CN116308505A - 资源分配方法、装置、存储介质和计算机设备 - Google Patents
资源分配方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN116308505A CN116308505A CN202211660098.4A CN202211660098A CN116308505A CN 116308505 A CN116308505 A CN 116308505A CN 202211660098 A CN202211660098 A CN 202211660098A CN 116308505 A CN116308505 A CN 116308505A
- Authority
- CN
- China
- Prior art keywords
- user
- resource
- sample
- difference
- determining
- 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
- 238000013468 resource allocation Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012795 verification Methods 0.000 claims abstract description 134
- 238000003066 decision tree Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 27
- 238000012216 screening Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011284 combination treatment Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0239—Online discounts or incentives
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种资源分配方法、装置、存储介质和计算机设备。本申请的方法,能够以用户特征、资源特征和场景特征三个方面作为分配资源的参考依据,在保证了资源分配的客观性与公平性的同时,使目标用户能够获得更符合自身需求的资源,不仅能够提高资源的使用效果,有利于提升成交总额,还能够为用户提供适宜的优惠政策,提升用户购物体验,进而增强用户忠诚度;并且基于特征工程构建模型样本特征分类的树形结构,并通过分裂增益从多个特征维度筛选出影响显著的模型样本特征,以辅助确定业务上的判别规则,提高模型输出结果的可解释性,有效地实现了关于目标用户在不同业务场景下对不同资源进行核销行为的准确预测。
Description
技术领域
本申请涉及互联网技术领域,尤其是涉及到一种资源分配方法、装置、存储介质和计算机设备。
背景技术
电商的快速发展,已经深刻的影响了人们的支付方式。商户在举行推广、促销活动时,经常会发放大量的资源,如优惠券等,以吸引消费者,促使用户使用优惠券进行消费,以达到平台利益最大化的目的。但派送优惠券是需要成本的,每一张优惠券都会增加商家的成本,若优惠券被使用,则产生优惠,即商家垫付优惠券的成本,若优惠券被用户核销,即用户指使用优惠券并形成订单,则商家需要付出优惠券成本;若没有被核销,则不产生任何成本。因此,如何利用优惠券以最小的促销成本来获得最优的成交总额(Cross MerchandiseVolume,GMV)与独立访客(Unique visitor,UV)指标成为亟待解决的问题。
为了解决上述问题,优惠券发放方法主要有两种,第一种方法,由运营人员人工筛选候选人群,然后将优惠券发送到被筛选到人群的用户账户中,但需要付出大量的人力工作进行优惠券的配置;第二种方法,在促销活动页面设置统一的优惠券,由用户自行领取,但上述方式难以精确地按需发放优惠券,从而不能使优惠券的投资回报率(Return OnInvestment,ROI)达到最大化。
发明内容
有鉴于此,本申请提供了一种资源分配方法、装置、存储介质和计算机设备,通过用户特征、优惠券特征和场景特征选取适合的资源,从而将资源精准发到需求该资源的人群手中以提升成交总额指标和独立访客指标。
根据本申请的一个方面,提供了一种资源分配方法,包括:
获取样本用户和样本用户的历史资源核销信息,样本用户包括第一用户和第二用户;
根据第一用户和第二用户的用户特征,确定样本用户特征和样本用户特征的影响度权重;
分别对历史资源核销信息中的资源特征和场景特征进行处理,确定第三用户的共性资源特征和共性场景特征,以及共性资源特征相对于第二用户的第一差异度和共性场景特征相对于第二用户的第二差异度,第三用户为样本用户特征对应的第一用户;
根据第一差异度、第二差异度和影响度权重,对样本用户特征、共性资源特征和共性场景特征进行特征交叉处理,构建决策树模型;
根据决策树模型中分裂节点的分裂增益,确定样本用户特征、共性资源特征和共性场景特征中的模型样本特征,以及模型样本特征之间的关联关系;
按照模型样本特征和关联关系执行机器学习操作,得到核销概率模型;
根据核销概率模型为目标用户分配资源。
可选地,根据第一用户和第二用户的用户特征,确定样本用户特征和样本用户特征的影响度权重,具体包括:
若用户特征对应的第一用户和第二用户之间的数量差值大于预设差值,将用户特征确定为差异用户特征;
确定差异用户特征的影响度权重;
根据影响度权重对差异用户特征进行筛选处理,得到样本用户特征。
可选地,确定差异用户特征的影响度权重,具体包括:
根据差异用户特征对应的第一用户在样本用户中的占比,计算影响度权重;和/或,
根据历史资源核销信息,确定差异用户特征分别与第一用户和第二用户的相关性系数,并根据相关性系数计算影响度权重。
可选地,样本用户特征包括第一特征和/或第二特征;根据影响度权重对差异用户特征进行筛选处理,确定样本用户特征,具体包括:
若差异用户特征的影响度权重大于预设权重,将差异用户特征确定为第一特征;
若第一特征的数量为多个,对多个第一特征进行组合处理,得到第二特征。
可选地,分别对历史资源核销信息中的资源特征和场景特征进行处理,具体包括:
若资源特征对应的第三用户在资源特征对应的第一用户中的数量占比大于或等于第一预设比值,将资源特征确定为共性资源特征;
若场景特征对应的第三用户在场景特征对应的第一用户中的数量占比大于或等于第二预设比值,将场景特征确定为共性场景特征;
根据第二用户和共性资源特征对应的第三用户的数量,确定共性资源特征的第一差异度;
根据第二用户和共性场景特征对应的第三用户的数量,确定共性场景特征的第二差异度。
可选地,获取样本用户和样本用户的历史资源核销信息之后,资源分配方法还包括:
若历史资源核销信息符合预设条件,将历史资源核销信息对应的样本用户确定为第一用户;
若历史资源核销信息不符合预设条件,将历史资源核销信息对应的样本用户确定为第二用户;
其中,预设条件包括在预设时间段内样本用户执行资源核销操作。
可选地,根据核销概率模型为目标用户分配资源,具体包括:
按照预设约束项对核销概率模型进行处理,得到资源分配模型;
将目标用户的用户特征和当前场景特征输入资源分配模型,确定目标用户对应的分配资源特征和分配场景特征;
若目标用户所处业务场景的场景特征符合分配场景特征,将具备分配资源特征的资源发送至目标用户。
根据本申请的另一方面,提供了一种资源分配装置,包括:
