CN108492146A - 基于用户关联行为的优惠值计算方法、服务端及客户端 - Google Patents

Abstract

本发明公开了一种基于用户关联行为的优惠值计算方法及装置。其中，方法包括：记录针对商家或商品的用户关联行为；获取与用户关联行为相关的关联行为参数；根据关联行为参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。基于本发明提供的技术方案，能够实现消费者与商家的共赢，通过向用户发放优惠值可以鼓励用户到店消费，从而为商家留住了潜在客户，避免了潜在客户的流失，提升商家收益，还能够降低用户开支，实现了购买商品所支付的金额千人千面。

Description

基于用户关联行为的优惠值计算方法、服务端及客户端

技术领域

本发明涉及互联网技术领域，具体涉及一种基于用户关联行为的优惠值计算方法、服务端及客户端。

背景技术

目前的消费形式主要包括线上消费与线下消费，然而，线下消费不同于线上消费之处在于，消费欲望被激发后，由于客观条件的限制，用户往往不能马上到店消费。对于商家来说，潜在客户长时间没有到店消费，很容易造成潜在客户的流失。

为了克服上述问题，亚马逊推出了亚马逊心愿单，当用户喜欢某商品而暂时无法购买时，使用心愿单可以帮助用户在有购买能力的时候，快速找到商品进行购买，或者通过社交网络让朋友帮忙购买。然而，这种形式比较单一，无法形成用户和商家的良好互动。用户通过客户端，向服务端发送其想要购买的商品，服务端收到请求后，仅仅是记录相应的商品信息，并没有与用户之间进行互动，没有给予用户相应的奖励。

另外，商家可以在平台服务器上设置团购价格的方式吸引用户，用户通过客户端访问平台，平台服务器将团购价格展示在用户的客户端，虽然通过设置团购价格可以吸引用户，但是对于所有用户而言，购买商品所支付的金额是相同的，无法实现千人千面。

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基于用户关联行为的优惠值计算方法、服务端及客户端。

根据本发明的一个方面，一种基于用户关联行为的优惠值计算方法，包括：

记录针对商家或商品的用户关联行为；

获取与用户关联行为相关的关联行为参数；

根据关联行为参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。

可选地，在记录针对商家或商品的用户关联行为之后，方法还包括：记录针对商家或商品的用户推广行为，获取与用户推广行为相关的推广行为参数；

根据关联行为参数，计算优惠值具体为：根据关联行为参数和推广行为参数，计算优惠值。

可选地，关联行为参数包括：交互时长或交互次数；

交互时长具体为：用户与平台之间针对商家或商品的互动时长；

交互次数具体为：用户与平台之间针对商家或商品的互动次数。

可选地，推广行为参数包括：推广次数或推广时长；

推广次数具体为：用户推广商家或商品的次数；

推广时长具体为：用户推广商家或商品的时长。

可选地，在获取与用户关联行为相关的关联行为参数之后，方法还包括：获取优惠值计算参数；

根据关联行为参数，计算优惠值进一步包括：

根据关联行为参数及优惠值计算参数，计算优惠值。

可选地，优惠值计算参数包括以下信息中的一种或多种：消费概率、商户预期收益、平台奖励机制、上一次关联行为的行为得分。

可选地，根据关联行为参数及优惠值计算参数，计算优惠值进一步包括：

根据商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算本次关联行为产生的初始优惠值；

根据交互时长或交互次数及消费概率、商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算交互优惠值；

根据初始优惠值及交互优惠值，计算优惠值。

可选地，在根据初始优惠值及交互优惠值，计算优惠值之前，方法还包括：

根据推广次数或推广时长及商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算推广优惠值；

根据初始优惠值及交互优惠值，计算优惠值进一步包括：

根据初始优惠值、交互优惠值及推广优惠值，计算优惠值。

可选地，方法还包括：在优惠值消费后，计算本次关联行为的行为得分。

可选地，计算本次关联行为的行为得分进一步包括：

依据用户消费评价计算本次消费的评价质量分值；

依据评价质量分值和反作弊分值计算本次关联行为的行为得分。

可选地，消费概率依据相似用户的消费概率确定或依据神经网络计算得到；

商户预期收益依据商户利润率以及行业的评价利润率确定。

根据本发明的再一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；

存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于用户关联行为的优惠值计算方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行上述基于用户关联行为的优惠值计算方法对应的操作。

