CN114445147A - 电子券发放方法及装置、设备和介质 - Google Patents
电子券发放方法及装置、设备和介质 Download PDFInfo
- Publication number
- CN114445147A CN114445147A CN202210116868.2A CN202210116868A CN114445147A CN 114445147 A CN114445147 A CN 114445147A CN 202210116868 A CN202210116868 A CN 202210116868A CN 114445147 A CN114445147 A CN 114445147A
- Authority
- CN
- China
- Prior art keywords
- user
- consumption
- electronic ticket
- probability
- sample
- 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
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (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
本公开提供了一种电子券发放方法及装置、设备和介质,涉及计算机技术领域,尤其涉及人工智能、智能推荐领域。实现方案为:获取多个目标用户的用户特征信息;基于所述用户特征信息,获取每一目标用户的消费增益值,所述消费增益值用于表征向该目标用户发放电子券所能够带来的消费概率的增益程度;以及至少基于所述多个目标用户的所述消费增益值,确定所述电子券的发放策略。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及人工智能、智能推荐领域,具体涉及一种电子券发放方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
电子券作为最常见的营销手段在电子商务平台被普遍使用,用户获取电子券的方式分为主动领券和被动接受平台发券。平台给用户发放电子券通常是为了促进用户消费。电子券的发放直接决定一场使用电子券的营销活动的效率和投入产出比。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种电子券发放方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种电子券发放方法,包括:获取多个目标用户的用户特征信息;基于所述用户特征信息,获取每一目标用户的消费增益值,所述消费增益值用于表征向该目标用户发放电子券所能够带来的消费概率的增益程度;以及至少基于所述多个目标用户的所述消费增益值,确定所述电子券的发放策略。
根据本公开的另一方面,提供了一种差分响应模型的训练方法,所述差分响应模型包括第一预测模型和第二预测模型,所述方法包括:获取领取电子券的第一样本用户和未领取电子券的第二样本用户;获取第一样本用户的第一样本用户特征信息和第二样本用户的第二样本用户特征信息,并标记所述第一样本用户使用电子券消费的第一真实概率以及所述第二样本用户消费的第二真实概率;将所述第一样本用户特征信息输入第一预测模型,并获取所述第一预测模型所输出的第一消费概率;将所述第二样本用户特征信息输入第二预测模型,并获取所述第二预测模型所输出的第二消费概率;基于所述第一消费概率和第一真实概率,计算第一损失值;基于所述第一损失值调整所述第一预测模型的参数;基于所述第二消费概率和第二真实概率,计算第二损失值;以及基于所述第二损失值调整所述第二预测模型的参数。
根据本公开的另一方面,提供了一种电子券发放装置,包括:第一获取单元,被配置用于获取多个目标用户的用户特征信息;第二获取单元,被配置用于基于所述用户特征信息,获取每一目标用户的消费增益值,所述消费增益值用于表征向该目标用户发放电子券所能够带来的消费概率的增益程度;以及确定单元,被配置用于至少基于所述多个目标用户的所述消费增益值,确定所述电子券的发放策略。
