CN113570467B - 资源特享信息推送方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种资源特享信息推送方法、装置、电子设备及计算机可读介质。该方法包括：由多个渠道获取目标用户的多维度特征信息；获取待进行推送的至少一个资源特享信息；将所述多维度特征信息和所述至少一个资源特享信息输入差分响应模型中以得到至少一个提升比率，所述至少一个提升比率分别和所述至少一个资源特享信息相对应；基于所述至少一个提升比率在多个资源特享信息中确定目标资源特享信息；将所述目标资源特享信息推送给所述目标用户。本公开涉及的资源特享信息推送方法、装置、电子设备及计算机可读介质，能够快速准确的为用户挑选最恰当的资源特享信息并进行推送，提供用户的参与积极度，提升用户网站使用体验。

Description

资源特享信息推送方法、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，涉及一种资源特享信息推送方法、装置、电子设备及计算机可读介质。

背景技术

随着经济的发展，为了满足其自身发展的需要，个人用户或者企业用户经常由资源服务机构进行资源借用活动，资源服务机构主要是为了满足企业用户或个人用户对于某类资源产品的需求而产生的。企业用户或者个人用户可向资源服务类机构提出资源服务请求，可例如，个人用户可向资源服务类机构请求一定数量和一定还款期限的产品，然后付给资源服务机构一定的费用。资源服务机构可通过主动向用户发放优惠信息的方式，促使用户提出资源服务请求，而接收到优惠信息的用户也能通过优惠信息中的细则降低申请资源服务的费用。

在现有技术中，优惠信息一般是定时的统一发到用户处的，由于优惠信息是有使用期限的，对用户而言并不能保证在恰当的时间收到适合他的优惠信息，因此，现有技术中的优惠信息发放方式对用户的促动性较低。而且，不同的优惠信息对不同的用户的促动作用也是不同的，同样一个优惠信息，对A用户而言是极为有用的优惠信息，而对B用户而言却不那么有效，对A用户而言获得该优惠信息而后，会积极的进行资源借用行为，而对B用户而言，不会产生资源借用行为或者即使不给B用户分配优惠信息，B用户也会积极的进行资源借用行为，在这种情况下，给B用户分配优惠信息则不如为A用户分配优惠信息更有意义。如何为用户发放优惠信息，发放何种优惠信息才能最大化的满足用户的需求，提升用户的满意度是一个值得深入探索的话题。

因此，需要一种新的资源特享信息推送方法、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，本公开提供一种资源特享信息推送方法、装置、电子设备及计算机可读介质，能够快速准确的为用户挑选最恰当的资源特享信息并进行推送，提供用户的参与积极度，提升用户网站使用体验。

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，提出一种资源特享信息推送方法，该方法包括：由多个渠道获取目标用户的多维度特征信息；获取待进行推送的至少一个资源特享信息；将所述多维度特征信息和所述至少一个资源特享信息输入差分响应模型中以得到至少一个提升比率，所述至少一个提升比率分别和所述至少一个资源特享信息相对应；基于所述至少一个提升比率在多个资源特享信息中确定目标资源特享信息；将所述目标资源特享信息推送给所述目标用户。

可选地，还包括：获取多个历史用户的多维度特征信息；确定多个资源特享信息；基于所述多个历史用户的多维度特征信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型。

可选地，获取多个历史用户的多维度特征信息，包括：获取多个存量用户；基于预设条件由所述多个存量用户中筛选出所述多个历史用户。

可选地，确定多个资源特享信息，包括：确定观测时间段；基于所述观测时间段确定所述多个资源特享信息。

可选地，基于所述多个历史用户的多维度特征信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型，包括：将所述多个历史用户分为实验组和对照组；在所述观测时间段内为所述实验组分配实验策略，生成实验组行为信息；在所述观测时间段内为所述对照组分配对照策略，生成对照组行为信息；基于所述实验组和所述对照组的多个历史用户的多维度特征信息、所述实验组行为信息、所述对照组行为信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型。

可选地，所述实验策略中包括所述多个资源特享信息，在所述观测时间段内为所述实验组分配实验策略，生成实验组行为信息，包括：在所述观测时间段内，随机将所述实验策略中的任意资源特享信息设置为有效；将所述实验策略分配给所述实验组的若干历史用户，并记录其行为信息。

