CN107895213A - 消费额度的预测方法、装置及电子设备 - Google Patents

Abstract

本申请提供一种消费额度的预测方法、装置及电子设备，其中方法包括：确定用户的历史消费记录以及与所述用户相关的场景信息；基于所述历史消费记录与所述场景信息，确定为所述用户推荐的店铺；将所述历史消费记录、所述场景信息以及所述推荐的店铺的店铺信息输入至预先训练的数学模型中；通过所述数学模型预测所述用户在所述推荐的店铺的消费额度。本申请技术方案通过将用户的历史消费记录、与用户相关的场景信息以及店铺信息输入到预先训练的数学模型中，通过数学模型得到用户在推荐的店铺的消费额度，由于该消费额度参考了与用户自身相关的信息以及店铺信息，因此通过该消费额度可以更准确的预测用户的消费能力。

Description

消费额度的预测方法、装置及电子设备

技术领域

本申请涉及互联网技术领域，尤其涉及一种消费额度的预测方法、装置及电子设备。

背景技术

随着互联网技术的深入发展，通过电商平台购物成为广大用户的一个消费***台购物时，通过浏览在电商平台注册的商铺，从商铺对应的用户界面中挑选其需要购买的商品。现有技术中，对于用户在商铺中的订单价格，通常需要用户在商铺中选中需要购买的商品，后台服务器通过下单的方式来确定订单价格，然而，现有技术尚不能对用户在商铺的消费额度进行预测。

发明内容

有鉴于此，本申请提供一种消费额度的预测方法、装置及电子设备，能够准确预测用户在店铺的消费额度。

为实现上述目的，本申请提供技术方案如下：

根据本申请的第一方面，提出了一种消费数据的预测方法，包括：

确定用户的历史消费记录以及与所述用户相关的场景信息；

基于所述历史消费记录与所述场景信息，确定为所述用户推荐的店铺；

将所述历史消费记录、所述场景信息以及所述推荐的店铺的店铺信息输入至预先训练的数学模型中；

通过所述数学模型预测所述用户在所述推荐的店铺的消费额度。

根据本申请的第二方面，提出了一种消费额度的预测装置，包括：

第一确定模块，用于确定用户的历史消费记录以及与所述用户相关的场景信息；

第二确定模块，用于基于所述第一确定模块确定的所述历史消费记录与所述场景信息，确定为所述用户推荐的至少一个店铺；

输入模块，用于将所述第一确定模块确定的所述历史消费记录、所述场景信息以及所述第二确定模块确定的推荐的店铺的店铺信息输入至预先训练的数学模型中；

预测模块，用于通过所述数学模型预测所述用户在所述推荐的店铺的消费额度。

根据本申请的第三方面，提出了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述第一方面提出的消费额度的预测方法。

其中，所述处理器，用于执行上述第一方面提出的消费额度的预测方法。

由以上技术方案可见，本申请通过将用户的历史消费记录、与用户相关的场景信息以及店铺信息输入至预先训练的数学模型中，通过数学模型预测用户在推荐的店铺的消费额度，由于该消费额度参考了与用户自身相关的信息以及店铺信息，因此通过该消费额度可以更准确的预测用户的消费能力。

附图说明

图1是本申请一示例性实施例示出的消费额度的预测方法的流程示意图。

图2是本申请又一示例性实施例示出的消费额度的预测方法的流程示意图。

图3是本申请再一示例性实施例示出的消费额度的预测方法的流程示意图。

图4是本申请一示例性实施例示出的电子设备的结构示意图。

图5是本申请一示例性实施例示出的消费额度的预测装置的结构示意图。

图6是本申请又一示例性实施例示出的消费额度的预测装置的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

图1是本申请一示例性实施例示出的消费额度的预测方法的流程示意图；本实施例可应用在服务器、便携式设备等电子设备上，如图1所示，包括如下步骤：

步骤101，确定用户的历史消费记录以及与用户相关的场景信息。

在一实施例中，用户的历史消费记录可包括：用户通过电商平台所下的每一个历史订单的商品类别、所下订单的时间以及每一个历史订单的付款金额等。在一实施例中，可以从已存储的海量用户的历史消费记录中筛选出该用户的历史消费记录。