根据本公开的另一方面,提供了一种差分响应模型的训练装置,所述差分响应模型包括第一预测模型和第二预测模型,所述装置包括:第一获取单元,被配置用于获取领取电子券的第一样本用户和未领取电子券的第二样本用户;第二获取单元,被配置用于获取第一样本用户的第一样本用户特征信息和第二样本用户的第二样本用户特征信息,并标记所述第一样本用户使用电子券消费的第一真实概率以及所述第二样本用户消费的第二真实概率;其中,所述样本用户特征数据包括历史电子券使用信息;输入单元,被配置用于将所述第一样本用户特征信息输入第一预测模型,并获取所述第一预测模型所输出的第一消费概率,以及将所述第二样本用户特征信息输入第二预测模型,并获取所述第二预测模型所输出的第二消费概率;计算单元,被配置用于基于所述第一消费概率和第一真实概率,计算第一损失值,以及基于所述第二消费概率和第二真实概率,计算第二损失值;以及调整单元,被配置用于基于所述第一损失值调整所述第一预测模型的参数,以及基于所述第二损失值调整所述第二预测模型的参数。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述电子券发放方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述电子券发放方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时能够实现上述电子券发放方法。
根据本公开的一个或多个实施例,可以更精确高效地向用户发放电子券,提升优惠券的发放效率,提升运营活动的投入产出比。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开示例性实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开示例性实施例的电子券发放方法的流程图;
图3示出了根据本公开示例性实施例的差分响应模型的训练方法的流程图;
图4a示出了根据本公开示例性实施例的差分响应模型的训练过程示意图;
图4b示出了根据本公开示例性实施例的利用差分响应模型获取目标用户的消费增益值的过程示意图;
图5示出了根据本公开示例性实施例的电子券发放装置的结构框图;
图6示出了根据本公开示例性实施例的差分响应模型的训练装置的结构框图;
图7示出了能够用于实现本公开实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
现有的电子券发放方法中,一种是利用用户画像系统中的用户画像标签组合来选定目标人群包,并向目标人群包发放电子券,这种方法的灵活性较差,精确度不够高。另一种电子券发放方法是利用神经网络模型来预测用户的消费概率,进而选出消费概率高的用户作为电子券发放目标,但是这种方法忽视了电子券发放对用户消费概率的影响,电子券发放的效率不高。
基于此,本公开提供了一种电子券发放方法,基于用户特征信息来获取电子券发放前后用户的消费概率增益程度,并基于该消费概率增益程度向用户发券。所述方法能够充分考虑电子券发放对用户消费概率的影响,更精确高效地向用户发放电子券,提升优惠券的发放效率,提升运营活动的投入产出比。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行电子券发放方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来发送多个目标用户的用户特征信息。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开示例性实施例的电子券发放方法的流程图。如图2所示,所述方法包括:步骤S201、获取多个目标用户的用户特征信息;步骤S202、基于所述用户特征信息,获取每一目标用户的消费增益值,所述消费增益值用于表征向该目标用户发放电子券所能够带来的消费概率的增益程度;以及步骤S203、至少基于所述多个目标用户的所述消费增益值,确定所述电子券的发放策略。由此,能够充分考虑电子券发放对用户的消费概率的影响,进而向受到电子券发放影响更大的用户发放电子券,以提高电子券发放的效率。所述方法只需要基于用户特征信息就可以得到相应用户的消费增益值,并基于此确定电子券的发放策略,能够适应多种实际场景下的应用。
示例性地,可以将所述目标用户的消费增益值作为该目标用户的用户画像的一部分内容储存,进一步地,可以按照一定的时间间隔更新所存储的用户的消费增益值,以保证用户画像数据的可用性。在这种情况下,在需要发放电子券时,只需要读取所存储的多个目标用户的消费增益值,即可相应确定所述电子券的发放策略,从而提升电子券发放方法的通用性。例如,当所述电子券发放活动是针对新上架的冷启动商品时,通过本公开所述的电子券发放方法,能够在缺乏相应的商品特征数据的情况下确定电子券的发放策略,实现精确高效的电子券发放。
根据一些实施例,所述用户特征信息包括以下各项中的至少一项:用户购买能力信息、用户历史操作信息和用户历史使用电子券的信息。由此,能够针对详细的用户特征信息得到相应用户的消费增益值,从而能够对用户作精确区分,进而提升电子券发放的效率。
