CN114493132A - 资源分配方法、装置和电子设备 - Google Patents

Abstract

本公开提出了一种资源分配方法、装置和电子设备，涉及数据处理领域，其中，方法包括：获取候选对象的每类描述信息包括的历史行为数据；针对任一类描述信息，基于历史行为数据，生成任一类描述信息包括的各特征维度下的指标因子的置信度；根据置信度，确定候选对象的资源分配策略；根据资源分配策略，为候选对象分配对应的目标资源。本公开中，通过多种类型的描述信息下多特征维度的评估，提高了评估结果的准确性和客观性，提高了候选对象的资源分配的准确性和实时性，优化了对候选对象的资源分配效果。

Description

资源分配方法、装置和电子设备

技术领域

本公开涉及数据处理领域，尤其涉及一种资源分配方法，装置和电子设备。

背景技术

随着社会的发展，企业对企业(Business-to-Business，B2B)存在了线上模式，在线上采购的场景中，买家需要根据卖家的相关信息判断卖家是否可以提供其所需的资源。因此，在B2B线上平台需要实现对卖家的全面客观的评价。

发明内容

本公开提出了一种资源分配方法、装置及电子设备。

根据本公开的第一方面，提出了一种资源分配方法，包括：获取候选对象的每类描述信息包括的历史行为数据；针对任一类描述信息，基于所述历史行为数据，生成所述任一类描述信息包括的各特征维度下的指标因子的置信度；根据所述置信度，确定所述候选对象的资源分配策略；根据所述资源分配策略，为所述候选对象分配对应的目标资源。

根据本公开的第二方面，提出了一种资源分配装置，包括：一种资源分配装置，包括：获取模块，用于获取候选对象的每类描述信息包括的历史行为数据；生成模块，用于针对任一类描述信息，基于所述历史行为数据，生成所述任一类描述信息包括的各特征维度下的指标因子的置信度；确定模块，用于根据所述置信度，确定所述候选对象的资源分配策略；分配模块，用于根据所述资源分配策略，为所述候选对象分配对应的目标资源。

根据本公开的第三方面，提出了一种电子设备，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第一方面所述的资源分配方法。

根据本公开的第四方面，提出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第一方面所述的资源分配方法。

根据本公开的第五方面，提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述第一方面所述的资源分配方法。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开一实施例的资源分配方法的流程示意图；

图2为本公开另一实施例的资源分配方法的流程示意图；

图3为本公开另一实施例的资源分配方法的流程示意图；

图4为本公开另一实施例的资源分配方法的流程示意图；

图5为本公开一实施例的资源分配装置的结构示意图；

图6为本公开另一实施例的资源分配装置的结构示意图；

图7为本公开一实施例的电子设备的示意性框图。

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和精神。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。

数据处理(data processing)，是对数据进行分析和加工的技术过程，包括对各种原始数据的分析、整理、计算、编辑等的加工和处理，以及对数据的采集、存储、检索、加工、变换和传输。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。

图1为本公开一实施例的资源分配方法的流程示意图，如图1所示，该方法包括：

S101，获取候选对象的每类描述信息包括的历史行为数据。

实现中，针对存在选择需求的场景中，通过对候选对象进行评估生成对应的评估数据，可以为选择需求获取对应的选择结果。

比如，针对线上企业对企业(Business-to-Business，B2B)经营平台，当企业用户存在采购需求时，可以通过对该平台上可以提供对应服务和产品的供应方进行评估，根据每个供应方对应的评估数据，从中确定最终的意向供应方。

因此，在线上B2B的经营平台上，供应方的评估数据对供应方是否可以与需求方达成意向合作存在一定程度的影响。

其中，可以将供应方确定为需要生成评估数据的候选对象。

可选地，候选对象存在多种类型的描述数据，其中，根据每个类型的描述数据可以获取候选对象的相关信息。

比如，针对B2B线上平台的供应方，描述信息可以包括服务对应的描述信息、资质对应的描述信息，其中，通过供应方的服务对应的描述信息，可以确定供应方的售前沟通、售后保障、发货效率、投诉处理等服务方面的相关信息。相应地，根据资质对应的描述信息，可以获取供应方的商品品牌影响力、企业能力、商品保障等供应方的资质方面的相关信息。

