CN115983907A - 一种数据推荐方法、装置、电子设备及计算机可读介质 - Google Patents

Abstract

本申请公开了数据推荐方法、装置、电子设备及计算机可读介质，涉及大数据数据处理技术领域，一具体实施方式包括接收数据推荐请求，获取对应的用户标识，基于用户标识获取历史消费数据；调用标识提取方法，以提取历史消费数据对应的优惠券标识和优惠券标识对应的转化率；调用候选优惠券标识库，以基于优惠券标识和转化率，确定目标优惠券标识，进而根据目标优惠券标识向用户标识对应的用户推荐对应的目标优惠券。实现精准推荐，以提高从优惠券到消费的转化率。

Description

一种数据推荐方法、装置、电子设备及计算机可读介质

技术领域

本申请涉及大数据数据处理技术领域，尤其涉及一种数据推荐方法、装置、电子设备及计算机可读介质。

背景技术

目前，随着电子商务的不断发展，电商平台经常通过各种各样的活动，吸引用户领取优惠券，以激励用户消费，带来更多的销售额。用户领取电商平台推荐的优惠券后，往往不能找到合适的商品，或用户领取了很多张优惠券，并没有立即购买到想要的商品，一段时间后，将优惠券淡忘，最终没有使用优惠券，导致了商家发放的优惠券转化为消费的转化率低。

