CN117592692A - 资源分配方法和资源智能分配系统 - Google Patents

资源分配方法和资源智能分配系统 Download PDF

Info

Publication number
CN117592692A
CN117592692A CN202311479790.1A CN202311479790A CN117592692A CN 117592692 A CN117592692 A CN 117592692A CN 202311479790 A CN202311479790 A CN 202311479790A CN 117592692 A CN117592692 A CN 117592692A
Authority
CN
China
Prior art keywords
willingness
determining
assessment
preset
users
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
Application number
CN202311479790.1A
Other languages
English (en)
Inventor
闫星宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute Of International Finance University Of Science And Technology Of China
University of Science and Technology of China USTC
Original Assignee
Institute Of International Finance University Of Science And Technology Of China
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute Of International Finance University Of Science And Technology Of China, University of Science and Technology of China USTC filed Critical Institute Of International Finance University Of Science And Technology Of China
Priority to CN202311479790.1A priority Critical patent/CN117592692A/zh
Publication of CN117592692A publication Critical patent/CN117592692A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06N20/00—Machine learning
    • 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
    • G06Q30/01—Customer relationship services
    • 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
    • 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
    • G06Q30/0211—Determining the effectiveness of discounts or incentives

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种资源分配方法，可以应用于大数据技术领域和金融技术领域。该资源分配方法包括：基于多个待分配用户的用户信息，获取多个待分配用户的用户特征；基于用户特征，确定多个待分配用户各自的倾向预测得分，其中，倾向预测得分用于表征用户特征对资源分配结果倾向的影响；基于倾向预测得分和用户特征，确定多个待分配用户各自的意愿评估得分，其中，意愿评估得分用于表征资源分配结果对待分配用户选择交易方式意愿的影响；基于意愿评估得分和预设资源数目，对多个待分配用户进行资源分配。本公开还提供了一种资源智能分配系统。