进一步地，通过候选对象的在每类描述信息下对应的历史行为数据，可以实现候选对象的评估数据的生成。

其中，可以对候选对象的不同描述信息类型对应的历史行为进行监控，并将监控获取到的数据保存于设定位置。

进一步地，从数据存储的设定位置获取候选对象在每类描述信息下的历史行为数据。

比如，在上述示例的基础上，可以对供应方在服务类描述信息下的历史行为进行监控，包括售前咨询、售后纠纷处理、商品维修、退货处理等等，并将监控到的售前咨询响应时间、售后纠纷处理时间、售后商品维修记录、售后商品退货记录等相关数据存储于设定位置。

进一步地，从设定位置获取供应方在服务方面的历史行为被监控获取到的数据，将其确定为供应方在服务类描述信息下的历史行为数据。

S102，针对任一类描述信息，基于历史行为数据，生成任一类描述信息包括的各特征维度下的指标因子的置信度。

本公开实施例中，候选对象存在多种类型的描述信息，可以针对候选对象的每一类描述信息下的历史行为数据，实现对候选对象的评估。

其中，可以将候选对象在每类描述信息下对应的评估数据确定为候选对象在每类描述信息下对应的置信度。

可选地，每类描述信息下存在多个特征维度，可以为每个特征维度设置至少一个指标因子。通过获取每个指标因子的置信度，实现对候选对象的评估。

比如，可以将B2B线上平台的供应方的服务类的描述信息下包括的各特征维度进行指标因子的划分。

设定，服务类描述信息包括的咨询体验、商品体验、物流体验、售后体验和纠纷投诉对应的特征维度。其中，咨询体验特征维度下可以将售前及时响应率作为对应的指标因子，商品体验特征维度下可以将商品退款率作为对应的指标因子、物流体验特征维度下可以将发货履约率作为对应的指标因子、售后体验特征维度下可以将退款时长作为对应的指标因子和纠纷投诉特征维度下可以将纠纷率作为对应的指标因子。

进一步地，针对B2B线上平台的每类描述信息包括的各特征维度的指标因子，可以如下表所示：

进一步地，分别获取售前及时响应率、商品退款率、发货履约率、退款时长、纠纷率对应的历史行为数据，进而获取各自对应的置信度，实现对供应方在服务方面的评估。

S103，根据置信度，确定候选对象的资源分配策略。

本公开实施例中，不同的候选对象的置信度之间存在差异，因此，可以基于候选对象的置信度实现对不同候选对象的对比。

可选地，候选对象的置信度与其可以获取到的资源存在一定程度的关联。

比如，针对B2B平台，供应方的置信度越高，对于需求方来说，该供应方的信誉度越高，其提供的产品质量、服务质量等相关资源更加可靠。相应地，与其达成意向合作的需求方也会较多。平台可以通过对不同置信度的供应方分配不同的资源来实现对供应方的监督优化，从而实现对B2B平台的综合优化。其中，平台可以将置信度高的供应方优先推送给对应的需求方。

可以理解为，通过候选对象的置信度，可以确定其对应的资源分配范围，进而确定候选对象的资源分配策略。

S104，根据资源分配策略，为候选对象分配对应的目标资源。

实现中，根据资源分配策略，可以获取为候选对象分配的目标资源的相关信息，其中，可以包括目标资源的属性、状态等相关信息以及目标资源对应的分配方法、分配时间等。

进一步地，根据资源分配策略中与目标资源分配的相关信息，为候选对象分配对应的目标资源。

在上述示例的基础上，可以为B2B平台的供应方分配对应的目标资源，供应方基于获取到的目标资源，可以实现与需求方之间的意向达成的概率的提升。

本公开提出的资源分配方法，根据候选对象在每类描述信息包括的历史行为数据，生成每类描述信息包括的各特征维度下的指标因子对应的置信度，并根据置信度实现对候选对象的评估，进而确定候选对象对应的资源分配策略。进一步地，根据资源分配策略为候选对象分配对应的目标资源。本公开中，通过多种类型的描述信息下多特征维度的评估，完善了对候选对象的评估，提高了评估结果的准确性和客观性，进而提高了候选对象的资源分配的准确性，可以实现对历史行为数据的实时获取，实现了对候选对象的动态评估，从而提高了对候选对象进行资源匹配的实时性，优化了对候选对象的资源分配效果。