获取模块,用于获取样本用户和样本用户的历史资源核销信息,样本用户包括第一用户和第二用户;
特征确定模块,用于根据第一用户和第二用户的用户特征,确定样本用户特征和样本用户特征的影响度权重;以及,分别对历史资源核销信息中的资源特征和场景特征进行处理,确定第三用户的共性资源特征和共性场景特征,以及共性资源特征相对于第二用户的第一差异度和共性场景特征相对于第二用户的第二差异度,第三用户为样本用户特征对应的第一用户;
构建模块,用于根据第一差异度、第二差异度和影响度权重,对样本用户特征、共性资源特征和共性场景特征进行特征交叉处理,构建决策树模型;
关联模块,用于根据决策树模型中分裂节点的分裂增益,确定样本用户特征、共性资源特征和共性场景特征中的模型样本特征,以及模型样本特征之间的关联关系;
训练模块,用于按照模型样本特征和关联关系执行机器学习操作,得到核销概率模型;
资源分配模块,用于根据核销概率模型为目标用户分配资源。
可选地,根据第一用户和第二用户的用户特征;特征确定模块,包括:
用户特征模块,用于若用户特征对应的第一用户和第二用户之间的数量差值大于预设差值,将用户特征确定为差异用户特征;以及,确定差异用户特征的影响度权重;
筛选模块,用于根据影响度权重对差异用户特征进行筛选处理,得到样本用户特征。
可选地,用户特征模块,具体用于根据差异用户特征对应的第一用户在样本用户中的占比,计算影响度权重。
可选地,用户特征模块,具体用于根据历史资源核销信息,确定差异用户特征分别与第一用户和第二用户的相关性系数,并根据相关性系数计算影响度权重。
可选地,样本用户特征包括第一特征和/或第二特征;
筛选模块,具体用于若差异用户特征的影响度权重大于预设权重,将差异用户特征确定为第一特征;若第一特征的数量为多个,对多个第一特征进行组合处理,得到第二特征。
可选地,特征确定模块,具体用于若资源特征对应的第三用户在资源特征对应的第一用户中的数量占比大于或等于第一预设比值,将资源特征确定为共性资源特征;若场景特征对应的第三用户在场景特征对应的第一用户中的数量占比大于或等于第二预设比值,将场景特征确定为共性场景特征;根据第二用户和共性资源特征对应的第三用户的数量,确定共性资源特征的第一差异度;根据第二用户和共性场景特征对应的第三用户的数量,确定共性场景特征的第二差异度。
可选地,资源分配装置还包括:
分类模块,用于若历史资源核销信息符合预设条件,将历史资源核销信息对应的样本用户确定为第一用户;若历史资源核销信息不符合预设条件,将历史资源核销信息对应的样本用户确定为第二用户;其中,预设条件包括在预设时间段内样本用户执行资源核销操作。
可选地,资源分配模块,具体用于按照预设约束项对核销概率模型进行处理,得到资源分配模型;将目标用户的用户特征和当前场景特征输入资源分配模型,确定目标用户对应的分配资源特征和分配场景特征;若目标用户所处业务场景的场景特征符合分配场景特征,将具备分配资源特征的资源发送至目标用户。
根据本申请再一个方面,提供了可读存储介质,其上存储有程序或指令,程序或指令被处理器执行时实现上述资源分配方法的步骤。
根据本申请又一个方面,提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,处理器执行程序时实现上述资源分配方法的步骤。
借由上述技术方案,一方面,以用户特征、资源特征和场景特征三个方面作为分配资源的参考依据,在保证了资源分配的客观性与公平性的同时,使目标用户能够获得更符合自身需求的资源,不仅能够提高资源的使用效果,有利于提升成交总额,还能够为用户提供适宜的优惠政策,提升用户购物体验,进而增强用户忠诚度。另一方面,基于特征工程构建模型样本特征分类的树形结构,并通过分裂增益从多个特征维度筛选出影响显著的模型样本特征,以辅助确定业务上的判别规则,提高模型输出结果的可解释性,有效地实现了关于目标用户在不同业务场景下对不同资源进行核销行为的准确预测。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的资源分配方法的流程示意图;
图2示出了本申请实施例提供的资源分配装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“相接”到另一元件时,它可以直接连接或相接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“相接”可以包括无线连接或无线稠接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
现在,将参照附图更详细地描述根据本申请的示例性实施例。然而,这些示例性实施例可以多种不同的形式来实施,并且不应当被解释为只限于这里所阐述的实施例。应当理解的是,提供这些实施例是为了使得本申请的公开彻底且完整,并且将这些示例性实施例的构思充分传达给本领域普通技术人员。
在本实施例中提供了一种资源分配方法,如图1所示,该方法包括:
步骤101,获取样本用户和样本用户的历史资源核销信息;
其中,样本用户包括第一用户和第二用户。历史资源核销信息包括用户是否存在资源的核销操作、资源的核销时间、核销的资源特征、执行核销操作所处的业务场景的场景特征等。资源可以是优惠券、代币、红包等。资源特征包括但不限于以下至少一种:资源类型、资源门槛、资源额度、资源折扣、资源有效期。场景特征包括但不限于以下至少一种:场站区域特征、消费热度、场站周围POI(Point of Interest,感兴趣点)特征。
可以理解的是,样本用户为预先设定的具备参考价值的用户,例如,一年内登录过电商平台的用户或者消费较为频繁的用户,本申请实施例不再一一例举。
在实际应用场景中,步骤101之后,资源分配方法还包括:
步骤201,若历史资源核销信息符合预设条件,将历史资源核销信息对应的样本用户确定为第一用户;
步骤202,若历史资源核销信息不符合预设条件,将历史资源核销信息对应的样本用户确定为第二用户。
其中,预设条件包括在预设时间段内样本用户执行资源核销操作。
在该实施例中,查看历史资源核销信息中预设时间段内样本用户是否存在过资源的核销操作。若样本用户执行了资源核销操作,说明该样本用户对资源的需求性较高,此时判定该样本用户的历史资源核销信息符合预设条件,并将该样本用户划分为存在核销操作的第一用户。反之,若样本用户预设时段内没有进行资源的核销操作,说明该样本用户对资源的需求性较低,此时判定该样本用户的历史资源核销信息不符合预设条件,并将该样本用户划分为不存在核销操作的第二用户。以便于利用分类后的第一用户和第二用户确定不同类用户的资源核销差异,进而达到精准分配资源的目的。
步骤102,根据第一用户和第二用户的用户特征,确定样本用户特征和样本用户特征的影响度权重;
其中,用户特征即与用户消费相关的数据,例如,用户特征包括:消费能力等级、价格敏感度、忠诚度、优惠券需求强度、场景偏好特征、优惠券偏好特征等。
在该实施例中,通过比对第一用户和第二用户的用户特征,确定两类用户之间存在差异的样本用户特征,以及样本用户特征相对于资源核销操作的影响度权重。从而经过大量统计和分析工作找到了与资源和核销操作关联较明显的指标,以便于通过该指标能有效表征用户核销资源进行购物的倾向。