可选地，将所述实验策略分配给所述实验组的若干历史用户，并记录其行为信息，包括：所述实验策略分配给所述实验组的若干历史用户；提取所述实验策略中当前有效的资源特享信息的标识；基于所述标识为所述若干历史用户确定训练标签。

可选地，基于所述实验组和所述对照组的多个历史用户的多维度特征信息、所述实验组行为信息、所述对照组行为信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型，包括：基于所述实验组行为信息、所述对照组行为信息分别为所述实验组和所述对照组的多个历史用户分配训练标签；提取所述实验组和所述对照组的多个历史用户的多维度特征信息；通过带有标签的所述实验组和所述对照组的多个历史用户的多维度特征信息对分类模型进行训练，以生成所述差分响应模型。

可选地，由多个渠道获取目标用户的多维度特征信息，包括：由多个渠道获取所述目标用户的用户信息，所述用户信息包括基础信息和行为信息；对所述目标用户的用户信息进行处理，生成所述多维度特征信息。

可选地，基于所述至少一个提升比率确定目标资源特享信息，包括：剔除所述至少一个提升比率中小于阈值的提升比率；将剩余所述至少一个提升比率依次排列以由大至小确定所述目标资源特享信息。

根据本公开的一方面，提出一种资源特享信息推送装置，该装置包括：特征模块，用于由多个渠道获取目标用户的多维度特征信息；特享模块，用于获取待进行推送的至少一个资源特享信息；计算模块，用于将所述多维度特征信息和所述至少一个资源特享信息输入差分响应模型中以得到至少一个提升比率，所述至少一个提升比率分别和所述至少一个资源特享信息相对应；目标模块，用于基于所述至少一个提升比率确定目标资源特享信息；推送模块，用于将所述目标资源特享信息推送给所述目标用户。

可选地，还包括：历史模块，用于获取多个历史用户的多维度特征信息；确定模块，用于确定多个资源特享信息；训练模块，用于基于所述多个历史用户的多维度特征信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型。

可选地，所述历史模块，还用于获取多个存量用户；基于预设条件由所述多个存量用户中筛选出所述多个历史用户。

可选地，所述确定模块，还用于确定观测时间段；基于所述观测时间段确定所述多个资源特享信息。

可选地，所述训练模块，包括：分组单元，用于将所述多个历史用户分为实验组和对照组；策略单元，用于在所述观测时间段内为所述实验组分配实验策略，生成实验组行为信息；在所述观测时间段内为所述对照组分配对照策略，生成对照组行为信息；训练单元，用于基于所述实验组和所述对照组的多个历史用户的多维度特征信息、所述实验组行为信息、所述对照组行为信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型。

可选地，所述实验策略中包括所述多个资源特享信息，所述策略单元，还用于在所述观测时间段内，随机将所述实验策略中的任意资源特享信息设置为有效；将所述实验策略分配给所述实验组的若干历史用户，并记录其行为信息。

可选地，所述策略单元，还用于所述实验策略分配给所述实验组的若干历史用户；提取所述实验策略中当前有效的资源特享信息的标识；基于所述标识为所述若干历史用户确定训练标签。

可选地，所述训练单元，还用于基于所述实验组行为信息、所述对照组行为信息分别为所述实验组和所述对照组的多个历史用户分配训练标签；提取所述实验组和所述对照组的多个历史用户的多维度特征信息；通过带有标签的所述实验组和所述对照组的多个历史用户的多维度特征信息对分类模型进行训练，以生成所述差分响应模型。

可选地，所述特征模块，包括：信息单元，用于由多个渠道获取所述目标用户的用户信息，所述用户信息包括基础信息和行为信息；特征单元，用于对所述目标用户的用户信息进行处理，生成所述多维度特征信息。

可选地，所述目标模块，包括：剔除单元，用于剔除所述至少一个提升比率中小于阈值的提升比率；排列单元，用于将剩余所述至少一个提升比率依次排列以由大至小确定所述目标资源特享信息。

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。

根据本公开的资源特享信息推送方法、装置、电子设备及计算机可读介质，由多个渠道获取目标用户的多维度特征信息；获取待进行推送的至少一个资源特享信息；将所述多维度特征信息和所述至少一个资源特享信息输入差分响应模型中以得到至少一个提升比率，所述至少一个提升比率分别和所述至少一个资源特享信息相对应；基于所述至少一个提升比率确定目标资源特享信息；将所述目标资源特享信息推送给所述目标用户的方式，能够快速准确的为用户挑选最恰当的资源特享信息并进行推送，提供用户的参与积极度，提升用户网站使用体验。