上述实施例中，关于置信度的获取，可结合图2进一步理解，图2为本公开另一实施例的资源分配方法的流程示意图，如图2所示，该方法包括：

S201，从候选对象的历史行为数据中，获取属于指标因子下的目标行为数据。

本公开实施例中，通过对指标因子的评估，可以获取候选对象在指标因子对应的相关方面的历史表现。

比如，设定指标因子为售前响应率，对该指标因子进行评估可以获取供应方在售前咨询过程中对需求方提出的问题的响应时间、响应数量以及响应的及时性等相关信息，进而对供应方提供的售前服务质量进行判断。

进一步地，可以根据候选对象在指标因子下对应的历史行为数据，实现候选对象在指标因子下的评估。

实现中，不同的指标因子，其对应的历史行为数据的时间范围和/或数据范围存在差异，因此，可以根据指标因子的相关特征，从候选对象的历史行为数据中获取每个指标因子对应的历史行为数据，并将其确定为属于指标椅子下的目标行为数据。

进一步地，获取各特征维度下的指标因子对应的时间周期。

本公开实施例中，候选对象在不同类型的描述信息下，对各特征维度下的指标因子进行评估需要的历史行为数据的时间周期存在不同，因此，为了实现基于指标因子对候选对象的准确评估，可以获取各特征维度下指标因子对应的时间周期，进而获取准确的历史行为数据。

比如，针对B2B平台供应方服务能力描述信息下的咨询体验特征维度，其指标因子为询盘及时响应率和线上及时响应率。其中，可以获取询盘及时响应率和线上及时响应率对应的时间周期，以获取对应时间周期内的咨询体验维度的历史行为数据。

进一步地，获取指标因子的关键字，从历史行为数据中，获取与关键字匹配的候选行为数据。

本公开实施例中，不同的指标因子对应的候选对象的信息不同，因此，不同的指标因子对应的历史行为数据包括的内容存在差异。

可选地，可以提取不同指标因子对应的关键字，将每个指标因子的关键字作为匹配关键字，与历史行为数据进行匹配，进而从中获取每个指标因子对应的历史行为数据，并将其确定为指标因子对应的候选行为数据。

进一步地，从候选行为数据中，获取属于时间周期内的行为数据，作为候选对象在指标因子下的目标行为数据。

本公开实施例中，候选行为数据为对应的指标因子在候选对象的历史行为数据中匹配的全部数据，可以根据每个指标因子对应的时间周期，从其对应的候选行为数据中，对时间进行筛选，获取属于对应时间周期范围的候选行为数据，并将其确定为候选对象在指标因子下对应的目标行为数据。

比如，依然以上述示例为例，针对B2B平台供应方服务能力描述信息下的咨询体验特征维度下的询盘及时响应率和线上及时响应率两个指标因子，设定其时间周期为评估日的前30个自然日，其中，询盘及时响应率对应的关键字为询盘响应数和询盘接收数，线上及时响应率对应的关键字为线上及时响应的咨询量和线上接收到的全部咨询量。

进一步地，从该供应方的历史行为数据中，分别获取询盘响应数和询盘接收数匹配的行为数据，作为供应方在询盘及时响应率下的候选行为数据。根据时间周期，从该候选行为数据中截取评估日的前30个自然日的候选行为数据，作为供应方在询盘及时响应率下的目标行为数据。

相应地，从该供应方的的历史行为数据中，分别获取线上及时响应的咨询量和线上接收到的全部咨询量的行为数据，作为供应方在线上及时响应率下的候选行为数据。根据时间周期，从该候选行为数据中截取评估日的前30个自然日的候选行为数据，作为供应方在线上及时响应率下的目标行为数据。

