CN107705155A - 一种消费能力预测方法、装置、电子设备及可读存储介质 - Google Patents
一种消费能力预测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN107705155A CN107705155A CN201710943388.2A CN201710943388A CN107705155A CN 107705155 A CN107705155 A CN 107705155A CN 201710943388 A CN201710943388 A CN 201710943388A CN 107705155 A CN107705155 A CN 107705155A
- Authority
- CN
- China
- Prior art keywords
- data
- time series
- consuming capacity
- destination object
- targeted customer
- 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
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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- 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
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种消费能力预测方法、装置、电子设备及可读存储介质,涉及计算机技术领域。所述方法包括:从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据,基于所述统计特征数据和所述时序序列特征数据,利用预设的混合神经网络预测模型确定所述目标用户针对所述目标对象的消费能力值。解决了现有技术中利用用户最近一次购买商品的价格、随机某一次购买商品的价格,或者历史购买商品的价格平均值来确定用户的消费能力值,其准确度较低的问题,在统计特征数据的基础上结合时序序列特征数据,可实现对历史数据进行时序维度的特征提取,使得利用混合神经网络预测模型预测的消费能力值更准确。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种消费能力预测方法、装置、电子设备及可读存储介质。
背景技术
使用优惠券的促销商业模式已变得普及,使用优惠券使得用户在购买商品时能够获得商品价格的折扣以及在购买商品时获得附加服务的提供,为了能够定向的给指定消费能力值的用户群体发放优惠券,需要根据用户的历史消费情况来确定用户的消费能力值。
目前,通常有以下三种方式确定用户的消费能力值,第一种:根据用户最近一次购买商品的价格来确定其消费能力值;第二种:根据用户随机某一次购买商品的价格来确定其消费能力值;第三种:根据用户历史购买商品的价格平均值来确定其消费能力值。
但对于第一种方式和第二种方式来说,用户最近一次、某一次的消费能力值受其具体的消费条件相关,可能由于一些原因购买了价格比较高的商品,而被确定为高消费能力值的用户;对于第三种方式,用户在几年内的商品购买价格可能是一个逐年上升或者逐年下降的,而平均值只能反映一个整体的过程。因此,利用用户最近一次购买商品的价格、随机某一次购买商品的价格,或者历史购买商品的价格平均值来确定用户的消费能力值,其准确度较低。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的消费能力预测方法、装置、电子设备及可读存储介质。
根据本发明的一个方面,提供了一种消费能力预测方法,包括:
从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据;
基于所述统计特征数据和所述时序序列特征数据,利用预设的混合神经网络预测模型确定所述目标用户针对所述目标对象的消费能力值。
根据本发明的另一方面,提供了一种消费能力预测装置,包括:
第一数据获取模块,用于从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据;
消费能力值确定模块,用于基于所述统计特征数据和所述时序序列特征数据,利用预设的混合神经网络预测模型确定所述目标用户针对所述目标对象的消费能力值。
根据本发明的再一方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例公开的所述的消费能力预测方法。
根据本发明的再一方面,提供了一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例公开的所述消费能力预测方法的步骤。
本发明实施例公开的消费能力预测方法,从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据,基于所述统计特征数据和所述时序序列特征数据,利用预设的混合神经网络预测模型确定所述目标用户针对所述目标对象的消费能力值。解决了现有技术中利用用户最近一次购买商品的价格、随机某一次购买商品的价格,或者历史购买商品的价格平均值来确定用户的消费能力值,其准确度较低的问题,在统计特征数据的基础上结合时序序列特征数据,可实现对历史数据进行时序维度的特征提取,使得利用混合神经网络预测模型预测的消费能力值更准确。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例一的一种消费能力预测方法的流程图;
图2示出了本发明实施例二的一种消费能力预测方法的流程图;
图3示出了本发明的混合神经网络预测模型的示意图;
图4示出了本发明的消费能力值预测的流程示意图;
图5示出了本发明实施例三的一种消费能力预测装置的结构框图;
图6示出了本发明实施例四的一种消费能力预测装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
参照图1,示出了本发明实施例一的一种消费能力预测方法的流程图,具体可以包括如下步骤:
步骤101,从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据。
针对需要预测其消费能力值的目标用户,首先要从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据。
统计特征数据包括以下数据中的一个或任意组合:任意时间段内的目标对象的历史消费价格参数、任意时间段内的目标对象的历史浏览价格参数、任意时间段内的非目标对象的历史消费价格参数、任意时间段内的非目标对象的历史浏览价格参数、用户等级、用户活跃状态、用户常住地址。
