CN113313562A - 产品数据处理方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种产品数据处理方法、装置、计算机设备和存储介质。所述方法包括：获取用户数据和产品数据；将所述用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率；根据各个所述预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品。采用本方法首先根据历史产品数据来进行预测得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率，然后基于该响应率构建决策引擎模型，从而计算得到待推荐产品，将产品的定价和推荐结合在一起，仅通过一次计算即可，减少了资源占用，提高了效率。

Description

产品数据处理方法、装置、计算机设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种产品数据处理方法、装置、计算机设备和存储介质。

背景技术

随着人们生活水平的提高，出现了保险等，保险是风险管理的基本手段，是金融体系和社会保障体系的重要支柱，也是一种在满足合同条件时保险人向被保险人支付保险金的行为。

传统技术中，对于保险的定价和保险的推荐都是解耦的，即根据用户画像判断需要推荐何种保险。或者是在确定了用户需要何种保险后，再根据用户数据来计算保险的定价。

然而，目前的推荐方式，使得针对每个用户需要进行多次计算，才能完成一次保险的销售，耗费计算机资源，且效率低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够减少资源耗费，提高效率的产品数据处理方法、装置、计算机设备和存储介质。

一种产品数据处理方法，所述方法包括：

获取用户数据和产品数据；

将所述用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率；

根据各个所述预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品。

在其中一个实施例中，所述将所述用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率之后，还包括：

获取预先生成的修正参数；

根据所述修正参数对所述预设类型的响应率进行修正。

在其中一个实施例中，所述修正参数的生成方式，包括：

获取样本数据，所述样本数据包括真实响应结果；

将所述样本数据输入至预先训练得到的响应率模型中得到模型响应结果；

获取预先设置的分位数和窗口大小，并根据所述分位数以及所述窗口大小确定待处理窗口；

根据所述模型响应结果以及所述真实响应结果计算得到所述待处理窗口对应的修正参数。

在其中一个实施例中，所述根据所述修正参数对所述预设类型的响应率进行修正，包括：

对所述待处理窗口对应的修正参数进行插值处理，以得到修正后的响应率。

在其中一个实施例中，所述根据各个所述预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品之后，还包括：

获取预先设置的筛选条件；

根据所述筛选条件对所述待推荐的产品进行筛选以得到目标推荐产品以及定价。

在其中一个实施例中，所述方法还包括：

周期性获取新的产品数据；

根据所述新的产品数据对所述响应率模型和/或所述决策引擎模型进行更新。

在其中一个实施例中，所述根据所述新的产品数据对所述响应率模型和/或所述决策引擎模型进行更新，包括：

根据所述新的产品数据和历史产品数据进行自动挖掘得到新的特征；

基于所述新的特征以及所述新的产品数据对所述响应率模型和/或所述决策引擎模型进行更新。

一种产品数据处理装置，所述装置包括：

数据获取模块，用于获取用户数据和产品数据；

响应率计算模块，用于将所述用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率；

待推荐产品生成模块，用于根据各个所述预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品。

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的任意一个实施例中的方法的步骤。

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的任意一个实施例中的方法的步骤。

上述产品数据处理方法、装置、计算机设备和存储介质，首先根据历史产品数据来进行预测得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率，然后基于该响应率构建决策引擎模型，从而计算得到待推荐产品，这样将产品的定价和推荐结合在一起，仅通过一次计算即可，减少了资源占用，提高了效率。

附图说明

图1为一个实施例中产品数据处理方法的应用环境图；

图2为一个实施例中产品数据处理方法的流程示意图；

图3为一个实施例中的修正参数的生成方式的流程图；

图4为一个实施例中产品数据处理方法的流程框图；

图5为一个实施例中产品数据处理装置的结构框图；

图6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。

本申请提供的产品数据处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与数据库104进行通信。终端用于从数据库中获取用户数据和产品数据，然后将用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率；根据各个预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品。这样首先根据历史产品数据来进行预测得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率，然后基于该响应率构建决策引擎模型，从而计算得到待推荐产品，这样将产品的定价和推荐结合在一起，仅通过一次计算即可，减少了资源占用，提高了效率。

其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，数据库104可以用独立的数据库或者是多个数据库组成的数据库集群来实现。