在一实施例中，与用户相关的场景信息可包括：用户当前所在的地理位置、当前的日期、当前的天气等。在一实施例中，可通过电子设备对用户进行定位得到用户当前所在的地理位置，根据地理位置获取到用户当前所在地理位置的天气，可以基于电子设备的***时间确定当前的日期。

步骤102，基于历史消费记录与场景信息，确定为用户推荐的店铺。

在一实施例中，可以基于历史消费记录确定用户的消费均价，基于场景信息确定用户的地址位置。基于消费均价和地理位置，确定为用户推荐的店铺，需要说明的是，推荐的店铺可以为一个，也可以为两个以上，本申请对推荐的店铺的数量不做限制。例如，用户的消费均价为100元，当前位置为北京市朝阳区望京，则可以为用户推荐位于朝阳区望京并且人均消费在100左右的十个店铺，由此可以确保用户的消费水准与所推荐的店铺提供的服务水准相匹配。

步骤103，将历史消费记录、场景信息以及推荐的店铺的店铺信息输入至预先训练的数学模型中。

在一实施例中，数学模型可以为逻辑斯谛回归(Logistic Regression，简称为LR)、梯度提升决策树(Gradient Boosting DecisionTree，简称为GBDT)、深度神经网络(Deep NeuralNetworks，简称为DNN)。

在一实施例中，推荐的店铺的店铺信息可包括：店铺的口碑分、配送方式、店铺消费人次、店铺客单价、历史成单率、店铺为用户提供的商品类别等。

步骤104，通过数学模型预测用户在推荐的店铺的消费额度。

例如，为用户ABC推荐了10家店铺M1、M2、…、M10，针对店铺M1、M2、…、M10，将用户ABC的历史消费记录、与用户ABC当前消费时相关的场景信息以及店铺M1的店铺信息输入至预先训练的数学模型中，得到用户ABC在店铺M1的消费额度，类似的，将用户ABC的历史消费记录、与用户ABC相关的场景信息以及店铺M2的店铺信息输入至预先训练的数学模型中，得到用户ABC在店铺M2的消费额度，对于店铺M3、…、M10，通过类似的方式，即可得到用户在店铺M1、M2、…、M10各自的消费额度。

本实施例中，通过将用户的历史消费记录、与用户相关的场景信息以及店铺信息输入至预先训练的数学模型中，通过数学模型预测用户在推荐的店铺的消费额度，由于消费额度参考了与用户自身相关的信息以及店铺信息，因此通过消费额度可以更准确的预测用户的消费能力。此外，通过数学模型处理历史消费记录、场景信息以及推荐的店铺的店铺信息，可以方便地将数学模型移植到广告排序策略、定向营销、商家促销等数据业务中，进而将数学模型预测得到的消费额度作为广告排序策略、定向营销、商家促销、消费个性化推荐等业务中的一个参考因素。

图2是本申请另一示例性实施例示出的消费额度的预测方法的流程示意图；本实施例在上述实施例的基础上，以如何基于消费额度对所推荐的店铺进行排序为例进行示例性说明，如图2所示，包括如下步骤：

步骤201，针对推荐的店铺中的每一个店铺，基于用户在每一个店铺的消费数据，确定该每一个店铺的第一收益因子。

在一实施例中，针对推荐的店铺中的每一个店铺，基于每一个店铺对应的历史消费次数以及历史点击次数，确定每一个店铺的转化率，其中，历史消费次数可以为每一个店铺在当前时间点之前的全部消费次数，也可以为距离当前时间点之前的预设时间段内的历史消费次数，例如，店铺从电商平台注册的时间点开始，截止到当前时间点，共有50个用户在该店铺产生了100次的历史消费次数；历史点击次数可以为每一个店铺在当前时间点之前的全部历史点击次数，也可以为距离当前时间点之前的预设时间段内的历史点击次数，例如，店铺从电商平台注册的时间点开始，截止到当前时间点，共有50个用户在该店铺产生了200次的历史点击次数。在一实施例中，可以通过历史消费次数与历史点击次数之间的比值，得到每一个店铺的转化率，例如，历史消费次数为P，历史点击次数为Q，则店铺的转化率R＝P/Q。

在一实施例中，可以基于转化率、用户在每一个店铺的历史消费额度，确定每一个店铺对应的第一收益因子；在一实施例中，可以对转化率与历史消费额度相乘或者加和，得到店铺的第一收益因子。