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资源特享信息推送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资源特享信息推送方法的流程图。

图3是根据另一示例性实施例示出的一种资源特享信息推送方法的流程图。

图4是根据另一示例性实施例示出的一种资源特享信息推送方法的流程图。

图5是根据另一示例性实施例示出的一种资源特享信息推送方法的示意图。

图6是根据一示例性实施例示出的一种资源特享信息推送装置的框图。

图7是根据另一示例性实施例示出的一种资源特享信息推送装置的框图。

图8是根据一示例性实施例示出的一种电子设备的框图。

图9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。

本公开中，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。资源特享信息可为各种优惠措施或者优惠增资，比如利率优惠、借用时间优惠、信息计算资源扩容等等措施。本公开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促进资源特享信息的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，本公开可以应用于各类资源特享信息的分配，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，本公开中以金融数据资源为例进行说明金融资源类的资源特享信息分配的实施，但本领域技术人员应当理解，本公开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资源特享信息推送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，例如资源服务类应用、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(例如资源特享信息)反馈给终端设备101、102、103。

服务器105可例如由多个渠道获取目标用户的多维度特征信息；服务器105可例如获取待进行推送的至少一个资源特享信息；服务器105可例如将所述多维度特征信息和所述至少一个资源特享信息输入差分响应模型中以得到至少一个提升比率，所述至少一个提升比率分别和所述至少一个资源特享信息相对应；服务器105可例如基于所述至少一个提升比率确定目标资源特享信息；服务器105可例如将所述目标资源特享信息推送给所述目标用户。

服务器105还可例如获取多个历史用户的多维度特征信息；服务器105还可例如确定多个资源特享信息；服务器105还可例如基于所述多个历史用户的多维度特征信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型。

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资源特享信息推送方法可以由服务器105执行，相应地，资源特享信息推送装置可以设置于服务器105中。而提供给用户进行资源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资源特享信息推送方法的流程图。资源特享信息推送方法20至少包括步骤S202至S210。

如图2所示，在S202中，由多个渠道获取目标用户的多维度特征信息。包括：由多个渠道获取所述目标用户的用户信息，所述用户信息包括基础信息和行为信息；对所述目标用户的用户信息进行处理，生成所述多维度特征信息。

其中，用户信息包括但不限于用户的业务账号信息、用户的页面操作数据、用户的业务访问时长、用户的业务访问频率、用户的终端设备标识信息以及用户所处地域信息，具体可根据实际应用场景确定，在此不做限制。

其中，可通过监听方式获取用户的特征数据，用户在浏览器上的行为信息可通过Fiddler工具获取，Fiddler工具以web代理服务器的形式进行工作的，客户端先将请求数据发送出去后，Fiddler代理服务器会将数据包进行拦截，代理服务器再冒充客户端发送数据到服务器；同理，服务器将响应数据返回，代理服务器也会将数据拦截，再返回给客户端。通过Fiddler可获取用户网络浏览的驻留时间、驻留页面，点击操作等等相关的浏览数据。

通过所述浏览数据与所述行为数据生成多维度特征数据，所述多维度特征数据包括时长维度数据，行为维度数据，频率维度数据，金额维度数据、和偏好特征数据。

在一个实施例中，可通过基础信息和行为信息生成多维度特征数据，可例如，基于所述行为信息确定多个目标行为及其对应的时间；将所述多个目标行为按照其对应的时间排序；以及通过排序后的所述多个目标行为与基础数据生成所述多维度特征数据。

更具体的，基于每一个目标行为，通过首个目标行为与末尾目标行为的间隔时间确定所述时长维度数据；和/或通过所述末尾目标行为所对应的时间确定所述行为维度数据；和/或通过多个目标行为的数量确定所述频率维度数据；和/或通过所述基础信息确定所述属性维度数据。