根据本发明的再一方面，提供了一种基于用户关联行为的优惠值计算方法，包括：

记录针对商家或商品的用户关联行为；

根据用户关联行为确定优惠值计算参数；

根据优惠值计算参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。

可选地，优惠值计算参数包括：关联行为时长，或者，关联行为时长以及商户预期收益、平台奖励机制和/或上一次关联行为的行为得分。

可选地，方法还包括：在优惠值消费后，计算本次关联行为的行为得分。

可选地，计算本次关联行为的行为得分进一步包括：

依据用户消费评价计算本次消费的评价质量分值；

依据评价质量分值和反作弊分值计算本次关联行为的行为得分。

根据本发明的再一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；

存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于用户关联行为的优惠值计算方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行上述基于用户关联行为的优惠值计算方法对应的操作。

根据本发明的再一方面，提供了一种基于用户关联行为的优惠值计算方法，包括：

接收针对商家或商品的用户关联行为，并将用户关联行为上报至服务端，以供服务端根据用户关联行为计算优惠值；

获取服务端返回的优惠值；

针对商家或商品产生消费行为时，利用优惠值进行结算。

可选地，在接收针对商家或商品的用户关联行为之后，方法还包括：接收针对商家或商品的用户推广行为，并将用户推广行为上报至服务端，以供服务端根据用户推广行为计算优惠值。

根据本发明的再一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；

存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于用户关联行为的优惠值计算方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行上述基于用户关联行为的优惠值计算方法对应的操作。