Description

资源分配方法和资源智能分配系统
技术领域
本公开涉及大数据技术和金融科技技术领域，更具体地涉及一种资源分配方法和资源智能分配系统。
背景技术
为了使消费者有更好的消费体验，提高消费者的满意度和忠诚度，降低客户流失率，部分商户会对潜在消费者进行有利于消费者的资源分配。
在相关技术的资源智能分配系统中，通常通过基于模型假设的参数方法、无模型假设的非参数方法或者基于表示学习的方法等，对消费者群体或个体选择提前消费的意愿进行评估，根据评估结果选择潜在消费者，并且对潜在消费者进行资源分配。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：现有的资源智能分配系统所采用的资源分配方法准确性较低、无法较为准确地确定潜在消费者。
发明内容
鉴于上述问题，本公开提供了一种资源分配方法和资源智能分配系统。
根据本公开的第一个方面，提供了一种资源分配方法，包括：基于多个待分配用户的用户信息，获取多个待分配用户的用户特征；基于上述用户特征，确定多个待分配用户各自的倾向预测得分，其中，上述倾向预测得分用于表征用户特征对资源分配结果倾向的影响；基于上述倾向预测得分和上述用户特征，确定多个待分配用户各自的意愿评估得分，其中，上述意愿评估得分用于表征资源分配结果对上述待分配用户选择交易方式意愿的影响；基于上述意愿评估得分和预设资源数目，对多个待分配用户进行资源分配。
根据本公开的实施例，上述基于上述用户特征，确定多个待分配用户各自的倾向预测得分，包括：基于上述用户特征，确定多种预设倾向预测方法各自的第一权重，其中，上述预设倾向预测方法用于基于上述用户特征对资源分配结果的倾向进行预测；基于上述多种倾向预测方法和上述多种倾向预测方法各自的权重，确定倾向预测模型；基于上述用户特征和上述倾向预测模型，确定上述多个待分配用户各自的倾向预测得分。
根据本公开的实施例，上述基于上述用户特征和上述多种倾向预测方法，确定多种倾向预测方法各自的第一权重，包括：基于上述用户特征和上述多种倾向预测方法，确定初始倾向得分；基于上述用户特征和上述初始倾向得分，确定上述倾向预测方法各自的第一权重。
根据本公开的实施例，上述基于上述用户特征和上述多种倾向预测方法，确定初始倾向得分，包括：确定待预测用户的预测用户特征，其中，上述预测用户特征为不包含待预测用户的其余上述待分配用户的用户特征；基于上述预测特征和上述多种倾向得分匹配方法，确定上述初始倾向得分。
根据本公开的实施例，上述基于上述用户特征和上述初始倾向得分，确定上述倾向预测方法各自的第一权重，包括：基于上述用户特征和上述初始倾向得分，确定上述多种倾向得分匹配方法各自第一权重的取值范围；基于上述多种倾向得分匹配方法各自第一权重的取值范围，确定上述倾向预测方法各自的第一权重。
根据本公开的实施例，上述基于上述倾向预测得分和上述用户特征，确定多个待分配用户各自的意愿评估得分，包括：基于上述倾向预测得分、上述用户特征和上述多种意愿评估方法，确定上述意愿评估方法各自的第二权重，上述意愿评估方法用于评估资源分配结果对上述待分配用户选择交易方式意愿的影响；基于上述多种意愿评估方法和上述多种意愿评估方法各自的第二权重，确定意愿评估模型；基于上述用户特征和上述意愿评估模型，确定上述多个待分配用户各自的意愿评估得分。
根据本公开的实施例，上述基于上述倾向预测得分、上述用户特征和上述多种意愿评估方法，确定上述意愿评估方法各自的第二权重，包括：基于上述用户特征和上述多种意愿评估方法，确定第一评估结果；基于上述用户特征和上述倾向预测得分，确定第二评估结果；基于上述第一评估结果和上述第二评估结果，确定上述意愿评估方法各自的第二权重。
根据本公开的实施例，上述基于上述第一评估结果和上述第二评估结果，确定上述意愿评估方法各自的第二权重，包括：基于上述第一评估结果和上述第二评估结果，确定第一损失和第二损失；基于上述第一损失和上述第二损失，确定上述意愿评估方法各自的第二权重。
根据本公开的实施例，上述基于上述意愿评估得分和预设资源数目，对多个待分配用户进行资源分配，包括：基于上述意愿评估得分，确定多个待分配用户中的备选分配用户；基于上述预设资源数目和上述备选分配用户的数目，确定目标分配数目；基于上述意愿评估得分和上述目标分配数目，确定目标分配用户；对上述目标分配用户进行资源分配。
本公开的第二方面提供了一种资源智能分配系统，包括：特征获取模块，用于基于多个待分配用户的用户信息，获取多个待分配用户的用户特征；倾向确定模块，用于基于上述用户特征，确定多个待分配用户各自的倾向预测得分，其中，上述倾向预测得分用于表征用户特征对资源分配结果倾向的影响；意愿确定模块，用于基于上述倾向预测得分和上述用户特征，确定多个待分配用户各自的意愿评估得分，其中，上述意愿评估得分用于表征资源分配结果对上述待分配用户选择交易方式意愿的影响；资源分配模块，用于基于上述意愿评估得分和预设资源数目，对多个待分配用户进行资源分配。
根据本公开的实施例，基于用户信息得到用户特征，去除不必要的干扰信息；基于用户特征，通过多种倾向预测方法确定倾向预测得分，基于倾向预测得分和用户特征，通过多种意愿评估方法，得到较为准确的意愿评估得分。资源智能分配系统通过向意愿评估得分较高的待分配用户分配资源，以达到将潜在用户转化为实际用户的效果，不仅提高了用户的消费体验，而且提高了资源智能分配系统的智能化程度。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的资源分配方法和装置的应用场景图；
图2示意性示出了根据本公开实施例的资源分配方法的流程图；
图3示意性示出了根据本公开实施例的确定倾向预测得分的流程图；
图4示意性示出了根据本公开实施例的基于交叉验证的KL距离准则确定倾向预测得分的流程图；
图5示意性示出了根据本公开实施例的确定意愿评估得分的流程图；
图6示意性示出了根据本公开实施例的基于损失确定意愿评估得分的流程图；
图7示意性示出了根据本公开实施例的资源智能分配系统的结构框图；以及
图8示意性示出了根据本公开实施例的适于实现资源分配方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本发明的技术方案中，所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息，例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关国家和地区的相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。
在相关技术的资源智能分配系统中，通常通过基于模型假设的参数方法、无模型假设的非参数方法或基于表示学习的方法等，对消费者群体或个体选择提前消费的意愿进行评估，根据评估结果进行资源分配。但是，基于模型假设的参数方法严重依赖于所假设的参数模型的正确性，当所假设的参数模型是错误的时，基于模型假设的参数方法就无法准确地评估消费者的意愿。无模型假设的非参数方法虽然不需要假设模型，但是具有维数祸根的问题，在解释变量个数较多时，无法准确地评估消费者的意愿。而基于表示学习的方法容易导致过拟合问题，也无法准确评估消费者的意愿。这就导致资源智能发放系统所采用的资源分配方法准确性较低、无法较为准确地确定潜在消费者。