发明内容

有鉴于此，本申请实施例提供一种数据推荐方法、装置、电子设备及计算机可读介质，能够解决现有的商家发放的优惠券转化为消费的转化率的问题。

为实现上述目的，根据本申请实施例的一个方面，提供了一种数据推荐方法，包括：

接收数据推荐请求，获取对应的用户标识，基于用户标识获取历史消费数据；

调用标识提取方法，以提取历史消费数据对应的优惠券标识和优惠券标识对应的转化率；

调用候选优惠券标识库，以基于优惠券标识和转化率，确定目标优惠券标识，进而根据目标优惠券标识向用户标识对应的用户推荐对应的目标优惠券。

可选地，基于优惠券标识和转化率，确定目标优惠券标识，包括：

获取初始神经网络模型，基于优惠券标识和转化率训练初始神经网络模型，以得到分类模型；

将候选优惠券标识库输入至分类模型，以得到目标优惠券标识。

可选地，在根据目标优惠券标识推荐对应的目标优惠券之后，方法还包括：

获取用户标识对应的用户基于目标优惠券返回的反馈数据；

根据反馈数据更新分类模型，进而基于更新后的分类模型更新目标优惠券。

可选地，基于优惠券标识和转化率，确定目标优惠券标识，包括：

基于优惠券标识和转化率，生成用户画像；

调用候选优惠券标识库，以根据用户画像，确定目标优惠券标识。

可选地，在根据目标优惠券标识推荐对应的目标优惠券之后，方法还包括：

获取用户标识对应的用户基于目标优惠券返回的反馈数据；

根据反馈数据更新用户画像，进而基于更新后的用户画像更新目标优惠券。

可选地，生成用户画像，包括：

筛选大于预设阈值的转化率并作为目标转化率；

根据目标转化率和目标转化率对应的优惠券标识，生成用户画像。

可选地，基于优惠券标识和转化率训练初始神经网络模型，以得到分类模型，包括：

将优惠券标识作为初始神经网络模型的输入，将对应的转化率作为初始神经网络模型的期望输出，以对初始神经网络模型进行训练，得到分类模型。

另外，本申请还提供了一种数据推荐装置，包括：

接收单元，被配置成接收数据推荐请求，获取对应的用户标识，基于用户标识获取历史消费数据；

提取单元，被配置成调用标识提取方法，以提取历史消费数据对应的优惠券标识和优惠券标识对应的转化率；

数据推荐单元，被配置成调用候选优惠券标识库，以基于优惠券标识和转化率，确定目标优惠券标识，进而根据目标优惠券标识向用户标识对应的用户推荐对应的目标优惠券。

可选地，数据推荐单元进一步被配置成：

获取初始神经网络模型，基于优惠券标识和转化率训练初始神经网络模型，以得到分类模型；

将候选优惠券标识库输入至分类模型，以得到目标优惠券标识。

可选地，装置还包括更新单元，被配置成：

获取用户标识对应的用户基于目标优惠券返回的反馈数据；

根据反馈数据更新分类模型，进而基于更新后的分类模型更新目标优惠券。

可选地，数据推荐单元进一步被配置成：

基于优惠券标识和转化率，生成用户画像；

调用候选优惠券标识库，以根据用户画像，确定目标优惠券标识。

可选地，装置还包括更新单元，被配置成：

获取用户标识对应的用户基于目标优惠券返回的反馈数据；

根据反馈数据更新用户画像，进而基于更新后的用户画像更新目标优惠券。

可选地，数据推荐单元进一步被配置成：

筛选大于预设阈值的转化率并作为目标转化率；

根据目标转化率和目标转化率对应的优惠券标识，生成用户画像。

可选地，数据推荐单元进一步被配置成：

将优惠券标识作为初始神经网络模型的输入，将对应的转化率作为初始神经网络模型的期望输出，以对初始神经网络模型进行训练，得到分类模型。

另外，本申请还提供了一种数据推荐电子设备，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述的数据推荐方法。

另外，本申请还提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述的数据推荐方法。

为实现上述目的，根据本申请实施例的又一个方面，提供了一种计算机程序产品。

本申请实施例的一种计算机程序产品，包括计算机程序，程序被处理器执行时实现本申请实施例提供的数据推荐方法。

上述发明中的一个实施例具有如下优点或有益效果：本申请通过接收数据推荐请求，获取对应的用户标识，基于用户标识获取历史消费数据；调用标识提取方法，以提取历史消费数据对应的优惠券标识和优惠券标识对应的转化率；调用候选优惠券标识库，以基于优惠券标识和转化率，确定目标优惠券标识，进而根据目标优惠券标识向用户标识对应的用户推荐对应的目标优惠券。实现精准推荐，以提高从优惠券到消费的转化率。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本申请，不构成对本申请的不当限定。其中：

图1是根据本申请一个实施例的数据推荐方法的主要流程的示意图；

图2是根据本申请一个实施例的数据推荐方法的主要流程的示意图；

图3是根据本申请一个实施例的数据推荐方法的主要流程示意图；

图4是根据本申请一个实施例的数据推荐方法的应用场景示意图；

图5是根据本申请实施例的数据推荐装置的主要单元的示意图；

图6是本申请实施例可以应用于其中的示例性系统架构图；

图7是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。需要说明的是，本申请的技术方案中，所涉及的用户个人信息的采集、分析、使用、传输、存储等方面，均符合相关法律法规的规定，被用于合法且合理的用途，不在这些合法使用等方面之外共享、泄露或出售，并且接受监管部门的监督管理。应当对用户个人信息采取必要措施，以防止对此类个人信息数据的非法访问，确保有权访问个人信息数据的人员遵守相关法律法规的规定，确保用户个人信息安全。一旦不再需要这些用户个人信息数据，应当通过限制甚至禁止数据收集和/或删除数据的方式将风险降至最低。

当使用时，包括在某些相关应用程序中，通过对数据去标识来保护用户隐私，例如在使用时通过移除特定标识符、控制所存储数据的量或特异性、控制数据如何被存储、和/或其他方法去标识。

图1是根据本申请一个实施例的数据推荐方法的主要流程的示意图，如图1所示，数据推荐方法包括：

步骤S101，接收数据推荐请求，获取对应的用户标识，基于用户标识获取历史消费数据。

本实施例中，数据推荐方法的执行主体(例如，可以是服务器)可以通过有线连接或无线连接的方式，接收数据推荐请求。示例的，可以是用户在购物平台点击了一个优惠券，则执行主体即可以接收到一个数据推荐请求。例如可以是优惠券数据的推荐请求。执行主体在接收到数据推荐请求后，可以获取该请求中携带的用户标识，例如用户昵称或者用户账户名等，本申请实施例对用户标识的内容不做具体限定。执行主体在获取对应的用户标识后，可以基于用户标识获取历史消费数据。示例的，历史消费数据可以是用户标识对应的用户在过去几个月内的领取优惠券的类型、领取优惠券后的转化率、购买物品的类型、数量、价格区间、颜色、体积等数据，本申请实施例对历史消费数据的内容不做具体限定。本申请实施例中，领取优惠券后的转化率可以根据每一种优惠券类型对应的已使用优惠券数量与该优惠券类型对应的优惠券总数量的比值得到。