S202，针对每个指标因子，基于指标因子的置信度确定策略和目标行为数据，确定候选对象在指标因子下的置信度。

本公开实施例中，每个指标因子存在对应的定义逻辑，可以根据对应的定义逻辑获取每个指标因子的置信度确定策略，并基于置信度确定策略实现指标因子置信度的获取。

比如，依然以上述示例为例，针对B2B平台供应方服务能力描述信息下的咨询体验特征维度下的询盘及时响应率和线上及时响应率两个指标因子。其中，询盘及时响应率定义逻辑可以为设定时间周期内供应方的询盘响应数和询盘接收数的比值，线上及时响应率的定义逻辑可以为设定时间周期内供应方的线上及时响应的咨询量和线上接收到的全部咨询量的比值。

进一步地，针对B2B线上平台的每类描述信息包括的各特征维度的指标因子定义逻辑，可以如下表所示：

进一步地，根据定义逻辑可以获取指标因子对应的评估数据，根据评估数据可以实现指标因子的置信度的确定。

可选地，可以根据每个指标因子的评估数据的数据类型确定指标因子对应的置信度确定策略。

实现中，指标因子的置信度是为了对候选对象进行评估，因此，针对同一指标因子，可以将不同的候选对象的评估结果进行对比，进而确定对应的置信度确定策略。

可选地，可以对每个候选对象在同一指标因子下的评估数据进行排序，并根据排序的结果确定每个候选对象在同一指标因子下的置信度。其中，排名越高的候选对象，其置信度的取值越高，则代表候选对象在该指标因子下越优质。

进一步地，获取各特征维度下的指标因子对应的置信度确定策略，其中，置信度确定策略中包括至少一个置信度判定条件。

本公开实施例中，指标因子对应的置信度确定策略包括设定数量的置信度判定条件，其中，每个置信度判定条件存在对应的置信度取值。

比如，依然以上述示例为例，针对B2B平台供应方服务能力描述信息下的咨询体验特征维度下的询盘及时响应率指标因子，其评估数据为设定时间周期内供应方的询盘响应数和询盘接收数的比值。

可以将询盘及时响应率的置信度确定策略设定为，根据每个供应方在询盘及时响应率下的评估数据进行排名，根据每个供应方的排名确定供应方在询盘及时响应率下的置信度。根据每个供应方在询盘及时响应率的评估数据由大到小排序，询盘及时响应率的置信度确定策略可如下所示：

排名高于全部供应方的90％，其置信度取值为1分；

排名高于全部供应方的70％，其置信度取值为0.8分；

排名高于全部供应方的40％，其置信度取值为0.6分；

排名高于全部供应方的20％，其置信度取值为0.4分；

排名高于全部供应方的5％，其置信度取值为0.2分；

排名低于全部供应方的5％，其置信度取值为0分；

其中，该置信度确定策略中包括6个置信度判定条件。

进一步地，获取目标行为数据满足的置信度判定条件，确定指标因子对应的置信度。

本公开实施例中，根据指标因子的目标行为数据，可以获取指标因子对应的评估数据，将评估数据与对应的置信度确定策略中的判定条件进行对比，根据评估数据满足的置信度判定条件，可以确定指标因子对应的置信度。

比如，在上述示例的基础上，设定供应方A在询盘及时响应率下对应的评估数据在全部供应方的排名中高于90％的供应方，则根据询盘及时响应率的置信度确定策略中的置信度判定条件，供应方A满足的置信度判定条件为“排名高于全部供应方的90％，其置信度取值为1分”，则供应方A在询盘及时响应率下的置信度为1分。

进一步地，依然以B2B线上平台为例，每类描述信息包括的各特征维度的指标因子以及其对应的定义逻辑、置信度确定策略以及置信度判定条件，可如下表所示：

进一步地，基于上述表格中的每个指标因子的置信度确定逻辑中包括的置信度判定条件，获取供应方在每个指标因子下对应的置信度。

本公开提出的资源分配方法，从候选对象的历史行为数据中，获取属于每个指标因子的目标行为数据，根据每个指标因子的置信度确定策略，将目标行为数据与其中的置信度判定条件进行对比，进而获取候选对象在指标因子下的置信度。本公开中，通过多种类型的描述信息下多特征维度的评估，完善了对候选对象的评估，提高了评估结果的准确性和客观性，进而提高了候选对象的资源分配的准确性。

