得到所述用户的活跃度;
S5、根据所述活跃度设置所述用户待发放的电子优惠券的数值;其中,所述电子优惠券的数值与所述活跃度呈正相关;
S6、当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给所述用户。
如步骤S1所述,用户在应用程序上的操作可以指在某一应用A中进行实时浏览商品、下单、退款、搜索、领券、转发商品链接等操作。行为数据可以指用户在进行网络操作时产生的各种数据,例如,用户的分享次数、分享链接的网址、下单次数、下单商品类型等等,还可以是用户搜索词数据和用户评论数据。
其中,该应用程序可以是视频播放类应用程序、网络购物类应用程序、信息浏览类应用程序、导航类应用程序中的任一种,也可以是其他类型的应用程序,本发明实施例不具体限定。应用程序所推出的活动可以根据应用程序的类型来确定。例如,当上述应用程序为视频播放类应用程序时,上述应用程序所推出的活动可以包括:签到、观看视频、发言、观看直播、抽奖中的至少一种,也可以包括其他活动。当上述应用程序为网络购物类应用程序时,上述应用程序所推出的活动可以包括:签到、抽奖、浏览指定商品、玩指定小游戏中的至少一种,也可以包括其他活动。在本发明实施例中,用户每参加一次应用程序所推出的活动,会产生一个行为数据,例如,若用户参加了两次抽奖活动、一次签到活动,那么,会产生三个行为数据。此外,应用程序所推出的活动可以包括未知活动。当应用程序推出了新的活动后,若没有根据应用程序所推出的新的活动对上述用户检测方法进行更新,电子设备在进行用户检测时,可能无法识别用户参与的活动,这种情况下,若应用程序所推出的活动包括未知活动,可以将无法识别的活动确定为未知活动,从而使得用户检测更好地进行。
在一种实施方式中,可以从用户的日志中获取用户参与应用程序所推出活动过程中产生的各行为数据。还可以获取用户在预设时间段内参与应用程序所推出活动过程中产生的各行为数据。例如,可以获取用户在单日内参与应用程序所推出活动过程中产生的各行为数据,获取用户在一周内参与应用程序所推出活动过程中产生的各行为数据。本实施方式获取用户在预设时间段内参与应用程序所推出活动过程中产生的各行为数据,可以减少所获取的行为数据,更便于根据行为数据确定用户的行为规律,从而使得进行用户检测的效率更高。
如步骤S2所述,本步骤可将用户在使用应用程序时产生的多个行为数据分别转化成对应的行为向量结构,得到多个行为向量结构,并计算每两个行为向量结构的相似度,将相似度在预设范围内的行为向量结构分为同一类型的行为向量结构,以对行为向量结构进行分类,得到各行为向量结构的类型。
如步骤S3所述,本申请可根据行为向量信息结构的类型确定神经网络模型的具体神经网络层数,由于不同的神经网络层的神经元个数及每一层的每一神经元与上一层神经元之间的连接方法及运算方法不同,因此将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算,使不同数量的神经元、连接方法及运算方法所处理的行为向量信息结构的类型不同,以根据行为向量信息结构的类型以对应不同神经网络层的方式计算用户的活跃度,提高用户活跃度的计算精度及效率。如用户每日使用应用程序的次数及时长的向量结构,根据每日使用应用程序的次数及时长确定子活跃度;或在使用应用程序过程中产生的交易数据,根据交易数据确定子活跃度。
如步骤S4所述,本步骤获取每一神经网络层计算得到的子活跃度,将子活跃度进行累加后,作为用户的活跃度。在另一实施例中,还可通过收集、分析终端用户的用户行为数据不断调整各个用户的活跃度,以确保各个用户的活跃度的真实性。
如步骤S5所述,其根据活跃度确定用户可发放的电子优惠券数值,且电子优惠券的数值与所述活跃度呈正相关,即当用户的活跃度较高时,则对应电子优惠券的数值较高。
如步骤S6所述,本申请在达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给用户,如在活动日时,可针对不同用户发放不同数值的电子优惠券,以给予不同的优惠力度,提高发放策略的精度,并增加用户对应用程序的粘性。
本申请的电子优惠券发放方法,通过获取用户在应用程序上操作时产生的多个行为数据;将多个行为数据分别转换成行为向量结构,对行为向量结构进行分类,得到各行为向量结构的类型;根据行为向量结构的类型从预先构建的神经网络模型中划分出相应类型的神经网络层,将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算;获取各个神经网络层计算得到的子活跃度,将所有子活跃度进行累加后得到所述用户的活跃度;根据活跃度设置用户待发放的电子优惠券的数值;当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给用户,从而可根据用户的行为数据发放相应数值的电子优惠券,提升发放效果;还可根据行为向量信息结构的类型确定相应类型的神经网络层,而不同类型的神经网络层对应的神经元个数以及每一层的每一神经元与上一层神经元之间的连接方法及运算方法不同。因此,不同数量的神经元、连接方法及运算方法所处理的行为向量信息结构的类型不同,以根据行为向量信息结构的类型以对应不同神经网络层的方式计算用户的活跃度,提高用户活跃度的计算精度及效率。