在一个实施例中，如图2所示，提供了一种产品数据处理方法，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：

S202：获取用户数据和产品数据。

具体地，用户数据和产品数据可以是用户输入的或者是根据数据库中的报表选择得到的。用户数据可以是根据历史产品数据得到的和/或根据新的线索得到的新的用户数据。产品数据可以是历史产品的数据或者是新的产品的数据，其包括产品的类型以及产品的定价，其中对于历史产品，其定价可以是更新后的定价。

S204：将用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率。

具体地，响应率模型是预先根据全量的历史产品数据进行训练得到的，其中针对不同的用户的不同预测目标可以包括多个响应率模型。该响应率模型可以包括针对新用户首次购买的首购响应率模型、针对老用户复购的复购响应率模型以及购买当前推荐产品后后续的续保响应率模型等等。

其中，响应率模型是与产品、用户以及定价相关的，其估计的是某一特定用户在某一产品定价下购买该产品的概率。其中假设用户集合为

，产品集合为

，对应的产品精算成本为

，其中对于第i个产品可包含

共

种定价。以首购响应率模型为例，其预测的是用户k在被营销第j种定价下的第i个产品的转换率，即最终购买的概率。以复购响应率模型为例，其预测的是用户k在被营销第j种定价下的第i个产品购买成功后的续购概率。

其中，终端将用户数据和产品数据输入至预先训练得到的响应率模型中，以得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率。

其中，响应率模型是一个二分类模型，其是通过数据库中历史产品数据通过特征工程使用有监督训练的机器学习模型预测每个用户不同产品、不同定价档的响应率。

具体地，历史产品数据是以往的产品信息以及对应产品的销售信息，其可以包括但不限于自然人信息、产品信息、交易信息以及营销记录。其中历史产品数据是在每次销售完成或者是营销完成存入至数据库中。终端可以从数据库中获取到历史产品数据。其中，可选地，该历史产品数据可以是与用户相关的，即仅获取到用户对应的历史产品数据，或者是历史产品数据是与产品相关的，即仅获取到产品相关的历史产品数据，具体的产品数据的获取的范围可以根据所要输出的结果来确定，例如想要确定给某个用户推荐何种产品，则其需要用户相关的历史产品数据，以及想要推荐的几种产品的产品数据。

可选地，终端在获取到历史产品数据后，还对该历史产品数据进行数据清洗。其中数据清洗包括但不限于缺失值填充、重复数据去重以及校验数据是否合法等。

可选地，终端在对历史产品数据清洗后，还可以将清洗后的历史产品数据进行结构化处理，从而以结构化的方式存储至数据库中。

可选地，终端在存储结构化的历史产品数据时，可以按照日分区（切片表）或全量表（拉链表）的形式存储。且进一步地，每个表都是以多副本的方式进行存储。

具体地，响应率模型在训练的时候的样本数据，也即历史产品数据可以包括正样本和负样本，其中正样本是历史上所有按照某种定价向用户营销了某种保险产品，且该用户在特定时间内购买了该产品的集合。负样本是历史上所有按照某种定价向用户营销了某种保险产品，但该用户未发生购买行为的集合。此外，可选地，为了增加样本的多样性，正样本还可以包括历史上所有按照某种定价向用户营销了某种保险产品，且该用户在特定时间内购买了该产品的集合，但将定价变更为较低定价；负样本还可以包括历史上所有按照某种定价向用户营销了某种保险产品，但该用户未发生购买行为的集合，但将定价变更为较高定价。通过上述样本数据对模型进行训练以预测对应的用户在某一产品的某一定价下的响应率。

也就是说，终端先获取到用户数据、产品数据以及对应的定价，然后将该些用户数据、产品数据以及对应的定价输入至响应率模型中以得到用户在某一产品的某一定价下的响应率。

S206：根据各个预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品。

具体地，决策引擎模型是根据响应率来计算得到的，其可以根据多个预设类型的响应率计算得到，以上文为例，假设用户集合为

，产品集合为

，对应的产品精算成本为

，其中对于第i个产品可包含

共

种定价。定义

为第k个用户在被营销第j种定价下的第i个产品的转化概率（最终购买的概率）。

为第k个用户在被营销第j种定价下的第i个产品且成功购买后的续购概率。根据历史产品数据计算出的大盘现金流折算后的期望价值为

。在为了获取最佳的产品和定价，使得最终期望收益

最大。对于某一个用户k而言，构建决策引擎模型：

其中

和

由响应率模型预测得到的，argmax是求后面目标函数的最大值时参数是多少。

其中，期望价值

是根据历史产品数据可以计算用户续购的概率，期望时间和期望金额。例如续购一次的概率为P1，续购时间为T1，续购期望收益为L1，续购m次的概率为Pm，续购时间为Tm，续购期望收益为Lm，则期望价值为

