CN117808525A - 激励发放的控制方法、装置及计算机设备 - Google Patents

激励发放的控制方法、装置及计算机设备 Download PDF

Info

Publication number
CN117808525A
CN117808525A CN202311871903.2A CN202311871903A CN117808525A CN 117808525 A CN117808525 A CN 117808525A CN 202311871903 A CN202311871903 A CN 202311871903A CN 117808525 A CN117808525 A CN 117808525A
Authority
CN
China
Prior art keywords
store
training
model
type
event
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
CN202311871903.2A
Other languages
English (en)
Inventor
黄丕帅
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.)
Guangzhou Shangyan Network Technology Co ltd
Original Assignee
Guangzhou Shangyan Network Technology Co ltd
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 Guangzhou Shangyan Network Technology Co ltd filed Critical Guangzhou Shangyan Network Technology Co ltd
Priority to CN202311871903.2A priority Critical patent/CN117808525A/zh
Publication of CN117808525A publication Critical patent/CN117808525A/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种激励发放的控制方法、装置及计算机设备，所述方法包括：获取目标店铺多个维度的基础标签与多个候选事件，所述基础标签表示所述目标店铺的店铺信息；将所述基础标签输入多个候选事件对应的聚类模型，得到所述目标店铺在每一候选事件对应的店铺类别；基于所述店铺类别，确定营销模型与非营销模型；根据所述营销模型输出的第一概率值与所述非营销模型输出的第二概率值，从多个候选事件中确定待发放激励的目标事件。本申请能够降低激励发放的成本。

Description

激励发放的控制方法、装置及计算机设备
技术领域
本申请属于互联网领域，涉及人工智能技术，尤其涉及一种激励发放的控制方法、装置及计算机设备。
背景技术
电商平台需要管理大量的店铺，并激励店铺开通一些功能，这些功能可能是付费功能，激励可以是优惠券或者其他形式。在相关技术中，通常采用统一推送或者统一发放激励的方式，促进店铺开通功能，但这类方法无法精细化管理，一方面会给不需要激励的用户造成干扰，另一方面，激励发放后没有得到用户的回应，徒增激励成本。
发明内容
本申请实施例提供一种激励发放的控制方法、装置及计算机设备，能够解决相关技术无法精细化地管理激励的发放，导致用户体验差以及激励成本高的技术问题。
本申请实施例第一方面提供一种激励发放的控制方法，所述方法包括：获取目标店铺多个维度的基础标签与多个候选事件，所述基础标签表示所述目标店铺的店铺信息；将所述基础标签输入多个候选事件对应的聚类模型，得到所述目标店铺在每一候选事件对应的店铺类别；基于所述店铺类别，确定营销模型与非营销模型；根据所述营销模型输出的第一概率值与所述非营销模型输出的第二概率值，从多个候选事件中确定待发放激励的目标事件。
在本申请的一些可选实施例中，所述根据所述营销模型输出的第一概率值与所述非营销模型输出的第二概率值，从多个候选事件中确定待发放激励的目标事件，包括：计算所述第一概率值与所述第二概率值的差值，将所述差值作为所述每一个候选事件对应的权重；基于所述差值，采用如下任一种方式确定所述目标事件：选取最大的差值对应的候选事件作为所述目标事件；依据多个差值从大到小的排序，确定预设数量的候选事件作为所述目标事件；选择大于或等于预设阈值的差值对应的候选事件作为所述目标事件。
在本申请的一些可选实施例中，所述方法还包括：获取不同预设事件对应的事件特征基于所述事件特征，确定用于训练同一个预设事件对应的多个预设店铺的历史数据。
在本申请的一些可选实施例中，所述方法还包括：对任一预设事件对应的聚类模型进行训练，包括：从所述历史数据中确定训练数据以及与所述训练数据对应的训练标签；基于预设的簇数，利用所述训练数据对所述聚类模型进行训练，得到聚类结果；若根据所述聚类结果与所述训练标签计算的聚类指标小于预设的第一指标阈值，更新所述聚类模型的参数，所述参数包括所述簇数；若所述聚类结果与所述训练标签计算的聚类指标大于或等于所述第一指标阈值，确定完成对所述聚类模型的训练。
在本申请的一些可选实施例中，所述方法还包括：对任一店铺类别对应的所述营销模型与所述非营销模型进行训练，包括：获取第一类训练数据与所述第一类训练数据对应的第一类标签，以及第二类训练数据与所述第二类训练数据对应的第二类标签；利用所述第一类训练数据与所述第一类标签对所述营销模型进行训练；利用所述第二类训练数据与所述第二类标签对所述非营销模型进行训练。
在本申请的一些可选实施例中，所述获取第一类训练数据与所述第一类训练数据对应的第一类标签，以及第二类训练数据与所述第二类训练数据对应的第二类标签，包括：从所述历史数据中获取所述多个预设店铺的预设基础标签与行为标签；基于所述预设基础标签，采用所述聚类模型划分所述多个预设店铺的类别，得到同类店铺；基于所述同类店铺对应的店铺数据，选取预设训练数量的第一类训练数据与第二类训练数据；基于所述行为标签，采用协同过滤算法计算所述同类店铺之间的相似度；基于所述相似度，确定所述第一类标签与所述第二类标签。
在本申请的一些可选实施例中，所述利用所述第一类训练数据与所述第一类标签对所述营销模型进行训练，包括：利用所述第一类训练数据对所述营销模型进行训练，得到第一预测值；根据所述第一预测值与所述第一类标签，计算第一模型指标；若所述第一模型指标大于或等于第二指标阈值，确定完成对所述营销模型的训练。
在本申请的一些可选实施例中，所述利用所述第二类训练数据与所述第二类标签对所述非营销模型进行训练，包括：利用所述第二类训练数据对所述非营销模型进行训练，得到第二预测值；根据所述第二预测值与所述第二类标签，计算第二模型指标；若所述第二模型指标大于或等于第二指标阈值，确定完成对所述非营销模型的训练。