本公开的实施例提供了一种资源分配方法，包括：基于多个待分配用户的用户信息，获取多个待分配用户的用户特征；基于所述用户特征，确定多个待分配用户各自的倾向预测得分，其中，所述倾向预测得分用于表征用户特征对资源分配结果倾向的影响；基于所述倾向预测得分和所述用户特征，确定多个待分配用户各自的意愿评估得分，其中，所述意愿评估得分用于表征资源分配结果对所述待分配用户选择交易方式意愿的影响；基于所述意愿评估得分和预设资源数目，对多个待分配用户进行资源分配。
图1示意性示出了根据本公开实施例的资源分配方法的应用场景图。
如图1所示，根据该实施例的应用场景100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，例如购物类应用、网页浏览器应用、搜索类应用、实时通信工具、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、平板计算机、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所浏览的网站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对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的资源分配方法一般可以由服务器105执行。相应地，本公开实施例所提供的资源智能分配系统一般可以设置于服务器105中。本公开实施例所提供的资源分配方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的资源智能分配系统也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
具体地，待分配用户可以利用终端101、102、103访问购物页面。服务器105接收待分配用户的操作和请求等数据，并且对待分配用户产生的数据进行分析等处理，利用资源分配方法向待分配用户进行资源分配，并将资源分配结果反馈给终端设备。
应该理解，图1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。
以下将基于图1描述的场景，通过图2～图6对公开实施例的资源分配方法进行详细描述。
图2示意性示出了根据本公开实施例的资源分配方法的流程图。
如图2所示，该实施例的资源分配方法包括操作S210～操作S240。
在操作S210，基于多个待分配用户的用户信息，获取多个待分配用户的用户特征。
根据本公开的实施例，在获取用户的信息之前，可以获得用户的同意和授权。例如，在操作S210之前，可以向用户发出获取用户信息的请求。在用户同意或授权可以获取用户信息的情况下，执行操作S210。
根据本公开的实施例，当资源分配方法被利用于资源智能分配系统中时，可以将资源智能分配系统通过接口与交易系统连接，使得资源智能分配系统通过接口获取交易系统中的用户信息，并通过资源智能分配系统对用户信息进行特征提取，获得待分配用户的用户特征。需要说明的是，资源智能分配系统获取用户信息并处理的过程中采取了必要保密措施。
根据本公开的实施例，资源分配可以包括向用户分发优惠券等有利于提高用户消费意愿的方法。待分配用户可以为待分配资源的全部用户。用户信息可以包括表征待分配用户消费能力的信息、历史资源分配信息以及历史消费方式信息等。用户特征可以为由用户信息进行特征编码，可用于后续操作的特征向量。
根据本公开的实施例，可以在用户信息编码成用户特征之前，对获取到的用户信息进行预处理。具体地，可以去除没有明显实际含义的信息如编号等，还可以去除在所有待分配用户上取值相同的信息。
根据本公开的实施例，在将用户信息进行特征编码时，对于有序种类的信息，可以采用标签编码的编码方式。对于无序种类的信息，可以采用独热编码的编码方式。以上仅是示例性实施例，但是不限于此，还可以包括本领域已知的其他特征编码方法，只要能够得到用户特征即可。
在操作S220，基于用户特征，确定多个待分配用户各自的倾向预测得分，其中，倾向预测得分用于表征用户特征对资源分配结果倾向的影响。
根据本公开的实施例，可以基于用户特征，通过多种倾向预测方法，对待分配用户的资源分配结果倾向进行预测得到倾向预测得分。倾向预测方法包括但不限于基于模型假设的参数方法、无模型假设的非参数方法、回归树、随机森林方法、神经网络等。
在操作S230，基于倾向预测得分和用户特征，确定多个待分配用户各自的意愿评估得分，其中，意愿评估得分用于表征资源分配结果对待分配用户选择交易方式意愿的影响。
根据本公开的实施例，可以基于倾向预测得分和用户特征，通过多种意愿评估方法，对资源分配结果对待分配用户选择交易方式意愿的影响进行评估得到意愿评估得分。
根据本公开的实施例，资源分配结果对不同待分配用户选择交易方式意愿的效果是不同的，例如消费欲强且资金短缺的用户选择提前消费的意愿高，不论是否对其分配资源，他们都有可能选择提前消费，而消费欲低且资金短缺的用户对提前消费的意愿较低，对其分配资源可能提高他们选择提前消费的意愿。
在操作S240，基于意愿评估得分和预设资源数目，对多个待分配用户进行资源分配。
根据本公开的实施例，对多个待分配用户进行资源分配包括：通过资源智能分配系统向待分配用户的系统账号或通讯号码发送推荐信息，其中，推荐信息中包含拟分配的资源，资源例如可以是优惠券。
根据本公开的实施例，预设资源数目可以为资源的预设量。
根据本公开的实施例，可以根据意愿评估得分，确定意愿评估得分较高的用户为资源分配的目标用户。根据目标用户的数目和预设资源数目，向用户分配资源。
根据本公开的实施例，基于用户信息得到用户特征，去除不必要的干扰信息；基于用户特征，通过多种倾向预测方法确定倾向预测得分，基于倾向预测得分和用户特征，通过多种意愿评估方法，得到较为准确的意愿评估得分。通过向意愿评估得分较高的待分配用户分配资源，以达到将潜在用户转化为实际用户的效果，不仅提高了用户的消费体验，而且提高了资源智能分配系统的智能化程度。
图3示意性示出了根据本公开实施例的确定倾向预测得分的流程图。
如图3所示，确定倾向预测得分包括操作S310～操作S330。
在操作S310，基于用户特征，确定多种预设倾向预测方法各自的第一权重。
根据本公开的实施例，预设倾向预测方法用于基于用户特征对资源分配结果的倾向进行预测。第一权重可以表征对应预设倾向预测方法的优劣程度。第一权重的取值范围为大于等于0，并且小于等于1，所有预设倾向预测方法的对应的第一权重相加之和为1。
根据本公开的实施例，不同预设倾向预测方法的预测能力不同，可以通过为多种预设倾向方法各自设置第一权重，调整不同预设倾向预测方法对倾向预测得分的影响，为预测效果较好的预设倾向预测方法设置较大的权重，为预测效果较差的预设倾向预测方法设置较小的权重，以得到较为准确的倾向预测得分。