在一实施例中,在步骤S1中,所述获取用户在应用程序上操作时产生的多个行为数据的步骤之前,还可包括:
实时收集所述用户在应用程序上操作时产生的多个历史行为数据;
对所述多个历史行为数据进行数据清理及去噪处理,筛除所述历史行为数据中无意义的数据,得到所述行为数据。
本实施例可实时收集用户在使用应用程序时产生的历史行为数据,并对收集的历史行为数据进行数据处理及去噪处理,如删除无实质意义的行为数据,将数据处理及去噪处理后的多个历史行为数据作为多个行为数据,以避免无实质意义的行为数据的干扰。
在一实施例中,在步骤S4中,所述将所有子活跃度进行累加后得到所述用户的活跃度的步骤之后,还可包括:
监测所述用户的活跃度是否低于预设值,当监测到所述用户的活跃度低于预设值时,将所述各个神经网络层计算得到的子活跃度按照由低到高的顺序进行排序,根据排序结果筛选出排在前N位的子活跃度,其中所述N为大于或等于1的整数;
分别获取所述排在前N位的子活跃度对应的行为向量结构,得到目标行为向量结构;
对所述用户的目标行为向量结构进行分析,根据分析结果生成活跃度升级策略,并将所述活跃度升级策略发送给所述用户;其中,所述活跃度升级策略包括针对所述目标行为向量结构所对应的行为数据的优化策略。
在本实施例中,服务器实时监测该用户的活跃度是否低于预设值,当用户的活跃度低于预设值时,可禁止向该用户发放电子优惠券,并获取该用户在各个神经网络层计算得到的子活跃度,将子活跃度按照由低到高的顺序进行排序,并筛选出排在前N位的子活跃度,然后查询并获取排在前N位的子活跃度对应的行为向量结构,将排在前N位的子活跃度对应的行为向量结构作为目标行为向量结构,并对用户的目标行为向量结构进行分析,以确定活跃度升级策略,并将活跃度升级策略发送给所述用户。其中,所述N的具体数值可以根据实际需要进行随机设定。例如,当某项行为向量结构较少时,造成计算得到的子活跃度较低,该项行为向量结构对应的行为数据为用户日均使用应用程序的次数时,则可向该用户发送提高应用程序日均使用次数的活跃度升级策略,以通过对目标用户的行为数据进行分析,针对不同的用户发送相应的活跃度升级策略,实现个性化设置。此外,还可对活跃度低于预设值时进行针对的定向提醒;针对没有满足规则的客户,可以通过活跃度升级策略提升自己的各项指标,以当活跃度重新满足活动条件后,向该用户发放电子优惠券,从而提升客户的参与感与积极性。
在一实施例中,在步骤S2中,所述将所述多个行为数据分别转换成行为向量结构的步骤,可具体包括:
S21、对所述多个行为数据分别进行特征提取,得到行为特征;
S22、将所述行为特征进行独热编码并添加相应的时间戳,生成编码数据;
S23、采用预先训练好的向量模型对所述编码数据进行向量转换,得到所述行为向量结构。
独热编码是因为大部分算法是基于向量空间中的度量来进行计算的,为了使非偏序关系的变量取值不具有偏序性,并且到圆点是等距的。使用one-hot编码,将离散特征的取值扩展到了欧式空间,离散特征的某个取值就对应欧式空间的某个点。将离散型特征使用one-hot编码,会让特征之间的距离计算更加合理。离散特征进行one-hot编码后,编码后的特征,其实每一维度的特征都可以看做是连续的特征。就可以跟对连续型特征的归一化方法一样,对每一维特征进行归一化。比如归一化到[-1,1]或归一化到均值为0,方差为1。
向量模型可以是深度学习获得的神经网络模型,是依次连接的向量模型和长短期记忆神经网络,用于将编码数据转换为向量形式。其中,向量模型主要由卷积和池化操作组成,卷积运算用于特征提取,池化是对输入的特征进行压缩,简化网络计算的复杂度,也便于提取主要特征。在建立模型时,分别进入到卷积层、池化层、LSTM层,最后再连接到全连接层,并输出。
本申请从行为数据中提取出表征该行为数据的行为特征后,直接利用独热编码的方式,把行为特征转换成独热编码的形式。然后,为编码后的行为特征添加相应的时间戳,即行为开始时间和结束时间,以标识行为发生的先后顺序,最后利用向量模型对编码数据进行向量转换。这样,便将用户的行为数据转变为了可用于深度学习框架的编码数据。
在一实施例中,在步骤S3中,所述将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算的步骤,可具体包括:
S1、获取预先配置在每一神经网络层的权重;
S2、根据各类型的行为向量结构及所在神经网络层的权重计算得到每一神经网络层的子活跃度;其中,所述每一神经网络层的权重根据所述行为向量结构的类型进行预先配置。