其中,目标对象可以是酒店、KTV、电影票、饭店等,本发明实施例可以根据实际需求选择;任意时间段可以选取一周、一个月、三个月、半年、一年等,本发明实施例不对其加以限制;参数可以选取平均值、最大值、最小值、方差、中位数等,历史消费价格参数包括历史消费价格的平均值、最大值、最小值、方差、中位数,历史浏览价格参数包括历史浏览价格的平均值、最大值、最小值、方差、中位数,本发明实施例不对其加以限制。
当目标对象为酒店时,非目标对象为除酒店以外的其他对象的集合,如KTV、电影票、饭店等对象的集合;当目标对象为KTV时,非目标对象为除KTV以外的其他对象的集合,如酒店、电影票、饭店等对象的集合。
时序序列特征数据包括以下序列中的一个或多个:设定时间段内的目标对象的历史消费价格平均值序列、设定时间段内的目标对象的历史浏览价格平均值序列、设定时间段内的非目标对象的历史消费价格平均值序列、设定时间段内的非目标对象的历史浏览价格平均值序列。本申请实施例不对其加以限制。
例如,当目标对象为酒店时,对于酒店的历史消费价格,可选取最近两年内的数据,且按月划分,设定时间段内的酒店的历史消费价格平均值序列为按照时间顺序排列的24组数据构成的序列,每一组数据为当前月份的酒店的历史消费价格平均值,第一组数据为最近一个月酒店的历史消费价格平均值,第二组数据为最近第二个月酒店的历史消费价格平均值,以此类推,第24组数据为最近第24个月酒店的历史消费价格平均值。当其中某一个月没有酒店的历史消费价格平均值时,通过相邻月份的酒店的历史消费价格平均值进行补全,若第5组数据不存在,则可通过第4组数据和第6组数据的平均值计算得到。
步骤102,基于所述统计特征数据和所述时序序列特征数据,利用预设的混合神经网络预测模型确定所述目标用户针对所述目标对象的消费能力值。
将目标用户的统计特征数据和时序序列特征数据,输入到预设的混合神经网络预测模型中,则可预测得到目标用户针对目标对象的消费能力值。其中,消费能力值可理解为预测的消费价格。
在预测到目标用户针对目标对象的消费能力值后,还可以将与所述消费能力值匹配的针对所述目标对象的优惠券,发送至所述目标用户。
可以为不同消费能力值设定不同金额的优惠券,在确定目标用户针对目标对象的消费能力值后,查找与消费能力值匹配的针对目标对象的优惠券,将优惠券发送给目标用户。
例如,当目标对象为酒店时,当消费能力值在100元-199元之间,对应的优惠券金额为满100元减5元,当消费能力值在200元-399元之间,对应的优惠券金额为满200元减10元,当消费能力值在400元-799元之间,对应的优惠券金额为满400元减50元;当利用混合神经网络预测模型预测得到的目标用户针对酒店的消费能力值为240元时,其符合的优惠券金额为满200元减10元,将金额为满200元减10元的优惠券发送给目标用户,当然,当消费能力值为240元时,符合的优惠券金额也可以为满100元减5元,但与满200元减10元的优惠券相比,满200元减10元的优惠券的优惠幅度更高,更能促进目标用户的实际消费。
本发明实施例中,在统计特征数据的基础上结合时序序列特征数据,可实现对历史数据进行时序维度的特征提取,使得利用混合神经网络预测模型预测的消费能力值更准确,进而使得匹配到的优惠券更准确。
此外,在预测到目标用户针对目标对象的消费能力值后,还可以将与所述消费能力值匹配的针对所述目标对象的广告数据,投放给所述目标用户。
在确定目标用户针对目标对象的消费能力值后,将与消费能力值匹配的针对目标对象的广告数据,投放给目标用户,目标用户则可获知与其消费能力值匹配的针对目标对象的广告数据,进一步提高广告的投放的精准度和投放效果。
当然,在确定目标用户针对目标对象的消费能力值后,除了应用到优惠券的发送和广告数据的投放,还可以应用到其它的场景中,本发明实施例对此不作限制。
本发明实施例公开的消费能力预测方法,从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据,基于所述统计特征数据和所述时序序列特征数据,利用预设的混合神经网络预测模型确定所述目标用户针对所述目标对象的消费能力值。解决了现有技术中利用用户最近一次购买商品的价格、随机某一次购买商品的价格,或者历史购买商品的价格平均值来确定用户的消费能力值,其准确度较低的问题,在统计特征数据的基础上结合时序序列特征数据,可实现对历史数据进行时序维度的特征提取,使得利用混合神经网络预测模型预测的消费能力值更准确。
实施例二
参照图2,示出了本发明实施例二的一种消费能力预测方法的流程图,具体可以包括如下步骤:
步骤201,从样本用户的历史数据中,获取所述样本用户的统计特征数据、时序序列特征数据以及针对所述目标对象的实际消费价格。
针对已消费目标对象的样本用户,从样本用户的历史数据中,获取样本用户的统计特征数据、时序序列特征数据以及针对目标对象的实际消费价格。实际消费价格为样本用户指定日期的实际消费价格。
参照图3,示出了本发明的混合神经网络预测模型的示意图。
图3中,X1,X2,…,Xn-1,Xn表示输入的样本用户的特征数据,其中一部分特征数据为样本用户的统计特征数据,代表的是一个具体的数值,例如,X1表示样本用户最近一周内针对目标对象的历史消费价格平均值,X2表示样本用户最近一周内针对目标对象的历史浏览价格平均值,还可以构造最近一周内非目标对象的历史消费价格平均值,最近一周内非目标对象的历史浏览价格平均值,除了平均值以外,还可以构造最大值、最小值、方差、中位数等统计特征数据,此外,还可以构造用户等级、用户活跃状态、用户常住地址等统计特征数据;另外一部分特征数据为样本用户的时序序列特征数据,例如,Xn-1=[s1,s2,…,s24],其中,s1至s24分别为最近24个月每个月的针对目标对象的历史消费价格平均值,Xn=[t1,t2,…,t24],其中,t1至t24分别为最近24个月每个月的针对非目标对象的历史消费价格平均值。
步骤202,根据所述样本用户的统计特征数据、时序序列特征数据以及针对所述目标对象的实际消费价格训练获得所述混合神经网络预测模型;所述混合神经网络预测模型包括循环神经网络和传统神经网络。
样本用户的统计特征数据、时序序列特征数据以及针对目标对象的实际消费价格构成一组训练数据,通过多组的训练数据进行训练,得到混合神经网络预测模型。
其中,所述混合神经网络预测模型包括循环神经网络和传统神经网络,利用循环神经网络处理样本用户的时序序列特征数据,根据提供的时序序列特征数据学习样本用户的历史价格在时间上的分布特征,将时序序列特征数据编码成更高维的时序特征数据传给传统神经网络,然后通过传统神经网络处理样本用户的时序特征数据和样本用户的统计特征数据。
可选的,步骤202可以包括子步骤2021、子步骤2022、子步骤2023。
子步骤2021,将每一个样本用户的时序序列特征数据输入所述循环神经网络,获得对应的时序特征数据;