在操作S320，基于多种预设倾向预测方法和多种预设倾向预测方法各自的权重，确定倾向预测模型。
根据本公开的实施例，倾向预测模型可以由多种预设倾向预测方法和多种预设倾向预测方法各自的第一权重组合得到。具体地，可以通过将多种预设倾向预测方法与各自的第一权重相乘，得到多个带权的预设倾向预测方法，将多个带权的预设倾向预测方法相加，得到倾向预测模型。
在操作S330，基于用户特征和倾向预测模型，确定多个待分配用户各自的倾向预测得分。
根据本公开的实施例，可以将用户特征输入到倾向预测模型中，得到多个待分配用户各自的倾向预测得分。
具体地，在可观测的选择机制下，倾向预测得分函数为π(x)＝P(v＝1|X＝x)其中δ是是否发放资源的指示变量，δ＝1表示发放资源，δ＝0则表示不发放资源，X表示用户特征。
根据本公开的实施例，通过多种预设倾向预测方法和多种预设倾向预测方法各自的第一权重确定倾向预测模型，避免由于单一的预设倾向预测方法具有明显缺陷而导致的倾向预测得分准确度低。
根据本公开的实施例，基于用户特征和多种预设倾向预测方法，确定多种预设倾向预测方法各自的第一权重，包括：基于用户特征和多种预设倾向预测方法，确定初始倾向得分；基于用户特征和初始倾向得分，确定预设倾向预测方法各自的第一权重。
根据本公开的实施例，初始倾向得分可以为基于用户特征，通过多种预设倾向预测方法得到的倾向得分，其中，每种预设倾向预测方法各自对应一个初始倾向得分。
根据本公开的实施例，可以通过KL距离(Kullback-Leibler Divergence)准则确定预设倾向预测方法各自最优的第一权重，KL距离准则是用于衡量两个概率分布之间的相似程度的统计距离。以上仅为示例性实施例，并不仅限于此，还可以是其他权重确定方法，只要能够确定多种预设倾向预测方法各自最优的第一权重即可。
根据本公开的实施例，可以基于用户特征，通过预设倾向预测方法，确定多种倾向预测方法各自的初始倾向得分。基于得到的初始倾向得分，通过KL距离准则确定多种预设倾向预测方法各自最优的第一权重。
根据本公开的实施例，通过确定多种预设倾向预测方法各自最优的第一权重，提高了倾向预测模型准确性的同时，提高了倾向预测得分的准确性，进一步提高了意愿评估得分的准确性，得到较为合理的资源分配结果，提高用户的消费体验。
根据本公开的实施例，基于用户特征和多种预设倾向预测方法，确定初始倾向得分，包括：确定待预测用户的预测用户特征；基于预测特征和多种倾向得分匹配方法，确定初始倾向得分。
根据本公开的实施例，预测用户特征可以为不包含待预测用户的其余待分配用户的用户特征。由于利用权重确定方法如KL距离准则时，会导致过拟合问题，所以可以通过去除用户特征中待分配用户的用户特征进行初始倾向得分计算，实现交叉验证，解决权重确定方法导致的过拟合问题。以上仅为示例性实施例，并不仅限于此，还可以是其他交叉验证方法，只要能够解决权重确定方法导致的过拟合问题即可。
根据本公开的实施例，可以通过去除用户特征中待分配用户的用户特征确定预测用户特征，基于预测用户特征，通过多种倾向得分匹配方法，确定初始倾向得分。
具体地，基于交叉验证的KL距离准则为
其中，i为待分配用户的序号，ωm是倾向得分函数的第m种预设倾向预测方法的权重，πm,-i(Xi)是基于去除待预测用户特征Xi的其余待分配用户的用户特征，利用第m种预设倾向预测方法得到的π(Xi)的预测。
根据本公开的实施例，通过交叉验证方法，解决了权重确定方法如KL距离准则导致的过拟合问题，提高了资源分配方法的准确性。
根据本公开的实施例，基于用户特征和初始倾向得分，确定预设倾向预测方法各自的第一权重，包括：基于用户特征和初始倾向得分，确定多种倾向得分匹配方法各自第一权重的取值范围；基于多种倾向得分匹配方法各自第一权重的取值范围，确定预设倾向预测方法各自的第一权重。
根据本公开的实施例，基于用户特征和初始倾向得分，通过权重确定方法并不能得到第一权重的准确值，而是得到第一权重的取值范围。可以通过选取第一权重取值范围内的极小值点作为第一权重，只要保证所有预设倾向预测方法的第一权重相加之和为1即可。
具体地，记是基于交叉验证的KL距离准则关于第一权重/>在其取值范围内的极小值点，则有/>是最终得到的倾向得分函数π(x)的预测，其中πm(x)是利用第m种预设倾向预测方法得到的π(x)的预测。
根据本公开的实施例，通过在第一权重的取值范围内选取极小值作为第一权重，提高倾向预测模型的准确度。
图4示意性示出了根据本公开实施例的基于交叉验证的KL距离准则确定倾向预测得分的流程图。
如图4所示，基于交叉验证的KL距离准则确定倾向预测得分包括操作S401～操作S410。
在操作S401，i＝1。
根据本公开的实施例，i可以为用户标识，用于表征当前待预测用户的序号。
在操作S402，判断i是否大于n。在确定i不大于n的情况下，执行操作S403，反之执行操作S409。
根据本公开的实施例，n可以为全部待预测用户的数目。
在操作S403，删去数据集DX中第i个样本得到DXi。
在操作S404，m＝1。
根据本公开的实施例，m为方法标识，用于表征当前使用的预设预测方法的序号。
在操作S405，判断m是否大于M。在确定m不大于M的情况下，执行操作S406，反之则执行操作S408。
根据本公开的实施例，M可以为全部预设倾向预测方法的数目。
在操作S406，利用第m种方法基于数据集DXi得到π(Xi)的预测πm,-i(Xi)。
在操作S407，m＝m+1。
在操作S408，i＝i+1。
在操作S409，计算基于交叉验证的KL准则的极小值点
在操作S410，计算
图5示意性示出了根据本公开实施例的确定意愿评估得分的流程图。
如图5所示，确定意愿评估得分包括操作S510～操作S530。
在操作S510，基于倾向预测得分、用户特征和多种预设意愿评估方法，确定预设意愿评估方法各自的第二权重。
根据本公开的实施例，用户特征可以被切分为训练特征和验证特征。
根据本公开的实施例，预设意愿评估方法可以为预设的可以用于评估资源分配结果对待分配用户选择交易方式影响的方法。交易方式可以包括提前消费、正常消费和不消费等。第二权重可以表征对应预设意愿评估方法的优劣程度。
根据本公开的实施例，不同预设意愿评估方法的评估能力不同，可以通过为多种预设意愿评估方法各自设置第二权重，调整不同预设意愿评估方法对意愿评估得分的影响，为评估效果更好的预设意愿评估方法设置较大的权重，为评估效果较差的预设意愿评估方法设置较小的权重，以得到较为准确的意愿评估得分。
根据本公开的实施例，由于考虑用户特征的随机性，可以通过多次对用户特征进行重排后划分得到不同的训练特征和验证特征，基于不同的训练特征和验证特征确定多个初始第二权重，将多个初始第二权重的平均值作为第二权重。例如，记ωj,t是在第t次重复得到的第j种预设意愿评估方法的初始第二权重，令第二权重为
其中，T是总共重复的次数。
在操作S520，基于多种预设意愿评估方法和多种预设意愿评估方法各自的第二权重，确定意愿评估模型。