本申请还提供了一种激励发放的控制装置，包括：获取模块，用于获取目标店铺多个维度的基础标签与多个候选事件，所述基础标签表示所述目标店铺的店铺信息；分类模块，用于将所述基础标签输入多个候选事件对应的聚类模型，得到所述目标店铺在每一候选事件对应的店铺类别；确定模块，用于基于所述店铺类别，确定营销模型与非营销模型；分配模块，用于根据所述营销模型输出的第一概率值与所述非营销模型输出的第二概率值，从多个候选事件中确定待发放激励的目标事件。
本申请实施例还提供了一种计算机设备，包括：存储器，及处理器，所述处理器执行所述存储器中存储的计算机可读指令，实现所述的激励发放的控制方法。
本申请实施例提供的激励发放的控制方法，将基础标签输入多个候选事件对应的聚类模型中，得到目标店铺在每一候选事件对应的店铺类别，能够对目标店铺划分店铺类别，以及对目标店铺的精细化管理，同时，也为后续确定营销模型与非营销模型提供依据。根据营销模型输出的第一概率值和非营销模型输出的第二概率值，从多个候选事件中确定待发放激励的目标事件，在确定店铺类别的基础上，通过第一概率值和第二概率值，能够有效地预估目标店铺对目标事件的敏感程度，在目标事件中为目标店铺合理地发放激励，降低了激励的发放成本，同时，能够避免在目标事件之外的其他事件对目标店铺进行激励发放，提高用户体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的激励发放的控制方法的应用环境示意图。
图2是本申请一实施例提供的数据处理方法的流程图。
图3是本申请实施例提供的聚类模型的训练流程图。
图4是本申请实施例提供的营销模型与非营销模型的训练流程图。
图5是本申请实施例提供的激励发放的控制装置的示意图。
图6是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本申请进行详细描述。
需要说明的是，本申请中“至少一个”是指一个或者多个，“多个”是指两个或多于两个。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。本申请的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不是用于描述特定的顺序或先后次序。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
电商平台需要管理大量的店铺，并激励店铺开通一些功能，这些功能可能是付费功能，激励可以是优惠券或者其他形式。在相关技术中，通常采用统一推送或者统一发放激励的方式，促进店铺开通功能，但这类方法无法精细化管理，一方面会给不需要激励的用户造成干扰，另一方面，激励发放后没有得到用户的回应，徒增激励成本。
请参阅图1是本申请实施例提供的激励发放的控制方法的应用环境示意图。如图1所示，计算机设备10与多个客户端20以及多个独立站30通信连接，每一客户端20与对应的独立站30通信连接。通信连接的方式可以是无线网络通信。无线网络可以是蓝牙(Bluetooth,BT)、无线保真(Wireless Fidelity,Wi-Fi)、近场通信(Near FieldCommunication，NFC)、自组网无线通信(ZigBee Wireless Networks,ZigBee)技术、红外技术(Infrared，IR)、超宽带(Ultra Wideband，UWB)技术、无线通用串行总线(UniversalSerial Bus，USB)等任意一种网络。
计算机设备10可以是服务器、云服务器、服务器集群等。计算机设备10上可以部署本申请实施例提供的激励发放的控制方法。
客户端20可以是商家所使用的笔记本电脑、平板电脑、手机、个人计算机(Personal Computer,PC)等电子设备。客户端20的商家可以在线上店铺的店铺管理页面上进行访问商品、上传商品等操作。
独立站30可以是一个具备独立服务器的网站，该网站还包括网站程序以及单独的网站域名，例如，企业开发的电商平台，该电商平台具有独立的官网。每一个独立站30可以用于管理一个商家的线上店铺(可以选择使用SaaS建站平台)，例如，独立品牌自主创建的线上店铺。独立站30还可以对应一个电商服务平台，该电商服务平台用于管理多个平台内部的商家店铺，例如，淘宝平台内的多个商家店铺。每一个独立站30承载对应线上店铺的各个产品所关联的数据，独立站30还用于将该数据上报只计算机设备10。
在一示例中，独立站30对应一商家的线上店铺，并将该线上店铺的相关数据存储至计算机设备10，商家通过客户端20访问对应的独立站30的电商平台对相应的线上店铺进行管理，独立站30运营在后台，可以为线上店铺提供网络电商功能(店铺功能)，比如，计算机设备10通过独立站30向客户端20发放激励，比如优惠券，该优惠券为用户在电商平台中购买店铺功能的一种补贴方式。计算设备10通过客户端20管理的店铺的基础标签确定店铺所属的店铺类别，从而根据店铺类别确定对应的营销模型和非营销模型，进而得到客户端20所管理的店铺的目标事件，目标事件可以是指定的日期，比如节日。
在一示例中，在目标事件时，计算机设备10向客户端20发放激励，该激励可以是优惠券。客户端20接收到该优惠券，可以使用该优惠券在电商平台上购买店铺功能，以丰富客户端20所管理店铺的店铺使用功能，比如，查看店铺的营销日历、分销系统功能、多店铺管理功能、丰富营销组件等。
可以理解的是，本申请实施例示意的应用场景并不构成具体限定。在本申请另一些实施例中，计算机设备10可以直接用于店铺的管理，不需要另外使用客户端20来管理。
图2是本申请一实施例提供的数据处理方法的流程图，如图2所示，本申请实施例提供的数据处理方法应用在计算机设备(如图1的计算机设备10)中。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。如图2所示，包括如下步骤：
步骤S201，获取目标店铺多个维度的基础标签与多个候选事件。
在本申请的一些实施例中，计算机设备可以是云服务器，云服务器存储有一管理平台(如，电商服务平台)，该管理平台用于管理多个店铺，该店铺可以是网络的线上店铺，比如，淘宝平台内部的店铺、京东平台内部的店铺、拼多多平台内部的店铺、独立品牌创建的自营店铺。该店铺还可以是用于管理实体店铺的店铺管理终端，本申请对此不予限制。在一示例中，当用户通过客户端登录管理平台进行店铺注册时，客户端与云服务器建立连接，云服务器可以接收到客户端的登录信息以及注册信息，当客户端的店铺注册成功以后，云服务器根据店铺的注册信息确定店铺在客户端上的基本使用权限，比如，商品上架、商品下架等功能。
