CN106846071A - 数据处理方法及装置 - Google Patents

Abstract

本发明实施例提供一种数据处理方法及装置，涉及数据处理领域。其中，所述数据处理方法包括：获取可分配资源量的范围和待分配资源的各个对象的资源使用特征；根据所述可分配资源量的范围和所述各个对象的资源使用特征确定所述各个对象的预期资源收益；基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量。本发明实施例提供的技术方案能够因人而异地确定待分配资源量，整体上提高资源的利用率。

Description

数据处理方法及装置

技术领域

本发明实施例涉及电子商务领域和数据处理领域，更为具体而言，涉及一种数据处理方法及装置。

背景技术

互联网日新月异的发展已经强烈地改变人们的生活习惯、消费心理以及企业的商业运营方式。以电子商务领域为例，通常利用消费者的购物心理，采用多种智能营销方式诱导消费者进行消费。

典型地，以广为人知且影响力波及国内外的“双十一”为例，在双十一期间，各大电商为了提高消费者的消费欲望，采用了满减活动、优惠券活动等多种方式进行消费诱导。在本文中，统一将满额减价、优惠券等定义为“消费资源”。

目前，在电子商务领域采用的消费资源分配方式，都是从商户维度进行消费资源分配，即，不同商户可能采取不同的消费资源分配方式，而对于访问同一商户的用户而言，他们所享受的消费资源是相同的。

但实际上，即使是选择同一商户的用户也存在个体差异，例如，相同消费资源对于不同用户的消费诱导能力也是不同的。因此，现有的应用于电子商务领域的资源分配方式，无法从用户维度进行资源分配，具有资源分配模式单一且资源利用率低等缺陷。

发明内容

为了解决现有的资源分配技术所存在的缺陷，本发明实施例提供一种数据处理方法及装置，能因对象而异地进行资源分配，并且能提高资源利用率。

第一方面，本发明实施例中提供了一种数据处理方法，该方法的一种示例性使用场景为向不同用户分配资源。具体的，所述数据处理方法，包括：

获取可分配资源量的范围和待分配资源的各个对象的资源使用特征；

根据所述可分配资源量的范围和所述各个对象的资源使用特征确定所述各个对象的预期资源收益；

基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量。

第二方面，本发明实施例中提供了一种数据处理装置，该装置包括：

获取模块，用于获取可分配资源量的范围和待分配资源的各个对象的资源使用特征；

收益确定模块，用于根据所述可分配资源量的范围和所述各个对象的资源使用特征确定所述各个对象的预期资源收益；

资源量确定模块，用于基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量。

所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，上述数据处理装置的结构中包括处理器和存储器，所述存储器用于存储支持数据处理装置执行上述处理的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述数据处理装置还可以包括通信接口，用于所述数据处理装置与其他设备或通信网络通信。

第三方面，本发明实施例提供了一种计算机存储介质，用于储存所述数据处理装置所用的计算机软件指令，其包含用于执行上述数据处理的方法以使所述数据处理装置实现相应数据处理所涉及的程序。

本发明实施例一方面能够针对不同对象确定不同的待分配资源量；另一方面能够在整体上有效提高资源收益，换言之，整体伤提高资源的利用率，包括但不限于电商消费者户的下单率。

本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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示出了根据本发明实施例的一种数据处理方法的流程示意图；

图2示出了根据本发明实施例的一种确定对象的预期资源收益的方法的流程示意图；

图3示出了根据本发明实施例的一种建立下单率模型的方法的流程示意图；

图4示出了根据本发明实施例的一种数据处理装置的框图的一例；

图5示出了图4所示数据处理装置的收益确定模块的框图的一例；

图6示出了根据本发明实施例的一种数据处理装置的框图的另一例；

图7示出了根据本发明实施例的一种资源分配方法的流程示意图；

图8示出了根据本发明实施例的一种资源分配***的框图的一例。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1示出了根据本发明实施例的一种数据处理方法的流程示意图。参照图1，所述方法包括：