本申请可预先根据行为向量结构的类型设置每一神经网络层的权重,以在神经网络层输入了行为向量信息结构时,获取相应神经网络层的权重及行为向量结构,根据神经网络层的权重及行为向量结构计算用户该行为数据的子活跃度,以根据不同的用户行为设置相应的权重,进一步提高子活跃度的计算精度。例如,可将用户下单行为对应的行为向量信息结构的权重设置为较高,将用户浏览商品行为对应的行为向量信息结构的权重设置为较低,以使下单较多的用户计算得到的活跃度较高,从而向其发放数值较高的电子优惠券,以鼓励用户下单。
在一实施例中,所述根据各类型的行为向量结构及所在神经网络层的权重计算得到每一神经网络层的子活跃度的步骤,可具体包括:
计算各类型的行为向量结构的数量;
根据所述数量及所在神经网络层的权重计算得到每一神经网络层的子活跃度。
其中,所述行为向量结构的数量为用户在同一行为类型下对应行为向量信息结构的累加值。例如,当用户在使用应用程序中分别进行了商品的购买、分享、评论等行为时,则可将该行为分为购买类型、分享类型、评论类型,对应的统计数值分别作为商品的购买次数、分享次数、评论次数或评论字数。
可选地,所述根据所述数量及所在神经网络层的权重计算得到每一神经网络层的子活跃度的步骤,包括如下公式:
其中,所述V为活跃度,RK为预先配置在第K层的神经网络层的权重,Pi指第i类行为向量结构的数量。
在一实施例中,所述电子优惠券发放条件包括时间条件,所述当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给所述用户的步骤之前,还包括:
判断系统时间是否到达定时时间;
当系统时间到达所述定时时间时,则确定达到电子优惠券发放条件。
本实施例可设置定时时间,在系统时间到达定时时间时,将对应数值的电子优惠券发送至用户中,从而可在活动时间向用户发放对应数值的电子优惠券,提高电子优惠券的发放精确性。其中,定时时间可以是促销活动时间。例如,当到达促销活动时间时,根据用户信息查询每个用户对应数值的电子优惠券,将对应数值的电子优惠券分别发放至每个用户中。
可选地,应用服务器端能够持续接收到应用程序传输来的访问权限判定的结果,若在一设定时间周期内持续收到同一用户(或满足同一访问限制规则)的不具备访问权限的访问请求,即持续收到无权限用户发送的失败的访问请求,则为了节省系统运算资源,确保系统平稳运行,所述应用服务器端可以主动向对应的客户端发送限制访问指令,以使所述客户端根据所述限制访问指令在一设定时间内停止访问请求的发送操作。
参照图2,本申请实施例中还提供一种电子优惠券发放装置,包括:
第一获取模块1,用于获取用户在应用程序上操作时产生的多个行为数据;
转换模块2,用于将所述多个行为数据分别转换成行为向量结构,对所述行为向量结构进行分类,得到各行为向量结构的类型;其中,所述行为向量结构为所述行为数据的向量形式表示;
计算模块3,用于根据所述行为向量结构的类型从预先构建的神经网络模型中划分出相应类型的神经网络层,将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算;
第二获取模块4,用于获取各个神经网络层计算得到的子活跃度,将所有子活跃度进行累加后得到所述用户的活跃度;
设置模块5,用于根据所述活跃度设置所述用户待发放的电子优惠券的数值;其中,所述电子优惠券的数值与所述活跃度呈正相关;
发送模块6,用于当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给所述用户。
在本实施例中,用户在应用程序上的操作可以指在某一应用A中进行实时浏览商品、下单、退款、搜索、领券、转发商品链接等操作。行为数据可以指用户在进行网络操作时产生的各种数据,例如,用户的分享次数、分享链接的网址、下单次数、下单商品类型等等,还可以是用户搜索词数据和用户评论数据。
其中,该应用程序可以是视频播放类应用程序、网络购物类应用程序、信息浏览类应用程序、导航类应用程序中的任一种,也可以是其他类型的应用程序,本发明实施例不具体限定。应用程序所推出的活动可以根据应用程序的类型来确定。例如,当上述应用程序为视频播放类应用程序时,上述应用程序所推出的活动可以包括:签到、观看视频、发言、观看直播、抽奖中的至少一种,也可以包括其他活动。当上述应用程序为网络购物类应用程序时,上述应用程序所推出的活动可以包括:签到、抽奖、浏览指定商品、玩指定小游戏中的至少一种,也可以包括其他活动。在本发明实施例中,用户每参加一次应用程序所推出的活动,会产生一个行为数据,例如,若用户参加了两次抽奖活动、一次签到活动,那么,会产生三个行为数据。此外,应用程序所推出的活动可以包括未知活动。当应用程序推出了新的活动后,若没有根据应用程序所推出的新的活动对上述用户检测方法进行更新,电子设备在进行用户检测时,可能无法识别用户参与的活动,这种情况下,若应用程序所推出的活动包括未知活动,可以将无法识别的活动确定为未知活动,从而使得用户检测更好地进行。