对于样本用户的时序序列特征数据,需要利用循环神经网络进行处理,将每一个样本用户的时序序列特征数据输入循环神经网络中,获得样本用户的时序特征数据。
具体的,当每一个样本用户的时序序列特征数据包括按时序排列的L个子特征数据时,针对任一个样本用户的时序序列特征数据,将第一个子特征数据输入所述循环神经网络,获得第一输出结果;将第M个子特征数据与第M-1个子特征数据对应的输出结果组合输入至所述循环神经网络,直至所述样本用户的时序序列特征数据中的L个子特征数据全部输入完成,获得对应的时序特征数据;M为大于1、且小于或等于L的正整数。
如图3所示,10为循环神经网络,Mn-1为时序序列特征数据Xn-1对应的时序特征数据,Mn为时序序列特征数据Xn对应的时序特征数据。
对于时序序列特征数据Xn-1=[s1,s2,…,s24],将第一个子特征数据s1输入循环神经网络,获得第一输出结果y1,然后将第二个子特征数据s2与第一输出结果y1组合输入至循环神经网络,获得第二输出结果y2,y2=f(U2s2+W2y1),f表示循环神经网络的激活函数,U2为第二个子特征数据s2的权重值,W2为第一输出结果y1的权重值,以此类推,将第24个子特征数据s24与第23个子特征数据对应的输出结果y23组合输入至循环神经网络,获得对应的时序特征数据Mn-1=f(U24s24+W24y23),U24为第24个子特征数据s24的权重值,W24为输出结果y23的权重值,因此,可以得知样本用户的时序特征数据与时序序列特征数据中的每一个子特征数据都相关。
子步骤2022,将对应的样本用户的统计特征数据与所述对应的时序特征数据输入所述传统神经网络,获得对应的消费能力值。
针对任一个样本用户,将统计特征数据与通过时序序列特征数据得到的时序特征数据输入传统神经网络中,则可得到对应的消费能力值。
如图3所示,为简化说明传统神经网络,样本用户的统计特征数据为X1和X2,样本用户的时序特征数据为Mn-1和Mn,将样本用户的统计特征数据X1、X2,样本用户的时序特征数据Mn-1、Mn输入传统神经网络。一般,传统神经网络可划分为输入层21、隐藏层22和输出层23,则隐藏层H1、H2、H3分别用以下公式表示:
H1=g(a1X1+a2X2+a3Mn-1+a4Mn), (1)
H2=g(b1X1+b2X2+b3Mn-1+b4Mn), (2)
H3=g(c1X1+c2X2+c3Mn-1+c4Mn); (3)
其中,g表示传统神经网络的激活函数,公式(1)中的a1表示输入层X1到隐藏层H1的权重值,a2表示输入层X2到隐藏层H1的权重值,a3表示输入层Mn-1到隐藏层H1的权重值,a4表示输入层Mn到隐藏层H1的权重值;公式(2)中的b1表示输入层X1到隐藏层H1的权重值,b2表示输入层X2到隐藏层H2的权重值,b3表示输入层Mn-1到隐藏层H2的权重值,b4表示输入层Mn到隐藏层H2的权重值;公式(3)中的c1表示输入层X1到隐藏层H3的权重值,c2表示输入层X2到隐藏层H3的权重值,c3表示输入层Mn-1到隐藏层H3的权重值,c4表示输入层Mn到隐藏层H3的权重值。
输出层Z=g(d1H1+d2H2+d3H3),d1表示隐藏层H1到输出层Z的权重值,d2表示隐藏层H2到输出层Z的权重值,d3表示隐藏层H3到输出层Z的权重值。
输出层Z表示的是样本用户预测得到的消费能力值。应该注意的是,图3中隐藏层22为至少一层,隐藏层的具体层数、循环神经网络的激活函数f、传统神经网络的激活函数g,均通过样本用户的统计特征数据、时序序列特征数据以及针对目标对象的实际消费价格确定。
子步骤2023,利用所述对应的消费能力值与所述针对所述目标对象的实际消费价格之间的偏差,修正所述混合神经网络预测模型中的各个权重值,直至获得的样本用户的消费能力值与对应的实际消费价格之间的偏差小于设定阈值。
一般,在初次预测样本用户的消费能力值时,循环神经网络和传统神经网络中的各个权重值设置为任意值,然后,将样本用户预测得到的消费能力值与样本用户针对目标对象的实际消费价格进行对比,确定两者之间的偏差,根据偏差的大小修正混合神经网络预测模型中的各个权重值,也就是修正循环神经网络和传统神经网络中的各个权重值,经过不断的修正,使得获得的样本用户的消费能力值更加准确,直至获得的样本用户的消费能力值与对应的实际消费价格之间的偏差小于设定阈值,训练完成,得到混合神经网络预测模型。
需要说明的是,得到混合神经网络预测模型只能预测针对目标对象的消费能力值,如果要适用于另一种目标对象,则统计特征数据和时序序列特征数据的提取方式不同。
例如,当目标对象为酒店时,统计特征数据包括:最近一周内酒店的历史消费价格平均值,最近一周内除酒店以外的历史消费价格平均值等;当目标对象为KTV时,统计特征数据包括:最近一周内KTV的历史消费价格平均值,最近一周内除KTV以外的历史消费价格平均值等;时序序列特征数据的提取方式类似。将目标对象的价格参数作为一种特征数据,非目标对象的价格参数作为另一种特征数据,非目标对象的价格参数在一定程度上会影响目标对象的价格参数,通过综合考虑目标对象的价格参数和非目标对象的价格参数,来预测针对目标对象的消费能力值。
步骤203,根据对应目标对象的特征数据提取规则,从所述目标用户的历史数据中获取针对所述目标对象的统计特征数据和时序序列特征数据。
针对需要预测其消费能力值的目标用户,首先根据对应目标对象的特征数据提取规则,将目标对象的价格参数作为一种特征数据,非目标对象的价格参数作为另一种特征数据,从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据。
参照图4,示出了本发明的消费能力值预测的流程示意图。
统计特征数据一般包括:目标对象的历史消费价格参数、目标对象的历史浏览价格参数、非目标对象的历史消费价格参数、非目标对象的历史浏览价格参数、用户等级等特征。
其中,目标对象的历史消费价格参数可以包括目标对象的历史消费价格的平均值、最大值、最小值等,目标对象的历史浏览价格参数可以包括目标对象的历史浏览价格的平均值、最大值、最小值等,非目标对象的历史消费价格参数可以包括非目标对象的历史消费价格的平均值、最大值、最小值等,非目标对象的历史浏览价格参数以包括非目标对象的历史浏览价格的平均值、最大值、最小值等,用户等级等特征可以包括用户等级、用户活跃状态、用户常住地址。
时序序列特征数据一般包括:目标对象的历史消费价格的平均值序列,目标对象的历史浏览价格平均值序列、非目标对象的历史消费价格平均值序列、非目标对象的历史浏览价格平均值序列。
步骤204,基于所述目标用户的时序序列特征数据,利用循环神经网络确定所述目标用户的时序特征数据。
如图4所示,将目标用户的时序序列特征数据输入到循环神经网络中,利用循环神经网络确定目标用户的时序特征数据。
步骤205,基于所述目标用户的统计特征数据和所述目标用户的时序特征数据,利用传统神经网络确定所述目标用户针对所述目标对象的消费能力值。