10：获取可分配资源量的范围和待分配资源的各个对象的资源使用特征。

首先对本发明中提及的相关名词或术语进行解释。这些解释意在使说明书记载的内容更加容易理解，而并不意味对本发明的限制。

本发明中提及的“资源”是指在互联网领域中供不同对象使用、具有心理诱导或行为诱导作用且对资源的分配者有直接或间接利益的满减活动、优惠券、补贴、返现、赠送等。

本发明中提及的“对象”是指消费者或资源的使用者。在本发明的各种实施例中，主要以资源为消费资源、对象为进行消费的用户为例进行示例性说明。

本发明中提及的“所述各个对象”可以是满足预设条件的对象，例如，在预设期限内访问商户的用户、在预设期限内有消费记录的用户等，所述预设条件可以灵活设置，本发明对其不做限制。

本发明中提及的“资源使用特征”用于反映对象在资源使用方面的特点。

可选地，在本实施例的一种实现方式中，“获取”包含了从第三方(例如，诸如电商平台之类的资源分配平台、专门的数据处理服务器、建模服务器等)获取以及通过预设的计算逻辑得到等。

12：根据可分配资源量的范围和各个对象的资源使用特征确定所述各个对象的预期资源收益。

其中，本发明中提及的“预期资源收益”并不特指具体的收益值，而是指可以表征/反映预期资源收益的值或函数，包括但不限于具体收益值、量化值、相对值、函数等。

14：基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量。

可选地，在本实施例的一种实现方式中，可以采用资源分配模型构建所述可分配资源量的范围、各个对象的预期资源收益以及各个对象的待分配资源量之间的逻辑关系，从而实现处理14。其中，所述资源分配模型可以是预先建立的，关于其建模方法将在下文进行详细说明。

采用本实施例提供的方法，不仅能够因人而异地确定相应的待分配资源量，还能够有效提高整体资源的收益，换言之，提高资源的利用率，包括但不限于电商消费者户的下单率。

可选地，在本实施例的一种实现方式中，预期资源收益取决于用户的下单率，例如，可以表示为用户在不同情况下的下单率变化幅度、下单率变化幅度与平均客单价的乘积等。此外，预期资源收益也可以表示为其它形式，例如利用历史下单概率、历史下单频率、客单价和补贴率等特征构建一种多维空间网格。

可选地，在本实施例的一种实现方式中，通过构建多维空间网格的方法确定各个用户的预期资源收益。具体而言：

在构建多维空间网格的实现方式中，选择下单概率、补贴率和客单价三个特征，并对这三个特征进行区间划分。例如，将下单率(∈[0.0，1.0])以0.2、0.4、0.6和0.8进行区间划分，将补贴率(∈[0.0，1.0])以0.1、0.2、0.3和0.4进行区间划分，将客单价(∈[0.0，+∞])以30、50、80和100+进行划分。这样会将一个三维空间划分成125个区域。然后，通过用户的历史订单数据，将客单价、下单率以及补贴率满足第一预设要求的区域标识成为第一价值区域，满足第二预设要求的区域标识成为第二价值区域……以此类推。其中，不同价值区域对应不同的预期收益。这样在预测时，对于每个用户的数据，通过判断其落在某一区间内即可判断其预期收益。

可选地，在本实施例的一种实现方式中，采用以下方式实现处理12：

根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度；基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度确定所述各个对象的预期资源收益。

在该实现方式中，下单率模型能够反映各个对象的资源使用特征，换言之，资源使用特征包括下单率模型。此时，在处理10中，可以从第三方获取所述下单率模型，也可以通过计算(例如，下文所述的建模方法)得到该下单率模型。

在该实现方式中，可以直接将各个对象在所述可分配资源量的范围内的下单率变化幅度作为各个对象的预期资源收益。

可选地，在本实施例的一种实现方式中，如图2所示，采用以下方式实现处理12：

122：根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度；

126：基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度以及所述各个对象的平均客单价，确定所述各个对象的预期资源收益。