在一种实施方式中,可以从用户的日志中获取用户参与应用程序所推出活动过程中产生的各行为数据。还可以获取用户在预设时间段内参与应用程序所推出活动过程中产生的各行为数据。例如,可以获取用户在单日内参与应用程序所推出活动过程中产生的各行为数据,获取用户在一周内参与应用程序所推出活动过程中产生的各行为数据。本实施方式获取用户在预设时间段内参与应用程序所推出活动过程中产生的各行为数据,可以减少所获取的行为数据,更便于根据行为数据确定用户的行为规律,从而使得进行用户检测的效率更高。
本申请在获取用户在应用程序上操作时产生的多个行为数据后,可将用户在使用应用程序时产生的多个行为数据分别转化成对应的行为向量结构,得到多个行为向量结构,并计算每两个行为向量结构的相似度,将相似度在预设范围内的行为向量结构分为同一类型的行为向量结构,以对行为向量结构进行分类,得到各行为向量结构的类型。
进一步地,本申请可根据行为向量信息结构的类型确定神经网络模型的具体神经网络层数,由于不同的神经网络层的神经元个数及每一层的每一神经元与上一层神经元之间的连接方法及运算方法不同,因此将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算,使不同数量的神经元、连接方法及运算方法所处理的行为向量信息结构的类型不同,以根据行为向量信息结构的类型以对应不同神经网络层的方式计算用户的活跃度,提高用户活跃度的计算精度及效率。如用户每日使用应用程序的次数及时长的向量结构,根据每日使用应用程序的次数及时长确定子活跃度;或在使用应用程序过程中产生的交易数据,根据交易数据确定子活跃度。
获取到每一神经网络层计算得到的子活跃度,将子活跃度进行累加后,作为用户的活跃度。在另一实施例中,还可通过收集、分析终端用户的用户行为数据不断调整各个用户的活跃度,以确保各个用户的活跃度的真实性。然后根据活跃度确定用户可发放的电子优惠券数值,且电子优惠券的数值与所述活跃度呈正相关,即当用户的活跃度较高时,则对应电子优惠券的数值较高。
本申请在达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给用户,如在活动日时,可针对不同用户发放不同数值的电子优惠券,以给予不同的优惠力度,提高发放策略的精度,并增加用户对应用程序的粘性。
如上所述,可以理解地,本申请中提出的所述电子优惠券发放装置的各组成部分可以实现如上所述电子优惠券发放方法任一项的功能,具体结构不再赘述。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3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、网络接口和数据库。其中,该计算机设计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、计算机程序和数据库。该内存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。该计算机设备的数据库用于关系抽取模型、药物发现模型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电子优惠券发放方法。
上述处理器执行上述的电子优惠券发放方法,包括:
获取用户在应用程序上操作时产生的多个行为数据;
将所述多个行为数据分别转换成行为向量结构,对所述行为向量结构进行分类,得到各行为向量结构的类型;其中,所述行为向量结构为所述行为数据的向量形式表示;
根据所述行为向量结构的类型从预先构建的神经网络模型中划分出相应类型的神经网络层,将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算;
获取各个神经网络层计算得到的子活跃度,将所有子活跃度进行累加后得到所述用户的活跃度;
根据所述活跃度设置所述用户待发放的电子优惠券的数值;其中,所述电子优惠券的数值与所述活跃度呈正相关;
当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给所述用户。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种电子优惠券发放方法,包括步骤:
获取用户在应用程序上操作时产生的多个行为数据;
将所述多个行为数据分别转换成行为向量结构,对所述行为向量结构进行分类,得到各行为向量结构的类型;其中,所述行为向量结构为所述行为数据的向量形式表示;
根据所述行为向量结构的类型从预先构建的神经网络模型中划分出相应类型的神经网络层,将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算;
获取各个神经网络层计算得到的子活跃度,将具有所有子活跃度进行累加后得到所述用户的活跃度;
根据所述活跃度设置所述用户待发放的电子优惠券的数值;其中,所述电子优惠券的数值与所述活跃度呈正相关;
当确定达到电子优惠券发放条件时,将所述数值的电子优惠券发送给所述用户。