示例性地,所述用户购买能力信息可以包括用户画像信息,具体可以包括用户年龄、用户活跃度信息、用户价值度信息、商品类目覆盖信息等。所述用户活跃度信息可以是基于用户在一定时间段内的浏览、点击等行为信息统计得到的,用于指示用户在电子商务平台的活跃程度。所述用户价值度信息可以是基于用户活跃度来划分层次得到的,如高价值度、低价值度等用户标签,用于衡量用户对平台的价值贡献程度。所述商品类目覆盖信息用于指示用户在电子商务平台内收藏或者关注的商品类目信息。所述用户购买能力信息还可以包括所述用户在一定时间段内的历史订单信息,具体可以包括用户在一定时间段内的历史订单数量、历史订单的成交总额等。所述用户购买能力信息能够指示用户的购买能力,基于此能够更准确地得到用户消费概率。
示例性地,所述用户历史操作信息可以包括用户在一定时间段内与电子商务平台中的商品、商品类目或营销活动页面的交互信息,例如购买商品、浏览商品类目、浏览营销活动页面、向平台客服咨询商品信息或营销活动信息等。基于所述用户历史操作信息,能够得到用户在一定时间段内对商品的关注度,从而能够更准确地得到用户消费概率。
示例性地,所述用户历史使用电子券的信息可以包括用户在一定时间段内使用电子券的情况,例如可以包括用户在一定时间段内使用电子券的数量、使用电子券的总额度、使用电子券的订单数量占全部订单的比例等。所述用户历史使用电子券的信息能够指示用户的消费行为受电子券影响的程度,基于此能够更准确地得到用户消费增益值。
根据一些实施例,所述步骤S202中,获取每一目标用户的消费增益值包括:基于所述用户特征信息,获取该目标用户的第一消费概率和第二消费概率,其中,所述第一消费概率为未向该目标用户发放电子券时用户的消费概率,所述第二消费概率为向该目标用户发放电子券后用户的消费概率;以及基于所述第一消费概率和第二消费概率,获取该目标用户的消费增益值。由此,能够根据未向该目标用户发放电子券时用户的消费概率和向该目标用户发放电子券后用户的消费概率得到所述消费增益值,从而能够更准确地指示向该目标用户发放电子券所能够带来的消费概率的增益程度。
示例性地,也可以是通过其他方式来获取每一目标用户的消费增益值。例如,可以是利用消费增益值预测模型来获取目标用户的消费增益值,将目标用户的用户特征信息输入所述消费增益值预测模型,并获取所述消费增益值预测模型所输出的消费增益值。
示例性地,所述消费增益值预测模型例如可以是通过以下步骤训练得到的:获取样本用户的用户特征信息;基于所述样本用户的用户特征信息,计算并标记所述样本用户的真实消费增益值,具体地,例如可以是基于所述样本用户的用户购买能力信息和历史使用电子券的信息,利用公式计算得到所述样本用户的真实消费增益值;将所述样本用户特征信息输入消费增益值预测模型,并获取所述消费增益值预测模型所输出的预测消费增益值;基于所述真实消费增益值和预测消费增益值,计算损失值;以及基于所述损失值调整所述消费增益值预测模型的参数。
进一步地,根据一些实施例,所述基于所述第一消费概率和第二消费概率,获取该目标用户的消费增益值可以但不限于包括:计算所述第一消费概率和第二消费概率的差值,以得到用户的消费增益值。由此,通过直接对所述第一消费概率和所述第二消费概率作差,能够更简便快捷地得到消费增益值,减少对计算硬件资源的占用,提升确定电子券发放策略的效率。
根据一些实施例,利用差分响应模型获取每一目标用户的消费增益值,所述差分响应模型包括第一预测模型和第二预测模型,并且其中,获取该目标用户的第一消费概率和第二消费概率包括:将所述用户特征信息输入所述第一预测模型和第二预测模型,并获取所述第一预测模型所输出的第一消费概率和所述第二预测模型所输出的第二消费概率。由此,能够基于所述用户特征信息,利用差分响应模型获取相应用户的消费增益值,简化处理流程,更便捷准确地得到用户的消费增益值。
根据一些实施例,所述第一预测模型和第二预测模型的结构相同。由此,能够消除预测模型的结构差异对其所输出的消费概率的偏差影响,从而使得基于第一消费概率和第二消费概率所得到的消费增益值能够更准确地指示向该目标用户发放电子券所能够带来的消费概率的增益程度。
示例性地,所述第一预测模型和第二预测模型可以是基于XGBoost模型训练得到的,但不限于此,例如,还可以是基于GBDT模型训练得到的,对此不做限制。
根据一些实施例,所述步骤S203中,至少基于所述消费增益值,确定所述电子券的发放策略包括:基于相应的所述消费增益值,对所述多个目标用户进行排序,以得到用户排序结果;以及至少基于所述用户排序结果,确定所述电子券的发放策略。由此,能够提升电子券发放的灵活性。
示例性地,可以是根据所述消费增益值由大到小的顺序,对所述多个目标用户进行排序,以得到用户排序结果。所述用户排序结果中,顺位靠前的用户的消费增益值更大,即向该用户发放电子券所能带来的消费概率的增益更大,通过优先向顺位靠前的用户发放电子券,即可有效提升电子券发放的效率。