在该实现方式中，可选地，如图中虚线框所示，在本实现方式中可以采用处理124：根据各个对象的消费数据确定各个对象的平均客单价，以便进行126的处理。

在该实现方式中，可以计算各个对象的下单率变化幅度与平均客单价的乘积，作为各个对象的预期资源收益。此时，可以从电子商务平台、第三方获取平均客单价或者通过计算得到平均客单价。

在该实现方式中，下单率模型和平均客单价共同反映各个对象的资源使用特征，换言之，资源使用特征包括下单率模型和平均客单价。

图3是根据本发明实施例的一种建立下单率模型的方法的流程示意图。参照图3，该方法包括：

300：基于各个对象的历史订单数据构建模型训练样本。其中，所述样本包括正样本和负样本。正样本对应满足第一条件(例如，到访且下单)的用户，负样本对应满足第二条件(例如，到访而未下单)的用户，正负样本反映了两种对立的情况。

302：为模型训练样本统计与下单率相关的特征数据。示例性地，针对每一个正负样本统计如下表所示的与下单率相关的特征：

304:基于与下单率相关的特征数据，通过机器学习模型训练得到下单率模型。通过下单率模型即可对未来(例如，第二天)用户的下单行为进行预测，预测的值或函数可以应用于处理10中。

采用本发明实施例提供的建模方法，能基于历史订单数据建立准确反映用户下单行为的下单率模型，提高后续数据处理在“因人而异”方面的精确性。

在本实施例中，需要说明的是，在进行用户下单行为预测时，将表1所示的统计数据作为用户特征，但这些特征是可以进行变换的，例如，还可以统计更多的用户订单信息，包括菜品、口味、订单来源等。此外，时间维度也是可以改变的。现有方法通常利用的是近90日的数据，而在本发明中也可以通过时间分片将数据进行扩充，如近7天、近15天等等。再者，在机器学习模型方面，可以采用GBDT(Gradient Boosting Decision Tree)模型，还可以选用逻辑回归、神经网络等其他模型对下单行为进行训练预测。

以上对图1所示数据处理方法的整体流程以及部分细节进行了说明，下面对根据本发明的资源分配模型进行说明。其中，在图1所示实施例的处理12的示例性实现方式中，可以基于下文所述的资源分配模型的逻辑确定各个对象的待分配资源量。

可选地，在本发明的一种实施例中，资源分配模型表示为：

u_i＝L+r_i ^α(H-L)

r_i＝f_scpre(rank(P_i)，N)

其中，u_i表示第i个对象的待分配资源量，L表示所述可分配资源量的下限值，H表示所述可分配资源量的上限值，α表示倾斜因子，Pi表示第i个对象的预期资源收益，ri表示以第i个对象在N个对象中的预期资源收益排名为参数的得分计算函数。

可选地，在本发明的另一种实施例中，资源分配模型表示为：

其中，u_i表示第i个对象的待分配资源量，所述可分配资源量的范围包括0和恒定值H两种情况，P_i表示第i个对象的预期资源收益，rank(P_i)表示第i个对象的预期资源收益在N个对象中的降序排名，t为预设阈值。

可选地，在本发明的上述两种关于资源分配模型的实施例中：

P_i＝Δp_ix_i

Δp_i＝p_i(H)-p_i(L)

其中，p_i(u_i)表示第i个对象在补贴为u_i下的下单率，x_i表示第i个对象的历史平均客单价。

采用本发明各种实施例提供的资源分配模型，能够基于整体资源利益最大化的原则，为不同对象确定待分配资源量。该资源分配模型是本发明的发明人基于众多历史数据对用户行为、商户行为等进行分析、研究和探索而建立的。下面对资源分配模型的建模思路进行简要说明。