根据本发明的再一方面，提供了一种客户端，包括：

接收模块，适于接收针对商家或商品的用户关联行为；

上报模块，适于将用户关联行为上报至服务端，以供服务端根据用户关联行为计算优惠值；

获取模块，适于获取服务端返回的优惠值；

结算模块，适于针对商家或商品产生消费行为时，利用优惠值进行结算。

可选地，接收模块进一步适于：接收针对商家或商品的用户推广行为；

上报模块进一步适于：将用户推广行为上报至服务端，以供服务端根据用户推广行为计算优惠值。

根据本发明的再一方面，提供了一种服务端，包括：

记录模块，适于记录针对商家或商品的用户关联行为；

获取模块，适于获取与用户关联行为相关的关联行为参数；

计算模块，适于根据关联行为参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。

可选地，记录模块还适于：记录针对商家或商品的用户推广行为；

获取模块还适于：获取与用户推广行为相关的推广行为参数；

计算模块具体适于：根据关联行为参数和推广行为参数，计算优惠值。

可选地，关联行为参数包括：交互时长或交互次数；

交互时长具体为：用户与平台之间针对商家或商品的互动时长；

交互次数具体为：用户与平台之间针对商家或商品的互动次数。

可选地，推广行为参数包括：推广次数或推广时长；

推广次数具体为：用户推广商家或商品的次数；

推广时长具体为：用户推广商家或商品的时长。

可选地，获取模块还适于：获取优惠值计算参数；

计算模块进一步适于：根据关联行为参数及优惠值计算参数，计算优惠值。

可选地，优惠值计算参数包括以下信息中的一种或多种：消费概率、商户预期收益、平台奖励机制、上一次关联行为的行为得分。

可选地，计算模块进一步适于：

根据商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算本次关联行为产生的初始优惠值；

根据交互时长或交互次数及消费概率、商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算交互优惠值；

根据初始优惠值及交互优惠值，计算优惠值。

可选地，计算模块进一步适于：

根据推广次数或推广时长及商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算推广优惠值；

根据初始优惠值、交互优惠值及推广优惠值，计算优惠值。

可选地，计算模块还适于：在优惠值消费后，计算本次关联行为的行为得分。

可选地，计算模块进一步适于：

依据用户消费评价计算本次消费的评价质量分值；

依据评价质量分值和反作弊分值计算本次关联行为的行为得分。

可选地，消费概率依据相似用户的消费概率确定或依据神经网络计算得到；

商户预期收益依据商户利润率以及行业的评价利润率确定。

根据本发明的再一方面，提供了一种基于用户关联行为的优惠值计算***，包括：上述服务端及上述客户端。

根据本发明的再一方面，提供了一种服务端，包括：

记录模块，适于记录针对商家或商品的用户关联行为；

确定模块，适于根据用户关联行为确定优惠值计算参数；

计算模块，适于根据优惠值计算参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。

可选地，优惠值计算参数包括：关联行为时长，或者，关联行为时长以及商户预期收益、平台奖励机制和/或上一次关联行为的行为得分。

可选地，计算模块还适于：在优惠值消费后，计算本次关联行为的行为得分。

可选地，计算模块进一步适于：

依据用户消费评价计算本次消费的评价质量分值；

依据评价质量分值和反作弊分值计算本次关联行为的行为得分。

根据本发明的又一方面，提供了一种基于用户关联行为的优惠值计算***，包括：上述服务端及上述客户端。

根据本发明提供的方案，记录针对商家或商品的用户关联行为；获取与用户关联行为相关的关联行为参数；根据关联行为参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。基于本发明提供的技术方案，能够实现消费者与商家的共赢，通过向用户发放优惠值可以鼓励用户到店消费，从而为商家留住了潜在客户，避免了潜在客户的流失，提升商家收益，还能够降低用户开支，实现了购买商品所支付的金额千人千面。

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示出了根据本发明一个实施例的基于用户关联行为的优惠值计算方法的流程示意图；

图2示出了根据本发明另一个实施例的基于用户关联行为的优惠值计算方法的流程示意图；

图3示出了根据本发明又一个实施例的基于用户关联行为的优惠值计算方法的流程示意图；

图4示出了根据本发明又一个实施例的基于用户关联行为的优惠值计算方法的流程示意图；

图5示出了根据本发明一个实施例的服务端的结构示意图；

图6示出了根据本发明一个实施例的服务端的结构示意图；

图7示出了根据本发明一个实施例的客户端的结构示意图；

图8示出了根据本发明一个实施例的一种计算设备的结构示意图。

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。

图1示出了根据本发明一个实施例的基于用户关联行为的优惠值计算方法的流程示意图。如图1所示，该方法包括以下步骤：

步骤S100，记录针对商家或商品的用户关联行为。

其中，用户关联行为是用户针对商家或商品而产生的行为，例如，用户与平台之间针对商家或商品的互动行为，当然还可能包含其他行为，例如，用户消费意愿行为，其中，用户消费意愿行为体现了用户有意在商家消费或者有意购买商品，也就是说，表达了用户的消费意愿，这里仅是简单列举，不具有任何限定作用。

步骤S101，获取与用户关联行为相关的关联行为参数。

在记录针对商家或商品的用户关联行为后，通过对用户关联行为进行统计分析得到与用户关联行为相关的关联行为参数，获取与用户关联行为相关的关联行为参数，这里的关联行为参数体现了用户与平台之间的互动情况。

步骤S102，根据关联行为参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。

在获取到与用户关联行为相关的关联行为参数之后，可以根据关联行为参数来计算优惠值，该优惠值能够在用户对相应的商家或商品产生消费行为时使用，具体地，该优惠值能够转化成现金抵扣，例如，通过上述方法计算得到用户所获得的优惠值为10元，用户购买商品花费了100元，优惠值可以转化为现金抵扣，用户仅需再支付90元即可获得商品，其中，优惠值具体可以以奖励金形式或者优惠券、折扣券形式发放给用户，此外，还可以直接利用优惠值兑换商品，这里对于优惠值的使用形式不做具体限定。