例如,该用户较少网购或不习惯使用优惠券,这就造成这部分优惠券被浪费,经过对存在核销操作的第一用户与不存在核销操作的第二用户的用户特征细分和重组后发现消费能力等级较高且价格敏感度低的第一用户为100人第二用户仅为5人,不同类用户数量差异较大,得到了强相关的样本用户特征(消费能力等级、价格敏感度)。当这两个指标满足一定条件时,优惠券被使用的概率很低。以资源为优惠券为例,某个用户在鞋子品类的消费能力等级为1级(不经常购买500元以上鞋子),如果发放的鞋子优惠券的门槛为1000元,则用户使用该优惠券的概率较低,会造成优惠券资源的浪费。又例如,用户A对某些品类的商品的价格不敏感(很少使用优惠券),可以根据该信息得知即使给用户A发放优惠券,优惠券被使用的也概率较低,也即用户A核销优惠券的概率较低。
在实际应用场景中,步骤102,也即根据第一用户和第二用户的用户特征,确定样本用户特征和样本用户特征的影响度权重,具体包括:
步骤102-1,若用户特征对应的第一用户和第二用户之间的数量差值大于预设差值,将用户特征确定为差异用户特征;
步骤102-2,确定差异用户特征的影响度权重;
具体地,确定差异用户特征的影响度权重可采用下述方式:
方式一,根据差异用户特征对应的第一用户在样本用户中的占比,计算影响度权重。
在该实施例中,根据相同用户特征对应的第一用户和第二用户之间的数量差异确定第一用户和第二用户之间存在较大差异的差异用户特征。对于任一差异用户特征,将任一差异用户特征对应的第一用户在样本用户中的占比代入预设的计算算法中,计算出影响度权重。以便于筛选出多个差异用户特征中对核销用户和未核销用户来说影响较大的用户特征,可以将这些重要的差异用户特征作为后续分析的基础数据。其中,计算算法可用于表示占比与影响度权重之前的对应关系,可按需合理设置,本申请实施例不做具体限定。
方式二,根据历史资源核销信息,确定差异用户特征分别与第一用户和第二用户的相关性系数,并根据相关性系数计算影响度权重。
在该实施例中,如果筛选出的差异用户特征为多个,通过占比计算影响度权重可能存在加大误差。故而,引入差异用户特征分别与第一用户和第二用户的相关性系数对影响度权重进行计算,以保证影响度权重能够更加精准的反映出每个差异用户特征的贡献度。
具体地,相关性系数包括以下至少一种:皮尔森相关系数(Person)、斯皮尔曼相关性系数(Spearman)、肯德尔相关性系数(Kendalltau)。其中,依据公式(1)可以获得皮尔森相关性系数:
式中,ρ表示皮尔森相关性系数,X和Y分别表示第一用户和第二用户对应的差异用户特征相关的特征数据,con(X,Y)为X,Y的协方差,σX表示X的标准差,σY表示Y的标准差。
依据公式(2)可以获得斯皮尔曼相关性系数:
式中,S表示斯皮尔曼相关性系数,di表示被观测的两个变量(第一用户和第二用户)的等级的差值,其中,di=xi-yi,n表示原始数据依据其在总体数据中平均的降序位置。
依据公式(3)可以获得肯德尔相关性系数:
式中,γ表示肯德尔相关性系数,number of concordant pairs表示统计对象按同序排序的同序对,number of discordant pairs表示统计对象按异序排序的异序对,n表示被统计对象的数量。
步骤102-3,根据影响度权重对差异用户特征进行筛选处理,得到样本用户特征。
在该实施例中,先通过比对同一用户特征的第一用户和第二用户之间的数量差,从多种用户特征中筛选出为对核销用户和未核销用户来说存在较大差异的差异用户特征。并且确定差异用户特征相对于资源核销操作的影响度权重。确定影响度权重之后,按照影响度权重的大小对差异用户特征进行筛选,将影响度权重大于预设权重的差异用户特征作为和核销操作关联较明显的样本用户特征,以便于通过该样本用户特征表征用户核销资源进行购物的倾向。
进一步地,样本用户特征包括第一特征和/或第二特征。则步骤102-3具体包括:若差异用户特征的影响度权重大于预设权重,将差异用户特征确定为第一特征;若第一特征的数量为多个,对多个第一特征进行组合处理,得到第二特征。
在该实施例中,在确定差异用户特征之后,选取影响度权重大于预设权重的差异用户特征作为第一特征。若存在多个第一特征则对多个第一特征进行组合处理,形成新的第二特征。从而将存在较大差异且影响度权重较高的差异用户特征进一步细化,以便于根据用户特征中的重要特征对用户进行分类,来计算相同类型用户群中的核销和未核销资源在资源或场景特征偏好中的共性及差异度,进而有针对性地为每个用户分配资源。
例如,3个第一特征分别为男性、偏好鞋子购买、价格敏感度低,组合处理后生成4个新的第二特征:价格敏感度低的男性、偏好鞋子购买的男性、偏好鞋子购买且价格敏感度低、偏好鞋子购买且价格敏感度低的男性。将上述3个第一特征和4个第二特征作为特征工程所需样本用户特征。
步骤103,分别对历史资源核销信息中的资源特征和场景特征进行处理,确定第三用户的共性资源特征和共性场景特征,以及共性资源特征相对于第二用户的第一差异度和共性场景特征相对于第二用户的第二差异度;
其中,第三用户为样本用户特征对应的第一用户。
在该实施例中,结合所有第一用户的历史资源核销信息,对其中的资源特征以及场景特征进行分析,挖掘针对不同样本用户特征,实际核销了资源的第一用户之间的资源共同点(共性资源特征)和业务场景共同点(共性场景特征)。并通过与第二用户的对比确定共性资源特征相对于第二用户的差异度,以及共性场景特征相对于第二用户的第二差异度,进而通过共性与差异分析出不同特征对用户核销资源的贡献度,以便于后续有针对性地为每个目标用户分配更加适合自身需求的资源,不仅有助于提高资源的利用率,而且能够为用户节省购物资金,提升用户黏性。
在实际应用场景中,步骤103具体包括如下步骤:
步骤103-1,若资源特征对应的第三用户在资源特征对应的第一用户中的数量占比大于或等于第一预设比值,将资源特征确定为共性资源特征;
步骤103-2,若场景特征对应的第三用户在场景特征对应的第一用户中的数量占比大于或等于第二预设比值,将场景特征确定为共性场景特征;
其中,第一预设比值和第二预设比值可根据特征筛选精度合理设置。
在该实施例中,根据用户特征中的影响度权重较高的样本用户特征对第三用户进行分类,并通过具备相同样本用户特征的第三用户在所有第一用户中的数量占比确定大部分第一用户对资源相关数据的倾向(共性资源特征和共性场景特征)。
例如,以资源特征为例,对于价格敏感度高的100个核销了优惠券人中,里面有50个人使用了10元额度无门槛的券,40个人使用了40元额度无门槛的券,而另外10个人中3个使用88元额度无门槛的券,2个使用品类专属券,5个使用满1000减20的折扣券,其中,根据第一预设比值可以将10元额度无门槛的券和40元额度无门槛的券作为共性资源特征。而这种买与不买,就是共性和差异,因此,将具备相同样本用户特征的第三用户按照类别进行特征分类后,看用户群中他们共同核销过哪些优惠券,没核销过哪些优惠券,进而分别统计核销过的优惠券的特征,以及未核销过的优惠券的特征,发现其中规律,作为后续模型训练依据。
步骤103-3,根据第二用户和共性资源特征对应的第三用户的数量,确定共性资源特征的第一差异度;
步骤103-4,根据第二用户和共性场景特征对应的第三用户的数量,确定共性场景特征的第二差异度。
在该实施例中,根据用户特征中的影响度权重较高的样本用户特征对第三用户进行分类,进一步通过用户数量计算每个分类特征的用户群中,核销与未核销资源的用户在不同业务场景下对不同资源特征的差异度。以便于通过差异度反映具有相同用户特征的用户对多种业务场景下多种资源的核销差异。
步骤104,根据第一差异度、第二差异度和影响度权重,对样本用户特征、共性资源特征和共性场景特征进行特征交叉处理,构建决策树模型;