在本申请的一些实施例中，目标店铺可以是用户通过客户端在管理平台新注册的店铺，用户可以通过客户端输入登录信息以及注册信息，计算机设备可以接收到目标店铺的登录信息以及注册信息(比如，店铺信息)，并生成目标店铺的基础标签，该基础标签可以是多个维度的信息，比如，店铺类型、经营范围、店铺规模、地理位置以及定价范围等。
在本申请的一些实施例中，计算机设备中预先存储有多个预设事件，候选事件可以是从预设事件中选择的全部或部分事件，预设事件可以是节日或特殊标记的日子，比如，节日可以是法定节日，例如，圣诞节、元旦、春节、三八妇女节、五一劳动节、国庆节等。特殊标记的日子可以是双十一、双十二、情人节等，特殊标记的日子还可以由店铺商家自行定义，本申请对此不予限制。
在一示例中，用户可以根据实际需求从预存的多个预设事件中选择多个候选事件。假设计算机设备中预先存储了10个预设事件，用户可以根据实际需求从10个预设事件中指定5个事件作为候选事件。
在另一示例中，计算机设备还可以获取目标店铺的注册信息，比如注册时间，根据注册时间选择多个候选事件，比如，将与注册时间最接近的多个预设事件作为多个候选事件。例如，目标店铺的注册时间为4月，可以将5月、6月的预设事件作为候选事件，比如，将五一劳动节、六一儿童节。
在另一示例中，计算机设备还可以获取预存的所有预设事件的历史数据，根据历史数据从多个事件中选择多个候选事件，比如，历史数据可以是管理平台的店铺的历史点击率，根据历史点击率，确定多个候选事件，例如，计算机设备根据统计结果，确定双十一和双十二的点击率较高，则可以将双十一和双十二作为候选事件。
以上只是示例，实际应用中，候选事件可以根据实际需求选择，本申请对此不予限制。
步骤S202，将基础标签输入多个候选事件对应的聚类模型，得到目标店铺在每一候选事件对应的店铺类别。
在本申请的一些实施例中，聚类模型是一种无监督学习的方法，其原理是将未知数据中样本和样本之间按照一定的相似度进行分组。每一候选事件均预先设定有对应的聚类模型，该聚类模型用于对基础标签进行分组，从而可以得到目标店铺在每一候选事件中对应的店铺类别，本实施例能够通过聚类模型对目标店铺进行精细化地划分店铺类别，实现更精准的激励发放。其中，聚类模型可以是K均值(K-Means)算法、层次聚类算法(Hierarchical Clustering Algorithm)、基于密度的聚类算法(Density-basedclustering algorithm)、谱聚类算法(Spectral clustering algorithm)、BIRCH算法(Balanced Iterative Reducing and Clustering using Hierarchies algorithm)、CLARA算法(Clustering Large Applications algorithm)、PAM算法(PartitioningAround Medoids algorithm)和CURE算法(Clustering Using Representativesalgorithm)中的任一种算法训练而成的模型。
在本申请的一些实施例中，将目标店铺的基础标签输入多个候选事件对应的聚类模型，得到目标店铺在每一候选事件对应的店铺类别，比如，将目标店铺的店铺类型输入多个候选事件对应的聚类模型，得到的店铺类别可以包括餐饮类、小吃类、中餐类、西餐类等。计算机设备中预先存储有多个预设事件，以及每一个预设事件对应的聚类模型。
在一示例中，用户可以根据实际需求从预存的多个预设事件中选择多个候选事件。假设计算机设备中预先存储了10个事件，用户可以根据实际需求选择5个事件作为候选事件，从而根据这5个候选事件对应的聚类模型，得到这5个聚类模型输出的店铺类别。
在另一示例中，计算机设备还可以根据目标店铺的注册时间选择多个候选事件。例如，目标店铺的注册时间为4月，可以将5月、6月的事件作为候选事件，比如，将五一劳动节、六一儿童节。从而根据五一劳动节对应的聚类模型得到目标店铺在候选事件为五一劳动节时的店铺类别，比如，基于五一劳动节对应的聚类模型得到的店铺类别为中餐类，根据六一儿童节对应的聚类模型得到目标店铺在候选事件为六一儿童节时的店铺类别，比如，基于六一儿童节对应的聚类模型得到的店铺类别为小吃类。
在另一示例中，计算机设备还可以根据历史数据从多个事件中选择多个候选事件，比如，根据历史数据确定双十一和双十二的点击率较高，则可以将双十一和双十二作为候选事件，从而可以获取双十一和双十二分别对应的聚类模型，得到目标店铺在候选事件为双十一时的店铺类别，以及目标店铺在候选事件为双十二时的店铺类别。
在本申请的一些实施例中，每一候选事件对应的聚类模型可以不同，并且每一候选事件对应的聚类模型输出的分类以及分类数量也可以不同，本申请对此不予限制。
在一示例中，候选事件A对应聚类模型A，候选事件B对应聚类模型B，聚类模型A的分类数量可以是4类，比如，小吃类、零食类、主食类、休闲饮食类(比如下午茶)。聚类模型B的分类数量可以是3类，比如，西餐类、中餐类、中西餐类。聚类模型A的第一店铺类别与聚类模型B的第一店铺类别不同，例如，聚类模型A的第一店铺类别为小吃类，聚类模型B的第一店铺类别为西餐类。以上只是示例，具体的店铺类别根据训练聚类模型时的训练数据确定，在此不予限制。在此示例中，聚类模型是依据店铺类型训练的，因此，得到的店铺类别是基于店铺的经营类型划分的，在其他示例中，聚类模型还可以依据经营范围、店铺规模、地理位置、定价范围等进行训练，实际应用不局限于此。
步骤S203，基于店铺类别，确定营销模型与非营销模型。
在本申请的一些实施例中，确定了店铺类别以后，可以根据店铺类别确定营销模型和非营销模型，营销模型和非营销模型可以由决策树模型、随机森林模型、梯度提升树(Gradient Boosting Tree)、CART(Classification and Regression Tree)中的任一种算法模型训练而成。在一示例中，计算机设备向店铺发放优惠券后，营销模型可以是该店铺的管理者基于优惠券开通更多使用功能权限的概率模型。计算机设备没有向店铺发放优惠券，非营销模型可以是该店铺的管理者在没有优惠券的情况下确定开通更多使用功能权限的概率模型。由于店铺类别是不同的候选事件对应的聚类模型输出的结果，则可以为不同候选事件对应的店铺类别预先训练不同的营销模型和非营销模型，即，根据不同的候选事件对应的店铺类别确定对应的营销模型与非营销模型，在一程度上提高了对目标店铺的预测精度。
在一示例中，候选事件A的聚类模型输入目标店铺的基础标签后，得到目标店铺归属于第一类店铺类别A1。候选事件B的聚类模型输入目标店铺的基础标签后，得到目标店铺归属于第一类店铺类别B1。根据第一类店铺类别A1确定营销模型A11和非营销模型A12，根据第一店铺类别B1确定营销模型B11和非营销模型B12，以上只是示例，实际应用不局限于此。