。

具体地，终端获取到所构建的决策引擎模型，然后将所计算的响应率、产品定价、产品的成本等信息作为该决策引擎模型的约束条件，以计算得到决策引擎模型的最大值，从而获取到最大值时的参数，即产品定价以及用户等输出。其中，需要说明的是，此处的约束条件包括但不限于根据合规要求、成本精算以及竞对策略等生成的条件。其中，成本精算模块提供对应产品的成本信息，包括赔付成本、运营成本、销售成本等。合规要求是指定价必须符合监管出台的相关政策意见的要求。市场常上竞对的情况也是要考虑的，针对市场环境需要灵活调整营销时的价格偏好，也就是说，终端可以根据该时长竞对约束条件来调整响应率模型所输出的响应率，例如某竞突然对推出了一个优惠力度极大的保险产品，也就是说终端查询该产品所对应的竞争对手的产品，获取竞争对手的产品的定价信息，若该定价信息与响应率对应的定价信息的差距大于预设值，那与该产品同质化的产品响应率会降低，终端可以接收用户输入的响应率降低数值，以对应地降低响应率。

终端在获取到决策引擎模型输出的产品定价以及用户后，可以根据需要执行营销策略，以进行后续营销处理，其中营销的方式包括但不限于电话营销、上门拜访以及APP推送等。

上述产品数据处理方法，首先根据历史产品数据来进行预测得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率，然后基于该响应率构建决策引擎模型，从而计算得到待推荐产品，这样将产品的定价和推荐结合在一起，仅通过一次计算即可，减少了资源占用，提高了效率。

在其中一个实施例中，将用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率之后，还包括：获取预先生成的修正参数；根据修正参数对预设类型的响应率进行修正。

具体地，二分类模型预测的分数与实际后验概率不完全一致，根据实际的营销数据需要对其做打分修正。

其中修正参数则是根据历史产品数据来生成的，其中根据一部分历史产品数据生成响应率模型，然后将剩余的历史产品数据作为样本数据来计算得到修正参数。其中修正参数是根据真实响应结果和模型响应结果进行计算得到的。

可选地，修正参数是与响应率模型对应的，不同的响应率模型的修正参数是不相同，且修正参数还可以与产品相关。修正参数可以是通过表格等方式存储至数据库，从而计算响应率的时候，终端根据响应率模型的类型和/或产品等获取到对应的修正参数。