根据本公开的实施例，意愿评估模型可以由多种预设意愿评估方法和多种预设意愿评估方法各自的第二权重组合得到。具体地，可以通过将多种预设意愿评估方法与各自的第二权重相乘，得到多个带权的预设意愿评估方法，将多个带权的预设意愿评估方法相加，得到意愿评估模型。
在操作S530，基于用户特征和意愿评估模型，确定多个待分配用户各自的意愿评估得分。
根据本公开的实施例，可以将用户特征输入到意愿评估模型中，得到多个待分配用户各自的意愿评估得分。
具体地，意愿评估得分的主要作用是给出τ(x)＝E(Y(1)-Y(0)|X＝x)的预测，其中Y(1)是分配资源后是否选择提前消费的结果，Y(0)是不分配资源后是否选择提前消费的结果。Y(1)与Y(0)是取值为0和1的二元变量，Y(1)＝1表示分配资源后选择提前消费，Y(1)＝0表示分配资源后不选择提前消费，Y(0)的取值含义是类似的。E(Y(1)|X＝x)＝P(Y(1)＝1|X＝x)表示分配资源后选择提前消费意愿的大小，E(Y(0)|X＝x)＝P(Y(0)＝1|X＝x)表示不分配资源后选择提前消费的意愿大小，故而τ(x)反映了资源分配对于提前消费意愿的影响，τ(x)>0说明资源分配能够提高提前消费的意愿，反之，则不能。显然，实际观测到的结果是Y＝δY(1)+(1-δ)Y(0)。
根据本公开的实施例，通过多种预设意愿评估方法和多种预设意愿评估方法各自的第二权重确定意愿评估模型，避免由于单一的预设意愿评估方法具有明显缺陷而导致的意愿评估得分准确度低。通过将用户特征划分为不同的训练特征和验证特征，考虑用户特征的随机性，得到准确的意愿评估得分。
根据本公开的实施例，基于倾向预测得分、用户特征和多种预设意愿评估方法，确定预设意愿评估方法各自的第二权重，包括：基于用户特征和多种预设意愿评估方法，确定第一评估结果；基于用户特征和倾向预测得分，确定第二评估结果；基于第一评估结果和第二评估结果，确定预设意愿评估方法各自的第二权重。
根据本公开的实施例，第一评估结果可以为基于作为训练特征的部分用户特征，通过多种预设意愿评估方法得到的评估结果。第二评估结果可以为基于作为验证特征的部分用户特征和倾向预测得分，确定的评估结果。
根据本公开的实施例，可以通过第二评估结果与第一评估结果之间的损失，确定预设意愿评估方法各自的第二权重，但是不限于此，只要能够确定预设意愿评估方法各自的第二权重即可。
具体地，可以将用户特征进行随机排列，并将重新排列后的用户特征分成两个部分：
和/>
其中，n1是小于n/2且离n/2最近的整数。第一评估结果τj(x)为基于D1得到的τ(x)的预测。第二评估结果 为基于D2得到的E(δiYi/π(Xi)-(1-δi)Yi/(1-π(Xi))|Xi)＝τ(Xi)的预测。
根据本公开的实施例，通过确定与训练特征相关的第一评估结果和与验证特征相关的第二评估结果，基于第一评估结果和第二评估结果更准确地确定第二权重。
根据本公开的实施例，基于第一评估结果和第二评估结果，确定预设意愿评估方法各自的第二权重，包括：基于第一评估结果和第二评估结果，确定第一损失和第二损失；基于第一损失和第二损失，确定预设意愿评估方法各自的第二权重。
根据本公开的实施例，第一损失可以为第一评估结果与第二评估结果之间差值的平方，即预设意愿评估方法的平方损失。第二损失结果可以为第一评估结果和第二评估结果之间差值的绝对值，即预设意愿评估方法的绝对值损失。
根据本公开的实施例，第一损失和第二损失的值越小，则表明预设意愿评估方法预测意愿评估结果的准确度越高，所以应该为第一损失和第二损失值越小的预测意愿评估方法构造越大的第二权重。
具体地，第一损失和第二损失为
和/>计算第j种预设意愿评估方法的第二权重为
根据本公开的实施例，基于第一损失和第二损失确定第二权重，为损失小的预测意愿评估方法分配更大的权重，使得得到的意愿评估模型更准确。
图6示意性示出了根据本公开实施例的基于损失确定意愿评估得分的流程图。
如图6所示，基于损失确定意愿评估得分包括操作S601～操作S613。
在操作S601，t＝1。
根据本公开的实施例，t可以为轮次标识，用于表征当前循环处于第几轮。
在操作S602，确定t是否大于T。在确定t不大于T的情况下，执行操作S603，反之则执行操作S612。
根据本公开的实施例，T可以为预设的循环次数。
在操作S603，对数据进行随机排列，并将重新排列后的数据分成D1和D2。
在操作S604，j＝1。
根据本公开的实施例，j可以为方法标识，用于表征当前使用的预设意愿评估方法的序号。
在操作S605，判断j是否大于J。在确定j不大与J的情况下，执行操作S606，反之则执行操作S608。
根据本公开的实施例，J可以为全部预设意愿评估方法的数目。
在操作S606，利用第j种方法基于数据集D1得到τ(x)的预测τj(x)。
在操作S607，j＝j+1。
在操作S608，计算
在操作S609，计算
在操作S610，计算
在操作S611，令t＝t+1。
在操作S612，计算
在操作S613，计算
根据本公开的实施例，基于意愿评估得分和预设资源数目，对多个待分配用户进行资源分配，包括：基于意愿评估得分，确定多个待分配用户中的备选分配用户；基于预设资源数目和备选分配用户的数目，确定目标分配数目；基于意愿评估得分和目标分配数目，确定目标分配用户；对目标分配用户进行资源分配。
根据本公开的实施例，备选分配用户可以为意愿评估得分的分值为正数的用户，即分配资源后选择提前消费作为交易方式意愿较高的用户。目标分配数目可以为预设资源数目和备选分配用户数目中较小的数目。目标分配用户的数目与目标分配数目相等，可以将备选分配用户按照意愿评估得分由大到小的顺序进行排列，选择排名不大于目标分配数目的备选分配用户作为目标分配用户。
根据本公开的实施例，由于考虑到成本因素，资源的数量限度为预设资源数目。为了增加收益且降低成本，可以确定预设资源数目和备选分配用户中值较小的作为目标分配数目。
根据本公开的实施例，通过确定目标分配数目，并且根据意愿评估分数确定目标分配用户，在降低成本的同时提高用户消费体验。
基于上述资源分配方法，本公开还提供了一种资源智能分配系统。以下将结合图7对该系统进行详细描述。
图7示意性示出了根据本公开实施例的资源智能分配系统的结构框图。
如图7所示，该实施例的资源智能分配系统700包括特征获取模块710、倾向确定模块720、意愿确定模块730和资源分配模块740。
特征获取模块710用于基于多个待分配用户的用户信息，获取多个待分配用户的用户特征。在一实施例中，特征获取模块710可以用于执行前文描述的操作S210，在此不再赘述。
倾向确定模块720用于基于用户特征，确定多个待分配用户各自的倾向预测得分，其中，倾向预测得分用于表征用户特征对资源分配结果倾向的影响。在一实施例中，倾向确定模块720可以用于执行前文描述的操作S220，在此不再赘述。
意愿确定模块730用于基于倾向预测得分和用户特征，确定多个待分配用户各自的意愿评估得分，其中，意愿评估得分用于表征资源分配结果对待分配用户选择交易方式意愿的影响。在一实施例中，意愿确定模块730可以用于执行前文描述的操作S230，在此不再赘述。