步骤S102，调用标识提取方法，以提取历史消费数据对应的优惠券标识和优惠券标识对应的转化率。

标识提取方法可以识别历史消费数据中的优惠券标识，并提取历史消费数据中的优惠券标识，以及还可以提取历史消费数据中与优惠券关联的转化率。

步骤S103，调用候选优惠券标识库，以基于优惠券标识和转化率，确定目标优惠券标识，进而根据目标优惠券标识向用户标识对应的用户推荐对应的目标优惠券。

优惠券标识库中可以存储有每一种优惠券类型标识对应的各个优惠券。通过转化率可以确定历史每一种优惠券类型已经使用的优惠券，并可以确定出使用数量最多的优惠券对应的优惠券类型标识并作为目标优惠券类型标识，从优惠券标识库中查找出与目标优惠券类型标识对应的优惠券以作为目标优惠券。

作为本申请实施例的另一种实现方式，基于优惠券标识和转化率，确定目标优惠券标识，包括：基于优惠券标识和转化率，生成用户画像；调用候选优惠券标识库，以根据用户画像，确定目标优惠券标识。

将转化率高于预设阈值时对应的优惠券类型确定为目标优惠券类型。确定目标优惠券类型对应的优惠券额度范围、优惠券可用时间范围。

具体可以基于优惠券类型维度、优惠券额度维度、优惠券有效期维度提取目标优惠券类型对应的优惠券的维度特征，进而调用用户画像生成模型，以基于维度特征生成对应的用户画像。

调用候选优惠券标识库，以将对应的候选优惠券标识与用户画像进行相似度匹配，得到目标优惠券标识。

作为本申请实施例的另一种实现方式，生成用户画像，包括：筛选大于预设阈值的转化率并作为目标转化率；根据目标转化率和目标转化率对应的优惠券标识，生成用户画像。具体可以是提取目标转化率对应的优惠券标识所对应的优惠券的高层特征和低层特征，进而基于该高层特征和低层特征生成融合特征，基于融合特征生成用户画像。高层特征时抽象的特征，低层特征是具体的特征。

具体地，在根据目标优惠券标识推荐对应的目标优惠券之后，数据推荐方法还包括：获取用户标识对应的用户基于目标优惠券返回的反馈数据；根据反馈数据更新用户画像，进而基于更新后的用户画像更新目标优惠券。示例的，反馈数据可以为用户对目标优惠券的操作行为数据、使用目标优惠券的时间数据等，本申请实施例对用户的反馈数据不做具体限定。

本申请实施例将神经网络与优惠券推荐结合，可以利用企业级平台优势，结合用户的一些消费行为、数据、特征，构建用户画像，实现精准推荐，以提高从优惠券到消费的转化率。

本实施例通过接收数据推荐请求，获取对应的用户标识，基于用户标识获取历史消费数据；调用标识提取方法，以提取历史消费数据对应的优惠券标识和优惠券标识对应的转化率；调用候选优惠券标识库，以基于优惠券标识和转化率，确定目标优惠券标识，进而根据目标优惠券标识向用户标识对应的用户推荐对应的目标优惠券。实现精准推荐，以提高从优惠券到消费的转化率。

图2是根据本申请一个实施例的数据推荐方法的主要流程示意图，如图2所示，数据推荐方法包括：

步骤S201，接收数据推荐请求，获取对应的用户标识，基于用户标识获取历史消费数据。

数据推荐请求，可以是还款优惠券数据的推荐请求。当执行主体检测到用户点击还款控件后，即接收到了数据推荐请求。当执行主体接收到数据推荐请求后，可以获取对应的用户标识。用户标识例如可以是用户在还款平台上的注册名称等，本申请实施例对用户标识的内容和类型不做具体限定。

执行主体在获取用户标识后，可以获取该用户标识对应的历史消费数据。历史消费数据可以是历史还款类型数据、历史还款金额数据等，本申请实施例对历史消费数据不做具体限定。

步骤S202，调用标识提取方法，以提取历史消费数据对应的优惠券标识和优惠券标识对应的转化率。

标识提取方法可以抓取预设前缀或后缀的标识，通过抓取历史消费数据中的预设前缀或后缀的标识以得到历史消费数据对应的优惠券标识。然后执行主体可以调用存储有标识-转化率键值对的数据库以根据提取的优惠券标识确定对应的转化率。

步骤S203，获取初始神经网络模型，基于优惠券标识和转化率训练初始神经网络模型，以得到分类模型。

具体地，基于优惠券标识和转化率训练初始神经网络模型，以得到分类模型，包括：将优惠券标识作为初始神经网络模型的输入，将对应的转化率作为初始神经网络模型的期望输出，以对初始神经网络模型进行训练，得到分类模型。