通过数据分析及研究，本发明的发明人发现，基于下单率或下单率相关的数据能够相对准确地评价用户对于商户而言的价值。以消费资源为满减补贴(即满足一定数额则减少部分数额)为例，为了便于形式化地描述，定义以下内容：

1)：u_i表示用户i的补贴，为了简单，取值先假设只能为0或H(恒定值)。

2)：p_i(u_i)表示用户i在补贴为u_i时的下单率。

3)：x_i表示用户i的历史平均客单价。

假设有N个用户到访，差异化策略π＝(u₁，u₂，...u_N)，则优化目标即期望总流水为：

∑_ip_i(ui)x_i (1)

考虑到补贴是有限的，所以将公式(1)当作一个有约束的优化问题。这里，采用贪心算法来处理。先以所有u_i＝0为起点，即都没有任何补贴；然后从所有未获得补贴的用户中逐一筛选预期价值最大的用户，当认为接近补贴上限时停止给更多的用户发放补贴，从而达到逐步地最大化(1)的目的。其中，定义预期价值最大的用户为在u_i由0变为H的情况下，增加最大的期望总流水的用户。这个筛选用户的过程可以表示为：

arg max_iΔp_ix_iδ(u_i，0) (2)

其中δ(x，y)为克罗内克(Kronecker)函数，当x＝y时为1，否则为0；Δp_i＝p_i(H)-p_i(0)，该值也可以认为是价格敏感度的形式化表示。敏感度从概率的角度描述就是不同补贴对下单率的影响大小。

通过公式(2)可以离线地为所有用户的Δp_ix_i进行降序排列，对于排名靠前的赋予补贴H，其他的不予补贴，即：

其中：

r_i＝f_score(rank(Δp_ix_i)，N) (4)

f_score是一个以排名为参数的得分计算函数，可以通过选择排序的位置、占比等其他计算方式得到该用户的得分。如前所述，在一种实施例中：

在公式(4)中，t是一个最初并不知道具体值的分界点。而为了明确精确的分界点，可以采用以下方式：预估一个t的值，当一段时间(例如，一天)过后发现补贴超出了预算，则调低t的值，反之则提高t的值。如此重复以确定t的优选值。

考虑到在更普遍的情况下，u_i不仅仅是一两个离散值，而是处于一个范围的连续值，如u_i∈[L，H],此时价格敏感度更新为Δp_i＝p_i(H)-p_i(L)，公式(3)由一个阶跃函数改写为一个平滑函数：

u_i＝L+r_i ^α(H-L) (5)

其中，α是一个倾斜因子，经验值是在[1,5]。当α值变大时，补贴的函数曲线更加下凹，处于高补贴档位的人将越来越少，而处于低补贴档位的人将越来越多，从而会减少总补贴；反之就会增加补贴。

在本发明中，除了以上提到的根据整体分布调整补贴的方案外，以预期价值为基准，还可以通过其他方案进行调整，在此再简单介绍一种调整方法。

在本发明的其它实施例中，还可以采用如下公式计算用户的总补贴u_i：

u_i＝u_base+u_offset (6)

其中，u_base是每个用户昨日的基础补贴值，而u_offset可以是+1或者-1。在计算得到明日预期价值得分后，选择得分高(例如，超过预设值)的人进行“+1”操作，而其他的人则进行“-1”操作，这样对于每个用户而言，其操作后的补贴值便成了明日计算时的u_base值。然后通过控制城市维度下加与减的人数比例来及时调整补贴策略以使总补贴额度保持在一定值或一定范围。至此，通过上述计算即可得到不同用户的不同满减偏移值，用户维度的差异化满减即计算完成。于此同时，还可以对每个用户的“加减操作”引入概率随机性，如每个用户均有一定概率执行被分配的相反操作，以此给用户带来惊喜感并保证模型的稳定性。