在另一示例中，候选事件A的聚类模型输入目标店铺的基础标签后，得到目标店铺归属于第一类店铺类别A1。候选事件B的聚类模型输入目标店铺的基础标签后，得到目标店铺归属于第三类店铺类别B3。则根据第一类店铺类别A1确定营销模型A11和非营销模型A12，根据第三店铺类别B3确定营销模型B31和非营销模型B32，以上只是示例，实际应用不局限于此。
步骤S204，根据营销模型输出的第一概率值与非营销模型输出的第二概率值，从多个候选事件中确定待发放激励的目标事件。
在本申请的一些实施例中，可以将目标店铺的数据输入营销模型和非营销模型，分别计算后得到营销模型的第一概率值以及非营销模型的第二概率值，计算第一概率值与第二概率值的差值，例如，差值＝第一概率值P1-第二概率值P2，将该差值作为每一候选事件对应的权重。
在本申请的一些实施例中，基于差值，可以确定目标事件。例如，基于每一候选事件对应的差值作为权重，选择最大的差值对应的候选事件作为目标事件。在一示例中，假设存在3个候选事件，候选事件A的权重为6，候选事件B的权重为7，候选事件C的权重为3，则可以根据权重的大小，确定候选事件B为目标事件。
在本申请的另一些实施例中，依据多个差值从大到小的排序，确定预设数量的候选事件作为目标事件，比如，候选事件为10个，则多个差值的数量为10个，预设数量可以是5个，则从10个差值中选择权重排序靠前的5个差值对应的候选事件作为目标事件。例如，10个候选事件对应的权重值分别是3、6、7、3、8、1、9、4、5、6，则根据排序结果9、8、7、6、6、5、4、3、3、1，选择权重值较大的前5个，将权重值9、8、7、6、6对应的事件作为目标事件。
在本申请的另一些实施例中，选择大于或等于预设阈值的差值对应的候选事件作为目标事件。预设阈值可以是6，假设有10个差值，则从这10个差值中选择大于或等于6的差值对应的候选事件作为目标事件。例如，10个候选事件对应的差值分别是3、6、7、3、8、1、9、4、5、6，则大于或等于6的差值包括6、6、7、8、9，则将差值为6、6、7、8、9对应的候选事件作为目标事件。
在本申请的一些实施例中，管理平台确定了目标店铺待发放激励的目标事件后，在目标事件时向目标店铺发放激励，在目标事件之外的其他时间不向目标店铺发放激励，激励可以是优惠券或其他形式的补贴，例如，确定目标店铺待发放激励的目标事件为双十一与双十二，激励为购买店铺更多使用权限的优惠券，则管理平台可以在接近双十一与双十二的时间向目标店铺发送优惠券，以促进用户基于该优惠券为目标店铺购买更多的店铺功能，以增加店铺的使用权限，比如，没有购买之前，只能分别对一个个商品进行管理，但是购买了店铺功能以后，可以批量地对商品进行管理。
在本申请的实施例中，基础标签可以是多个维度的信息，比如，店铺类型、经营范围、店铺规模、地理位置以及定价范围等，将基础标签输入多个候选事件对应的聚类模型中，得到目标店铺在每一候选事件对应的店铺类别，能够对目标店铺划分店铺类别，以及对目标店铺的精细化管理，同时，也为后续确定营销模型与非营销模型提供依据。根据营销模型输出的第一概率值和非营销模型输出的第二概率值，从多个候选事件中确定待发放激励的目标事件，在确定店铺类别的基础上，通过第一概率值和第二概率值，能够有效地预估目标店铺对目标事件的敏感程度，在目标事件中为目标店铺合理地发放激励，降低了激励的发放成本，同时，能够避免在目标事件之外的其他事件对目标店铺进行激励发放，提高用户体验。
图3是本申请实施例提供的聚类模型的训练流程图。如图3所示的实施例可以用于训练所有候选事件对应的聚类模型，则对任一候选事件对应的聚类模型进行训练包括如下步骤：
步骤S301，从历史数据中确定训练数据以及与训练数据对应的训练标签。
在本申请的一些实施例中，在管理平台上选择已经注册且经营了一段时间的多个已经营的店铺，获取每一已经营的店铺在不同预设事件的事件特征，该事件特征可以是每一已经营的店铺在不同预设事件的历史店铺数据，历史店铺数据可以是销售数据、店铺登录频率以及商品的点击数据等。基于事件特征，从多个已经营的店铺中确定同一个预设事件对应的多个预设店铺，从而可以获取用于训练同一预设事件对应的多个预设店铺的基本店铺信息，基本店铺信息可以包括多个维度，比如，店铺类型、经营范围、店铺规模、地理位置以及定价范围等。
在一示例中，多个预设事件包括事件A、事件B和事件C，多个已经营的店铺包括店铺E、店铺F和店铺G，获取每一个店铺在事件A、事件B和事件C时的销售量作为事件特征，比如，店铺E在事件A时的销售量为20％、在事件B时的销售量为50％、在事件C时的销售量为30％，店铺F在事件A时的销售量为20％、在事件B时的销售量为60％、在事件C时的销售量为20％，店铺G在事件A时的销售量为10％、在事件B时的销售量为30％、在事件C时的销售量为60％。
由于店铺E和店铺F在事件B时的销售量最高，则将店铺E和店铺F作为事件B的预设店铺，获取店铺E和店铺F的基本店铺信息作为训练事件B对应的聚类模型的训练数据。店铺G在事件C时的销量最高，将店铺G作为事件C的预设店铺，可以获取店铺G的基本店铺信息作为训练事件C对应的聚类模型的训练数据。以上举例没有归属于事件A的店铺，但在实际应用中，可以确定多个维度的事件特征，进而确定每一预设事件的预设店铺，以上只是举例，实际应用不局限于此。
在本申请的一些实施例中，可以根据实际需求，从多个预设事件中确定多个候选事件，得到多个候选事件对应的多个预设店铺的训练数据，在一定程度上可以提高训练效率，比如，在上一示例中，预设事件包括事件A、事件B和事件C，根据店铺E、店铺F和店铺G的销售量，可以滤除事件A，将事件B和事件C作为候选事件。
步骤S302，基于预设的簇数，利用训练数据对聚类模型进行训练，得到聚类结果。
在本申请的一些实施例中，簇数可以是在开始训练聚类模型之前设置的模型参数，簇数表示该聚类模型对输入数据的分类的数量。确定了训练数据以后，利用训练数据对聚类模型进行训练，可以将训练数据输入聚类模型中，经过预设的迭代次数，获取聚类模型输出的聚类结果，该聚类结果包含聚类模型对训练数据的分类。
在本申请的一些实施例中，针对不同的预设事件训练不同的聚类模型，不同的预设事件对应的聚类模型的分类情况可以不同，划分的簇数也可以不同，簇数的划分可以根据同一预设事件对应的多个预设店铺的数量确定，还可以根据预设事件的事件情况设定，本申请对此不予限制。
在一示例中，假设预设事件为情人节，并且确定情人节对应的预设店铺的数量较少，则情人节对应的聚类模型的簇数可以预设为2，比如，聚类模型的训练数据为店铺类型，则聚类模型的簇类可以包括中餐和西餐。假设预设事件为双十一，并且确定在双十一对应的预设店铺较多，则可以通过聚类模型对双十一的预设店铺的类别进行细化，双十一对应的聚类模型的簇数可以预设为4，比如，聚类模型的簇类包括小吃类、零食类、主食类、休闲饮食类(比如下午茶)。以上只是示例，簇数可以根据实际情况设定。