其中,决策树模型是机器学习领域的经典算法模型,决策树是表示基于特征对样本进行分类的树形结构,决策树的分类过程可概括为从给定的数据集中依据特征选择的准则,递归地选择最优划分特征,并根据选择的最优划分特征将数据集进行分割,使得各数据子集有一个最好的分类的过程。
在该实施例中,对于决策树模型来说,若对所有的特征均进行全交叉,使得模型信息量过多,会对模型有负载,导致信息偏差。因此,先通过第一差异度、第二差异度和影响度权重确定特征交叉方式,并通过该特征交叉方式选取可进行交叉融合的特征,并对其进行特征分裂,得到多个分裂结果,最后利用分裂结果生成包含大量新的多维度交叉特征的决策树模型。一方面,降低特征交叉处理对系统的要求,提高树模型构建的精准度,另一方面,基于特征工程构建模型样本特征分类的树形结构,并通过分裂增益从多个特征维度筛选出影响显著的模型样本特征,以辅助确定业务上的判别规则,提高模型输出结果的可解释性,有效地实现了关于目标用户在不同业务场景下对不同资源进行核销行为的准确预测。
可以理解的是,可以分别对第一差异度、第二差异度和影响度权重设置多个范围区间,范围区间与特征交叉方式一一对应,范围区间可以根据平台业务需求合理设定。
例如,若第二差异度和影响度权重均位于对应的第一范围区间内,说明第二差异度对应的共性场景特征相对于第二用户的差异度较大,且影响度权重对应的样本用户特征对用户触发核销操作的贡献度也较大,则确定特征交叉方式为全交叉,也即将该共性场景特征和样本用户特征进行融合,进而形成包含双特征的新特征。比如,对于消费场景中消费的场站是热门场站还是非热门场站,价格敏感度高的用户与场站热度交叉会形成多个场景,包括价格敏感度高的用户在高热度场站中购买了多少优惠券,在低热度场站中购买了多少优惠券等,将用户特征与优惠券特征和/或消费场景特征相结合,形成了新的特征。交叉的越多,颗粒度越细,后续模型学到细节就越多。
再例如,若样本用户特征A和样本用户特征B的影响度权重均位于对应的第二范围区间内,影响度权重对应的样本用户特征对用户触发核销操作的贡献度一般,则确定特征交叉方式为半交叉,此时,显示样本用户特征A和样本用户特征B,以使管理人员能够对样本用户特征A和样本用户特征B进行选择,并按照管理人员选择的样本用户特征进行后续特征交叉处理,未被选择的样本用户特征则停止分裂。从而由工作人员在分析出的特征中,哪一类特征较多,哪一类比较匮乏,将匮乏的特征进行半交叉,融合成一个新特征,比如用户特征中男性特征与其他特征交叉说产生的新特征已经足够,此时工作人员想增加些女性信息时,可只对女性信息这一用户特征与其他特征进行交叉融合成一个新特征。
再例如,若第一差异度和影响度权重均位于对应的第三范围区间内,说明第一差异度对应的共性资源特征相对于第二用户的差异度较小,且影响度权重对应的样本用户特征对用户触发核销操作的贡献度也较低,则确定特征交叉方式为取消交叉,也即停止对该共性资源特征和样本用户特征进行分裂,也就不会生成新的特征。最终,将全交叉与半交叉产生的新特征汇总到一起形成特征的树结构。
需要说明的是,决策树模型的生成是使用满足特征选择的准则将由若干特征所形成的数据集不断进行最优数据子集划分的过程,因此对于决策树模型的生成,需要获取由多个不同维度的共性资源特征、共性场景特征和样本用户特征所形成的训练数据集,后续通过不断地划分训练数据集,相应生成决策树模型的各节点及分支,也即不断地进行节点的分裂,直至根据分裂得到的子节点所包含的数据集能够确定出细化后的特征,从而最终得到具有数据分类功能的决策树模型。
步骤105,根据决策树模型中分裂节点的分裂增益,确定样本用户特征、共性资源特征和共性场景特征中的模型样本特征,以及模型样本特征之间的关联关系;
具体地,决策树模型可以是Xgboost模型,亦可以是GBDT模型。对于GBDT模型可通过信息增益、基尼指数等作为分裂增益,在此不再详述。
在该实施例中,由于分裂增益是与模型预测的准确性相一致的,分裂增益越大,决策树模型预测的准确性越高,即决策树模型预测值与相应标签值之间的误差越小,故而可根据决策树模型中分裂节点(叶子)的分裂增益,计算汇总后的交叉特征的贡献度,并以此为依据对树模型进行裁剪以筛选出多个贡献度较大的模型样本特征,并基于裁剪后的树模型确定模型样本特征之间的关联关系。从而使找出的用户群的颗粒度更小,找出的模型样本特征更加准确,有效地提升了得到的决策树模型的泛化性与准确性,以使得后续可以基于该决策树模型来进行个性化的资源分配。
可以理解的是,可基于特征的标签值通过贪心算法(xact Greedy Algorithm)计算分裂增益。贪心算法是一种通过穷举法找到最优分裂的算法。例如,对于用户特征f1,各个共性资源特征对应用户特征f1的特征值为a:10,b:15,c:13,d:12,e:16可首先按照该特征值的从小到大的顺序对各个共性资源特征进行排序,即:adcbe,从而可基于排序获取与f1对应的六种分裂结果(交叉特征):(0,adcbe)、(a,dcbe)、(ad,cbe)、(adc,be)、(adcb,e)和(adcbe,0),并计算分裂结果的标签值计算分裂增益。
值得一提的是,决策树模型中相同的交叉特征,可对其仅计算一次分裂增益。但在实际应用中,由于样本数和特征数都较大,存在相同的交叉特征的概率较小。
步骤106,按照模型样本特征和关联关系执行机器学习操作,得到核销概率模型;
具体地,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析等多门学科。机器学习专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。
步骤107,根据核销概率模型为目标用户分配资源。
本实施例中提出的资源分配方法,首先,获取样本用户和样本用户的历史资源核销信息,并利用历史资源核销信息将选定的样本用户分类为存在资源核销操作的第一用户和不存在资源核销操作的第二用户。通过比对第一用户和第二用户的用户特征,确定两类用户之间存在差异的样本用户特征,以及样本用户特征相对于资源核销操作的影响度权重。分别对历史资源核销信息中的资源特征和场景特征进行处理,确定样本用户特征对应的第一用户的共性资源特征和共性场景特征,以及共性资源特征相对于第二用户的第一差异度和共性场景特征相对于第二用户的第二差异度。然后按照两个不同类别的用户对应的样本用户特征、共性资源特征和共性场景特征进行特征交叉处理,构建决策树模型,以利用决策树模型确定样本用户特征、共性资源特征和共性场景特征中的模型样本特征,以及模型样本特征之间的关联关系,以确定各特征维度的数据对该用户核销资源的特征贡献度。再按照模型样本特征及其关联关系执行机器学习操作,得到核销概率模型,使得核销概率模型能够反映出两个不同类别的用户对多种业务场景下多种资源的核销差异,并利用该核销差异为目标用户分配出更加适合自己的资源。一方面,以用户特征、资源特征和场景特征三个方面作为分配资源的参考依据,在保证了资源分配的客观性与公平性的同时,使目标用户能够获得更符合自身需求的资源,不仅能够提高资源的使用效果,有利于提升成交总额,还能够为用户提供适宜的优惠政策,提升用户购物体验,进而增强用户忠诚度。另一方面,基于特征工程构建模型样本特征分类的树形结构,并通过分裂增益从多个特征维度筛选出影响显著的模型样本特征,以辅助确定业务上的判别规则,提高模型输出结果的可解释性,有效地实现了关于目标用户在不同业务场景下对不同资源进行核销行为的准确预测。
进一步地,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,步骤107,也即根据核销概率模型为目标用户分配资源,具体包括如下步骤:
步骤107-1,按照预设约束项对核销概率模型进行处理,得到资源分配模型;