在S204中，获取待进行推送的至少一个资源特享信息。获取当前平台中待进行推广的优惠信息。优惠信息可例如为利率优惠信息、额度优惠信息、资源归还时间优惠信息等等。

在S206中，将所述多维度特征信息和所述至少一个资源特享信息输入差分响应模型中以得到至少一个提升比率，所述至少一个提升比率分别和所述至少一个资源特享信息相对应。差分响应模型可通过机器学习模型中的分类模型生成，在差分响应模型中，不同的资源特享信息的对应不同的标识，将多维度特征信息输入之后，输出不同的资源特征信息对应的提升比率。更进一步的，提升比率代表在为所述目标用户分配特享资源信息后和分配特享资源信息之前，所述目标用户使用资源的提升比率。

在资源借用时候，用户是否动支很大程度上受到资源借用利率的影响。通常情况下会存在大量存量户长期未动支的情况，信贷领域常用的促动方法通常包括调额和调价。对于调价而言，如何识别出对于贷款利率敏感的用户就极为重要，如果不加以区分无差别调价，降价促动带来的收益就无法弥补降价带来的损失。差分响应模型能够对这部分客群进行有效识别并合理经营，差分响应模型能够输入不同的优惠信息分发给用户之后，用户资源使用意愿提升的比率。可例如，用户A在未分配优惠信息a之前的资源使用概率为0，在分配优惠信息a之后的资源使用概率为50，则对于用户A而言，优惠信息a带给用户A的提升比率为50％。用户A在未分配优惠信息b之前的资源使用概率为0，在分配优惠信息b之后的资源使用概率为30，则对于用户A而言，优惠信息b带给用户A的提升比率为30％。

在S208中，基于所述至少一个提升比率在多个资源特享信息中确定目标资源特享信息。包括：剔除所述至少一个提升比率中小于阈值的提升比率；将剩余所述至少一个提升比率依次排列以由大至小确定所述目标资源特享信息。在提升比率小于20％时，可认为，是否推送优惠信息对该用户而言，资源使用的意愿提升不大，所以，在提升比率小于20％时，可将其剔除。

在S208中，将所述目标资源特享信息推送给所述目标用户。可通过短信、电话、或者目标用户在平台上的电子账户等等方式，将特享信息推送给用户。

根据本公开的资源特享信息推送方法，由多个渠道获取目标用户的多维度特征信息；获取待进行推送的至少一个资源特享信息；将所述多维度特征信息和所述至少一个资源特享信息输入差分响应模型中以得到至少一个提升比率，所述至少一个提升比率分别和所述至少一个资源特享信息相对应；基于所述至少一个提升比率确定目标资源特享信息；将所述目标资源特享信息推送给所述目标用户的方式，能够快速准确的为用户挑选最恰当的资源特享信息并进行推送，提供用户的参与积极度，提升用户网站使用体验。

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资源特享信息推送方法的流程图。图3所示的流程30是对“训练生成所述差分响应模型”的详细描述。

如图3所示，在S302中，获取多个历史用户的多维度特征信息。包括：获取多个存量用户；基于预设条件由所述多个存量用户中筛选出所述多个历史用户。预设条件可为已经有过资源借用记录，且资源记录良好的用户，预设条件还可为某一年龄段的用户等等。通过预设条件，可提取长期稳定的客户以进行后续对用户的行为信息进行跟踪。

在S304中，确定多个资源特享信息。可例如，确定观测时间段；基于所述观测时间段确定所述多个资源特享信息。可例如，确定观测时间段为1个月，提取当前所有已经生效的和待生效的资源特享信息。

在S306中，基于所述多个历史用户的多维度特征信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型。

在一个实施例中，可例如将所述多个历史用户分为实验组和对照组；在所述观测时间段内为所述实验组分配实验策略，生成实验组行为信息；在所述观测时间段内为所述对照组分配对照策略，生成对照组行为信息；基于所述多个历史用户的多维度特征信息、所述实验组行为信息、所述对照组行为信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型。

图4是根据另一示例性实施例示出的一种资源特享信息推送方法的流程图。图4所示的流程40是对图3所示的流程中S306“基于所述多个历史用户的多维度特征信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型”的详细描述。

如图4所示，在S402中，在所述观测时间段内，随机将所述实验策略中的任意资源特享信息设置为有效。例如，共有10个资源特享信息待进行分配，可将观测时间分为10段，在每个时间段内只将一个资源特享信息设置为有效。

在S404中，将所述实验策略分配给所述实验组的若干历史用户，并记录其行为信息。所述实验策略分配给所述实验组的若干历史用户；提取所述实验策略中当前有效的资源特享信息的标识；基于所述标识为所述若干历史用户确定训练标签。