以上结合附图和公式对根据本发明实施例的应用于资源分配的数据处理方法进行了示例性说明，下面结合附图对根据本发明实施例的应用于资源分配的数据处理装置进行说明。

图4是根据本发明实施例的一种数据处理装置的框图的一例，参照图4，数据处理装置包括获取模块42、收益确定模块44和资源量确定模块46，下面进行详细说明。

在本实施例中，获取模块42用于获取可分配资源量的范围和待分配资源的各个对象的资源使用特征。例如，从第三方获取或者通过计算获取。

在本实施例中，收益确定模块44用于根据可分配资源量的范围和各个对象的资源使用特征确定所述各个对象的预期资源收益。

在本实施例中，资源量确定模块46用于基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量。示例性地，关于待分配资源量、可分配资源量的范围和预期资源收益之间的逻辑关系的说明，请参见上文关于资源分配模型的详细说明。

采用本实施例提供的数据处理装置，不仅能够针对不同对象确定不同的资源量，还能够有效提高整体资源的收益，换言之，提高资源的利用率。

可选地，在本实施例的一种实现方式中，收益确定模块44包括：第一幅度计算子模块，用于根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度；第一收益确定子模块，用于基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度确定所述各个对象的预期资源收益。

可选地，在本实施例的一种实现方式中，如图5所示，收益确定模块44包括：第二幅度计算子模块442，用于根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度；第二收益确定子模块446，用于基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度以及所述各个对象的平均客单价，确定所述各个对象的预期资源收益。此外，可选地，还可以具有客单价计算子模块444，用于根据各个对象的消费数据确定各个对象的平均客单价。

可选地，在本实施例的一种实现方式中，如图6所示，数据处理装置还包括下单率建模模块40，该下单率建模模块40包括：样本构建子模块，用于基于所述各个对象的历史订单数据构建模型训练样本；统计子模块，用于为所述模型训练样本统计与下单率相关的特征数据；建模子模块，用于基于所述与下单率相关的特征数据，通过机器学习模型训练得到所述下单率模型。其中，通过下单率建模模块40建立的下单率模型由获取模块42获取。

可选地，在本实施例的一种实现方式中，资源分配模型(即，资源量确定模块46的数据处理逻辑)表示为：

u_i＝L+r_i ^α(H-L)

r_i＝f_score(rank(P_i)，N)

其中，u_i表示第i个对象的待分配资源量，L表示所述可分配资源量的下限值，H表示所述可分配资源量的上限值，α表示倾斜因子，P_i表示第i个对象的预期资源收益，r_i表示以第i个对象在N个对象中的预期资源收益排名为参数的得分计算函数。

可选地，在本实施例的一种实现方式中，资源分配模型表示为：

其中，u_i表示第i个对象的待分配资源量，所述可分配资源量的范围包括0和恒定值H两种情况(换言之，要么不分配，要么分配H的量)，P_i表示第i个对象的预期资源收益，rank(P_i)表示第i个对象的预期资源收益在N个对象中的降序排名，t为预设阈值。

本领域技术人员应当理解，本发明提供的装置实施例或其实现方式可以用于实现本发明提供的方法实施例或其实现方式，而本发明提供的方法实施例或其实现方式又可以作为装置实施例或其实现方式的实现逻辑。因此，在本发明的装置实施例或其实现方式中，关于所执行处理或可执行处理的详细说明，关于相关名词、术语、范围、概念的解释，关于相关特征或技术方案所能达到的技术效果的描述等，请参见方法实施例中的相应说明，此处不再赘述。

以上对本发明的数据处理方法及数据处理装置进行了说明。作为本发明的一种示例性应用场景，本发明的各种实施例或实现方式可以用于进行资源分配。据此，本发明还保护一种资源分配方法和资源分配***。具体而言，如图7所示，资源分配方法除了包括前述处理10-14之外，还包括处理16：根据确定的所述各个对象的待分配资源量为各个对象分配资源。如图8所示，资源分配装置除了包括前述数据处理装置之外，还包括资源分配装置，用于根据所述数据处理装置确定的各个对象的待分配资源量，为各个对象分配资源。其中，数据处理装置和资源分配装置可以集成与一体，也可以是相对独立的装置。