进一步地,根据一些实施例,所述电子券发放方法还包括:获取所述电子券的目标发放数量,并且基于所述目标发放数量和所述用户排序结果,确定所述电子券的发放策略。
示例性地,可以是根据所述消费增益值由大到小的顺序,对所述多个目标用户进行排序,以得到用户排序结果,并根据所述电子券的目标发放数量圈定顺位靠前的用户群体作为发放电子券的目标用户群体。所述方法能够简便高效地实现电子券的发放。
在一个示例中,所述目标用户例如有二十万名,则可以根据所述消费增益值由大到小的顺序得到所述二十万名目标用户的排序结果。当所述电子券的目标发放数量为十万时,则可以将排序前十万名的目标用户作为发放电子券的目标用户群体,当所述电子券的目标发放数量调整为五万时,则可以相应将排序前五万名的目标用户调整为发放电子券的目标用户群体。
可以看出,所述电子券发放方法能够实现灵活调整目标用户群体的规模,并且不需要依赖除上述用户特征信息以外的其他信息,可以适用于各种场景,具有较强的通用性。
根据本公开的另一方面,还提供一种差分响应模型的训练方法。图3示出了根据本公开示例性实施例的差分响应模型的训练方法的流程图。如图3所示,所述方法包括:步骤S301、获取领取电子券的第一样本用户和未领取电子券的第二样本用户;步骤S302、获取第一样本用户的第一样本用户特征信息和第二样本用户的第二样本用户特征信息,并标记所述第一样本用户使用电子券消费的第一真实概率以及所述第二样本用户消费的第二真实概率;步骤S303、将所述第一样本用户特征信息输入第一预测模型,并获取所述第一预测模型所输出的第一消费概率;步骤S304、将所述第二样本用户特征信息输入第二预测模型,并获取所述第二预测模型所输出的第二消费概率;步骤S305、基于所述第一消费概率和第一真实概率,计算第一损失值;步骤S306、基于所述第一损失值调整所述第一预测模型的参数;步骤S307、基于所述第二消费概率和第二真实概率,计算第二损失值;以及步骤S308、基于所述第二损失值调整所述第二预测模型的参数。由此,能够利用真实的样本数据训练所述差分响应模型,具体地,分别利用领取电子券的第一样本用户的相应数据和未领取电子券的第二样本用户的相应数据训练所述第一预测模型和所述第二预测模型,从而使得基于第一消费概率和第二消费概率所得到的的消费增益值能够更准确地指示向该目标用户发放电子券所能够带来的消费概率的增益程度。
根据一些实施例,所述第一样本用户包括使用电子券消费的正样本用户和领取电子券但未消费的负样本用户,所述第二样本用户包括消费的正样本用户和未消费的负样本用户。由此,能够令所述第一预测模型和第二预测模型学习到差异化特征,有效提升模型的性能。
根据一些实施例,所述用户特征信息包括以下各项中的至少一项:用户购买能力信息、用户历史操作信息和用户历史使用电子券的信息。由此,能够针对详细的用户特征信息得到相应用户的消费概率,从而能够基于此对用户作精确区分,提升模型性能,适应实际应用场景的需要。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图4a示出了根据本公开示例性实施例的差分响应模型的训练过程的示意图。其中,箭头示出了信号流的方向,实线箭头示出了信号的前向传播过程,虚线箭头示出了信号的反向传播过程。
如图4a所示,所述差分响应模型包括第一预测模型和第二预测模型,并且所述第一预测模型和第二预测模型的结构相同。
所述差分响应模型的训练过程例如可以包括以下流程:
步骤S11、获取领取电子券的第一样本用户和未领取电子券的第二样本用户,并标记所述第一样本用户使用电子券消费的第一真实概率以及所述第二样本用户消费的第二真实概率,其中,所述第一样本用户包括使用电子券消费的正样本用户和领取电子券但未消费的负样本用户,所述第二样本用户包括消费的正样本用户和未消费的负样本用户;
步骤S12、将所述第一样本用户的用户特征信息输入第一预测模型,将所述第一样本用户的用户特征信息输入第一预测模型;
步骤S13、获取所述第一预测模型所输出的第一消费概率以及所述第二预测模型所输出的第二消费概率;
步骤S14、基于所述第一消费概率和第一真实概率,计算第一损失值;
步骤S15、基于所述第一损失值调整所述第一预测模型的参数;
步骤S16、基于所述第二消费概率和第二真实概率,计算第二损失值;
步骤S17、基于所述第二损失值调整所述第二预测模型的参数。
由此,能够分别利用领取与未领取电子券的正样本用户和负样本用户的相应数据训练所述第一预测模型和所述第二预测模型,从而能够有效提升模型的性能,使得基于第一消费概率和第二消费概率所得到的的消费增益值能够更准确地指示向该目标用户发放电子券所能够带来的消费概率的增益程度。