执行主体可以调用候选优惠券标识库以根据分类模型得到目标优惠券标识。示例的，如步骤S204所示：

步骤S204，将候选优惠券标识库输入至分类模型，以得到目标优惠券标识。

将候选优惠券标识库输入至分类模型以输出对应的各个候选优惠券标识对应的转化率，根据输出的各个转化率确定各个候选优惠券标识中的目标优惠券标识。

示例的，执行主体可以将输出的各个转化率递减排序，将排序的前n个转化率对应的候选优惠券标识确定为目标优惠券标识。

步骤S205，根据目标优惠券标识向用户标识对应的用户推荐对应的目标优惠券。

在确定出目标优惠券标识后，可以向用户推荐目标优惠券标识对应的目标优惠券。通过结合分类模型得到目标优惠券标识以执行精确的优惠券的推荐，可以提高优惠券推荐的成功率。

图3是根据本申请一个实施例的数据推荐方法的主要流程示意图，如图3所示，数据推荐方法包括：

步骤S301，接收数据推荐请求，获取对应的用户标识，基于用户标识获取历史消费数据。

数据推荐请求可以是优惠券数据的推荐请求。优惠券数据可以包括购物优惠券、健身优惠券、旅游消费优惠券等，本申请实施例对优惠券数据所包含的优惠券类型不做具体限定。

步骤S302，调用标识提取方法，以提取历史消费数据对应的优惠券标识和优惠券标识对应的转化率。

标识提取方法可以定位历史消费数据中的优惠券标识并获取对应的优惠券标识。优惠券标识对应的转化率可以通过实时计算得到。优惠券标识对应的转化率例如可以为优惠券标识对应的优惠券类型的转化率。例如可以为一个优惠券类型中已经转化成功的优惠券的数量(即该优惠券类型对应的用户已经使用过的优惠券的数量)与该优惠券类型所对应的优惠券总数量的比值。

步骤S303，获取初始神经网络模型，基于优惠券标识和转化率训练初始神经网络模型，以得到分类模型。

将优惠券标识作为初始神经网络模型的输入，将对应的转化率作为初始神经网络模型的期望输出，以对初始神经网络模型进行训练，得到分类模型。

步骤S304，将候选优惠券标识库输入至分类模型，以得到目标优惠券标识。

执行主体可以将候选优惠券标识库输入至分类模型以输出对应的各个候选优惠券标识对应的转化率，根据输出的各个转化率确定各个候选优惠券标识中的目标优惠券标识。示例的，执行主体可以将输出的各个转化率递减排序，将排序的前m个转化率对应的候选优惠券标识确定为目标优惠券标识

步骤S305，根据目标优惠券标识向用户标识对应的用户推荐对应的目标优惠券。

在确定出目标优惠券标识后，可以向用户推荐目标优惠券标识对应的目标优惠券。通过结合分类模型得到目标优惠券标识以执行精确的优惠券的推荐，可以提高优惠券推荐的成功率。

步骤S306，获取用户标识对应的用户基于目标优惠券返回的反馈数据。

在向用户推荐确定出的目标优惠券之后，执行主体可以实时获取该用户对于目标优惠券的反馈数据，该反馈数据可以包括对目标优惠券的点击数据、浏览数据、使用数据等，本申请实施例对用户的反馈数据不做具体限定。

步骤S307，根据反馈数据更新分类模型，进而基于更新后的分类模型更新目标优惠券。

执行主体可以根据反馈数据更新用于训练分类模型的优惠券标识和转化率，从而使得训练得到的分类模型根据用户的反馈数据而不断优化，从而使得基于分类模型推荐的目标优惠券的推荐成功率更高，提升用户体验。

图4是根据本申请一个实施例的数据推荐方法的应用场景示意图。示例的，如图4所示，执行主体可以采集已知优惠推荐有效度的客户消费信息样本①，并采集待测优惠推荐有效度的客户消费信息样本②，从采集的样本中提取特征值③，得到已知优惠推荐有效度样本的特征值④和未知优惠推荐有效度样本的特征值⑤，并通过构建神经网络模型⑥以基于得到的已知优惠推荐有效度样本的特征值④训练神经网络⑦以得到训练完毕的神经网络⑧，例如分类模型，然后执行主体可以将得到的未知优惠推荐有效度样本的特征值⑤输入至训练完毕的神经网络⑧，例如分类模型，得到评价结果⑨，进而可以根据得到的评价结果⑨确定目标推荐优惠券数据并向对应客户进行推荐。