在与本发明相关的一种可能的设计中，前述数据处理装置可以包括处理器和存储器，所述存储器用于存储支持所述数据处理装置执行上述各个模块/子模块所执行的处理的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

所述程序包括一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理器调用执行。

更具体而言，所述处理器通过执行所述计算机指令以用于：获取可分配资源量的范围和待分配资源的各个对象的资源使用特征；根据所述可分配资源量的范围和所述各个对象的资源使用特征确定所述各个对象的预期资源收益；基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量。

例如，所述处理器通过执行所述计算机指令以执行以下处理：根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度，并基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度确定所述各个对象的预期资源收益。

或者，所述处理器通过执行所述计算机指令以执行以下处理：根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度，并基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度以及所述各个对象的平均客单价，确定所述各个对象的预期资源收益。

此外，所述处理器通过执行所述计算机指令以执行以下处理：基于所述各个对象的历史订单数据构建模型训练样本；为所述模型训练样本统计与下单率相关的特征数据；基于所述与下单率相关的特征数据，通过机器学习模型训练得到所述下单率模型。

可选地，所述处理器通过执行所述计算机指令以执行以下处理逻辑：

u_i＝L+r_i ^α(H-L)

r_i＝f_score(rank(P_i)，N)

其中，u_i表示第i个对象的待分配资源量，L表示所述可分配资源量的下限值，H表示所述可分配资源量的上限值，α表示倾斜因子，P_i表示第i个对象的预期资源收益，r_i表示以第i个对象在N个对象中的预期资源收益排名为参数的得分计算函数。

可选地，所述处理器通过执行所述计算机指令以执行以下处理逻辑：

其中，u_i表示第i个对象的待分配资源量，所述可分配资源量的范围包括0和恒定值H两种情况，P_i表示第i个对象的预期资源收益，rank(P_i)表示第i个对象的预期资源收益在N个对象中的降序排名，t为预设阈值。

相应地，本发明实施例还提供了一种计算机存储介质，用于储存前述数据处理装置所执行的计算机软件指令，其包含用于执行上述数据处理方法的数据处理装置所涉及的程序。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

本发明公开A1、一种数据处理方法，包括：

获取可分配资源量的范围和待分配资源的各个对象的资源使用特征；

根据所述可分配资源量的范围和所述各个对象的资源使用特征确定所述各个对象的预期资源收益；

基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量。

A2、如A1所述的方法中，所述根据可分配资源量的范围和各个对象的资源使用特征确定所述各个对象的预期资源收益，包括：

根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度；

基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度确定所述各个对象的预期资源收益。

A3、如A1所述的方法中，所述根据可分配资源量的范围和各个对象的资源使用特征确定所述各个对象的预期资源收益，包括：

根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度；

基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度以及所述各个对象的平均客单价，确定所述各个对象的预期资源收益。

A4、如A2或A3所述的方法中，还包括：

基于所述各个对象的历史订单数据构建模型训练样本；

为所述模型训练样本统计与下单率相关的特征数据；

基于所述与下单率相关的特征数据，通过机器学习模型训练得到所述下单率模型。

A5、如A1～A3中任一项所述的方法，所述基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量，包括：

基于以下逻辑确定所述各个对象的待分配资源量：

u_i＝L+r_i ^α(H-L)

r_i＝f_score(rank(P_i)，N)

其中，其中，u_i表示第i个对象的待分配资源量，L表示所述可分配资源量的下限值，H表示所述可分配资源量的上限值，α表示倾斜因子，P_i表示第i个对象的预期资源收益，r_i表示以第i个对象在N个对象中的预期资源收益排名为参数的得分计算函数。

A6、如A1～A3中任一项所述的方法中，所述基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量，包括：