图4b示出了根据本公开示例性实施例的利用差分响应模型获取目标用户的消费增益值的过程的示意图
应当理解,差分响应模型的训练过程和利用差分响应模型获取所述目标用户的消费增益值的过程可以是相互独立的,训练好的模型可以在各种场景下重复应用而无需再次训练。
所述利用差分响应模型获取目标用户的消费增益值的过程例如可以包括以下流程:
步骤S21、获取目标用户的用户特征信息;
步骤S22、将所述用户特征信息输入所述第一预测模型和第二预测模型,并获取所述第一预测模型所输出的第一消费概率和所述第二预测模型所输出的第二消费概率;
步骤S23、计算所述第一消费概率和第二消费概率的差值,以得到用户的消费增益值。
由此,能够基于用户特征信息,利用差分响应模型获取相应用户的消费增益值,简化处理流程,更便捷准确地得到用户的消费增益值,进而基于此确定电子券的发放策略,提升电子券发放的效率和灵活性。
根据本公开的另一方面,还提供一种电子券发放装置。图5示出了根据本公开示例性实施例的电子券发放装置500的结构框图。如图5所示,所述电子券发放装置500包括:第一获取单元501,被配置用于获取多个目标用户的用户特征信息;第二获取单元502,被配置用于基于所述用户特征信息,获取每一目标用户的消费增益值,所述消费增益值用于表征向该目标用户发放电子券所能够带来的消费概率的增益程度;以及确定单元503,被配置用于至少基于所述多个目标用户的所述消费增益值,确定所述电子券的发放策略。电子券发放装置500的的单元501-单元503的操作与前面描述的步骤S201-步骤S203的操作类似,在此不作赘述。
根据本公开的另一方面,还提供一种差分响应模型的训练装置。图6示出了根据本公开示例性实施例的差分响应模型的训练装置600的结构框图。如图6所示,所述差分响应模型的训练装置600包括:第一获取单元601,被配置用于获取领取电子券的第一样本用户和未领取电子券的第二样本用户;第二获取单元602,被配置用于获取第一样本用户的第一样本用户特征信息和第二样本用户的第二样本用户特征信息,并标记所述第一样本用户使用电子券消费的第一真实概率以及所述第二样本用户消费的第二真实概率;其中,所述样本用户特征数据包括历史电子券使用信息;输入单元603,被配置用于将所述第一样本用户特征信息输入第一预测模型,并获取所述第一预测模型所输出的第一消费概率,以及将所述第二样本用户特征信息输入第二预测模型,并获取所述第二预测模型所输出的第二消费概率;计算单元604,被配置用于基于所述第一消费概率和第一真实概率,计算第一损失值,以及基于所述第二消费概率和第二真实概率,计算第二损失值;以及调整单元605,被配置用于基于所述第一损失值调整所述第一预测模型的参数,以及基于所述第二损失值调整所述第二预测模型的参数。差分响应模型的训练装置600的的单元601-单元602的操作与前面描述的步骤S301-步骤S308的操作类似,在此不作赘述。
根据本公开的另一方面,还提供一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的电子券发放方法和/或差分响应模型的训练方法。
根据本公开的另一方面,还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述的电子券发放方法和/或差分响应模型的训练方法。
根据本公开的另一方面,还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序再被处理器执行时实现上述的电子券发放方法和/或差分响应模型的训练方法。
参考图7,现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备,输入单元706可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如电子券发放方法和/或差分响应模型的训练方法。例如,在一些实施例中,电子券发放方法和/或差分响应模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的电子券发放方法和/或差分响应模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行电子券发放方法和/或差分响应模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (16)
1.一种电子券发放方法,包括:
获取多个目标用户的用户特征信息;
基于所述用户特征信息,获取每一目标用户的消费增益值,所述消费增益值用于表征向该目标用户发放电子券所能够带来的消费概率的增益程度;以及
至少基于所述多个目标用户的所述消费增益值,确定所述电子券的发放策略。