步骤S303，判断根据聚类结果与训练标签计算的聚类指标是否小于预设的第一指标阈值。
在本申请的一些实施例中，聚类指标可以是纯度(Purity)、标准化互信息(Normalized Mutual Information,NMI)、兰德指数(Rand Index,RI)、查准率(Precision)、查全率(Recall)、F-measure、调整兰德指数(Adjusted Rand Index,ARI)、召回率(Recall)以及正确率(Accuracy)等。
在一示例中，以预设的指标为Accuracy为例进行说明。根据聚类结果与训练标签计算Accuracy＝(TP+TN)/(TP+FP+FN+TN)，其中，TP表示真正例(True Positives)，即被正确分类到某一类别的样本数量，FP表示假正例(False Positives)，即将某一类别误分类为其他类别的样本数量，FN表示假负例(False Negatives)，即将其他类别误分类为某一类别的样本数量，TN表示真负例(True Negatives)，即被正确分类到非某一类别的样本数量。Accuracy的值介于0和1之间，Accuracy越接近1，表示聚类结果与真实的训练标签之间的匹配程度越高，若Accuracy＝95％则可以确定根据聚类结果与训练标签计算的聚类指标满足预设的指标阈值，其中，95％是预设的指标阈值，可以根据实际需求设定，本申请对此不予限制。
在本申请的一些实施例中，若根据聚类结果与训练标签计算的聚类指标小于预设的指标阈值，表示聚类模型的精度没有达到要求，执行步骤S304。若根据聚类结果与训练标签计算的聚类指标大于或等于预设的指标阈值，表示聚类模型的精度达到了要求，执行步骤S305。
步骤S304，更新聚类模型的参数。
在本申请的一些实施例中，当聚类指标小于预设的第一指标阈值时，表示聚类模型输出的聚类结果的准确度不够，可以调整模型参数重新训练，调整的模型参数包括簇数，比如，预设的簇数为2，调整簇数为3重新训练，模型参数还可以包括训练的迭代次数、超参数等，还可以重新更换训练数据，本申请对此不予限制。
步骤S305，确定完成对聚类模型的训练。
在本申请的一些实施例中，当聚类指标小于预设的第一指标阈值时，表示聚类模型输出的聚类结果满足预设的精度，完成对聚类模型的训练。
在本申请的实施例中，通过店铺的历史数据筛选出同一预设事件对应的多个预设店铺，为训练聚类模型提供训练数据。基于多个预设店铺的基本店铺信息对聚类模型的训练，调整聚类模型划分的簇数，能够提高同一预设事件对应的聚类模型输出的店铺类别的准确度，实现对不同的店铺类别进行精度化管理。
图4是本申请实施例提供的营销模型与非营销模型的训练流程图。如图4所示，对任一店铺类别对应的营销模型与非营销模型进行训练，包括如下步骤：
步骤S401，获取第一类训练数据与第一类训练数据对应的第一类标签，以及第二类训练数据与第二类训练数据对应的第二类标签。
在本申请的一些实施例中，在同一个预设事件中，获取多个预设店铺的预设基础标签，将预设基础标签输入如图3所示实施例训练好的聚类模型中，通过聚类模型划分多个预设店铺的类别，得到同类店铺，该同类店铺是基于预设基础标签划分的类别。基于同类店铺对应的店铺数据，选取预设训练数量的第一类训练数据与第二类训练数据，其中，预设训练数量为同类店铺中的部分店铺，第一类训练数据与第二类训练数据为该部分店铺对应的店铺数据。
在一示例中，假设同类店铺共有1000个，随机选择100个店铺，获取这100个店铺的店铺数据作为第一类训练数据，再从剩余的900个中随机选择100个店铺，获取这100个店铺数据作为第二类训练数据。在该示例中，优先选择100个店铺的店铺数据作为第一类训练数据，在其他示例中，可以优先选择100个店铺的店铺数据作为第二类训练数据，本申请针对第一类训练数据与第二类训练数据的确定顺序不予限制，可以同时随机选取200个店铺再均分为两份。
在本申请的一些实施例中，获取多个预设店铺的行为标签，比如，店铺的销售数据。采用协同过滤算法计算同一类别的店铺之间的相似度，其中，协同过滤算法的基本原理是通过分析用户的行为和偏好，发现用户之间的相似性，则在本实施例中，基于行为标签，通过协同过滤算法计算同类店铺之间的相似度，进而根据相似度确定第一类标签与第二类标签，其中，第一类标签对应的店铺与第一类训练数据对应的店铺相似度较高，第二类标签对应的店铺与第二类训练数据对应的店铺相似度较高。
在一示例中，假设同类店铺共有1000个，在同类店铺中，获取第一个100个店铺的店铺数据作为第一类训练数据，从剩余的900个中获取第二个100个店铺的店铺数据作为第二类训练数据，通过协同过滤算法，从剩余的800个店铺中查找出与第一个100个店铺相似度较高的100个店铺，并获取对应的店铺数据作为第一类标签，从剩余的700个店铺中查找出与第二个100个店铺相似度较高的100个店铺，并获取对应的店铺数据作为第二类标签。以上只是示例，对于获取第一类训练数据与第一类训练数据对应的第一类标签，以及第二类训练数据与第二类训练数据对应的第二类标签的顺序不予限定。
在本申请的实施例中，基于聚类模型输出店铺类别，再从同类店铺中，基于同类店铺的行为标签选择相似度较高的店铺以及该店铺的数据，为后续的营销模型与非营销模型的训练提供更为准确的训练数据。
步骤S402，利用第一类训练数据与第一类标签对营销模型进行训练。
在本申请的一些实施例中，将第一类训练数据输入营销模型进行训练，得到第一预测值。假设第一类训练数据为发了激励(优惠券)的店铺对应的店铺数据，营销模型用于对发放了激励的店铺进行预测，得到预测的付费概率，该付费概率为第一预测值。第一类标签为发了激励(优惠券)的店铺实际运营中的付费数据，表示该店铺在实际运营中使用发放的优惠券开通了对应的店铺功能。
在一示例中，在验证过程中，对通过协同过滤算法得到的100个店铺发放优惠券，获取这100个店铺在发放优惠券的情况下，通过管理平台购买更多的客户端功能的支付数据作为第一类标签。将第一类训练数据输入营销模型，通过营销模型预估出随机选择的100个店铺的支付概率作为第一预测值。
在本申请的一些实施例中，根据第一预测值与第一类标签，可以计算出第一模型指标，第一模型指标与步骤S303中的聚类指标可以相同，第一模型指标可以是纯度(Purity)、标准化互信息(Normalized Mutual Information,NMI)、兰德指数(Rand Index,RI)、查准率(Precision)、查全率(Recall)、F-measure、调整兰德指数(Adjusted RandIndex,ARI)、召回率(Recall)以及正确率(Accuracy)等。