如图4所示,将目标用户的统计特征数据和目标用户的时序特征数据输入传统神经网络中,利用传统神经网络确定目标用户针对目标对象的消费能力值。
经过测试,根据用户历史购买商品的价格平均值来确定其消费能力值,其误差为40元,采用一般的机器学习模型,如LR(线型回归模型)、GBDT(梯度提升决策树),其误差在33元左右,而采用本发明的混合神经网络预测模型,最终的预测误差在30元左右,其预测得到的消费能力值更准确。
本发明实施例公开的消费能力预测方法,从样本用户的历史数据中,获取所述样本用户的统计特征数据、时序序列特征数据以及针对所述目标对象的实际消费价格,根据所述样本用户的统计特征数据、时序序列特征数据以及针对所述目标对象的实际消费价格训练获得所述混合神经网络预测模型,根据对应目标对象的特征数据提取规则,从所述目标用户的历史数据中获取针对所述目标对象的统计特征数据和时序序列特征数据,基于所述目标用户的时序序列特征数据,利用循环神经网络确定所述目标用户的时序特征数据,基于所述目标用户的统计特征数据和所述目标用户的时序特征数据,利用传统神经网络确定所述目标用户针对所述目标对象的消费能力值。在统计特征数据的基础上结合时序序列特征数据,通过循环神经网络可实现对历史数据进行时序维度的特征提取,使得利用混合神经网络预测模型预测的消费能力值更准确。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例三
参照图5,示出了本发明实施例三的一种消费能力预测装置的结构框图。
本发明实施例的消费能力预测装置包括:
第一数据获取模块501,用于从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据。
消费能力值确定模块502,用于基于所述统计特征数据和所述时序序列特征数据,利用预设的混合神经网络预测模型确定所述目标用户针对所述目标对象的消费能力值。
本发明实施例公开的消费能力预测装置,从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据,基于所述统计特征数据和所述时序序列特征数据,利用预设的混合神经网络预测模型确定所述目标用户针对所述目标对象的消费能力值。解决了现有技术中利用用户最近一次购买商品的价格、随机某一次购买商品的价格,或者历史购买商品的价格平均值来确定用户的消费能力值,其准确度较低的问题,在统计特征数据的基础上结合时序序列特征数据,可实现对历史数据进行时序维度的特征提取,使得利用混合神经网络预测模型预测的消费能力值更准确。
实施例四
参照图6,示出了本发明实施例四的一种消费能力预测装置的结构框图。
基于实施例三,所述消费能力预测装置还包括:
第二数据获取模块503,用于从样本用户的历史数据中,获取所述样本用户的统计特征数据、时序序列特征数据以及针对所述目标对象的实际消费价格;
模型训练模块504,用于根据所述样本用户的统计特征数据、时序序列特征数据以及针对所述目标对象的实际消费价格训练获得所述混合神经网络预测模型;其中,所述混合神经网络预测模型包括循环神经网络和传统神经网络。
所述模型训练模块504,包括:
时序特征数据生成子模块5041,用于将每一个样本用户的时序序列特征数据输入所述循环神经网络,获得对应的时序特征数据;
消费能力值生成子模块5042,用于将对应的样本用户的统计特征数据与所述对应的时序特征数据输入所述传统神经网络,获得对应的消费能力值;
权重值修正子模块5043,用于利用所述对应的消费能力值与所述针对所述目标对象的实际消费价格之间的偏差,修正所述混合神经网络预测模型中的各个权重值,直至获得的样本用户的消费能力值与对应的实际消费价格之间的偏差小于设定阈值。
可选的,当所述每一个样本用户的时序序列特征数据包括按时序排列的L个子特征数据时,所述时序特征数据生成子模块5041,包括:
第一输出结果生成单元50411,用于针对任一个样本用户的时序序列特征数据,将第一个子特征数据输入所述循环神经网络,获得第一输出结果;
时序特征数据生成单元50412,用于将第M个子特征数据与第M-1个子特征数据对应的输出结果组合输入至所述循环神经网络,直至所述样本用户的时序序列特征数据中的L个子特征数据全部输入完成,获得对应的时序特征数据;M为大于1、且小于或等于L的正整数。
基于实施例三,所述消费能力值确定模块502,包括:
时序特征数据确定子模块5021,用于基于所述目标用户的时序序列特征数据,利用循环神经网络确定所述目标用户的时序特征数据;
消费能力值确定子模块5022,用于基于所述目标用户的统计特征数据和所述目标用户的时序特征数据,利用传统神经网络确定所述目标用户针对所述目标对象的消费能力值。
基于实施例三,所述第一数据获取模块501,包括:
第一数据获取子模块5011,用于根据对应目标对象的特征数据提取规则,从所述目标用户的历史数据中获取针对所述目标对象的统计特征数据和时序序列特征数据。
进一步的,所述消费能力预测装置还包括:
发放模块505,用于将与所述消费能力值匹配的针对所述目标对象的优惠券,发送至所述目标用户;和/或将与所述消费能力值匹配的针对所述目标对象的广告数据,投放给所述目标用户。
本发明实施例公开的消费能力预测装置,从样本用户的历史数据中,获取所述样本用户的统计特征数据、时序序列特征数据以及针对所述目标对象的实际消费价格,根据所述样本用户的统计特征数据、时序序列特征数据以及针对所述目标对象的实际消费价格训练获得所述混合神经网络预测模型,根据对应目标对象的特征数据提取规则,从所述目标用户的历史数据中获取针对所述目标对象的统计特征数据和时序序列特征数据,基于所述目标用户的时序序列特征数据,利用循环神经网络确定所述目标用户的时序特征数据,基于所述目标用户的统计特征数据和所述目标用户的时序特征数据,利用传统神经网络确定所述目标用户针对所述目标对象的消费能力值。在统计特征数据的基础上结合时序序列特征数据,通过循环神经网络可实现对历史数据进行时序维度的特征提取,使得利用混合神经网络预测模型预测的消费能力值更准确。
相应的,本发明还公开了一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述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计算机程序时实现如本发明实施例一和实施例二所述的消费能力预测方法。
本发明还公开了一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明实施例一和实施例二所述消费能力预测方法的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的消费能力预测设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种消费能力预测方法,其特征在于,包括:
从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据;
基于所述统计特征数据和所述时序序列特征数据,利用预设的混合神经网络预测模型确定所述目标用户针对所述目标对象的消费能力值。
2.根据权利要求1所述的方法,其特征在于,在所述基于所述统计特征数据和所述时序序列特征数据,利用预设的混合神经网络预测模型确定所述目标用户针对所述目标对象的消费能力值的步骤之前,还包括:
从样本用户的历史数据中,获取所述样本用户的统计特征数据、时序序列特征数据以及针对所述目标对象的实际消费价格;
根据所述样本用户的统计特征数据、时序序列特征数据以及针对所述目标对象的实际消费价格训练获得所述混合神经网络预测模型;其中,所述混合神经网络预测模型包括循环神经网络和传统神经网络。
3.根据权利要求2所述的方法,其特征在于,所述根据所述样本用户的统计特征数据、时序序列特征数据以及针对所述目标对象的实际消费价格训练获得所述混合神经网络预测模型的步骤,包括:
将每一个样本用户的时序序列特征数据输入所述循环神经网络,获得对应的时序特征数据;
将对应的样本用户的统计特征数据与所述对应的时序特征数据输入所述传统神经网络,获得对应的消费能力值;
利用所述对应的消费能力值与所述针对所述目标对象的实际消费价格之间的偏差,修正所述混合神经网络预测模型中的各个权重值,直至获得的样本用户的消费能力值与对应的实际消费价格之间的偏差小于设定阈值。
4.根据权利要求3所述的方法,其特征在于,当所述每一个样本用户的时序序列特征数据包括按时序排列的L个子特征数据时,所述将每一个样本用户的时序序列特征数据输入所述循环神经网络,获得对应的时序特征数据的步骤,包括:
针对任一个样本用户的时序序列特征数据,将第一个子特征数据输入所述循环神经网络,获得第一输出结果;
将第M个子特征数据与第M-1个子特征数据对应的输出结果组合输入至所述循环神经网络,直至所述样本用户的时序序列特征数据中的L个子特征数据全部输入完成,获得对应的时序特征数据;M为大于1、且小于或等于L的正整数。
5.根据权利要求1所述的方法,其特征在于,所述基于所述统计特征数据和所述时序序列特征数据,利用预设的混合神经网络预测模型确定所述目标用户针对所述目标对象的消费能力值的步骤,包括:
基于所述目标用户的时序序列特征数据,利用循环神经网络确定所述目标用户的时序特征数据;
基于所述目标用户的统计特征数据和所述目标用户的时序特征数据,利用传统神经网络确定所述目标用户针对所述目标对象的消费能力值。
6.根据权利要求1所述的方法,其特征在于,所述从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据的步骤,包括:
根据对应目标对象的特征数据提取规则,从所述目标用户的历史数据中获取针对所述目标对象的统计特征数据和时序序列特征数据。
7.根据权利要求1所述的方法,其特征在于,还包括:
将与所述消费能力值匹配的针对所述目标对象的优惠券,发送至所述目标用户;和/或
将与所述消费能力值匹配的针对所述目标对象的广告数据,投放给所述目标用户。
8.一种消费能力预测装置,其特征在于,包括:
第一数据获取模块,用于从目标用户的历史数据中获取针对目标对象的统计特征数据和时序序列特征数据;
消费能力值确定模块,用于基于所述统计特征数据和所述时序序列特征数据,利用预设的混合神经网络预测模型确定所述目标用户针对所述目标对象的消费能力值。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述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计算机程序时实现权利要求1-7任意一项权利要求所述的消费能力预测方法。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任意一项所述消费能力预测方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710943388.2A CN107705155A (zh) | 2017-10-11 | 2017-10-11 | 一种消费能力预测方法、装置、电子设备及可读存储介质 |
US16/755,880 US20200285937A1 (en) | 2017-10-11 | 2018-09-28 | Consumption capacity prediction |
PCT/CN2018/108340 WO2019072107A1 (zh) | 2017-10-11 | 2018-09-28 | 消费能力预测 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710943388.2A CN107705155A (zh) | 2017-10-11 | 2017-10-11 | 一种消费能力预测方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107705155A true CN107705155A (zh) | 2018-02-16 |
Family
ID=61184992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710943388.2A Pending CN107705155A (zh) | 2017-10-11 | 2017-10-11 | 一种消费能力预测方法、装置、电子设备及可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200285937A1 (zh) |
CN (1) | CN107705155A (zh) |
WO (1) | WO2019072107A1 (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573399A (zh) * | 2018-02-28 | 2018-09-25 | ***股份有限公司 | 基于转移概率网络的商户推荐方法及其*** |
CN108846692A (zh) * | 2018-06-05 | 2018-11-20 | 浙江大学城市学院 | 一种基于多因素循环神经网络的消费者消费行为预测方法 |
CN108960563A (zh) * | 2018-05-22 | 2018-12-07 | 深圳壹账通智能科技有限公司 | 一种商店的评级方法及其设备 |
CN109493134A (zh) * | 2018-10-31 | 2019-03-19 | 北京字节跳动网络技术有限公司 | 用于推送信息的方法和装置 |