在每个时间段内，提取实验组内的若干历史用户，更具体的，也可将实验组中的历史用户平均分为10个集合。每次提取1个集合中的历史用户，并为其分配资源特享信息。然后跟踪观测这些历史用户的行为特征。观测时间可例如为从发放资源特享信息开始，一直到资源特享信息的有效期结束为止。

在观测时间内，如果本集合中的历史用户存在资源借用行为的话，则为该用户设定标签，该标签和当前资源特享信息相关联，在后续机器学习时，该用户对用的标签可为“利率提升信息有效”。

在观测时间内，如果本集合中的历史用户一直不存在资源借用行为的话，则为该用户设定标签，该标签和当前资源特享信息相关联，在后续机器学习时，该用户对用的标签可为“利率提升信息无效”

在S406中，在所述观测时间段内，将所述对照策略中的资源特享信息设置为无效。

在S408中，将所述对照策略分配给所述对照组的若干历史用户，并记录其行为信息。在整个观测时间内，不为对照组用户发放任何资源特享信息。所有对照组用户对应的训练标签为“无效”。

在S410中，通过带有标签的实验组和对照组历史用户的多维度特征信息对分类模型进行训练，以生成所述差分响应模型。可例如，基于所述实验组行为信息、所述对照组行为信息分别为所述实验组和所述对照组的多个历史用户分配训练标签；提取所述实验组和所述对照组的多个历史用户的多维度特征信息；通过带有标签的所述实验组和所述对照组的多个历史用户的多维度特征信息对分类模型进行训练，以生成所述差分响应模型。

更具体的，实验组历史用户的标签可为“实验组”+“利率提升信息有效”、或“实验组”+“利率提升信息无效”、或“实验组”+“免息期限延迟信息无效”。对照组组历史用户的标签可为“对照组”+“无优惠有效”、或“对照组”+“无优惠无效”，在这里，无效指的是该用户是否进行了资源使用，不管是否发放优惠券，在用户使用资源之后，均设置其为“有效”。

在训练时，将实验组和对照组的历史用户的多维度特征信息、所述实验组行为信息、所述对照组行为信息、所述多个资源特享信息的用户信息输入所述分类模型，以得到预测标签，统计与真实的标签一致的预测标签的数量，并计算与真实的标签一致的预测标签的数量在所有预测标签的数量中的占比，若所述占比大于或等于预设占比值，则所述差分响应模型收敛，得到训练完成的差分响应模型，若所述占比小于所述预设占比值，则调整所述分类模型中的参数，通过调整后的分类模型重新预测标签，直至所述占比大于或等于预设占比值。若调整所述分类模型的参数的次数超过预设次数时，可以更换构建差分响应模型所使用的分类模型，以提高模型训练效率。其中，分类模型可为Logistic回归模型，决策树模型，近邻模型等等，本公开不以此为限。

图5是根据另一示例性实施例示出的一种资源特享信息推送方法的示意图。如图5所示，本公开提出了一种用户识别利率敏感用户的模型。首先将一批筛选条件相同的用户分为对照组和测试组，对于测试组降价而对于对照组保持原价，经过一定时期表现后得到测试组和对照组用户在该时期内是否动支申请的标签。

首先获取实验组和对照组用户各维度特征，并在获取的特征中加入环境变量x_t相关的样本标签，在本申请中，环境变量即代表不同的优惠信息，加入样本标签后将实验组与对照组一同输入模型中训练模型。根据最终训练的差分响应模型，在不同的优惠信息下，用户的最终提升比率得分可表示：不为用户分配优惠信息时的资源使用概率和为用户分配用户信息后的资源使用概率的差值：

Pxt＝1＝model(x，xt＝1)-model(x，xt＝0)；

Pxt＝2＝model(x，xt＝2)-model(x，xt＝0)。

本公开中的模型所使用的分类器，可结合实际需求灵活变更。按最终得分将用户进行划分，分数越高，用户的利率敏感性越强；对利率敏感度越高的用户进行降价，用户就越可能进行动支申请。该模型具有构建灵活，适用性强，最终的利率敏感打分可解释性强等优点。