2.根据权利要求1所述的方法,其中,所述获取每一目标用户的消费增益值包括:
基于所述用户特征信息,获取该目标用户的第一消费概率和第二消费概率,其中,所述第一消费概率为未向该目标用户发放电子券时用户的消费概率,所述第二消费概率为向该目标用户发放电子券后用户的消费概率;以及
基于所述第一消费概率和第二消费概率,获取该目标用户的消费增益值。
3.根据权利要求2所述的方法,其中,利用差分响应模型获取每一目标用户的消费增益值,所述差分响应模型包括第一预测模型和第二预测模型,
其中,获取该目标用户的第一消费概率和第二消费概率包括:
将所述用户特征信息输入所述第一预测模型和第二预测模型,并获取所述第一预测模型所输出的第一消费概率和所述第二预测模型所输出的第二消费概率。
4.根据权利要求3所述的方法,其中,所述第一预测模型和第二预测模型的结构相同。
5.根据权利要求2-4中任一项所述的方法,其中,所述基于所述第一消费概率和第二消费概率,获取该目标用户的消费增益值包括:
计算所述第一消费概率和第二消费概率的差值,以得到用户的消费增益值。
6.根据权利要求1-5中任一项所述的方法,其中,所述用户特征信息包括以下各项中的至少一项:
用户购买能力信息、用户历史操作信息和用户历史使用电子券的信息。
7.根据权利要求1-6中任一项所述的方法,其中,至少基于所述消费增益值,确定所述电子券的发放策略包括:
基于相应的所述消费增益值,对所述多个目标用户进行排序,以得到用户排序结果;以及
至少基于所述用户排序结果,确定所述电子券的发放策略。
8.根据权利要求7所述的方法,还包括:
获取所述电子券的目标发放数量;
并且其中,基于所述目标发放数量和所述用户排序结果,确定所述电子券的发放策略。
9.一种差分响应模型的训练方法,所述差分响应模型包括第一预测模型和第二预测模型,所述方法包括:
获取领取电子券的第一样本用户和未领取电子券的第二样本用户;
获取第一样本用户的第一样本用户特征信息和第二样本用户的第二样本用户特征信息,并标记所述第一样本用户使用电子券消费的第一真实概率以及所述第二样本用户消费的第二真实概率;
将所述第一样本用户特征信息输入第一预测模型,并获取所述第一预测模型所输出的第一消费概率;
将所述第二样本用户特征信息输入第二预测模型,并获取所述第二预测模型所输出的第二消费概率;
基于所述第一消费概率和第一真实概率,计算第一损失值;
基于所述第一损失值调整所述第一预测模型的参数;
基于所述第二消费概率和第二真实概率,计算第二损失值;以及
基于所述第二损失值调整所述第二预测模型的参数。
10.根据权利要求9所述的方法,其中,所述第一样本用户包括使用电子券消费的正样本用户和领取电子券但未消费的负样本用户,
所述第二样本用户包括消费的正样本用户和未消费的负样本用户。
11.根据权利要求9或10所述的方法,其中,所述用户特征信息包括以下各项中的至少一项:
用户购买能力信息、用户历史操作信息和用户历史使用电子券的信息。
12.一种电子券发放装置,包括:
第一获取单元,被配置用于获取多个目标用户的用户特征信息;
第二获取单元,被配置用于基于所述用户特征信息,获取每一目标用户的消费增益值,所述消费增益值用于表征向该目标用户发放电子券所能够带来的消费概率的增益程度;以及
确定单元,被配置用于至少基于所述多个目标用户的所述消费增益值,确定所述电子券的发放策略。
13.一种差分响应模型的训练装置,所述差分响应模型包括第一预测模型和第二预测模型,所述装置包括:
第一获取单元,被配置用于获取领取电子券的第一样本用户和未领取电子券的第二样本用户;
第二获取单元,被配置用于获取第一样本用户的第一样本用户特征信息和第二样本用户的第二样本用户特征信息,并标记所述第一样本用户使用电子券消费的第一真实概率以及所述第二样本用户消费的第二真实概率;其中,所述样本用户特征数据包括历史电子券使用信息;
输入单元,被配置用于将所述第一样本用户特征信息输入第一预测模型,并获取所述第一预测模型所输出的第一消费概率,以及将所述第二样本用户特征信息输入第二预测模型,并获取所述第二预测模型所输出的第二消费概率;
计算单元,被配置用于基于所述第一消费概率和第一真实概率,计算第一损失值,以及基于所述第二消费概率和第二真实概率,计算第二损失值;以及
调整单元,被配置用于基于所述第一损失值调整所述第一预测模型的参数,以及基于所述第二损失值调整所述第二预测模型的参数。
14.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-11中任一项所述的方法。