上述实施例中，关于确定候选对象的资源分配策略，可结合图3进一步理解，图3为本公开另一实施例的资源分配方法的流程示意图，如图3所示，该方法包括：

S301，获取每类描述信息包括的各特征维度下的指标因子的权重。

本公开实施例中，可以根据候选对象在每个指标因子下的置信度实现对候选对象的综合评估，其中，每个指标因子可以对候选对象的设定方面进行评估，可以根据指标因子对应的具体属性信息获取每个指标因子对应的权重。

比如，针对B2B线上平台，其指标因子的权重可如下表所示：

S302，根据指标因子的权重对指标因子的置信度进行加权，获取候选对象的目标置信度。

本公开实施例中，获取每个指标因子的置信度后，可以根据每个指标因子的权重对全部的置信度进行加权，并将加权后获取到的置信度确定为候选对象的目标置信度。

比如，根据上表可知每个指标因子对应的权重，可以分别将某一个供应方在表中的每个指标因子下的置信度基于对应的指标因子的权重占比进行加权运算，进而获取供应方在上述指标因子设定模式下的目标置信度。

S303，根据候选对象的目标置信度，确定候选对象的资源分配策略。

进一步地，根据候选对象的目标置信度，可以实现对候选对象的综合评估，并根据每个候选对象的综合评估结果实现对全部候选对象的优劣排序。

其中，目标置信度高的候选对象优于目标置信度低的候选对象。

实现中，候选对象的资源存在等级排序，等级高的资源优于等级低的资源，因此，可以根据不同资源的等级确定候选对象的资源分配策略。

其中，根据目标置信度，确定候选对象的匹配资源等级。

本公开实施例中，可以将全部的候选对象基于目标置信度由高至低进行排序，并根据排名确定候选对象对应的匹配资源等级。

进一步地，将匹配资源等级包括的资源项，作为分配给候选对象的目标资源。

确定候选对象匹配的资源等级后，可以将该等级包括的资源项作为目标资源分配给对应的候选对象。

比如，针对B2B线上平台的首页推送资源，可以根据供应方目标置信度的排名，并根据等级确定平台提供的首页推送位资源。

其中，根据供应方的排名确定其匹配的推送位资源等级，并在等级对应的推送位为供应方进行宣传推送。

需要说明的是，候选对象的目标置信度还可以根据附加指标因子的评估数据进行调整。

其中，可以获取候选对象在附加特征维度下的附加指标因子的行为数据。

本公开实施例中，候选对象存在部分特征维度可以作为附加特征维度。基于附加特征维度下的附加指标因子，实现对候选对象目标置信度的调整。

其中，附加指标因子存在时间周期的限定，因此，可以基于附加指标因子对应的时间周期以及定义逻辑等相关信息，从候选对象的历史行为数据中获取附加指标因子对应的行为数据。

进一步地，响应于附加指标因子的行为数据与附加指标因子的指标内容匹配，调整候选对象的目标置信度。

本公开实施例中，附加指标因子存在对应的指标内容，可以将候选对象在附加指标因子下对应的行为数据与对应的指标内容进行对比，基于对比的结果，可以实现对候选对象的目标置信度的调整。

比如，设定附加指标因子为加分项对应的指标因子，在候选对象的行为数据与该加分项附加指标因子的指标内容匹配的场景中，可以对候选对象的目标置信度进行加分。

相应地，设定附加指标因子为减分项对应的指标因子，在候选对象的行为数据与该减分项附加指标因子的指标内容匹配的场景中，可以对候选对象的目标置信度进行减分。

进一步地，针对B2B线上平台，其附加特征维度下的附加指标因子的相关信息可如下表所示：

进一步地，根据上述表格中附加特征维度下附加指标因子的指标内容，对B2B线上平台的供应方的目标置信度进行调整。

本公开提出的资源分配方法，根据候选对象的目标置信度，获取候选对象匹配的资源等级，并将匹配资源等级包括的资源项作为目标资源分配给候选对象。本公开中，基于目标置信度确定候选对象的目标资源，保证了资源分配的准确性和客观性。

进一步地，根据指标因子的置信度可以实现对候选对象的优化，可结合图4理解，图4为本公开另一实施例的资源分配方法的流程示意图，如图4所示，该方法包括：

S401，根据指标因子的置信度，获取每类描述信息包括的各特征维度的维度置信度。

本公开实施例中，每类描述信息包括的各特征维度下的指标因子存在对应的权重，可以根据每个特征维度下的指标因子的权重，对其置信度进行特征维度范围内的加权，将加权运算的结果作为指标因子所属特征维度的置信度，并将其确定为特征维度对应的维度置信度。