其中,预设约束项包括平台允许的优惠额度、预设的优惠券转化率、优惠券数量等,例如,平台方按需将预设约束项设置为500张满100减30的优惠券和10000张当日使用的无门槛5元优惠券。预设约束项可按需合理设置,本申请实施例不做具体限定。
步骤107-2,将目标用户的用户特征和当前场景特征输入资源分配模型,确定目标用户对应的分配资源特征和分配场景特征;
步骤107-3,若目标用户所处业务场景的场景特征符合分配场景特征,将具备分配资源特征的资源发送至目标用户。
在该实施例中,充分考虑了商家方对资源的发放需求,获取商家方设置的预设约束项,并以预设约束项为目标动态规划定义核销概率模型,进一步优化得到资源分配模型。将目标用户的用户特征输入资源分配模型,资源分配模型输出同时满足预设约束项需求和更加适合目标用户的分配资源特征和分配场景特征。若目标用户当前所处的业务场景的场景特征与分配场景特征相同,也即满足资源的场景分配条件,则将该分配场景特征关联的分配资源特征指示的资源分配给目标用户。从而在保证商家方需求的基础上,基于不同业务场景及目标用户,发放更适合目标用户使用的资源,实现了为不同的目标用户进行不同场景下不同种类的资源的优化匹配,有助于更合理的分配资源,不仅实现最优解计算效率最大化,有助于提升资源的转化率和用户忠诚度,而且兼顾了用户和商家的使用体验。
值得一提的是,目标用户表示可分配资源的用户。在将目标用户的用户特征输入资源分配模型之前,可通过预设条件对平台注册的所有用户进行筛选,从而确定可分配资源的目标用户。例如,将存在购买记录的用户作为目标用户,或者处于登陆状态的用户作为目标用户。通过用户筛选不仅减少了模型数据处理的数据量,降低系统运行压力,而且避免将资源分配给无需资源的用户,有助于更合理的分配资源。
需要说明的是,通过模型得到的分配资源特征可以为一个或多个,在存在多个分配资源特征的情况下,发送至目标用户的资源需具备多个分配资源特征。
具体举例来说,S1,选取历史发放优惠券后7日内核销及未核销的用户及历史资源核销信息。
S2,挖掘发放优惠券后7日内核销与未核销用户的差异性特征,并基于用户历史优惠券使用的真实数据,计算差异性特征的影响度权重;用户特征包括用户消费能力、价格敏感度、忠诚度、需求强度、行为特征、消费场景偏好、优惠券偏好、历史优惠券使用特征等。
S3,根据用户特征中的重要特征(影响度权重较高的部分)对用户进行分类,分类逻辑包括单特征直接分类及多特征组合分类,进一步计算相同类型用户群中的核销与未核销优惠券用户在优惠券特征偏好中的共性及差异度。其中,优惠券特征包括类型、门槛、额度、折扣、有效期等。
S4,根据用户特征中的重要特征(影响度权重较高的部分)对用户进行分类,进一步计算相同类型用户群中的核销与未核销优惠券用户在消费场景特征偏好中的共性及差异度。场景特征包括场站区域特征、消费热度、周围POI特征等。
S5,构建决策树模型对多种特征进行交叉。具体地,基于S2-S4中计算出的影响度权重及用户差异度,针对影响度权重高且差异度大的特征进行全交叉,也即将两个独立特征,融合成多个新特征;针对影响度权重高且差异度中等,或者影响度权重中等且差异度中等的特征进行半交叉,也即即将两个独立特征,融合成1个新特征;根据决策树的叶子节点的分裂增益,计算交叉特征的贡献度并进行重要性筛选,获得模型样本特征。
S6,基于S2-S5中用户特征、优惠券特征、消费场景特征、交叉特征中的模型样本特征和典型用户历史优惠券核销数据,训练机器学习模型,构建用户核销优惠券概率预测模型。通过模型参数的多轮迭代,实现预测用户7日内核销优惠券结果的准确率及召回率最大化。
S7,有限预算的情况下,以平台最大化营业额(转化率等)为目标,通过引入S6中不同用户对不同优惠券的预测核销概率,基于运筹动态规划定义模型目标项、约束项并不断调优参数,构建优惠券最优化分配模型,实现最优解计算效率最大化。从而对不同用户发放何种优惠券进行最优化匹配,实现在不同场景下多种优惠券的可发放。
S8,基于不同业务场景及目标用户,通过优惠券概率预测模型和优惠券最优化分配模型的计算结果,将对应的优惠券分配给对应的目标用户。
在该实施例中,克服了传统分配方法中仅通过用户的历史购物数据匹配优惠券导致的分配的准确性较低的问题,提高了优惠券的转化率,进而提高平台营业额。
进一步地,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,资源分配方法还包括:输出资源的更新提示信息。
在该实施例中,在确定资源已经成功发放至目标用户后,输出资源的更新提示信息。不仅使用户能够及时获知有新的资源发放,提升用户对资源的使用便利性,而且能够提醒用户及时使用资源,提升了资源被使用的可能性,有助于为目标用户节省资金。
可以理解的是,更新提示信息的输出方式可以是显示提示、短信提示、语音提示等。
进一步地,如图2所示,作为上述资源分配方法的具体实现,本申请实施例提供了一种资源分配装置300,该资源分配装置300包括:获取模块301、特征确定模块302、构建模块303、关联模块304、训练模块305以及资源分配模块306。
其中,获取模块301,用于获取样本用户和样本用户的历史资源核销信息,样本用户包括第一用户和第二用户;
特征确定模块302,用于根据第一用户和第二用户的用户特征,确定样本用户特征和样本用户特征的影响度权重;以及,分别对历史资源核销信息中的资源特征和场景特征进行处理,确定第三用户的共性资源特征和共性场景特征,以及共性资源特征相对于第二用户的第一差异度和共性场景特征相对于第二用户的第二差异度,第三用户为样本用户特征对应的第一用户;
构建模块303,用于根据第一差异度、第二差异度和影响度权重,对样本用户特征、共性资源特征和共性场景特征进行特征交叉处理,构建决策树模型;
关联模块304,用于根据决策树模型中分裂节点的分裂增益,确定样本用户特征、共性资源特征和共性场景特征中的模型样本特征,以及模型样本特征之间的关联关系;
训练模块305,用于按照模型样本特征和关联关系执行机器学习操作,得到核销概率模型;
资源分配模块306,用于根据核销概率模型为目标用户分配资源。
在该实施例中,首先,获取样本用户和样本用户的历史资源核销信息,并利用历史资源核销信息将选定的样本用户分类为存在资源核销操作的第一用户和不存在资源核销操作的第二用户。通过比对第一用户和第二用户的用户特征,确定两类用户之间存在差异的样本用户特征,以及样本用户特征相对于资源核销操作的影响度权重。分别对历史资源核销信息中的资源特征和场景特征进行处理,确定样本用户特征对应的第一用户的共性资源特征和共性场景特征,以及共性资源特征相对于第二用户的第一差异度和共性场景特征相对于第二用户的第二差异度。然后按照两个不同类别的用户对应的样本用户特征、共性资源特征和共性场景特征进行特征交叉处理,构建决策树模型,以利用决策树模型确定样本用户特征、共性资源特征和共性场景特征中的模型样本特征,以及模型样本特征之间的关联关系,以确定各特征维度的数据对该用户核销资源的特征贡献度。再按照模型样本特征及其关联关系执行机器学习操作,得到核销概率模型,使得核销概率模型能够反映出两个不同类别的用户对多种业务场景下多种资源的核销差异,并利用该核销差异为目标用户分配出更加适合自己的资源。一方面,以用户特征、资源特征和场景特征三个方面作为分配资源的参考依据,在保证了资源分配的客观性与公平性的同时,使目标用户能够获得更符合自身需求的资源,不仅能够提高资源的使用效果,有利于提升成交总额,还能够为用户提供适宜的优惠政策,提升用户购物体验,进而增强用户忠诚度。另一方面,基于特征工程构建模型样本特征分类的树形结构,并通过分裂增益从多个特征维度筛选出影响显著的模型样本特征,以辅助确定业务上的判别规则,提高模型输出结果的可解释性,有效地实现了关于目标用户在不同业务场景下对不同资源进行核销行为的准确预测。