在本申请的一些实施例中，如果根据第一预测值与第一类标签计算得到的第一模型指标大于或等于第二指标阈值，则确定完成对营销模型的训练，如果根据第一预测值与第一类标签计算得到的第一模型指标小于第二指标阈值，则确定目前的营销模型还没有达到预设的模型精度，可以通过调整营销模型的训练参数，重新对营销模型进行训练，直至第一模型指标大于或等于第二指标阈值，确定完成对营销模型的训练。其中，第二指标阈值可以与第一指标阈值相同，也可以不同，本申请对此不予限制，可以根据实际需求设定。
步骤S403，利用第二类训练数据与第二类标签对非营销模型进行训练。
在本申请的一些实施例中，将第二类训练数据输入非营销模型进行训练，得到第二预测值。假设第二类训练数据为没有发放激励的店铺的对应的店铺数据，非营销模型用于对没有发放激励的店铺进行预测，得到预测的付费概率，该付费概率为第二预测值。第二类标签为没有发放激励的店铺实际营运中的付费数据，表示该店铺在没有发放激励的情况下支付开通店铺功能的数据。
在一示例中，在验证过程中，对通过协同过滤算法得到的100个店铺不发放优惠券，获取这100个店铺在不发放优惠券的情况下，通过管理平台购买更多的客户端功能的支付数据作为第二类标签。将第二类训练数据输入非营销模型，通过非营销模型预估出随机选择的100个店铺的支付概率作为第二预测值。
在本申请的一些实施例中，根据第二预测值与第二类标签，可以计算出第二模型指标，第二模型指标与步骤S303中的聚类指标可以相同，第二模型指标可以是纯度(Purity)、标准化互信息(Normalized Mutual Information,NMI)、兰德指数(Rand Index,RI)、查准率(Precision)、查全率(Recall)、F-measure、调整兰德指数(Adjusted RandIndex,ARI)、召回率(Recall)以及正确率(Accuracy)等。
在本申请的一些实施例中，如果根据第二预测值与第二类标签计算得到的第二模型指标大于或等于第二指标阈值，则确定完成对非营销模型的训练，如果根据第二预测值与第二类标签计算得到的第二模型指标小于第二指标阈值，则确定目前的非营销模型还没有达到预设的模型精度，可以通过调整非营销模型的训练参数，重新对非营销模型进行训练，直至第二模型指标大于或等于第二指标阈值，确定完成对非营销模型的训练。
在本申请的实施例中，在训练的过程中，基于聚类模型输出的店铺类别，获取同类店铺的店铺数据作为训练数据以及训练数据对应的标签，训练每一同类店铺对应的营销模型与非营销模型，极大地提升了营销模型与非营销模型的模型精度，从而提高确定目标事件的准确度，提高激励发放的准确度，降低激励的发放成本，比如，在目标事件之外不对目标店铺发放优惠券。
请参阅图5，是本申请实施例提供的激励发放的控制装置的示意图。是对本申请的激励发放的控制方法的功能化体现，该激励发放的控制装置50包括获取模块501、分类模块502、确定模块503以及分配模块504，其中：获取模块501，用于获取目标店铺多个维度的基础标签与多个候选事件，所述基础标签表示所述目标店铺的店铺信息；分类模块502，用于将所述基础标签输入多个候选事件对应的聚类模型，得到所述目标店铺在每一候选事件对应的店铺类别；确定模块503，用于基于所述店铺类别，确定营销模型与非营销模型；分配模块504，用于根据所述营销模型输出的第一概率值与所述非营销模型输出的第二概率值，从多个候选事件中确定待发放激励的目标事件。
在本申请任意实施例的基础上，所述根据所述营销模型输出的第一概率值与所述非营销模型输出的第二概率值，从多个候选事件中确定待发放激励的目标事件，包括：计算所述第一概率值与所述第二概率值的差值，将所述差值作为所述每一个候选事件对应的权重；基于所述差值，采用如下任一种方式确定所述目标事件：选取最大的差值对应的候选事件作为所述目标事件；依据多个差值从大到小的排序，确定预设数量的候选事件作为所述目标事件；选择大于或等于预设阈值的差值对应的候选事件作为所述目标事件。
在本申请任意实施例的基础上，获取不同预设事件对应的事件特征；基于所述事件特征，确定用于训练同一个预设事件对应的多个预设店铺的历史数据。
在本申请任意实施例的基础上，对任一预设事件对应的聚类模型进行训练，包括：从所述历史数据中确定训练数据以及与所述训练数据对应的训练标签；基于预设的簇数，利用所述训练数据对所述聚类模型进行训练，得到聚类结果；若根据所述聚类结果与所述训练标签计算的聚类指标小于预设的第一指标阈值，更新所述聚类模型的参数，所述参数包括所述簇数；若所述聚类结果与所述训练标签计算的聚类指标大于或等于所述第一指标阈值，确定完成对所述聚类模型的训练。
在本申请任意实施例的基础上，对任一店铺类别对应的所述营销模型与所述非营销模型进行训练，包括：获取第一类训练数据与所述第一类训练数据对应的第一类标签，以及第二类训练数据与所述第二类训练数据对应的第二类标签；利用所述第一类训练数据与所述第一类标签对所述营销模型进行训练；利用所述第二类训练数据与所述第二类标签对所述非营销模型进行训练。
在本申请任意实施例的基础上，所述获取第一类训练数据与所述第一类训练数据对应的第一类标签，以及第二类训练数据与所述第二类训练数据对应的第二类标签，包括：从所述历史数据中获取所述多个预设店铺的预设基础标签与行为标签；基于所述预设基础标签，采用所述聚类模型划分所述多个预设店铺的类别，得到同类店铺；基于所述同类店铺对应的店铺数据，选取预设训练数量的第一类训练数据与第二类训练数据；基于所述行为标签，采用协同过滤算法计算所述同类店铺之间的相似度；基于所述相似度，确定所述第一类标签与所述第二类标签。
在本申请任意实施例的基础上，所述利用所述第一类训练数据与所述第一类标签对所述营销模型进行训练，包括：利用所述第一类训练数据对所述营销模型进行训练，得到第一预测值；根据所述第一预测值与所述第一类标签，计算第一模型指标；若所述第一模型指标大于或等于第二指标阈值，确定完成对所述营销模型的训练。
在本申请任意实施例的基础上，所述利用所述第二类训练数据与所述第二类标签对所述非营销模型进行训练，包括：利用所述第二类训练数据对所述非营销模型进行训练，得到第二预测值；根据所述第二预测值与所述第二类标签，计算第二模型指标；若所述第二模型指标大于或等于第二指标阈值，确定完成对所述非营销模型的训练。
本申请的另一实施例还提供一种计算机设备。图6是本申请实施例提供的计算机设备的结构示意图，如图6所示，在本申请的一个实施例中，计算机设备10可以为云服务器，本申请实施例对计算机设备10的具体类型不作任何限制。
如图6所示，该计算机设备10可以包括，但不限于，可以包括通信模块1001、存储器1002、处理器1003、输入/输出(Input/Output，I/O)接口1004及总线1005。处理器1003通过总线1005分别耦合于通信模块1001、存储器1002、I/O接口1004。