WO2019072107A1 (zh) * | 2017-10-11 | 2019-04-18 | 北京三快在线科技有限公司 | 消费能力预测 |
CN110188796A (zh) * | 2019-04-25 | 2019-08-30 | 博彦科技股份有限公司 | 用户识别方法、装置、存储介质和处理器 |
CN110335062A (zh) * | 2019-05-28 | 2019-10-15 | 成都美美臣科技有限公司 | 一个电子商务网站自动化优惠券推送方法 |
CN110555714A (zh) * | 2018-06-04 | 2019-12-10 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN110689170A (zh) * | 2019-09-04 | 2020-01-14 | 北京三快在线科技有限公司 | 对象参量的确定方法、装置、电子设备及存储介质 |
WO2020024718A1 (zh) * | 2018-08-03 | 2020-02-06 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
CN110874765A (zh) * | 2019-10-22 | 2020-03-10 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备及存储介质 |
CN110880127A (zh) * | 2019-10-24 | 2020-03-13 | 北京三快在线科技有限公司 | 消费水平的预测方法、装置、电子设备及存储介质 |
CN110990704A (zh) * | 2019-12-06 | 2020-04-10 | 创新奇智(成都)科技有限公司 | 时间序列用户与内容互动行为的学习预测方法 |
CN110992097A (zh) * | 2019-12-03 | 2020-04-10 | 上海钧正网络科技有限公司 | 营收产品价格的处理方法、装置、计算机设备及存储介质 |
CN111461866A (zh) * | 2020-03-31 | 2020-07-28 | 中国银行股份有限公司 | 一种数据分析方法及装置 |
CN111708768A (zh) * | 2020-05-20 | 2020-09-25 | 广州中智融通金融科技有限公司 | 自动柜员机现金调度方法、***及存储介质 |
CN111915344A (zh) * | 2020-06-20 | 2020-11-10 | 武汉海云健康科技股份有限公司 | 一种基于医疗大数据的新会员催熟方法和装置 |
CN112070523A (zh) * | 2020-07-23 | 2020-12-11 | 盛威时代科技集团有限公司 | 基于云计算技术在智能交通管理产品中投送广告的方法 |
WO2021189922A1 (zh) * | 2020-10-19 | 2021-09-30 | 平安科技(深圳)有限公司 | 用户画像生成方法、装置、设备及介质 |
CN113935697A (zh) * | 2021-12-15 | 2022-01-14 | 畅捷通信息技术股份有限公司 | 一种自动售货机的备货方法、装置及存储介质 |
WO2024078195A1 (zh) * | 2022-10-12 | 2024-04-18 | 华为云计算技术有限公司 | 一种数据处理方法、模型训练方法及相关设备 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210059712A (ko) * | 2018-08-07 | 2021-05-25 | 블링크에이아이 테크놀로지스, 아이엔씨. | 이미지 향상을 위한 인공지능 기법 |
US20220270126A1 (en) * | 2019-06-14 | 2022-08-25 | Beijing DIDI Infinity Technology and Development Co., Ltd | Reinforcement Learning Method For Incentive Policy Based On Historic Data Trajectory Construction |
CN112381617B (zh) * | 2020-11-30 | 2023-09-05 | 中国银行股份有限公司 | 网络购物方法及装置 |
CN113778979A (zh) * | 2021-01-21 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种直播点击率的确定方法和装置 |
US11710148B2 (en) * | 2021-01-31 | 2023-07-25 | Walmart Apollo, Llc | Deep learning-based revenue-per-click prediction model framework |
CN113095890A (zh) * | 2021-04-29 | 2021-07-09 | 平安普惠企业管理有限公司 | 电子优惠券发放方法、装置、计算机设备和存储介质 |
CN114897517B (zh) * | 2022-07-18 | 2022-09-27 | 山东美丽乡村云计算有限公司 | 基于区块链的文旅消费数据管理方法 |
CN116414662B (zh) * | 2023-04-24 | 2023-10-10 | 山东溯源安全科技有限公司 | 一种存储空间扩容提示方法、装置、电子设备及存储介质 |
CN117708764B (zh) * | 2024-02-06 | 2024-05-03 | 青岛天高智慧科技有限公司 | 基于校园一卡通的学生消费数据智能分析方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673385A (zh) * | 2009-09-28 | 2010-03-17 | 百度在线网络技术(北京)有限公司 | 消费预估方法和装置 |
CN106296257A (zh) * | 2015-06-11 | 2017-01-04 | 苏宁云商集团股份有限公司 | 一种基于用户行为分析的固定广告位投放方法及*** |
CN105335875A (zh) * | 2015-10-30 | 2016-02-17 | 小米科技有限责任公司 | 购买力预测方法和装置 |
CN105868847A (zh) * | 2016-03-24 | 2016-08-17 | 车智互联(北京)科技有限公司 | 一种购物行为的预测方法及装置 |
CN107705155A (zh) * | 2017-10-11 | 2018-02-16 | 北京三快在线科技有限公司 | 一种消费能力预测方法、装置、电子设备及可读存储介质 |