基于以下逻辑确定所述各个对象的待分配资源量：

其中，u_i表示第i个对象的待分配资源量，所述可分配资源量的范围包括0和恒定值H两种情况，P_i表示第i个对象的预期资源收益，rank(P_i)表示第i个对象的预期资源收益在N个对象中的降序排名，t为预设阈值。

本发明还公开了B7、一种数据处理装置，包括：

获取模块，用于获取可分配资源量的范围和待分配资源的各个对象的资源使用特征；

收益确定模块，用于根据所述可分配资源量的范围和所述各个对象的资源使用特征确定所述各个对象的预期资源收益；

资源量确定模块，用于基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量。

B8、如B7所述的装置中，所述收益确定模块包括：

第一幅度计算子模块，用于根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度；

第一收益确定子模块，用于基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度确定所述各个对象的预期资源收益。

B9、如B7所述的装置，所述收益确定模块包括：

第二幅度计算子模块，用于根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度；

第二收益确定子模块，用于基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度以及所述各个对象的平均客单价，确定所述各个对象的预期资源收益。

B10、如B8或B9所述的装置中，还包括：

样本构建子模块，用于基于所述各个对象的历史订单数据构建模型训练样本；

统计子模块，用于为所述模型训练样本统计与下单率相关的特征数据；

建模子模块，用于基于所述与下单率相关的特征数据，通过机器学习模型训练得到所述下单率模型。

B11、如B7～B9中任一项所述的装置，所述资源量确定模块基于以下逻辑确定所述各个对象的待分配资源量：

ui＝L+riα(H-L)

ri＝fscore(rank(Pi)，N)

其中，u_i表示第i个对象的待分配资源量，L表示所述可分配资源量的下限值，H表示所述可分配资源量的上限值，α表示倾斜因子，P_i表示第i个对象的预期资源收益，r_i表示以第i个对象在N个对象中的预期资源收益排名为参数的得分计算函数。

B12、如B7～B9中任一项所述的装置中，所述资源量确定模块基于以下逻辑确定所述各个对象的待分配资源量：

其中，u_i表示第i个对象的待分配资源量，所述可分配资源量的范围包括0和恒定值H两种情况，P_i表示第i个对象的预期资源收益，rank(P_i)表示第i个对象的预期资源收益在N个对象中的降序排名，t为预设阈值。

本发明还公开了C13、一种数据处理装置，包括存储器和处理器；其中，

所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理器调用执行；

所述处理器用于：获取可分配资源量的范围和待分配资源的各个对象的资源使用特征；根据所述可分配资源量的范围和所述各个对象的资源使用特征确定所述各个对象的预期资源收益；基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量。

C14、如C13所述的数据处理装置中，所述处理器通过执行所述计算机指令以执行以下处理：根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度，并基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度确定所述各个对象的预期资源收益。

C15、如C13所述的数据处理装置中，所述处理器通过执行所述计算机指令以执行以下处理：根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度，并基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度以及所述各个对象的平均客单价，确定所述各个对象的预期资源收益。

C16、如C14或C15所述的数据处理装置中，所述处理器通过执行所述计算机指令以执行以下处理：基于所述各个对象的历史订单数据构建模型训练样本；为所述模型训练样本统计与下单率相关的特征数据；基于所述与下单率相关的特征数据，通过机器学习模型训练得到所述下单率模型。

C17、如C13-C15任一项所述的数据处理装置中，所述处理器通过执行所述计算机指令以执行以下处理逻辑：

u_i＝L+r_i ^α(H-L)

r_i＝f_score(rank(P_i)，N)

其中，u_i表示第i个对象的待分配资源量，L表示所述可分配资源量的下限值，H表示所述可分配资源量的上限值，α表示倾斜因子，P_i表示第i个对象的预期资源收益，r_i表示以第i个对象在N个对象中的预期资源收益排名为参数的得分计算函数。