根据本发明上述实施例提供的方法，记录针对商家或商品的用户关联行为；获取与用户关联行为相关的关联行为参数；根据关联行为参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。基于本发明提供的技术方案，能够实现消费者与商家的共赢，通过向用户发放优惠值可以鼓励用户到店消费，从而为商家留住了潜在客户，避免了潜在客户的流失，提升商家收益，还能够降低用户开支，实现了购买商品所支付的金额千人千面。

图2示出了根据本发明另一个实施例的基于用户关联行为的优惠值计算方法的流程示意图。如图2所示，该方法包括以下步骤：

步骤S200，记录针对商家或商品的用户关联行为及用户推广行为。

其中，用户关联行为包括用户消费意愿行为及用户交互行为，用户消费意愿行为体现了用户有意在商家消费或者有意购买商品，也就是说，表达了用户的消费意愿，在本发明实施例中，用户消费意愿行为可以体现为用户关注商家、收藏商家、订阅商家、将商品加入购物车、订阅商品、收藏商品等，可以理解为用户种草了商家或商品，这里仅是举例说明，不具有任何限定作用；用户交互行为是用户与平台之间针对商家或商品的互动行为，例如，用户浏览该商家的店铺主页或商品，或打开商家的店铺主页等，用户与平台之间的互动会使用户的消费欲望蓬勃生长，即长草。

其中，种草表示用户喜欢上了商家或商品；长草表示种草后，用户的消费欲望蓬勃生长；在长草后，用户可能会产生拔草行为，拔草表示用户到长草的商家消费或者购买了种草的商品。

在本发明实施例中，用户可以通过客户端进入平台首页，平台可以通过其个性化算法，向用户推荐商家，对于不同的用户，平台所推荐的商家会有所不同，用户通过进入商家的主页，通过关注商家或收藏商家或订阅商家或将商品加入购物车或订阅商品或收藏商品等来种草商家或商品，这里可以是用户自发性的进入平台中商家的主页或者经其他用户推荐进入平台中商家的主页，种草商家或商品，当然还可以其他方式来种草商家或商品，例如搜索商家或商品等。

此外，还可以通过以下方式种草商家或商品：用户在逛街时看到比较喜欢的商家或商品，可以利用客户端扫描商家的店铺二维码进入商家的主页，种草商家或商品。

通过种草商家或商品，表达了用户的消费意愿，在用户种草商家或商品后，需要实时记录针对商家或商品的用户关联行为，另外，用户还可能将商家或商品推荐给其他用户，因此，在记录针对商家或商品的用户关联行为之后，还需记录针对商家或商品的用户推广行为。

步骤S201，获取与用户关联行为相关的关联行为参数及与用户推广行为相关的推广行为参数。

在记录针对商家或商品的用户关联行为及用户推广行为后，分别对用户关联行为及用户推广行为进行统计分析得到与用户关联行为相关的关联行为参数及与用户推广行为相关的推广行为参数，获取关联行为参数及推广行为参数，这里的关联行为参数体现了用户与平台之间的互动情况，推广行为参数体现了用户对商家或商品的推广情况。

其中，关联行为参数包括：交互时长或交互次数；交互次数具体为：用户与平台之间针对商家或商品的互动次数；交互时长具体为：用户与平台之间针对商家或商品的互动时长，也就是说，用户与平台之间针对商家或商品进行了互动才会计算互动时长，另外，互动时长、互动次数是从用户消费意愿行为发生后才开始进行统计计算的，在本发明实施例中，以单位时间为1天为例，如果用户于2018年3月1日种草商家或商品，在3月2日、3日、5日，用户与平台之间针对商家或商品进行了互动，而3月4日未针对商家或商品进行互动，则交互时长是为3天，也就是说，互动时长是基于用户与平台之间针对商家或商品的互动得到的，而不是用户种草商家或商品后的自然时间的累积。