终端获取预先生成的修正参数，然后根据修正参数对预设类型的响应率进行修正。

上述实施例中，为避免响应率模型的错误，还引入了修正参数，以保证输出的响应率的准确性。

在其中一个实施例中，参见图3所示，图3为一个实施例中的修正参数的生成方式的流程图，在该实施例中，该修正参数的生成方式可以包括：

S302：获取样本数据，样本数据包括真实响应结果。

具体地，样本数据是如上文所述的正样本和负样本，其中包括真实响应结果，也即是否真的购买了产品以及购买的真实价格。

S304：将样本数据输入至预先训练得到的响应率模型中得到模型响应结果。

具体地，模型响应结果是响应率模型根据样本输入数据所得到的，即样本预测得到的某个用户以某个价格购买某个产品的概率。

S306：获取预先设置的分位数和窗口大小，并根据分位数以及窗口大小确定待处理窗口。

具体地，分位数可以是用户预先确定的，例如0.2和0.25分位数等。窗口大小也是预先设置的，是指计算真实响应结果估计的窗口大小。

其中待处理窗口是分位数附近一定距离。

S308：根据模型响应结果以及真实响应结果计算得到待处理窗口对应的修正参数。

具体地，假设按照打分排序后的样本的打分和标签集合为

，

。其中

是模型响应结果，为介于0和1之间的实数，

是真实响应结果，为0，1取值（其中1代表响应，0代表没有响应）。选择M个分位数计算分位数对应样本附近的样本集合的正样本比例。对于不同的模型响应结果

，相应的修正后的响应率计算公式如下：

其中，width是计算真实响应结果估计的窗口大小。一般来说样本充足的情况下，width取100左右较好。

这样终端根据修正后的响应率与真实响应率的关系，即上述公式来确定分位点的数量以及具体的分位点，以得到修正参数。

上述实施例中，根据历史数据计算得到修正参数，从而为后续的修正奠定基础。

在其中一个实施例中，根据修正参数对预设类型的响应率进行修正，包括：对待处理窗口对应的修正参数进行插值处理，以得到修正后的响应率。

具体地，插值处理包括但不限于使用线性插值、二次差值、三次差值、样条插值。

终端先根据待处理窗口以及修正参数计算得到后验概率集合，以以width=4举例说明，假设

为例，假设修正参数中的分位点数为0.2和0.25，则

，因为从0.18到0.22之间总共出现了2个响应，分子是2，分母是5。

，因为从0.23到0.27之间总共出现了3个响应，分子是3，分母是5。

这样终端得到分位数的后验概率集合

，然后采用插值的方式可以计算出所有样本包括未来新样本的后验概率。插值方式包括但不限于使用线性插值、二次差值、三次差值、样条插值。以线性插值为例，那么模型打分

的修正分计算公式为：

在上面的例子中，如果计算0.22的修正后响应率：

上述实施例中，根据修正参数对响应率进行修正得到修正后的响应率，保证了响应率的准确性。

在其中一个实施例中，根据各个预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品之后，还包括：获取预先设置的筛选条件；根据筛选条件对待推荐的产品进行筛选以得到目标推荐产品以及定价。

具体地，筛选条件即上文中的约束条件，此处的约束条件包括但不限于根据合规要求、成本精算以及竞对策略等生成的条件。其中，成本精算模块提供对应产品的成本信息，包括赔付成本、运营成本、销售成本等。合规要求是指定价必须符合监管出台的相关政策意见的要求。市场常上竞对的情况也是要考虑的，针对市场环境需要灵活调整营销时的价格偏好，也就是说，终端可以根据该时长竞对约束条件来调整响应率模型所输出的响应率，例如某竞突然对推出了一个优惠力度极大的保险产品，也就是说终端查询该产品所对应的竞争对手的产品，获取竞争对手的产品的定价信息，若该定价信息与响应率对应的定价信息的差距大于预设值，那与该产品同质化的产品响应率会降低，终端可以接收用户输入的响应率降低数值，以对应地降低响应率。

上述实施例中，结合响应率模型和决策引擎，从而针对不同客户的特点进行千人千面的推荐和定价。

在其中一个实施例中，上述产品数据处理方法还可以包括：周期性获取新的产品数据；根据新的产品数据对响应率模型和/或决策引擎模型进行更新。

具体地，新的产品数据是在营销之后，获取的在一段时间内用户最终是否购买的结果并将该数据记录以共自学习服务调用。

其中对于模型的更新，一方面是训练数据中样本的变化，即由于加入了最新的数据，补充了原来模型样本；另一方面自动挖掘出新的特征，并在这些特征上进行模型训练，从而使得模型更加准确。

上述实施例中，由于客户群体、市场环境随着时间持续变化，模型需要不定期针对最新数据做重新调优和迭代，因此在记录用户响应结果后积累自学习样本对模型进行重新拟合，保证模型的准确性。

在其中一个实施例中，根据新的产品数据对响应率模型和/或决策引擎模型进行更新，包括：根据新的产品数据和历史产品数据进行自动挖掘得到新的特征；基于新的特征以及新的产品数据对响应率模型和/或决策引擎模型进行更新。

具体地，新的特征的挖掘可以是通过预设算法来实现的，例如通过自动机器学习（AutoML），将机器学习应用于现实问题的端到端流程自动化的过程。传统机器学习模型大致可分为以下四个部分：数据采集、数据预处理、优化、应用；AutoML从特征工程、模型构建、超参优化三方面实现自动化；并且也提出了end-to-end的解决方案。