16.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210116868.2A CN114445147A (zh) | 2022-02-07 | 2022-02-07 | 电子券发放方法及装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210116868.2A CN114445147A (zh) | 2022-02-07 | 2022-02-07 | 电子券发放方法及装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445147A true CN114445147A (zh) | 2022-05-06 |
Family
ID=81371825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210116868.2A Pending CN114445147A (zh) | 2022-02-07 | 2022-02-07 | 电子券发放方法及装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445147A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114969543A (zh) * | 2022-06-15 | 2022-08-30 | 北京百度网讯科技有限公司 | 推广方法、系统、电子设备和存储介质 |
-
2022
- 2022-02-07 CN CN202210116868.2A patent/CN114445147A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114969543A (zh) * | 2022-06-15 | 2022-08-30 | 北京百度网讯科技有限公司 | 推广方法、系统、电子设备和存储介质 |
CN114969543B (zh) * | 2022-06-15 | 2023-08-25 | 北京百度网讯科技有限公司 | 推广方法、系统、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN114648638A (zh) | 语义分割模型的训练方法、语义分割方法与装置 | |
CN114791982B (zh) | 对象推荐方法和装置 | |
CN112559721A (zh) | 人机对话系统的调整方法、装置、设备、介质和程序产品 | |
CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
CN114445147A (zh) | 电子券发放方法及装置、设备和介质 | |
CN114493707A (zh) | 对象推荐方法和装置 | |
CN115269989A (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN114443896A (zh) | 数据处理方法和用于训练预测模型的方法 | |
CN114445190A (zh) | 商品推荐方法和装置 | |
CN112579587A (zh) | 数据清洗方法及装置、设备和存储介质 | |
CN113868453A (zh) | 对象推荐方法和装置 | |
CN112905743A (zh) | 文本对象检测的方法、装置、电子设备和存储介质 | |
CN112860681A (zh) | 数据清洗方法及装置、计算机设备和介质 | |
CN115033782B (zh) | 推荐对象的方法、机器学习模型的训练方法、装置和设备 | |
CN115512131B (zh) | 图像检测方法和图像检测模型的训练方法 | |
CN116842156B (zh) | 数据生成方法及装置、设备和介质 | |
CN115829653A (zh) | 广告文本的相关度确定方法及装置、设备和介质 | |
CN116383372B (zh) | 基于人工智能的数据分析方法及系统 | |
CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115546510A (zh) | 图像检测方法和图像检测模型训练的方法 | |
CN115100461A (zh) | 图像分类模型训练方法、装置、电子设备、介质 | |
CN116739136A (zh) | 数据预测方法、装置、电子设备和介质 | |
CN115564992A (zh) | 图像分类方法和图像分类模型的训练方法 |
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 |