步骤202，确定电商平台相对每一个店铺的第二收益因子。

在一实施例中，针对推荐的店铺中的每一个店铺，确定每一个店铺为电商平台提供的广告拍卖价格；确定每一个店铺的广告点击率；基于广告拍卖价格和广告点击率，确定电商平台相对每一个店铺对应的第二收益因子。在一实施例中，可以对广告拍卖价格和广告点击率相乘或者加和，得到店铺为电商平台提供的广告拍卖价格。

步骤203，确定用户在每一个店铺的体验因子。

在一实施例中，确定用户与推荐的店铺中的每一个店铺之间的空间距离；确定与空间距离对应的体验因子，该体验因子为用户在每一个店铺的体验因子。在一实施例中，可以通过查找距离-因子对应关系表，确定用户与推荐的店铺中的每一个店铺之间的空间距离，例如：用户与店铺之间的空间距离为5公里，体验因子为5分，空间距离为3公里，体验因子为2.5分，由此通过查找距离-因子对应关系表，从该对应关系表中查找与空间距离对应的体验因子，进而可确定出用户在店铺的体验因子。

步骤204，基于每一个店铺的第一收益因子、电商平台相对每一个店铺的第二收益因子以及用户在每一个店铺的体验因子，对推荐的店铺排序。

在一实施例中，针对推荐的店铺中的每一个店铺，确定每一个店铺对应的第一收益因子、电商平台相对每一个店铺的第二收益因子、用户在每一个店铺的体验因子的权重系数；通过权重系数对每一个店铺对应的第一收益因子、电商平台相对该每一个店铺的第二收益因子、用户在该每一个店铺的体验因子进行加权，得到每一个店铺的分值；基于至少一个店铺各自的分值，对推荐的店铺排序。

例如，为用户ABC推荐了10家店铺M1、M2、…、M10，以店铺M1为例进行示例性说明，店铺M1的第一收益因子为a，电商平台相对店铺M1的第二收益因子为b，用户在店铺M1的体验因子为c，其中，第一收益因子的权重系数为m1，第二收益因子的权重系数为m2，体验因子的权重系数为m3，则通过权重系数对上述三个因子进行加权，得到店铺M1的分值为：a*m1+b*m2+c*m3，类似地，得到剩余9个店铺的分值。进而对这10家店铺按照分值由大到小或者由小到大的顺序进行排序。

本实施例中，通过用户在各个店铺的消费额度确定店铺的第一收益因子，基于第一收益因子、第二收益因子以及体验因子，实现对店铺的排序，由于通过第一收益因子、第二收益因子以及体验因子综合考虑了电商平台、店铺以及用户各方的因素，因此本实施例中对店铺的排序更加合理。

图3是本申请再一示例性实施例示出的消费额度的预测方法的流程示意图；本实施例在上述图1所示实施例的基础上，以如何训练数学模型为例进行示例性说明，如图3所示，包括如下步骤：

步骤301，对第一设定数量的店铺中的每一个店铺，统计在每一个店铺消费的第二设定数量的用户的历史消费记录。

在一实施例中，第一设定数量和第二设定数量可以为海量级的数量。

步骤302，统计第一设定数量的店铺的店铺信息以及第二设定数量的用户的历史场景信息。

在一实施例中，店铺信息、历史消费记录的描述可参见上述图1所示实施例的描述，在此不再详述。其中，历史场景信息为用户在历史消费记录中下单时的场景信息，例如，用户在历史消费记录中下单时所在的地理位置、当时的日期、当时的天气等。

步骤303，基于第一设定数量的店铺的店铺信息、第二设定数量的用户的历史消费记录、第二设定数量的用户的历史场景信息，训练数学模型。

在一实施例中，可以对店铺信息、用户的历史消费记录以及历史场景信息所包含的具体信息进行拼接，并行输入到数学模型中，从而实现对数学模型的训练。

在一实施例中，该数据模型可以对各个用户在各个场景信息下，对各个店铺的消费额度进行预测。在一实施例中，该数学模型可以针对消费额度的输出区间进行了自定义映射，从而确保该数学模型的输出区间在0到预设值之间，预设值可以根据电商平台的实际需求来设置，例如为100。