-
2017
- 2017-10-11 CN CN201710943388.2A patent/CN107705155A/zh active Pending
-
2018
- 2018-09-28 US US16/755,880 patent/US20200285937A1/en not_active Abandoned
- 2018-09-28 WO PCT/CN2018/108340 patent/WO2019072107A1/zh active Application Filing
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019072107A1 (zh) * | 2017-10-11 | 2019-04-18 | 北京三快在线科技有限公司 | 消费能力预测 |
CN108573399A (zh) * | 2018-02-28 | 2018-09-25 | ***股份有限公司 | 基于转移概率网络的商户推荐方法及其*** |
CN108960563A (zh) * | 2018-05-22 | 2018-12-07 | 深圳壹账通智能科技有限公司 | 一种商店的评级方法及其设备 |
CN110555714A (zh) * | 2018-06-04 | 2019-12-10 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN108846692A (zh) * | 2018-06-05 | 2018-11-20 | 浙江大学城市学院 | 一种基于多因素循环神经网络的消费者消费行为预测方法 |
CN108846692B (zh) * | 2018-06-05 | 2021-03-30 | 浙江大学城市学院 | 一种基于多因素循环神经网络的消费者消费行为预测方法 |
WO2020024718A1 (zh) * | 2018-08-03 | 2020-02-06 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
CN109493134A (zh) * | 2018-10-31 | 2019-03-19 | 北京字节跳动网络技术有限公司 | 用于推送信息的方法和装置 |
CN110188796A (zh) * | 2019-04-25 | 2019-08-30 | 博彦科技股份有限公司 | 用户识别方法、装置、存储介质和处理器 |
CN110335062A (zh) * | 2019-05-28 | 2019-10-15 | 成都美美臣科技有限公司 | 一个电子商务网站自动化优惠券推送方法 |
CN110335062B (zh) * | 2019-05-28 | 2022-07-12 | 成都美美臣科技有限公司 | 一个电子商务网站自动化优惠券推送方法 |
CN110689170A (zh) * | 2019-09-04 | 2020-01-14 | 北京三快在线科技有限公司 | 对象参量的确定方法、装置、电子设备及存储介质 |
CN110874765A (zh) * | 2019-10-22 | 2020-03-10 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备及存储介质 |
CN110874765B (zh) * | 2019-10-22 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备及存储介质 |
CN110880127A (zh) * | 2019-10-24 | 2020-03-13 | 北京三快在线科技有限公司 | 消费水平的预测方法、装置、电子设备及存储介质 |
CN110880127B (zh) * | 2019-10-24 | 2022-04-12 | 北京三快在线科技有限公司 | 消费水平的预测方法、装置、电子设备及存储介质 |
CN110992097A (zh) * | 2019-12-03 | 2020-04-10 | 上海钧正网络科技有限公司 | 营收产品价格的处理方法、装置、计算机设备及存储介质 |
CN110992097B (zh) * | 2019-12-03 | 2024-02-13 | 上海钧正网络科技有限公司 | 营收产品价格的处理方法、装置、计算机设备及存储介质 |
CN110990704A (zh) * | 2019-12-06 | 2020-04-10 | 创新奇智(成都)科技有限公司 | 时间序列用户与内容互动行为的学习预测方法 |
CN111461866A (zh) * | 2020-03-31 | 2020-07-28 | 中国银行股份有限公司 | 一种数据分析方法及装置 |
CN111461866B (zh) * | 2020-03-31 | 2023-09-26 | 中国银行股份有限公司 | 一种数据分析方法及装置 |
CN111708768A (zh) * | 2020-05-20 | 2020-09-25 | 广州中智融通金融科技有限公司 | 自动柜员机现金调度方法、***及存储介质 |
CN111915344A (zh) * | 2020-06-20 | 2020-11-10 | 武汉海云健康科技股份有限公司 | 一种基于医疗大数据的新会员催熟方法和装置 |
CN112070523A (zh) * | 2020-07-23 | 2020-12-11 | 盛威时代科技集团有限公司 | 基于云计算技术在智能交通管理产品中投送广告的方法 |
CN112070523B (zh) * | 2020-07-23 | 2024-05-28 | 盛威时代科技集团有限公司 | 基于云计算技术在智能交通管理产品中投送广告的方法 |
WO2021189922A1 (zh) * | 2020-10-19 | 2021-09-30 | 平安科技(深圳)有限公司 | 用户画像生成方法、装置、设备及介质 |
CN113935697A (zh) * | 2021-12-15 | 2022-01-14 | 畅捷通信息技术股份有限公司 | 一种自动售货机的备货方法、装置及存储介质 |
WO2024078195A1 (zh) * | 2022-10-12 | 2024-04-18 | 华为云计算技术有限公司 | 一种数据处理方法、模型训练方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
US20200285937A1 (en) | 2020-09-10 |
WO2019072107A1 (zh) | 2019-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705155A (zh) | 一种消费能力预测方法、装置、电子设备及可读存储介质 | |