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,所述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,本申请所提供的和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/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本申请的最大有益效果在于:
本申请的电子优惠券发放方法、装置、计算机设备和存储介质,通过获取用户在应用程序上操作时产生的多个行为数据;将多个行为数据分别转换成行为向量结构,对行为向量结构进行分类,得到各行为向量结构的类型;根据行为向量结构的类型从预先构建的神经网络模型中划分出相应类型的神经网络层,将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算;获取各个神经网络层计算得到的子活跃度,将所有子活跃度进行累加后得到所述用户的活跃度;根据活跃度设置用户待发放的电子优惠券的数值;当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给用户,从而可根据用户的行为数据发放相应数值的电子优惠券,提升发放效果;还可根据行为向量信息结构的类型确定相应类型的神经网络层,而不同类型的神经网络层对应的神经元个数以及每一层的每一神经元与上一层神经元之间的连接方法及运算方法不同。因此,不同数量的神经元、连接方法及运算方法所处理的行为向量信息结构的类型不同,以根据行为向量信息结构的类型以对应不同神经网络层的方式计算用户的活跃度,提高用户活跃度的计算精度及效率。
需要说明的是,在本文中,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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种电子优惠券发放方法,其特征在于,包括:
获取用户在应用程序上操作时产生的多个行为数据;
将所述多个行为数据分别转换成行为向量结构,对所述行为向量结构进行分类,得到各行为向量结构的类型;其中,所述行为向量结构为所述行为数据的向量形式表示;
根据所述行为向量结构的类型从预先构建的神经网络模型中划分出相应类型的神经网络层,将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算;
获取各个神经网络层计算得到的子活跃度,将所有子活跃度进行累加后得到所述用户的活跃度;
根据所述活跃度设置所述用户待发放的电子优惠券的数值;其中,所述电子优惠券的数值与所述活跃度呈正相关;
当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给所述用户。
2.根据权利要求1所述的方法,其特征在于,所述将所有子活跃度进行累加后得到所述用户的活跃度的步骤之后,还包括:
监测所述用户的活跃度是否低于预设值,当监测到所述用户的活跃度低于预设值时,将所述各个神经网络层计算得到的子活跃度按照由低到高的顺序进行排序,根据排序结果筛选出排在前N位的子活跃度,其中所述N为大于或等于1的整数;
分别获取所述排在前N位的子活跃度对应的行为向量结构,得到目标行为向量结构;
对所述用户的目标行为向量结构进行分析,根据分析结果生成活跃度升级策略,并将所述活跃度升级策略发送给所述用户;其中,所述活跃度升级策略包括针对所述目标行为向量结构所对应的行为数据的优化策略。
3.根据权利要求1所述的方法,其特征在于,所述将所述多个行为数据分别转换成行为向量结构的步骤,包括:
对所述多个行为数据分别进行特征提取,得到行为特征;
将所述行为特征进行独热编码并添加相应的时间戳,生成编码数据;
采用预先训练好的向量模型对所述编码数据进行向量转换,得到所述行为向量结构。
4.根据权利要求1所述的方法,其特征在于,所述将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算的步骤,包括:
获取预先配置在每一神经网络层的权重;
根据各类型的行为向量结构及所在神经网络层的权重计算得到每一神经网络层的子活跃度;其中,所述每一神经网络层的权重根据所述行为向量结构的类型进行预先配置。
5.根据权利要求4所述的方法,其特征在于,所述根据各类型的行为向量结构及所在神经网络层的权重计算得到每一神经网络层的子活跃度的步骤,包括:
计算各类型的行为向量结构的数量;
根据所述数量及所在神经网络层的权重计算得到每一神经网络层的子活跃度。
6.根据权利要求1所述的方法,其特征在于,所述电子优惠券发放条件包括时间条件,所述当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给所述用户的步骤之前,还包括:
判断系统时间是否到达定时时间;