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6是根据另一示例性实施例示出的一种资源特享信息推送装置的框图。如图6所示，资源特享信息推送装置60包括：特征模块602，特享模块604，计算模块606，目标模块608，推送模块610。

特征模块602用于由多个渠道获取目标用户的多维度特征信息；所述特征模块602包括：信息单元，用于由多个渠道获取所述目标用户的用户信息，所述用户信息包括基础信息和行为信息；特征单元，用于对所述目标用户的用户信息进行处理，生成所述多维度特征信息。

特享模块604用于获取待进行推送的至少一个资源特享信息；

计算模块606用于将所述多维度特征信息和所述至少一个资源特享信息输入差分响应模型中以得到至少一个提升比率，所述至少一个提升比率分别和所述至少一个资源特享信息相对应；

目标模块608用于基于所述至少一个提升比率在多个资源特享信息中确定目标资源特享信息；所述目标模块608包括：剔除单元，用于剔除所述至少一个提升比率中小于阈值的提升比率；排列单元，用于将剩余所述至少一个提升比率依次排列以由大至小确定所述目标资源特享信息。

推送模块610用于将所述目标资源特享信息推送给所述目标用户。

图7是根据一示例性实施例示出的一种资源特享信息推送装置的框图。如图7所示，资源特享信息推送装置70包括：历史模块702，确定模块704，训练模块706。

历史模块702用于获取多个历史用户的多维度特征信息；所述历史模块702还用于获取多个存量用户；基于预设条件由所述多个存量用户中筛选出所述多个历史用户。

确定模块704用于确定多个资源特享信息；所述确定模块704还用于确定观测时间段；基于所述观测时间段确定所述多个资源特享信息。

训练模块706用于基于所述多个历史用户的多维度特征信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型。所述训练模块706包括：分组单元，用于将所述多个历史用户分为实验组和对照组；策略单元，用于在所述观测时间段内为所述实验组分配实验策略，生成实验组行为信息；在所述观测时间段内为所述对照组分配对照策略，生成对照组行为信息；

所述实验策略中包括所述多个资源特享信息，所述策略单元，还用于在所述观测时间段内，随机将所述实验策略中的任意资源特享信息设置为有效；将所述实验策略分配给所述实验组的若干历史用户，并记录其行为信息。所述策略单元，还用于所述实验策略分配给所述实验组的若干历史用户；提取所述实验策略中当前有效的资源特享信息的标识；基于所述标识为所述若干历史用户确定训练标签。

训练单元，用于基于所述多个历史用户的多维度特征信息、所述实验组行为信息、所述对照组行为信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型。所述训练单元，还用于基于所述实验组行为信息、所述对照组行为信息分别为所述实验组和所述对照组的多个历史用户分配训练标签；提取所述实验组和所述对照组的多个历史用户的多维度特征信息；通过带有标签的所述实验组和所述对照组的多个历史用户的多维度特征信息对分类模型进行训练，以生成所述差分响应模型。

根据本公开的资源特享信息推送装置，由多个渠道获取目标用户的多维度特征信息；获取待进行推送的至少一个资源特享信息；将所述多维度特征信息和所述至少一个资源特享信息输入差分响应模型中以得到至少一个提升比率，所述至少一个提升比率分别和所述至少一个资源特享信息相对应；基于所述至少一个提升比率确定目标资源特享信息；将所述目标资源特享信息推送给所述目标用户的方式，能够快速准确的为用户挑选最恰当的资源特享信息并进行推送，提供用户的参与积极度，提升用户网站使用体验。

图8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8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800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8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：至少一个处理单元810、至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840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810执行，使得所述处理单元810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810可以执行如图2，图3，图4中所示的步骤。

所述存储单元820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)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

所述存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205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830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800也可以与一个或多个外部设备800’(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800交互的设备通信，和/或该电子设备800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850进行。并且，电子设备800还可以通过网络适配器860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860可以通过总线830与电子设备800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800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9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：由多个渠道获取目标用户的多维度特征信息；获取待进行推送的至少一个资源特享信息；将所述多维度特征信息和所述至少一个资源特享信息输入差分响应模型中以得到至少一个提升比率，所述至少一个提升比率分别和所述至少一个资源特享信息相对应；基于所述至少一个提升比率确定目标资源特享信息；将所述目标资源特享信息推送给所述目标用户。

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 (6)