其中，得到训练完毕的神经网络，例如分类模型的训练过程如下：

优惠券系统从储蓄卡系统、信用卡系统、二类三类账户系统获取客户消费相关信息，进而将客户消费相关信息和优惠推荐有效度作为一组输入输出数据训练神经网络，以得到训练完毕的神经网络，例如分类模型，进而可以基于分类模型得到各个候选优惠券的优惠推荐有效度以作为确定目标优惠券的依据，从而使得目标优惠券的确定更准确，提高目标优惠券的推荐成功率。

图5是根据本申请实施例的数据推荐装置的主要单元的示意图。如图5所示，数据推荐装置500包括接收单元501、提取单元502和数据推荐单元503。

接收单元501，被配置成接收数据推荐请求，获取对应的用户标识，基于用户标识获取历史消费数据。

提取单元502，被配置成调用标识提取方法，以提取历史消费数据对应的优惠券标识和优惠券标识对应的转化率。

数据推荐单元503，被配置成调用候选优惠券标识库，以基于优惠券标识和转化率，确定目标优惠券标识，进而根据目标优惠券标识向用户标识对应的用户推荐对应的目标优惠券。

在一些实施例中，数据推荐单元503进一步被配置成：获取初始神经网络模型，基于优惠券标识和转化率训练初始神经网络模型，以得到分类模型；将候选优惠券标识库输入至分类模型，以得到目标优惠券标识。

在一些实施例中，数据推荐装置还包括图5中未示出的更新单元，被配置成：获取用户标识对应的用户基于目标优惠券返回的反馈数据；根据反馈数据更新分类模型，进而基于更新后的分类模型更新目标优惠券。

在一些实施例中，数据推荐单元503进一步被配置成：基于优惠券标识和转化率，生成用户画像；调用候选优惠券标识库，以根据用户画像，确定目标优惠券标识。

在一些实施例中，数据推荐装置还包括图5中未示出的更新单元，被配置成：获取用户标识对应的用户基于目标优惠券返回的反馈数据；根据反馈数据更新用户画像，进而基于更新后的用户画像更新目标优惠券。

在一些实施例中，数据推荐单元503进一步被配置成：筛选大于预设阈值的转化率并作为目标转化率；根据目标转化率和目标转化率对应的优惠券标识，生成用户画像。

在一些实施例中，数据推荐单元503进一步被配置成：将优惠券标识作为初始神经网络模型的输入，将对应的转化率作为初始神经网络模型的期望输出，以对初始神经网络模型进行训练，得到分类模型。

需要说明的是，本申请的数据推荐方法和数据推荐装置在具体实施内容上具有相应关系，故重复内容不再说明。

图6示出了可以应用本申请实施例的数据推荐方法或数据推荐装置的示例性系统架构600。

如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备601、602、603可以是具有数据推荐处理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605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所提交的数据推荐请求提供支持的后台管理服务器(仅为示例)。后台管理服务器可以接收数据推荐请求，获取对应的用户标识，基于用户标识获取历史消费数据；调用标识提取方法，以提取历史消费数据对应的优惠券标识和优惠券标识对应的转化率；调用候选优惠券标识库，以基于优惠券标识和转化率，确定目标优惠券标识，进而根据目标优惠券标识向用户标识对应的用户推荐对应的目标优惠券。实现精准推荐，以提高从优惠券到消费的转化率。

需要说明的是，本申请实施例所提供的数据推荐方法一般由服务器605执行，相应地，数据推荐装置一般设置于服务器605中。

应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图7，其示出了适于用来实现本申请实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有计算机系统700操作所需的各种程序和数据。CPU701、ROM702以及RAM703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。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶征信授权查询处理器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机可读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、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、提取单元和数据推荐单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。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，使得该设备接收数据推荐请求，获取对应的用户标识，基于用户标识获取历史消费数据；调用标识提取方法，以提取历史消费数据对应的优惠券标识和优惠券标识对应的转化率；调用候选优惠券标识库，以基于优惠券标识和转化率，确定目标优惠券标识，进而根据目标优惠券标识向用户标识对应的用户推荐对应的目标优惠券。