当系统时间到达所述定时时间时,则确定达到电子优惠券发放条件。
7.根据权利要求1所述的方法,其特征在于,所述获取用户在应用程序上操作时产生的多个行为数据的步骤之前,还包括:
实时收集所述用户在应用程序上操作时产生的多个历史行为数据;
对所述多个历史行为数据进行数据清理及去噪处理,筛除所述历史行为数据中无意义的数据,得到所述行为数据。
8.一种电子优惠券发放装置,其特征在于,包括:
第一获取模块,用于获取用户在应用程序上操作时产生的多个行为数据;
转换模块,用于将所述多个行为数据分别转换成行为向量结构,对所述行为向量结构进行分类,得到各行为向量结构的类型;其中,所述行为向量结构为所述行为数据的向量形式表示;
计算模块,用于根据所述行为向量结构的类型从预先构建的神经网络模型中划分出相应类型的神经网络层,将各类型的行为向量结构分别输入相应类型的神经网络层中进行活跃度计算;
第二获取模块,用于获取各个神经网络层计算得到的子活跃度,将所有子活跃度进行累加后得到所述用户的活跃度;
设置模块,用于根据所述活跃度设置所述用户待发放的电子优惠券的数值;其中,所述电子优惠券的数值与所述活跃度呈正相关;
发送模块,用于当确定达到电子优惠券发放条件时,将具有所述数值的电子优惠券发送给所述用户。
9.一种计算机设备,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7中任一项所述电子优惠券发放方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,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7中任一项所述电子优惠券发放方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110476936.1A CN113095890A (zh) | 2021-04-29 | 2021-04-29 | 电子优惠券发放方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110476936.1A CN113095890A (zh) | 2021-04-29 | 2021-04-29 | 电子优惠券发放方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095890A true CN113095890A (zh) | 2021-07-09 |
Family
ID=76680752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110476936.1A Pending CN113095890A (zh) | 2021-04-29 | 2021-04-29 | 电子优惠券发放方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095890A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706204A (zh) * | 2021-08-31 | 2021-11-26 | 中国平安财产保险股份有限公司 | 基于深度学习的权益发放方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902849A (zh) * | 2018-06-20 | 2019-06-18 | 华为技术有限公司 | 用户行为预测方法及装置、行为预测模型训练方法及装置 |
CN111582947A (zh) * | 2020-05-21 | 2020-08-25 | 深圳市元征科技股份有限公司 | 一种优惠券处理的方法及相关装置 |
US20200285937A1 (en) * | 2017-10-11 | 2020-09-10 | Beijing Sankuai Online Technology Co., Ltd | Consumption capacity prediction |
CN111861525A (zh) * | 2019-04-30 | 2020-10-30 | 拉扎斯网络科技(上海)有限公司 | 任务执行方法、装置、电子设备及计算机可读存储介质 |
-
2021
- 2021-04-29 CN CN202110476936.1A patent/CN113095890A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200285937A1 (en) * | 2017-10-11 | 2020-09-10 | Beijing Sankuai Online Technology Co., Ltd | Consumption capacity prediction |