1.一种资源特享信息推送方法，其特征在于，包括：

获取多个历史用户的多维度特征信息；

确定观测时间段；

基于所述观测时间段确定多个资源特享信息；

将所述多个历史用户分为实验组和对照组；

在所述观测时间段内，共有k个资源特享信息待进行分配，将观测时间分为k段，在每个时间段内随机将一个资源特享信息设置为有效；

在每个时间段内，将实验组中的历史用户平均分为k个集合，每次提取1个集合中的历史用户，并为其分配资源特享信息，并记录其行为信息，生成对应的标签，进而生成实验组行为信息；

在整个观测时间内，不为对照组用户发放任何资源特享信息，并记录其行为信息，生成对应的标签，进而生成对照组行为信息；

基于所述实验组和所述对照组的多个历史用户的多维度特征信息、所述实验组行为信息、所述对照组行为信息、所述多个资源特享信息对分类模型进行训练以生成差分响应模型；

由多个渠道获取目标用户的多维度特征信息；

获取待进行推送的至少一个资源特享信息；

将所述多维度特征信息和所述至少一个资源特享信息输入差分响应模型中以得到至少一个提升比率，所述至少一个提升比率分别和所述至少一个资源特享信息相对应；在差分响应模型中，不同的资源特享信息的对应不同的标识，将多维度特征信息输入之后，输出不同的资源特征信息对应的提升比率，其中，提升比率代表在为所述目标用户分配特享资源信息后和分配特享资源信息之前，所述目标用户使用资源的提升比率；

基于所述至少一个提升比率在多个资源特享信息中确定目标资源特享信息；

将所述目标资源特享信息推送给所述目标用户。

2.如权利要求1所述的方法，其特征在于，获取多个历史用户的多维度特征信息，包括：

获取多个存量用户；

基于预设条件由所述多个存量用户中筛选出所述多个历史用户。

3.如权利要求1所述的方法，其特征在于，基于所述实验组和所述对照组的多个历史用户的多维度特征信息、所述实验组行为信息、所述对照组行为信息、所述多个资源特享信息对分类模型进行训练以生成所述差分响应模型，包括：

基于所述实验组行为信息、所述对照组行为信息分别为所述实验组和所述对照组的多个历史用户分配训练标签；

提取所述实验组和所述对照组的多个历史用户的多维度特征信息；

通过带有标签的所述实验组和所述对照组的多个历史用户的多维度特征信息对分类模型进行训练，以生成所述差分响应模型。

4.一种资源特享信息推送装置，其特征在于，包括：

历史模块，用于获取多个历史用户的多维度特征信息；

确定模块，用于确定观测时间段；基于所述观测时间段确定多个资源特享信息；

训练模块，用于将所述多个历史用户分为实验组和对照组；在所述观测时间段内，共有k个资源特享信息待进行分配，将观测时间分为k段，在每个时间段内随机将一个资源特享信息设置为有效；在每个时间段内，将实验组中的历史用户平均分为k个集合，每次提取1个集合中的历史用户，并为其分配资源特享信息，并记录其行为信息，生成对应的标签，进而生成实验组行为信息；在整个观测时间内，不为对照组用户发放任何资源特享信息，并记录其行为信息，生成对应的标签，进而生成对照组行为信息；基于所述实验组和所述对照组的多个历史用户的多维度特征信息、所述实验组行为信息、所述对照组行为信息、所述多个资源特享信息对分类模型进行训练以生成差分响应模型；

特征模块，用于由多个渠道获取目标用户的多维度特征信息；

特享模块，用于获取待进行推送的至少一个资源特享信息；

计算模块，用于将所述多维度特征信息和所述至少一个资源特享信息输入差分响应模型中以得到至少一个提升比率，所述至少一个提升比率分别和所述至少一个资源特享信息相对应；在差分响应模型中，不同的资源特享信息的对应不同的标识，将多维度特征信息输入之后，输出不同的资源特征信息对应的提升比率，其中，提升比率代表在为所述目标用户分配特享资源信息后和分配特享资源信息之前，所述目标用户使用资源的提升比率；

目标模块，用于基于所述至少一个提升比率在多个资源特享信息中确定目标资源特享信息；

推送模块，用于将所述目标资源特享信息推送给所述目标用户。

5.一种电子设备，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1-3中任一所述的方法。

6.一种计算机可读介质，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1-3中任一所述的方法。