资源分配模块740用于基于意愿评估得分和预设资源数目，对多个待分配用户进行资源分配。在一实施例中，资源分配模块740可以用于执行前文描述的操作S240，此不再赘述。
根据本公开的实施例，倾向确定模块720还包括第一确定子模块、倾向模型确定子模块和倾向得分确定子模块。
第一确定子模块用于基于用户特征，确定多种预设倾向预测方法各自的第一权重，其中，预设倾向预测方法用于基于用户特征对资源分配结果的倾向进行预测。
倾向模型确定子模块用于基于多种预设倾向预测方法和多种预设倾向预测方法各自的第一权重，确定倾向预测模型。
倾向得分确定子模块用于基于用户特征和倾向预测模型，确定多个待分配用户各自的倾向预测得分。
根据本公开的实施例，第一确定子模块还包括初始倾向得分确定单元和第一权重确定单元。
倾向得分确定单元用于基于用户特征和多种预设倾向预测方法，确定初始倾向得分。
第一权重确定单元用于基于用户特征和初始倾向得分，确定预设倾向预测方法各自的第一权重。
根据本公开的实施例，倾向得分确定单元还可以包括特征确定子单元和得分确定子单元。
特征确定子单元用于确定待预测用户的预测用户特征，其中，预测用户特征为不包含待预测用户的其余待分配用户的用户特征。
得分确定子单元用于基于预测用户特征和多种倾向得分匹配方法，确定初始倾向得分。
根据本公开的实施例，第一权重确定单元还包括范围确定子单元和第一确定子单元。
范围确定子单元用于基于用户特征和初始倾向得分，确定多种倾向得分匹配方法各自第一权重的取值范围。
第一确定子单元用于基于多种倾向得分匹配方法各自第一权重的取值范围，确定预设倾向预测方法各自的第一权重。
根据本公开的实施例，意愿确定模块730还包括第二确定子模块、意愿模型确定子模块和意愿得分确定子模块。
第二确定子模块用于基于倾向预测得分、用户特征和多种预设意愿评估方法，确定预设意愿评估方法各自的第二权重，预设意愿评估方法用于评估资源分配结果对待分配用户选择交易方式意愿的影响。
意愿模型确定子模块用于基于多种预设意愿评估方法和多种预设意愿评估方法各自的第二权重，确定意愿评估模型。
意愿得分确定子模块用于基于用户特征和意愿评估模型，确定多个待分配用户各自的意愿评估得分。
第二确定子模块还包括第一结果确定单元、第二结果确定单元和第二权重确定单元。
第一结果确定单元用于基于用户特征和多种预设意愿评估方法，确定第一评估结果。
第二结果确定单元用于基于用户特征和倾向预测得分，确定第二评估结果。
第二权重确定单元用于基于第一评估结果和第二评估结果，确定预设意愿评估方法各自的第二权重。
根据本公开的实施例，第二权重确定单元还包括损失确定子单元和第二确定子单元。
损失确定子单元用于基于第一评估结果和第二评估结果，确定第一损失和第二损失。
第二确定子单元用于基于第一损失和第二损失，确定预设意愿评估方法各自的第二权重。
根据本公开的实施例，资源分配模块740还包括备选确定子模块、数目确定子模块、目标确定子模块和资源分配子模块。
备选确定子模块用于基于意愿评估得分，确定多个待分配用户中的备选分配用户。
数目确定子模块用于基于预设资源数目和备选分配用户的数目，确定目标分配数目。
目标确定子模块用于基于意愿评估得分和目标分配数目，确定目标分配用户。
资源分配子模块用于对目标分配用户进行资源分配。
根据本公开的实施例，特征获取模块710、倾向确定模块720、意愿确定模块730和资源分配模块740中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，特征获取模块710、倾向确定模块720、意愿确定模块730和资源分配模块740中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，特征获取模块710、倾向确定模块720、意愿确定模块730和资源分配模块740中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图8示意性示出了根据本公开实施例的适于实现资源分配方法的电子设备的方框图。
如图8所示，根据本公开实施例的电子设备800包括处理器801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问记忆体(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中，存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备800还可以包括输入/输出(I/O)界面805，输入/输出(I/O)界面805也连接至总线804。电子设备800还可以包括连接至I/O界面805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络界面卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O界面805。可拆卸介质811，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810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808。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问记忆体(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、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。在本公开中，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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，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。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
在该计算机程序被处理器801执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分809被下载和安装，和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，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实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“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、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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (10)