本领域技术人员可以理解，示意图仅仅是计算机设备10的示例，并不构成对计算机设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备10还可以包括网络接入设备等。
通信模块1001可以包括有线通信模块和/或无线通信模块。有线通信模块可以提供通用串行总线(Universal Serial Bus，USB)、控制器局域网总线(CAN，Controller AreaNetwork)等有线通信的解决方案中的一种或多种。无线通信模块可以提供无线保真(Wireless Fidelity,Wi-Fi)、蓝牙(Bluetooth,BT)、移动通信网络、调频(FrequencyModulation，FM)、近距离无线通信技术(near field communication，NFC)、红外技术(Infrared，IR)技术等无线通信的解决方案中的一种或多种。
存储器1002可用于存储计算机可读指令和/或模块，处理器1003通过运行或执行存储在存储器1002内的计算机可读指令和/或模块，以及调用存储在存储器1002内的数据，实现计算机设备10的各种功能。存储器1002可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备10的使用所创建的数据等。存储器1002可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
存储器1002可以是计算机设备10的外部存储器和/或内部存储器。进一步地，存储器1002可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
处理器1003可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器1003是计算机设备10的运算核心和控制中心，利用各种接口和线路连接整个计算机设备10的各个部分，及执行计算机设备10的操作系统以及安装的各类应用程序、程序代码等。
示例性的，计算机可读指令可以被分割成一个或多个模块/子模块/单元，一个或者多个模块/子模块/单元被存储在存储器1002中，并由处理器1003执行，以完成本申请。一个或多个模块/子模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述计算机可读指令在计算机设备10中的执行过程。
计算机设备10集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，计算机可读指令包括计算机可读指令代码，计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)。
结合图2至图4，计算机设备10中的存储器1002存储计算机可读指令，处理器1003可执行存储器1002中存储的计算机可读指令从而实现如图2至图4所示的激励发放的控制方法。
具体地，处理器1003对上述计算机可读指令的具体实现方法可参考图2至图4对应实施例中相关步骤的描述，在此不赘述。
I/O接口1004用于提供用户输入或输出的通道，例如I/O接口1004可用于连接各种输入输出设备，例如，鼠标、键盘、触控装置、显示屏等，使得用户可以录入信息，或者使信息可视化。
总线1005至少用于提供计算机设备10中的通信模块1001、存储器1002、处理器1003、I/O接口1004之间相互通信的通道。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种激励发放的控制方法，其特征在于，所述方法包括：
获取目标店铺多个维度的基础标签与多个候选事件，所述基础标签表示所述目标店铺的店铺信息；
将所述基础标签输入多个候选事件对应的聚类模型，得到所述目标店铺在每一候选事件对应的店铺类别；
基于所述店铺类别，确定营销模型与非营销模型；
根据所述营销模型输出的第一概率值与所述非营销模型输出的第二概率值，从多个候选事件中确定待发放激励的目标事件。
2.根据权利要求1所述的激励发放的控制方法，其特征在于，所述根据所述营销模型输出的第一概率值与所述非营销模型输出的第二概率值，从多个候选事件中确定待发放激励的目标事件，包括：
计算所述第一概率值与所述第二概率值的差值，将所述差值作为所述每一个候选事件对应的权重；
基于所述差值，采用如下任一种方式确定所述目标事件：
选取最大的差值对应的候选事件作为所述目标事件；
依据多个差值从大到小的排序，确定预设数量的候选事件作为所述目标事件；
选择大于或等于预设阈值的差值对应的候选事件作为所述目标事件。
3.根据权利要求1所述的激励发放的控制方法，其特征在于，所述方法还包括：
获取不同预设事件对应的事件特征；
基于所述事件特征，确定用于训练同一个预设事件对应的多个预设店铺的历史数据。
4.根据权利要求3所述的激励发放的控制方法，其特征在于，所述方法还包括：对任一预设事件对应的聚类模型进行训练，包括：
从所述历史数据中确定训练数据以及与所述训练数据对应的训练标签；
基于预设的簇数，利用所述训练数据对所述聚类模型进行训练，得到聚类结果；
若根据所述聚类结果与所述训练标签计算的聚类指标小于预设的第一指标阈值，更新所述聚类模型的参数，所述参数包括所述簇数；
若所述聚类结果与所述训练标签计算的聚类指标大于或等于所述第一指标阈值，确定完成对所述聚类模型的训练。
5.根据权利要求3所述的激励发放的控制方法，其特征在于，所述方法还包括：对任一店铺类别对应的所述营销模型与所述非营销模型进行训练，包括：
获取第一类训练数据与所述第一类训练数据对应的第一类标签，以及第二类训练数据与所述第二类训练数据对应的第二类标签；
利用所述第一类训练数据与所述第一类标签对所述营销模型进行训练；
利用所述第二类训练数据与所述第二类标签对所述非营销模型进行训练。
6.根据权利要求5所述的激励发放的控制方法，其特征在于，所述获取第一类训练数据与所述第一类训练数据对应的第一类标签，以及第二类训练数据与所述第二类训练数据对应的第二类标签，包括：
从所述历史数据中获取所述多个预设店铺的预设基础标签与行为标签；
基于所述预设基础标签，采用所述聚类模型划分所述多个预设店铺的类别，得到同类店铺；
基于所述同类店铺对应的店铺数据，选取预设训练数量的第一类训练数据与第二类训练数据；
基于所述行为标签，采用协同过滤算法计算所述同类店铺之间的相似度；
基于所述相似度，确定所述第一类标签与所述第二类标签。
7.根据权利要求5所述的激励发放的控制方法，其特征在于，所述利用所述第一类训练数据与所述第一类标签对所述营销模型进行训练，包括：
利用所述第一类训练数据对所述营销模型进行训练，得到第一预测值；
根据所述第一预测值与所述第一类标签，计算第一模型指标；
若所述第一模型指标大于或等于第二指标阈值，确定完成对所述营销模型的训练。