例如，将用户在历史消费记录中的成单价格、消费的商品类别以及消费时间，店铺的的口碑分、配送方式、店铺消费人次、店铺客单价、历史成单率、店铺品类，以及用户在下单时的时间、天气、温度、所在城市、用户与店铺之间的配送距离输入到数学模型中，通过海量用户的历史消费记录以及海量店铺的店铺信息以及用户的场景信息，对数学模型进行多次训练。

本实施例中，通过训练数学模型，可以方便地将数学模型移植到广告排序策略、定向营销、商家促销等业务中，提高了数学模型的可移植性。

与前述消费额度的预测方法的实施例相对应，本申请还提供了消费额度的预测装置的实施例。

本申请消费额度的预测装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本申请消费额度的预测装置所在电子设备的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。

其中，处理器，用于执行上述图1-3任一的消费额度的预测方法。

本申请还提供一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述图1-3任一的消费额度的预测方法。

图5是本申请一示例性实施例示出的消费额度的预测装置的结构示意图，如图5所示，消费额度的预测装置可包括：

第一确定模块51，用于确定用户的历史消费记录以及与用户相关的场景信息；

第二确定模块52，用于基于第一确定模块51确定的历史消费记录与场景信息，确定为用户推荐的店铺；

输入模块53，用于基于第一确定模块51确定的历史消费记录、场景信息以及第二确定模块52确定的推荐的店铺的店铺信息输入至预先训练的数学模型中；

预测模块54，用于通过数学模型预测用户在第二确定模块52确定的推荐的店铺的消费额度。

图6是本申请又一示例性实施例示出的消费数据的预测装置的结构示意图，如图6所示，在上述图5所示实施例的基础上，装置还可包括：

第三确定模块55，用于针对推荐的店铺中的每一个店铺，基于用户在每一个店铺的消费额度，确定每一个店铺的第一收益因子；

第四确定模块56，用于确定电商平台相对每一个店铺的第二收益因子；

第五确定模块57，用于确定用户在每一个店铺的体验因子；

排序模块58，用于基于第三确定模块55确定的每一个店铺的第一收益因子、第四确定模块56确定的电商平台相对每一个店铺的第二收益因子以及第五确定模块57确定的用户在每一个店铺的体验因子，对推荐的店铺排序。

在一实施例中，排序模块58具体可用于：

针对推荐的店铺中的每一个店铺，确定每一个店铺对应的第一收益因子、电商平台相对每一个店铺的第二收益因子、用户在每一个店铺的体验因子的权重系数；

通过权重系数对每一个店铺对应的第一收益因子、电商平台相对每一个店铺的第二收益因子、用户在每一个店铺的体验因子进行加权，得到每一个店铺的分值；

基于每一个店铺各自的分值，对推荐的店铺排序。

在一实施例中，第三确定模块55具体可用于：

基于每一个店铺的历史消费次数以及历史点击次数，确定每一个店铺的转化率；

基于转化率、用户在每一个店铺的历史消费额度，确定每一个店铺对应的第一收益因子。

在一实施例中，第四确定模块56具体可用于：

确定每一个店铺为电商平台提供的广告拍卖价格；

确定每一个店铺的广告点击率；

基于广告拍卖价格和广告点击率，确定电商平台相对每一个店铺对应的第二收益因子。

在一实施例中，第五确定模块57具体可用于：

确定用户与每一个店铺之间的空间距离；

确定与空间距离对应的体验因子，该体验因子为用户在每一个店铺的体验因子。

在一实施例中，第二确定模块52可包括：

第一确定单元521，用于基于历史消费记录确定用户的消费均价；

第二确定单元522，用于基于场景信息确定用户的地理位置；

第三确定单元523，用于基于第一确定单元521确定的消费均价和第二确定单元522确定的地理位置，确定为用户推荐的至少一个店铺。

在一实施例中，装置还可包括：

第一统计模块59，用于对第一设定数量的店铺中的每一个店铺，统计在每一个店铺消费的第二设定数量的用户的历史消费记录；

第二统计模块60，用于统计第一设定数量的店铺的店铺信息以及第二设定数量的用户的历史场景信息；

训练模块61，用于基于第二统计模块59统计得到的第二设定数量的用户的历史消费记录、第二统计模块60统计得到的第一设定数量的店铺的店铺信息以及第二设定数量的用户的历史场景信息，训练数学模型。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种消费额度的预测方法，其特征在于，所述方法包括：