1.一种资源分配方法，包括：
基于多个待分配用户的用户信息，获取多个待分配用户的用户特征；
基于所述用户特征，确定多个待分配用户各自的倾向预测得分，其中，所述倾向预测得分用于表征用户特征对资源分配结果倾向的影响；
基于所述倾向预测得分和所述用户特征，确定多个待分配用户各自的意愿评估得分，其中，所述意愿评估得分用于表征资源分配结果对所述待分配用户选择交易方式意愿的影响；
基于所述意愿评估得分和预设资源数目，对多个待分配用户进行资源分配。
2.根据权利要求1所述的方法，其中，所述基于所述用户特征，确定多个待分配用户各自的倾向预测得分，包括：
基于所述用户特征，确定多种预设倾向预测方法各自的第一权重，其中，所述预设倾向预测方法用于基于所述用户特征对资源分配结果的倾向进行预测；
基于所述多种预设倾向预测方法和所述多种预设倾向预测方法各自的第一权重，确定倾向预测模型；
基于所述用户特征和所述倾向预测模型，确定所述多个待分配用户各自的倾向预测得分。
3.根据权利要求2所述的方法，其中，所述基于所述用户特征和所述多种预设倾向预测方法，确定多种预设倾向预测方法各自的第一权重，包括：
基于所述用户特征和所述多种预设倾向预测方法，确定初始倾向得分；
基于所述用户特征和所述初始倾向得分，确定所述预设倾向预测方法各自的第一权重。
4.根据权利要求3所述的方法，其中，所述基于所述用户特征和所述多种预设倾向预测方法，确定初始倾向得分，包括：
确定待预测用户的预测用户特征，其中，所述预测用户特征为不包含待预测用户的其余所述待分配用户的用户特征；
基于所述预测用户特征和所述多种倾向得分匹配方法，确定所述初始倾向得分。
5.根据权利要求3所述的方法，其中，所述基于所述用户特征和所述初始倾向得分，确定所述预设倾向预测方法各自的第一权重，包括：
基于所述用户特征和所述初始倾向得分，确定所述多种倾向得分匹配方法各自第一权重的取值范围；
基于所述多种倾向得分匹配方法各自第一权重的取值范围，确定所述预设倾向预测方法各自的第一权重。
6.根据权利要求1所述的方法，其中，所述基于所述倾向预测得分和所述用户特征，确定多个待分配用户各自的意愿评估得分，包括：
基于所述倾向预测得分、所述用户特征和所述多种预设意愿评估方法，确定所述预设意愿评估方法各自的第二权重，所述预设意愿评估方法用于评估资源分配结果对所述待分配用户选择交易方式意愿的影响；
基于所述多种预设意愿评估方法和所述多种预设意愿评估方法各自的第二权重，确定意愿评估模型；
基于所述用户特征和所述意愿评估模型，确定所述多个待分配用户各自的意愿评估得分。
7.根据权利要求6所述的方法，其中，所述基于所述倾向预测得分、所述用户特征和所述多种预设意愿评估方法，确定所述预设意愿评估方法各自的第二权重，包括：
基于所述用户特征和所述多种预设意愿评估方法，确定第一评估结果；
基于所述用户特征和所述倾向预测得分，确定第二评估结果；
基于所述第一评估结果和所述第二评估结果，确定所述预设意愿评估方法各自的第二权重。
8.根据权利要求7所述的方法，其中，所述基于所述第一评估结果和所述第二评估结果，确定所述预设意愿评估方法各自的第二权重，包括：
基于所述第一评估结果和所述第二评估结果，确定第一损失和第二损失；
基于所述第一损失和所述第二损失，确定所述预设意愿评估方法各自的第二权重。
9.根据权利要求1所述的方法，所述基于所述意愿评估得分和预设资源数目，对多个待分配用户进行资源分配，包括：
基于所述意愿评估得分，确定多个待分配用户中的备选分配用户；
基于所述预设资源数目和所述备选分配用户的数目，确定目标分配数目；
基于所述意愿评估得分和所述目标分配数目，确定目标分配用户；
对所述目标分配用户进行资源分配。
10.一种资源智能分配系统，包括：
特征获取模块，用于基于多个待分配用户的用户信息，获取多个待分配用户的用户特征；
倾向确定模块，用于基于所述用户特征，确定多个待分配用户各自的倾向预测得分，其中，所述倾向预测得分用于表征用户特征对资源分配结果倾向的影响；
意愿确定模块，用于基于所述倾向预测得分和所述用户特征，确定多个待分配用户各自的意愿评估得分，其中，所述意愿评估得分用于表征资源分配结果对所述待分配用户选择交易方式意愿的影响；
资源分配模块，用于基于所述意愿评估得分和预设资源数目，对多个待分配用户进行资源分配。
CN202311479790.1A 2023-11-08 2023-11-08 资源分配方法和资源智能分配系统 Pending CN117592692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311479790.1A CN117592692A (zh) 2023-11-08 2023-11-08 资源分配方法和资源智能分配系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311479790.1A CN117592692A (zh) 2023-11-08 2023-11-08 资源分配方法和资源智能分配系统