CN109902849A (zh) * | 2018-06-20 | 2019-06-18 | 华为技术有限公司 | 用户行为预测方法及装置、行为预测模型训练方法及装置 |
CN111861525A (zh) * | 2019-04-30 | 2020-10-30 | 拉扎斯网络科技(上海)有限公司 | 任务执行方法、装置、电子设备及计算机可读存储介质 |
CN111582947A (zh) * | 2020-05-21 | 2020-08-25 | 深圳市元征科技股份有限公司 | 一种优惠券处理的方法及相关装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706204A (zh) * | 2021-08-31 | 2021-11-26 | 中国平安财产保险股份有限公司 | 基于深度学习的权益发放方法、装置、设备及存储介质 |
CN113706204B (zh) * | 2021-08-31 | 2024-04-05 | 中国平安财产保险股份有限公司 | 基于深度学习的权益发放方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN105677931B (zh) | 信息搜索方法和装置 | |
US11126660B1 (en) | High dimensional time series forecasting | |
KR102091529B1 (ko) | 사용자의 시계열적 행동 데이터를 이용하여 인공지능 모델을 학습시키는 방법 및 장치 | |
CN108665311B (zh) | 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法 | |
US20140337275A1 (en) | Method and system for scaling panels | |
CN112785441B (zh) | 数据处理方法、装置、终端设备及存储介质 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN113706251A (zh) | 基于模型的商品推荐方法、装置、计算机设备和存储介质 | |
US20140250044A1 (en) | Method and system using association rules to form custom lists of cookies | |
CN112861003A (zh) | 一种基于云边协同的用户画像构建方法和系统 | |
CN112055038B (zh) | 生成点击率预估模型的方法及预测点击概率的方法 | |
CN113705698B (zh) | 基于点击行为预测的信息推送方法及装置 | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN113095890A (zh) | 电子优惠券发放方法、装置、计算机设备和存储介质 | |
CN112035775B (zh) | 基于随机森林模型的用户识别方法、装置和计算机设备 | |
Satman et al. | Selecting location of retail stores using artificial neural networks and google places api | |
Noviantoro et al. | Applying data mining techniques to investigate online shopper purchase intention based on clickstream data | |
CN113420018A (zh) | 用户行为数据分析方法、装置、设备及存储介质 | |
CN110389963B (zh) | 基于大数据的渠道效果识别方法、装置、设备和存储介质 | |
Rahman et al. | Using spatio‐temporal deep learning for forecasting demand and supply‐demand gap in ride‐hailing system with anonymised spatial adjacency information | |
Anaam et al. | Applied Fuzzy and Analytic Hierarchy Process in Hybrid Recommendation Approaches for E-CRM | |
CN115964944A (zh) | 电力行业产业链模型生成方法、装置、存储介质和设备 | |
CN113449184B (zh) | 触达渠道的推荐方法、装置、计算机设备和存储介质 | |
CN114399352A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210709 |