本申请的计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本申请实施例中的数据推荐方法。

根据本申请实施例的技术方案，可以实现精准推荐，以提高从优惠券到消费的转化率。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (16)

1.一种数据推荐方法，其特征在于，包括：

接收数据推荐请求，获取对应的用户标识，基于所述用户标识获取历史消费数据；

调用标识提取方法，以提取所述历史消费数据对应的优惠券标识和所述优惠券标识对应的转化率；

调用候选优惠券标识库，以基于所述优惠券标识和所述转化率，确定目标优惠券标识，进而根据所述目标优惠券标识向所述用户标识对应的用户推荐对应的目标优惠券。

2.根据权利要求1所述的方法，其特征在于，所述基于所述优惠券标识和所述转化率，确定目标优惠券标识，包括：

获取初始神经网络模型，基于所述优惠券标识和所述转化率训练所述初始神经网络模型，以得到分类模型；

将所述候选优惠券标识库输入至所述分类模型，以得到目标优惠券标识。

3.根据权利要求2所述的方法，其特征在于，在所述根据所述目标优惠券标识推荐对应的目标优惠券之后，所述方法还包括：

获取所述用户标识对应的用户基于所述目标优惠券返回的反馈数据；

根据所述反馈数据更新所述分类模型，进而基于更新后的分类模型更新所述目标优惠券。

4.根据权利要求1所述的方法，其特征在于，所述基于所述优惠券标识和所述转化率，确定目标优惠券标识，包括：

基于所述优惠券标识和所述转化率，生成用户画像；

调用候选优惠券标识库，以根据所述用户画像，确定目标优惠券标识。

5.根据权利要求4所述的方法，其特征在于，在所述根据所述目标优惠券标识推荐对应的目标优惠券之后，所述方法还包括：

获取用户标识对应的用户基于所述目标优惠券返回的反馈数据；

根据所述反馈数据更新所述用户画像，进而基于更新后的用户画像更新所述目标优惠券。

6.根据权利要求4所述的方法，其特征在于，所述生成用户画像，包括：

筛选大于预设阈值的转化率并作为目标转化率；

根据所述目标转化率和所述目标转化率对应的优惠券标识，生成用户画像。

7.根据权利要求2所述的方法，其特征在于，所述基于所述优惠券标识和所述转化率训练所述初始神经网络模型，以得到分类模型，包括：

将所述优惠券标识作为所述初始神经网络模型的输入，将对应的所述转化率作为所述初始神经网络模型的期望输出，以对所述初始神经网络模型进行训练，得到分类模型。

8.一种数据推荐装置，其特征在于，包括：

接收单元，被配置成接收数据推荐请求，获取对应的用户标识，基于所述用户标识获取历史消费数据；

提取单元，被配置成调用标识提取方法，以提取所述历史消费数据对应的优惠券标识和所述优惠券标识对应的转化率；

数据推荐单元，被配置成调用候选优惠券标识库，以基于所述优惠券标识和所述转化率，确定目标优惠券标识，进而根据所述目标优惠券标识向所述用户标识对应的用户推荐对应的目标优惠券。

9.根据权利要求8所述的装置，其特征在于，所述数据推荐单元进一步被配置成：

获取初始神经网络模型，基于所述优惠券标识和所述转化率训练所述初始神经网络模型，以得到分类模型；

将所述候选优惠券标识库输入至所述分类模型，以得到目标优惠券标识。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括更新单元，被配置成：

获取所述用户标识对应的用户基于所述目标优惠券返回的反馈数据；

根据所述反馈数据更新所述分类模型，进而基于更新后的分类模型更新所述目标优惠券。

11.根据权利要求8所述的装置，其特征在于，所述数据推荐单元进一步被配置成：

基于所述优惠券标识和所述转化率，生成用户画像；

调用候选优惠券标识库，以根据所述用户画像，确定目标优惠券标识。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括更新单元，被配置成：

获取用户标识对应的用户基于所述目标优惠券返回的反馈数据；

根据所述反馈数据更新所述用户画像，进而基于更新后的用户画像更新所述目标优惠券。

13.根据权利要求11所述的装置，其特征在于，所述数据推荐单元进一步被配置成：

筛选大于预设阈值的转化率并作为目标转化率；

根据所述目标转化率和所述目标转化率对应的优惠券标识，生成用户画像。

14.一种数据推荐电子设备，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1-7中任一项所述的方法。

15.一种计算机可读介质，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1-7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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

Images