这样终端在挖掘的新的特征的基础上进行模型更新，自学习服务可以通过用户配置自动或手动发起模型自学习，并产出评估结果与原始模型对比，在确认无误后可以上线替换原始模型。

上述实施例中，挖掘新的特征，并基于新的特征来训练模型，保证了模型的准确性。

具体地，参见图4所示，图4为一个实施例中的产品数据处理范根的流程框图，具体地，首先根据数据仓库来进行模型训练得到模型仓库中的多个响应率模型，然后当需要进行数据处理的时候，则通过响应率模型来预估得到响应率，进而进行响应率修正，并将修正后的响应率、成本精算、合规要求以及竞对策略输入至决策引擎得到产品以及定价。

这样通过一定的营销方式根据产品和定价进行营销，从而可以获得用户响应结果，这样生成新的产品数据，存储至数据仓库中，从而自学习服务根据新的产品数据进行模型的更新。

上述产品数据处理方法，首先根据历史产品数据来进行预测得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率，然后基于该响应率构建决策引擎模型，从而计算得到待推荐产品，这样将产品的定价和推荐结合在一起，仅通过一次计算即可，减少了资源占用，提高了效率。

应该理解的是，虽然图2-4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2-4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5所示，提供了一种产品数据处理装置，包括：数据获取模块100、响应率计算模块200和待推荐产品生成模块300，其中：

数据获取模块100，用于获取用户数据和产品数据；

响应率计算模块200，用于将用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率；

待推荐产品生成模块300，用于根据各个预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品。

在其中一个实施例中，上述产品数据处理装置还可以包括：

修正参数获取模块，用于获取预先生成的修正参数；

修正模块，用于根据修正参数对预设类型的响应率进行修正。

在其中一个实施例中，上述产品数据处理装置还可以包括：

样本获取模块，用于获取样本数据，样本数据包括真实响应结果；

模型响应结果计算模块，用于将样本数据输入至预先训练得到的响应率模型中得到模型响应结果；

待处理窗口获取模块，用于获取预先设置的分位数和窗口大小，并根据分位数以及窗口大小确定待处理窗口；

修正参数生成模块，用于根据模型响应结果以及真实响应结果计算得到待处理窗口对应的修正参数。

在其中一个实施例中，上述修正模块包括：

对待处理窗口对应的修正参数进行插值处理，以得到修正后的响应率。

在其中一个实施例中，上述产品数据处理装置还可以包括：

帅选条件获取模块，用于获取预先设置的筛选条件；

筛选模块，用于根据筛选条件对待推荐的产品进行筛选以得到目标推荐产品以及定价。

在其中一个实施例中，上述产品数据处理装置还可以包括：

新的产品数据获取模块，用于周期性获取新的产品数据；

更新模块，用于根据新的产品数据对响应率模型和/或决策引擎模型进行更新。

在其中一个实施例中，上述更新模块可以包括：

挖掘单元，用于根据新的产品数据和历史产品数据进行自动挖掘得到新的特征；

更新单元，用于基于新的特征以及新的产品数据对响应率模型和/或决策引擎模型进行更新。

关于产品数据处理装置的具体限定可以参见上文中对于产品数据处理方法的限定，在此不再赘述。上述产品数据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6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产品数据处理方法。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6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，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以下步骤：获取用户数据和产品数据；将用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率；根据各个预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品。

在一个实施例中，处理器执行计算机程序时所实现的将用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率之后，还包括：获取预先生成的修正参数；根据修正参数对预设类型的响应率进行修正。

在一个实施例中，处理器执行计算机程序时所实现的修正参数的生成方式，包括：获取样本数据，样本数据包括真实响应结果；将样本数据输入至预先训练得到的响应率模型中得到模型响应结果；获取预先设置的分位数和窗口大小，并根据分位数以及窗口大小确定待处理窗口；根据模型响应结果以及真实响应结果计算得到待处理窗口对应的修正参数。

在一个实施例中，处理器执行计算机程序时所实现的根据修正参数对预设类型的响应率进行修正，包括：对待处理窗口对应的修正参数进行插值处理，以得到修正后的响应率。

在一个实施例中，处理器执行计算机程序时所实现的根据各个预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品之后，还包括：获取预先设置的筛选条件；根据筛选条件对待推荐的产品进行筛选以得到目标推荐产品以及定价。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：周期性获取新的产品数据；根据新的产品数据对响应率模型和/或决策引擎模型进行更新。