可选地,根据第一用户和第二用户的用户特征;特征确定模块302,包括:用户特征模块(图中未示出)和筛选模块(图中未示出);
其中,用户特征模块,用于若用户特征对应的第一用户和第二用户之间的数量差值大于预设差值,将用户特征确定为差异用户特征;以及,确定差异用户特征的影响度权重;
筛选模块,用于根据影响度权重对差异用户特征进行筛选处理,得到样本用户特征。
可选地,用户特征模块,具体用于根据差异用户特征对应的第一用户在样本用户中的占比,计算影响度权重。
可选地,用户特征模块,具体用于根据历史资源核销信息,确定差异用户特征分别与第一用户和第二用户的相关性系数,并根据相关性系数计算影响度权重。
可选地,样本用户特征包括第一特征和/或第二特征;
筛选模块,具体用于若差异用户特征的影响度权重大于预设权重,将差异用户特征确定为第一特征;若第一特征的数量为多个,对多个第一特征进行组合处理,得到第二特征。
可选地,特征确定模块302,具体用于若资源特征对应的第三用户在资源特征对应的第一用户中的数量占比大于或等于第一预设比值,将资源特征确定为共性资源特征;若场景特征对应的第三用户在场景特征对应的第一用户中的数量占比大于或等于第二预设比值,将场景特征确定为共性场景特征;根据第二用户和共性资源特征对应的第三用户的数量,确定共性资源特征的第一差异度;根据第二用户和共性场景特征对应的第三用户的数量,确定共性场景特征的第二差异度。
可选地,资源分配装置300还包括:分类模块(图中未示出);
其中,分类模块用于若历史资源核销信息符合预设条件,将历史资源核销信息对应的样本用户确定为第一用户;若历史资源核销信息不符合预设条件,将历史资源核销信息对应的样本用户确定为第二用户;其中,预设条件包括在预设时间段内样本用户执行资源核销操作。
可选地,资源分配模块306,具体用于按照预设约束项对核销概率模型进行处理,得到资源分配模型;将目标用户的用户特征和当前场景特征输入资源分配模型,确定目标用户对应的分配资源特征和分配场景特征;若目标用户所处业务场景的场景特征符合分配场景特征,将具备分配资源特征的资源发送至目标用户。
关于资源分配装置的具体限定可以参见上文中对于资源分配方法的限定,在此不再赘述。上述资源分配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。
基于上述如图1所示方法,相应的,本申请实施例还提供了一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1所示的资源分配方法。
基于这样的理解,本申请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,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1所示的方法,以及图2所示的虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种计算机设备,具体可以为个人计算机、服务器、网络设备等,该计算机设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1所示的资源分配方法。
可选地,该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现获取样本用户和样本用户的历史资源核销信息,样本用户包括第一用户和第二用户;根据第一用户和第二用户的用户特征,确定样本用户特征和样本用户特征的影响度权重;分别对历史资源核销信息中的资源特征和场景特征进行处理,确定第三用户的共性资源特征和共性场景特征,以及共性资源特征相对于第二用户的第一差异度和共性场景特征相对于第二用户的第二差异度,第三用户为样本用户特征对应的第一用户;根据第一差异度、第二差异度和影响度权重,对样本用户特征、共性资源特征和共性场景特征进行特征交叉处理,构建决策树模型;根据决策树模型中分裂节点的分裂增益,确定样本用户特征、共性资源特征和共性场景特征中的模型样本特征,以及模型样本特征之间的关联关系;按照模型样本特征和关联关系执行机器学习操作,得到核销概率模型;根据核销概率模型为目标用户分配资源。本申请实施例一方面以用户特征、资源特征和场景特征三个方面作为分配资源的参考依据,在保证了资源分配的客观性与公平性的同时,使目标用户能够获得更符合自身需求的资源,不仅能够提高资源的使用效果,有利于提升成交总额,还能够为用户提供适宜的优惠政策,提升用户购物体验,进而增强用户忠诚度。另一方面基于特征工程构建模型样本特征分类的树形结构,并通过分裂增益从多个特征维度筛选出影响显著的模型样本特征,以辅助确定业务上的判别规则,提高模型输出结果的可解释性,有效地实现了关于目标用户在不同业务场景下对不同资源进行核销行为的准确预测。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景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。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (16)
1.一种资源分配方法,其特征在于,所述方法包括:
获取样本用户和所述样本用户的历史资源核销信息,所述样本用户包括第一用户和第二用户;
根据所述第一用户和所述第二用户的用户特征,确定样本用户特征和所述样本用户特征的影响度权重;
分别对所述历史资源核销信息中的资源特征和场景特征进行处理,确定第三用户的共性资源特征和共性场景特征,以及所述共性资源特征相对于所述第二用户的第一差异度和所述共性场景特征相对于所述第二用户的第二差异度,所述第三用户为所述样本用户特征对应的所述第一用户;
根据所述第一差异度、所述第二差异度和所述影响度权重,对所述样本用户特征、所述共性资源特征和所述共性场景特征进行特征交叉处理,构建决策树模型;
根据所述决策树模型中分裂节点的分裂增益,确定所述样本用户特征、所述共性资源特征和所述共性场景特征中的模型样本特征,以及所述模型样本特征之间的关联关系;
按照所述模型样本特征和所述关联关系执行机器学习操作,得到核销概率模型;
根据所述核销概率模型为目标用户分配资源。
2.根据权利要求1所述的资源分配方法,其特征在于,所述根据所述第一用户和所述第二用户的用户特征,确定所述样本用户特征和所述样本用户特征的影响度权重,具体包括:
若所述用户特征对应的所述第一用户和所述第二用户之间的数量差值大于预设差值,将所述用户特征确定为所述差异用户特征;
确定所述差异用户特征的所述影响度权重;
根据所述影响度权重对所述差异用户特征进行筛选处理,得到所述样本用户特征。
3.根据权利要求2所述的资源分配方法,其特征在于,所述确定所述差异用户特征的影响度权重,具体包括:
根据所述差异用户特征对应的所述第一用户在所述样本用户中的占比,计算所述影响度权重;和/或,
根据所述历史资源核销信息,确定所述差异用户特征分别与所述第一用户和所述第二用户的相关性系数,并根据所述相关性系数计算所述影响度权重。
4.根据权利要求2所述的资源分配方法,其特征在于,所述样本用户特征包括第一特征和/或第二特征;所述根据所述影响度权重对所述差异用户特征进行筛选处理,确定样本用户特征,具体包括:
若所述差异用户特征的所述影响度权重大于预设权重,将所述差异用户特征确定为所述第一特征;
若所述第一特征的数量为多个,对多个所述第一特征进行组合处理,得到所述第二特征。
5.根据权利要求1所述的资源分配方法,其特征在于,所述分别对所述历史资源核销信息中的资源特征和场景特征进行处理,具体包括:
若所述资源特征对应的所述第三用户在所述资源特征对应的所述第一用户中的数量占比大于或等于第一预设比值,将所述资源特征确定为所述共性资源特征;
若所述场景特征对应的所述第三用户在所述场景特征对应的所述第一用户中的数量占比大于或等于第二预设比值,将所述场景特征确定为所述共性场景特征;
根据所述第二用户和所述共性资源特征对应的所述第三用户的数量,确定所述共性资源特征的第一差异度;
根据所述第二用户和所述共性场景特征对应的所述第三用户的数量,确定所述共性场景特征的第二差异度。
6.根据权利要求1至5中任一项所述的资源分配方法,其特征在于,所述获取样本用户和所述样本用户的历史资源核销信息之后,所述方法还包括:
若所述历史资源核销信息符合预设条件,将所述历史资源核销信息对应的所述样本用户确定为所述第一用户;
若所述历史资源核销信息不符合预设条件,将所述历史资源核销信息对应的所述样本用户确定为所述第二用户;
其中,所述预设条件包括在预设时间段内所述样本用户执行资源核销操作。
7.根据权利要求1至5中任一项所述的资源分配方法,其特征在于,所述根据所述核销概率模型为目标用户分配资源,具体包括:
按照预设约束项对所述核销概率模型进行处理,得到资源分配模型;
将目标用户的用户特征和当前场景特征输入所述资源分配模型,确定所述目标用户对应的分配资源特征和分配场景特征;
若所述目标用户所处业务场景的场景特征符合所述分配场景特征,将具备所述分配资源特征的资源发送至所述目标用户。
8.一种资源分配装置,其特征在于,所述装置包括:
获取模块,用于获取样本用户和所述样本用户的历史资源核销信息,所述样本用户包括第一用户和第二用户;
特征确定模块,用于根据所述第一用户和所述第二用户的用户特征,确定所述样本用户特征和所述样本用户特征的影响度权重;以及,
分别对所述历史资源核销信息中的资源特征和场景特征进行处理,确定第三用户的共性资源特征和共性场景特征,以及所述共性资源特征相对于所述第二用户的第一差异度和所述共性场景特征相对于所述第二用户的第二差异度,所述第三用户为所述样本用户特征对应的所述第一用户;
构建模块,用于根据所述第一差异度、所述第二差异度和所述影响度权重,对所述样本用户特征、所述共性资源特征和所述共性场景特征进行特征交叉处理,构建决策树模型;
关联模块,用于根据所述决策树模型中分裂节点的分裂增益,确定所述样本用户特征、所述共性资源特征和所述共性场景特征中的模型样本特征,以及所述模型样本特征之间的关联关系;
训练模块,用于按照所述模型样本特征和所述关联关系执行机器学习操作,得到核销概率模型;
资源分配模块,用于根据所述核销概率模型为目标用户分配资源。
9.根据权利要求8所述的资源分配装置,其特征在于,所述根据所述第一用户和所述第二用户的用户特征;所述特征确定模块,包括:
用户特征模块,用于若所述用户特征对应的所述第一用户和所述第二用户之间的数量差值大于预设差值,将所述用户特征确定为所述差异用户特征;以及,
确定所述差异用户特征的所述影响度权重;
筛选模块,用于根据所述影响度权重对所述差异用户特征进行筛选处理,得到所述样本用户特征。
10.根据权利要求9所述的资源分配装置,其特征在于,所述用户特征模块,具体用于
根据所述差异用户特征对应的所述第一用户在所述样本用户中的占比,计算所述影响度权重;和/或,
根据所述历史资源核销信息,确定所述差异用户特征分别与所述第一用户和所述第二用户的相关性系数,并根据所述相关性系数计算所述影响度权重。
11.根据权利要求9所述的资源分配装置,其特征在于,所述样本用户特征包括第一特征和/或第二特征;
所述筛选模块,具体用于若所述差异用户特征的所述影响度权重大于预设权重,将所述差异用户特征确定为所述第一特征;
若所述第一特征的数量为多个,对多个所述第一特征进行组合处理,得到所述第二特征。
12.根据权利要求8所述的资源分配装置,其特征在于,
所述特征确定模块,具体用于若所述资源特征对应的所述第三用户在所述资源特征对应的所述第一用户中的数量占比大于或等于第一预设比值,将所述资源特征确定为所述共性资源特征;
若所述场景特征对应的所述第三用户在所述场景特征对应的所述第一用户中的数量占比大于或等于第二预设比值,将所述场景特征确定为所述共性场景特征;
根据所述第二用户和所述共性资源特征对应的所述第三用户的数量,确定所述共性资源特征的第一差异度;
根据所述第二用户和所述共性场景特征对应的所述第三用户的数量,确定所述共性场景特征的第二差异度。
13.根据权利要求8至12中任一项所述的资源分配装置,其特征在于,所述装置还包括:
分类模块,用于若所述历史资源核销信息符合预设条件,将所述历史资源核销信息对应的所述样本用户确定为所述第一用户;
若所述历史资源核销信息不符合预设条件,将所述历史资源核销信息对应的所述样本用户确定为所述第二用户;
其中,所述预设条件包括在预设时间段内所述样本用户执行资源核销操作。
14.根据权利要求8至12中任一项所述的资源分配装置,其特征在于,
所述资源分配模块,具体用于按照预设约束项对所述核销概率模型进行处理,得到资源分配模型;
将目标用户的用户特征和当前场景特征输入所述资源分配模型,确定所述目标用户对应的分配资源特征和分配场景特征;
若所述目标用户所处业务场景的场景特征符合所述分配场景特征,将具备所述分配资源特征的资源发送至所述目标用户。
15.一种可读存储介质,其上存储有程序或指令,其特征在于,所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的资源分配方法的步骤。
16.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的资源分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660098.4A CN116308505A (zh) | 2022-12-23 | 2022-12-23 | 资源分配方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660098.4A CN116308505A (zh) | 2022-12-23 | 2022-12-23 | 资源分配方法、装置、存储介质和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116308505A true CN116308505A (zh) | 2023-06-23 |
Family
ID=86836603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211660098.4A Pending CN116308505A (zh) | 2022-12-23 | 2022-12-23 | 资源分配方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308505A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952675A (zh) * | 2024-03-27 | 2024-04-30 | 山东鼎信数字科技有限公司 | 一种权益产品动态发放方法、系统、装置及存储介质 |