比如，针对B2B线上平台的服务能力描述信息下咨询体验特征维度，可以将该特征维度下的询盘及时响应率的置信度和线上及时响应率的置信度基于设定权重加权，获取到的结果可以作为咨询体验特征维度的维度置信度。

S402，根据各特征维度的维度置信度，确定维度置信度低于设定阈值的异常特征维度。

本公开实施例中，根据每个特征维度的维度置信度，可以对候选对象的对应信息进行评估。可选地，可以基于各特征维度的属性信息和所属的描述信息，获取对应的设定阈值。

进一步地，将每个特征维度的维度置信度与对应的设定阈值进行对比，根据对比结果可以判断候选对象在每个特征维度下的相关状态。

比如，针对某个特征维度，其维度置信度低于对应的设定阈值，则可以判定候选对象在该特征维度上存在状态异常。

进一步地，可以将出现状态异常的特征维度确定为异常特征维度。

S403，获取异常特征维度下的覆盖因素，并根据覆盖因素生成候选对象的优化策略。

本公开实施例中，可以根据异常特征维度下的指标因子获取特征维度出现异常的覆盖因素，其中，可以根据指标因子的置信度判定条件判断指标因子是否异常，进而根据异常指标因子的覆盖因素获取异常特征维度对应的覆盖因素。

进一步地，可以根据覆盖因素实现对候选对象的优化，其中，可以根据覆盖因素导致指标因子出现异常的原因设定指标因子的优化策略，进而生成候选对象的优化策略。

比如，针对B2B线上平台的服务能力描述信息，设定其包括的咨询体验特征维度为异常特征维度，对应的覆盖因素为询盘及时响应数异常。根据该异常因素可知，导致指标因子询盘及时响应率异常的原因为供应方对于需求方的询盘数据响应时间出现延迟，因此，可以将缩短供应方对于询盘数据的响应时间作为询盘及时响应率的优化策略，进而确定该供应方的优化策略。

本公开提出的资源分配方法，通过候选对象的指标因子的置信度，获取每类描述信息包括的各特征维度的维度置信度，并根据对应的设定阈值获取其中出现异常的异常特征维度。进一步地，根据异常特征维度的覆盖因素，生成候选对象的优化策略。本公开中，通过指标因子的置信度获取候选对象出现异常的覆盖因素，进而提高了候选对象优化策略制定的准确性和针对性，强化了候选对象的优化效果。

与上述几种实施例提出的资源分配方法相对应，本公开的一个实施例还提出了一种资源分配装置，由于本公开实施例提出的资源分配装置与上述几种实施例提出的资源分配方法相对应，因此上述资源分配方法的实施方式也适用于本公开实施例提出的资源分配装置，在下述实施例中不再详细描述。

图5为本公开一实施例的资源分配装置的结构示意图，如图5所示，资源分配装置500，包括获取模块51、生成模块52、确定模块53、分配模块54，其中：

获取模块51，用于获取候选对象的每类描述信息包括的历史行为数据；

生成模块52，用于针对任一类描述信息，基于历史行为数据，生成任一类描述信息包括的各特征维度下的指标因子的置信度；

确定模块53，用于根据置信度，确定候选对象的资源分配策略；

分配模块54，用于根据资源分配策略，为候选对象分配对应的目标资源。

图6为本公开一实施例的资源分配装置的结构示意图，如图6所示，资源分配装置600，包括获取模块61、生成模块62、确定模块63、分配模块64，其中：

需要说明的是，获取模块51、生成模块52、确定模块53、分配模块54与获取模块61、生成模块62、确定模块63、分配模块64，具备相同的结构和功能。

本公开实施例中，生成模块62，还用于：从候选对象的历史行为数据中，获取属于指标因子下的目标行为数据；针对每个指标因子，基于指标因子的置信度确定策略和目标行为数据，确定候选对象在指标因子下的置信度。