Polyzos et al. | Tourism demand and the COVID-19 pandemic: An LSTM approach | |
Zhang et al. | The impact of channel integration on consumer responses in omni-channel retailing: The mediating effect of consumer empowerment | |
Asadabadi | A customer based supplier selection process that combines quality function deployment, the analytic network process and a Markov chain | |
Esmaeili et al. | Using game theory for analysing pricing models in closed-loop supply chain from short-and long-term perspectives | |
Fenwick et al. | Value Driven Technology Road Mapping (VTRM) process integrating decision making and marketing tools: Case of Internet security technologies | |
US10572912B2 (en) | System and method for integrating retail price optimization for revenue and profit with business rules | |
Pal et al. | Three stage trade credit policy in a three-layer supply chain–a production-inventory model | |
Tong et al. | Impact of different platform promotions on online sales and conversion rate: The role of business model and product line length | |
Egdair et al. | Technology factors, ERP system and organization performance in developing countries | |
Manna et al. | Two layers supply chain in an imperfect production inventory model with two storage facilities under reliability consideration | |
Hajji et al. | Dynamic pricing models for ERP systems under network externality | |
Roy et al. | Inventory model with two rates of production for deteriorating items with permissible delay in payments | |
Fridgen et al. | Investigation of exogenous shocks in complex supply networks–a modular Petri Net approach | |
Hooshmand Khaligh et al. | A mathematical model for vehicle routing problem under endogenous uncertainty | |
Tabrizi et al. | Simultaneous planning of the project scheduling and material procurement problem under the presence of multiple suppliers | |
Singh et al. | A production reliable model for deteriorating products with random demand and inflation | |
Golmohammadi | A neural network decision-making model for job-shop scheduling | |
Pan et al. | A fuzzy multi-objective model for provider selection in data communication services with different QoS levels | |
Jin et al. | Characterizations of the possibility-probability transformations and some applications | |
Li et al. | Enhancing supply chain decisions with consumers’ behavioral factors: An illustration of decoy effect | |
Lee et al. | Agent based mobile negotiation for personalized pricing of last minute theatre tickets | |
Mulazid et al. | Finding Customer Satisfaction and Loyalty Factors in Islamic Bank Digital Users | |
CN114648367A (zh) | 一种独飞航线机票预测规划方法、***及储存介质 | |
Sharma et al. | Optimal policy for EOQ model with two level of trade credits in one replenishment cycle |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
RJ01 | Rejection of invention patent application after publication |