C18、如C13-C15任一项所述的数据处理装置中，所述处理器通过执行所述计算机指令以执行以下处理逻辑：

其中，u_i表示第i个对象的待分配资源量，所述可分配资源量的范围包括0和恒定值H两种情况，P_i表示第i个对象的预期资源收益，rank(P_i)表示第i个对象的预期资源收益在N个对象中的降序排名，t为预设阈值。

Claims (10)

1.一种数据处理方法，其特征在于，包括：

获取可分配资源量的范围和待分配资源的各个对象的资源使用特征；

根据所述可分配资源量的范围和所述各个对象的资源使用特征确定所述各个对象的预期资源收益；

基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量。

2.根据权利要求1所述的方法，其特征在于，所述根据所述可分配资源量的范围和所述各个对象的资源使用特征确定所述各个对象的预期资源收益，包括：

根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度；

基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度确定所述各个对象的预期资源收益。

3.根据权利要求1所述的方法，其特征在于，所述根据可分配资源量的范围和各个对象的资源使用特征确定所述各个对象的预期资源收益，包括：

根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度；

基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度以及所述各个对象的平均客单价，确定所述各个对象的预期资源收益。

4.根据权利要求2或3所述的方法，其特征在于，还包括：

基于所述各个对象的历史订单数据构建模型训练样本；

为所述模型训练样本统计与下单率相关的特征数据；

基于所述与下单率相关的特征数据，通过机器学习模型训练得到所述下单率模型。

5.根据权利要求1～3中任一项所述的方法，其特征在于，所述基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量，包括：

基于以下逻辑确定所述各个对象的待分配资源量：

u_i＝L+r_i ^α(H-L)

r_i＝f_score(rank(P_i)，N)

其中，u_i表示第i个对象的待分配资源量，L表示所述可分配资源量的下限值，H表示所述可分配资源量的上限值，α表示倾斜因子，P_i表示第i个对象的预期资源收益，r_i表示以第i个对象在N个对象中的预期资源收益排名为参数的得分计算函数。

6.一种数据处理装置，其特征在于，包括：

获取模块，用于获取可分配资源量的范围和待分配资源的各个对象的资源使用特征；

收益确定模块，用于根据所述可分配资源量的范围和所述各个对象的资源使用特征确定所述各个对象的预期资源收益；

资源量确定模块，用于基于所述可分配资源量的范围和所述各个对象的预期资源收益确定所述各个对象的待分配资源量。

7.根据权利要求6所述的装置，其特征在于，所述收益确定模块包括：

第一幅度计算子模块，用于根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度；

第一收益确定子模块，用于基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度确定所述各个对象的预期资源收益。

8.根据权利要求6所述的装置，其特征在于，所述收益确定模块包括：

第二幅度计算子模块，用于根据下单率模型和所述可分配资源量的范围，计算所述各个对象在所述可分配资源量的范围内的下单率变化幅度；

第二收益确定子模块，用于基于所述各个对象在所述可分配资源量的范围内的下单率变化幅度以及所述各个对象的平均客单价，确定所述各个对象的预期资源收益。

9.根据权利要求7或8所述的装置，其特征在于，还包括：

样本构建子模块，用于基于所述各个对象的历史订单数据构建模型训练样本；

统计子模块，用于为所述模型训练样本统计与下单率相关的特征数据；

建模子模块，用于基于所述与下单率相关的特征数据，通过机器学习模型训练得到所述下单率模型。

10.根据权利要求6～8中任一项所述的装置，其特征在于，所述资源量确定模块基于以下逻辑确定所述各个对象的待分配资源量：

u_i＝L+r_i ^α(H-L)

r_i＝f_score(rank(P_i)，N)

其中，u_i表示第i个对象的待分配资源量，L表示所述可分配资源量的下限值，H表示所述可分配资源量的上限值，α表示倾斜因子，P_i表示第i个对象的预期资源收益，r_i表示以第i个对象在N个对象中的预期资源收益排名为参数的得分计算函数。