8.根据权利要求5所述的激励发放的控制方法，其特征在于，所述利用所述第二类训练数据与所述第二类标签对所述非营销模型进行训练，包括：
利用所述第二类训练数据对所述非营销模型进行训练，得到第二预测值；
根据所述第二预测值与所述第二类标签，计算第二模型指标；
若所述第二模型指标大于或等于第二指标阈值，确定完成对所述非营销模型的训练。
9.一种激励发放的控制装置，其特征在于，包括：
获取模块，用于获取目标店铺多个维度的基础标签与多个候选事件，所述基础标签表示所述目标店铺的店铺信息；
分类模块，用于将所述基础标签输入多个候选事件对应的聚类模型，得到所述目标店铺在每一候选事件对应的店铺类别；
确定模块，用于基于所述店铺类别，确定营销模型与非营销模型；
分配模块，用于根据所述营销模型输出的第一概率值与所述非营销模型输出的第二概率值，从多个候选事件中确定待发放激励的目标事件。
10.一种计算机设备，其特征在于，包括：
存储器；及
处理器；所述处理器执行所述存储器中存储的计算机可读指令，实现如权利要求1至8中任一项所述的激励发放的控制方法。
CN202311871903.2A 2023-12-29 2023-12-29 激励发放的控制方法、装置及计算机设备 Pending CN117808525A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311871903.2A CN117808525A (zh) 2023-12-29 2023-12-29 激励发放的控制方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311871903.2A CN117808525A (zh) 2023-12-29 2023-12-29 激励发放的控制方法、装置及计算机设备

Publications (1)

Publication Number Publication Date
CN117808525A true CN117808525A (zh) 2024-04-02

Family

ID=90433035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311871903.2A Pending CN117808525A (zh) 2023-12-29 2023-12-29 激励发放的控制方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN117808525A (zh)

Similar Documents

Publication Publication Date Title
US20210241862A1 (en) Robust trial design platform
US20210073283A1 (en) Machine learning and prediction using graph communities
US11087245B2 (en) Predictive issue detection
Vanderveld et al. An engagement-based customer lifetime value system for e-commerce
US12051488B2 (en) Interactive trial design platform
Miao et al. Context‐based dynamic pricing with online clustering
CN110995459B (zh) 异常对象识别方法、装置、介质及电子设备
US20200234218A1 (en) Systems and methods for entity performance and risk scoring
WO2016053183A1 (en) Systems and methods for automated data analysis and customer relationship management
US20210319158A1 (en) Methods and system for reducing computational complexity of clinical trial design simulations
US11182841B2 (en) Prospect recommendation
CN114663198A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
US20160117703A1 (en) Large-Scale Customer-Product Relationship Mapping and Contact Scheduling
KR20210009906A (ko) 인공지능 기반의 쇼핑몰 상품구매 예측 플랫폼 제공 장치 및 방법
CN113742492A (zh) 保险方案生成方法、装置、电子设备及存储介质
US20240202205A1 (en) Library information management system
CN111861521A (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN113569162A (zh) 数据处理方法、装置、设备及存储介质
CN109426983A (zh) 闪购活动自动生成方法及装置、存储介质、电子设备
Samani et al. A new approach to develop large-scale land-use models using publicly available data
US20230419184A1 (en) Causal Inference Machine Learning with Statistical Background Subtraction
CN113792952A (zh) 用于生成模型的方法和装置
Chashmi et al. Predicting customer turnover using recursive neural networks
WO2023066073A1 (en) Distributed computing for dynamic generation of optimal and interpretable prescriptive policies with interdependent constraints
CN116127189A (zh) 用户运营方法、装置、设备以及计算机存储介质

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