本公开实施例中，生成模块62，还用于：获取各特征维度下的指标因子对应的时间周期；获取指标因子的关键字，从历史行为数据中，获取与关键字匹配的候选行为数据；从候选行为数据中，获取属于时间周期内的行为数据，作为候选对象在指标因子下的目标行为数据。

本公开实施例中，生成模块62，还用于：获取各特征维度下的指标因子对应的置信度确定策略，其中，置信度确定策略中包括至少一个置信度判定条件；获取目标行为数据满足的置信度判定条件，确定指标因子对应的置信度。

本公开实施例中，确定模块63，还用于：获取每类描述信息包括的各特征维度下的指标因子的权重；根据指标因子的权重对指标因子的置信度进行加权，获取候选对象的目标置信度；根据候选对象的目标置信度，确定候选对象的资源分配策略。

本公开实施例中，分配模块64，还用于：根据目标置信度，确定候选对象的匹配资源等级；将匹配资源等级包括的资源项，作为分配给候选对象的目标资源。

本公开实施例中，生成模块62，还用于：获取候选对象在附加特征维度下的附加指标因子的行为数据；响应于附加指标因子的行为数据与附加指标因子的指标内容匹配，调整候选对象的目标置信度。

本公开实施例中，生成模块63，还用于：根据指标因子的置信度，获取每类描述信息包括的各特征维度的维度置信度；根据各特征维度的维度置信度，确定维度置信度低于设定阈值的异常特征维度；获取异常特征维度下的覆盖因素，并根据覆盖因素生成候选对象的优化策略。

本公开提出的资源分配装置，根据候选对象在每类描述信息包括的历史行为数据，生成每类描述信息包括的各特征维度下的指标因子对应的置信度，并根据置信度实现对候选对象的评估，进而确定候选对象对应的资源分配策略。进一步地，根据资源分配策略为候选对象分配对应的目标资源。本公开中，通过多种类型的描述信息下多特征维度的评估，完善了对候选对象的评估，提高了评估结果的准确性和客观性，进而提高了候选对象的资源分配的准确性，可以实现对历史行为数据的实时获取，实现了对候选对象的动态评估，从而提高了对候选对象进行资源匹配的实时性，优化了对候选对象的资源分配效果。

根据本公开的实施例，本公开还提出了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，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709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，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元709，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。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。

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，例如资源分配方法。例如，在一些实施例中，资源分配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709。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702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资源分配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)而被配置为执行资源分配方法。

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)、负载可编程逻辑设备(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出给通用计算机、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。

为了提出与用户的交互，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出给计算机。其它种类的装置还可以用于提出与用户的交互；例如，提出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执行也可以不同的次序执行，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。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种资源分配方法，包括：