确定用户的历史消费记录以及与所述用户相关的场景信息；

基于所述历史消费记录与所述场景信息，确定为所述用户推荐的店铺；

将所述历史消费记录、所述场景信息以及所述推荐的店铺的店铺信息输入至预先训练的数学模型中；

通过所述数学模型预测所述用户在所述推荐的店铺的消费额度。

2.根据权利要求1所述的方法，其特征在于，所述通过所述数学模型预测所述用户在所述推荐的店铺的消费额度的步骤之后，所述方法还包括：

针对所述推荐的店铺中的每一个店铺，基于所述用户在所述每一个店铺的消费额度，确定所述每一个店铺的第一收益因子；

确定电商平台相对所述每一个店铺的第二收益因子；

确定所述用户在所述每一个店铺的体验因子；

基于所述每一个店铺的第一收益因子、所述电商平台相对所述每一个店铺的第二收益因子以及所述用户在所述每一个店铺的体验因子，对所述推荐的店铺排序。

3.根据权利要求2所述的方法，其特征在于，所述基于所述每一个店铺的第一收益因子、所述电商平台相对所述每一个店铺的第二收益因子以及所述用户在所述每一个店铺的体验因子，对所述推荐的店铺排序，包括：

针对所述推荐的店铺中的每一个店铺，确定所述每一个店铺对应的第一收益因子、所述电商平台相对所述每一个店铺的第二收益因子、所述用户在所述每一个店铺的体验因子的权重系数；

通过所述权重系数对所述每一个店铺对应的第一收益因子、所述电商平台相对所述每一个店铺的第二收益因子、所述用户在所述每一个店铺的体验因子进行加权，得到所述每一个店铺的分值；

基于所述每一个店铺各自的分值，对所述推荐的店铺排序。

4.根据权利要求2所述的方法，其特征在于，所述基于所述用户在所述每一个店铺的消费额度，确定所述每一个店铺的第一收益因子，包括：

基于所述每一个店铺的历史消费次数以及历史点击次数，确定所述每一个店铺的转化率；

基于所述转化率、所述用户在所述每一个店铺的历史消费额度，确定所述每一个店铺对应的第一收益因子。

5.根据权利要求2所述的方法，其特征在于，所述确定电商平台相对所述每一个店铺的第二收益因子，包括：

确定所述每一个店铺为电商平台提供的广告拍卖价格；

确定所述每一个店铺的广告点击率；

基于所述广告拍卖价格和所述广告点击率，确定所述电商平台相对所述每一个店铺对应的第二收益因子。

6.根据权利要求2所述的方法，其特征在于，所述确定所述用户在所述每一个店铺的体验因子，包括：

确定所述用户与所述每一个店铺之间的空间距离；

确定与所述空间距离对应的体验因子，该体验因子为所述用户在所述每一个店铺的体验因子。

7.根据权利要求1所述的方法，其特征在于，所述基于所述历史消费记录与所述场景信息，确定为所述用户推荐的店铺，包括：

基于所述历史消费记录确定所述用户的消费均价；

基于所述场景信息确定所述用户的地理位置；

基于所述消费均价和所述地理位置，确定为所述用户推荐的至少一个店铺。

8.根据权利要求1-7任一所述的方法，其特征在于，所述方法还包括：

对第一设定数量的店铺中的每一个店铺，统计在所述每一个店铺消费的第二设定数量的用户的历史消费记录；

统计所述第一设定数量的店铺的店铺信息以及所述第二设定数量的用户的历史场景信息；

基于所述第一设定数量的店铺的店铺信息、所述第二设定数量的用户的历史消费记录、所述第二设定数量的用户的历史场景信息，训练所述数学模型。

9.一种消费额度的预测装置，其特征在于，所述装置包括：

第一确定模块，用于确定用户的历史消费记录以及与所述用户相关的场景信息；

第二确定模块，用于基于所述第一确定模块确定的所述历史消费记录与所述场景信息，确定为所述用户推荐的店铺；

输入模块，用于将所述第一确定模块确定的所述历史消费记录、所述场景信息以及所述第二确定模块确定的所述推荐的店铺的店铺信息输入至预先训练的数学模型中；

预测模块，用于通过所述数学模型预测所述用户在所述第二确定模块确定的所述推荐的店铺的消费额度。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-8任一所述的消费额度的预测方法。