在一个实施例中，处理器执行计算机程序时所实现的根据新的产品数据对响应率模型和/或决策引擎模型进行更新，包括：根据新的产品数据和历史产品数据进行自动挖掘得到新的特征；基于新的特征以及新的产品数据对响应率模型和/或决策引擎模型进行更新。

在一个实施例中，提供了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以下步骤：获取用户数据和产品数据；将用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率；根据各个预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品。

在一个实施例中，计算机程序被处理器执行时所实现的将用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率之后，还包括：获取预先生成的修正参数；根据修正参数对预设类型的响应率进行修正。

在一个实施例中，计算机程序被处理器执行时所实现的修正参数的生成方式，包括：获取样本数据，样本数据包括真实响应结果；将样本数据输入至预先训练得到的响应率模型中得到模型响应结果；获取预先设置的分位数和窗口大小，并根据分位数以及窗口大小确定待处理窗口；根据模型响应结果以及真实响应结果计算得到待处理窗口对应的修正参数。

在一个实施例中，计算机程序被处理器执行时所实现的根据修正参数对预设类型的响应率进行修正，包括：对待处理窗口对应的修正参数进行插值处理，以得到修正后的响应率。

在一个实施例中，计算机程序被处理器执行时所实现的根据各个预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品之后，还包括：获取预先设置的筛选条件；根据筛选条件对待推荐的产品进行筛选以得到目标推荐产品以及定价。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：周期性获取新的产品数据；根据新的产品数据对响应率模型和/或决策引擎模型进行更新。

在一个实施例中，计算机程序被处理器执行时所实现的根据新的产品数据对响应率模型和/或决策引擎模型进行更新，包括：根据新的产品数据和历史产品数据进行自动挖掘得到新的特征；基于新的特征以及新的产品数据对响应率模型和/或决策引擎模型进行更新。

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-Only Memory，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。

以上所述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 (10)

1.一种产品数据处理方法，其特征在于，所述方法包括：

获取用户数据和产品数据；

将所述用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率；

根据各个所述预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品。

2.根据权利要求1所述的方法，其特征在于，所述将所述用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率之后，还包括：

获取预先生成的修正参数；

根据所述修正参数对所述预设类型的响应率进行修正。

3.根据权利要求2所述的方法，其特征在于，所述修正参数的生成方式，包括：

获取样本数据，所述样本数据包括真实响应结果；

将所述样本数据输入至预先训练得到的响应率模型中得到模型响应结果；

获取预先设置的分位数和窗口大小，并根据所述分位数以及所述窗口大小确定待处理窗口；

根据所述模型响应结果以及所述真实响应结果计算得到所述待处理窗口对应的修正参数。

4.根据权利要求3所述的方法，其特征在于，所述根据所述修正参数对所述预设类型的响应率进行修正，包括：

对所述待处理窗口对应的修正参数进行插值处理，以得到修正后的响应率。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述根据各个所述预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品之后，还包括：

获取预先设置的筛选条件；

根据所述筛选条件对所述待推荐的产品进行筛选以得到目标推荐产品以及定价。

6.根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：

周期性获取新的产品数据；

根据所述新的产品数据对所述响应率模型和/或所述决策引擎模型进行更新。

7.根据权利要求6所述的方法，其特征在于，所述根据所述新的产品数据对所述响应率模型和/或所述决策引擎模型进行更新，包括：

根据所述新的产品数据和历史产品数据进行自动挖掘得到新的特征；

基于所述新的特征以及所述新的产品数据对所述响应率模型和/或所述决策引擎模型进行更新。

8.一种产品数据处理装置，其特征在于，所述装置包括：

数据获取模块，用于获取用户数据和产品数据；

响应率计算模块，用于将所述用户数据和产品数据输入至预先训练得到的响应率模型中，得到用户在每一产品定价下购买每一产品所对应的预设类型的响应率；

待推荐产品生成模块，用于根据各个所述预设类型的响应率构建决策引擎模型，以计算得到待推荐的产品。

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中任一项所述的方法的步骤。

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中任一项所述的方法的步骤。

Images