-
2022
- 2022-12-23 CN CN202211660098.4A patent/CN116308505A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952675A (zh) * | 2024-03-27 | 2024-04-30 | 山东鼎信数字科技有限公司 | 一种权益产品动态发放方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200402144A1 (en) | Graphical user interface for object discovery and mapping in open systems | |
Tan et al. | Impact of live chat on purchase in electronic markets: The moderating role of information cues | |
Scholz et al. | Measuring consumer preferences for complex products: A compositional approach basedonpaired comparisons | |
WO2019195263A1 (en) | Systems and methods for credit card selection based on a consumer's personal spending | |
US20190057400A1 (en) | System And Method For Modeling Customer Behavior | |
US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
US20180293630A1 (en) | Electronic computer engines for analytical searching and methods of use thereof | |
US20200327548A1 (en) | Merchant classification based on content derived from web crawling merchant websites | |
Bali et al. | A framework to assess the smartphone buying behaviour using DEMATEL method in the Indian context | |
KR102320097B1 (ko) | 소장품 자산화 관리 서비스 제공 시스템 및 그 서비스 제공 방법 | |
Pousttchi et al. | Mobile payment in the smartphone age: extending the mobile payment reference model with non-traditional revenue streams | |
Emamdin et al. | Role of E-trust, E-loyalty, and E-satisfaction on Online Buying Behaviour among Millennials in Kuala Lumpur, Malaysia. | |
ESMAEILI et al. | Customer lifetime value models: A literature survey | |
Joghee | RETRACTED ARTICLE: Internet of Things-assisted E-marketing and distribution framework | |
CN112132634A (zh) | 虚拟馈赠资源发放方法、装置、计算机设备和存储介质 | |
Nguyen et al. | The influence of the Generation Z's perception and psychological ownership on repurchase intention of e-shopping: Evidence from Vietnam | |
CN116308505A (zh) | 资源分配方法、装置、存储介质和计算机设备 | |
US20140032270A1 (en) | Method and system for predicting consumer spending | |
US20230177544A1 (en) | Methods and systems for determining a travel propensity configured for use in the generation of a supply index indicative of a quality of available supply | |
CN108932658B (zh) | 数据处理方法、装置和计算机可读存储介质 | |
WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
US20220391934A1 (en) | Methods and systems for generating a supply index indicative of a quality of available supply of merchant promotions | |
Mzoughia et al. | An improved customer lifetime value model based on Markov chain | |
Long | Factors influencing consumers intention towards online food purchasing in Phnom Penh | |
US11403668B2 (en) | Multitask transfer learning for optimization of targeted promotional programs |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240404 Address after: Room 2101, Block B, Platinum Plaza, 5-15 Wenling Road, Laoshan District, Qingdao City, Shandong Province, 266100 Applicant after: Shandong Energy Chain Holding Co.,Ltd. Country or region after: China Address before: Room A221, floor 2, building 4, yard 1, yaojiayuan South Road, Chaoyang District, Beijing 100123 Applicant before: CHEZHUBANG (BEIJING) TECHNOLOGY Co.,Ltd. Country or region before: China |