Publications (1)

Publication Number Publication Date
CN117592692A true CN117592692A (zh) 2024-02-23

Family

ID=89915827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311479790.1A Pending CN117592692A (zh) 2023-11-08 2023-11-08 资源分配方法和资源智能分配系统

Country Status (1)

Country Link
CN (1) CN117592692A (zh)

Similar Documents

Publication Publication Date Title
CN107944481B (zh) 用于生成信息的方法和装置
EP3923207A2 (en) Clustering techniques for machine learning models
CN109993627B (zh) 推荐方法、推荐模型的训练方法、装置和存储介质
CN113010798A (zh) 信息推荐方法、信息推荐装置、电子设备及可读存储介质
CN112598472A (zh) 产品推荐方法、装置、系统、介质和程序产品
CN112836128A (zh) 信息推荐方法、装置、设备和存储介质
CN116934341A (zh) 交易风险的评估方法、装置、电子设备和介质
US20170249697A1 (en) System and method for machine learning based line assignment
CN110910241A (zh) 现金流评估方法、装置、服务器设备及存储介质
CN116128607A (zh) 产品推荐方法、装置、设备及存储介质
CN116091249A (zh) 交易风险的评估方法、装置、电子设备和介质
CN115048561A (zh) 推荐信息确定方法及装置、电子设备和可读存储介质
CN114817716A (zh) 预测用户转化行为及训练模型的方法、装置、设备及介质
CN117592692A (zh) 资源分配方法和资源智能分配系统
CN114708081A (zh) 信用风险预测方法及装置、电子设备和可读存储介质
CN114757700A (zh) 物品销量预测模型训练方法、物品销量预测方法及装置
CN114565460A (zh) 一种基于延迟转化预测模型的信息推送方法及相关设备
CN113052509A (zh) 模型评估方法、模型评估装置、电子设备和存储介质
US10891664B2 (en) System and method for facilitating non-parametric weighted correlation analysis
CN115037655B (zh) 压测方法和系统
US10943296B2 (en) Retaining a set of accountholders within a ceiling number radius
CN116450950A (zh) 产品组合推荐方法、装置、设备及介质
CN114742648A (zh) 产品推送方法、装置、设备及介质
CN117651167A (zh) 资源推荐方法、装置、设备以及存储介质
CN118607673A (zh) 模型训练方法、用户咨询预测方法、装置、电子设备

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