获取候选对象的每类描述信息包括的历史行为数据；

针对任一类描述信息，基于所述历史行为数据，生成所述任一类描述信息包括的各特征维度下的指标因子的置信度；

根据所述置信度，确定所述候选对象的资源分配策略；

根据所述资源分配策略，为所述候选对象分配对应的目标资源。

2.根据权利要求1所述的方法，其中，所述基于所述历史行为数据，生成所述任一类描述信息包括的各特征维度下的指标因子的置信度，包括：

从所述候选对象的历史行为数据中，获取属于所述指标因子下的目标行为数据；

针对每个所述指标因子，基于所述指标因子的置信度确定策略和所述目标行为数据，确定所述候选对象在所述指标因子下的所述置信度。

3.根据权利要求2所述的方法，其中，所述从所述候选对象的历史行为数据中，获取属于所述指标因子下的目标行为数据，包括：

获取各特征维度下的指标因子对应的时间周期；

获取所述指标因子的关键字，从所述历史行为数据中，获取与所述关键字匹配的候选行为数据；

从所述候选行为数据中，获取属于所述时间周期内的行为数据，作为所述候选对象在所述指标因子下的所述目标行为数据。

4.根据权利要求3所述的方法，其中，所述基于所述指标因子的置信度确定策略和所述目标行为数据，确定所述候选对象在所述指标因子下的所述置信度，包括：

获取所述各特征维度下的指标因子对应的置信度确定策略，其中，所述置信度确定策略中包括至少一个置信度判定条件；

获取所述目标行为数据满足的所述置信度判定条件，确定所述指标因子对应的所述置信度。

5.根据权利要求4所述的方法，其中，所述根据所述置信度，确定所述候选对象的资源分配策略，包括：

获取所述每类描述信息包括的各特征维度下的指标因子的权重；

根据所述指标因子的权重对所述指标因子的置信度进行加权，获取所述候选对象的目标置信度；

根据所述候选对象的所述目标置信度，确定所述候选对象的资源分配策略。

6.根据权利要求5所述的方法，其中，所述根据所述资源分配策略，为所述候选对象分配对应的目标资源，包括：

根据所述目标置信度，确定所述候选对象的匹配资源等级；

将所述匹配资源等级包括的资源项，作为分配给所述候选对象的目标资源。

7.根据权利要求1所述的方法，其中，所述方法还包括：

获取所述候选对象在附加特征维度下的附加指标因子的行为数据；

响应于所述附加指标因子的行为数据与所述附加指标因子的指标内容匹配，调整所述候选对象的所述目标置信度。

8.根据权利要求1-7任一项所述的方法，其中，所述方法还包括：

根据所述指标因子的置信度，获取所述每类描述信息包括的各特征维度的维度置信度；

根据所述各特征维度的维度置信度，确定所述维度置信度低于设定阈值的异常特征维度；

获取所述异常特征维度下的覆盖因素，并根据所述覆盖因素生成所述候选对象的优化策略。

9.一种资源分配装置，包括：

获取模块，用于获取候选对象的每类描述信息包括的历史行为数据；

生成模块，用于针对任一类描述信息，基于所述历史行为数据，生成所述任一类描述信息包括的各特征维度下的指标因子的置信度；

确定模块，用于根据所述置信度，确定所述候选对象的资源分配策略；

分配模块，用于根据所述资源分配策略，为所述候选对象分配对应的目标资源。

10.根据权利要求9所述的装置，其中，所述生成模块，还用于：

从所述候选对象的历史行为数据中，获取属于所述指标因子下的目标行为数据；

针对每个所述指标因子，基于所述指标因子的置信度确定策略和所述目标行为数据，确定所述候选对象在所述指标因子下的所述置信度。

11.根据权利要求10所述的装置，其中，所述生成模块，还用于：

获取各特征维度下的指标因子对应的时间周期；

获取所述指标因子的关键字，从所述历史行为数据中，获取与所述关键字匹配的候选行为数据；

从所述候选行为数据中，获取属于所述时间周期内的行为数据，作为所述候选对象在所述指标因子下的所述目标行为数据。

12.根据权利要求11所述的装置，其中，所述生成模块，还用于：

获取所述各特征维度下的指标因子对应的置信度确定策略，其中，所述置信度确定策略中包括至少一个置信度判定条件；

获取所述目标行为数据满足的所述置信度判定条件，确定所述指标因子对应的所述置信度。

13.根据权利要求12所述的装置，其中，所述确定模块，还用于：

获取所述每类描述信息包括的各特征维度下的指标因子的权重；

根据所述指标因子的权重对所述指标因子的置信度进行加权，获取所述候选对象的目标置信度；

根据所述候选对象的所述目标置信度，确定所述候选对象的资源分配策略。

14.根据权利要求13所述的装置，其中，所述分配模块，还用于：

根据所述目标置信度，确定所述候选对象的匹配资源等级；

将所述匹配资源等级包括的资源项，作为分配给所述候选对象的目标资源。

15.根据权利要求9所述的装置，其中，所述生成模块，还用于：

获取所述候选对象在附加特征维度下的附加指标因子的行为数据；

响应于所述附加指标因子的行为数据与所述附加指标因子的指标内容匹配，调整所述候选对象的所述目标置信度。

16.根据权利要求9-15任一项所述的装置，其中，所述生成模块，还用于：

根据所述指标因子的置信度，获取所述每类描述信息包括的各特征维度的维度置信度；

根据所述各特征维度的维度置信度，确定所述维度置信度低于设定阈值的异常特征维度；

获取所述异常特征维度下的覆盖因素，并根据所述覆盖因素生成所述候选对象的优化策略。

17.一种电子设备，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1-8中任一项所述的方法。

18.一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根据权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images