推广行为参数包括：推广次数或推广时长；推广次数具体为：用户推广商家或商品的次数；推广时长具体为：用户推广商家或商品的时长，也就是说，用户推广商家或商品才会计算推广时长，其中，推广时长、推广次数是从用户消费意愿行为发生后才开始进行统计计算的，在本发明实施例中，以单位时间为1天为例，如果用户于2018年3月1日种草商家或商品，在3月2日、3日、5日，用户推广了商家或商品，而3月4日未推广，则推广时长是为3天，也就是说，推广时长是基于用户推广商家或商品的行为得到的。

在本发明实施例中，用户与平台之间针对商家或商品的互动，以及用户推广商家或商品均能够获得优惠值(又称为长草金)，而用户推广商家或商品的行为，是对商家或商品的无收费宣传，能够节省商家的广告费用，另外，用户的推广行为能够实现对潜在客户的唤醒，提升商家的收益，同时也提高了平台的使用率，为平台宣传。

步骤S202，获取优惠值计算参数。

在步骤S201获取用户关联行为相关的关联行为参数及与用户推广行为相关的推广行为参数之后，还可以获取优惠值计算参数，其中，优惠值计算参数包括以下信息中的一种或多种：消费概率、商户预期收益、平台奖励机制、上一次关联行为的行为得分。其中，商户预期收益依据商户利润率以及行业的评价利润率确定。

在本发明实施例中，可以依据相似用户的消费概率确定或依据神经网络计算得到消费概率，其中，依据相似用户的消费概率确定消费概率具体实现如下：针对每个用户，可以根据用户数据，例如，年龄、性别、地址、偏好等，构造用户画像，每个用户都对应有唯一的用户画像，可以根据用户画像确定该用户的相似用户，然后确定相似用户的消费概率，将相似用户的消费概率的均值作为该用户的消费概率，其中，相似用户的消费概率可以依据相似用户的用户特征以及商家特征/商品特征计算得到，用户特征是从用户数据中提取的与消费相关的数据，例如，用户家庭地址/公司地址、偏好、历史消费金额等，商家特征可以是消费层级、商家地址、所属菜系等，通过用户特征与商家特征的匹配度确定消费概率，例如，用户偏好湘菜，而商家所属菜系为鲁菜，则设定用户到商家消费的消费概率较低，再例如，商家消费层级为100元/人，而用户的历史消费为50元/人，则设定用户到商家消费的消费概率较低，这里仅是举例说明，不具有任何限定作用。

依据神经网络计算得到消费概率具体实现如下：神经网络是基于大量的样本数据训练得到的，该神经网络的输入为用户特征、商家特征，输出为消费概率，将该用户的用户特征以及种草商家的商家特征输入至神经网络可以得到该用户到商家消费的消费概率。

平台奖励机制是平台出于自身推广的考虑而设定的奖励机制，平台推出长草活动，商家可以参与平台推出的长草活动，针对该长草活动，平台可以针对参加长草活动的商家进行补贴或收费，其中，补贴为平台自己拿出部分钱，以优惠值的形式发放给用户，收费指平台向商家收取一定的费用，将向商家收取的费用以优惠值的形式发放给用户。若平台对商家进行补贴，则设定参数平台奖励机制对应的数值为正数，针对于平台对商家进行补贴，可以适当提高向用户发放的优惠值；若平台对商家进行收费，则设定参数平台奖励机制对应的数值为负数，针对于平台对商家进行收费，可以适当降低向用户发放的优惠值。平台还可以设定奖励策略，例如，奖励时间，举例来说，设定奖励时间为2018年3月1日-2018年3月31日，奖励时间结束后，平台将不再向用户发放奖励，之后用户所获得的优惠值主要来源于商家。

上一次关联行为的行为得分可以用于区分用户是优质用户还是劣质用户，对于优质用户和劣质用户，在本发明实施例中发放的优惠值是不同的，例如，对于优质用户可以适当提高发放的优惠值，而对于劣质用户，可以不向该用户发放优惠值。

在本发明实施例中，步骤S202为可选步骤，也就是说，在根据步骤S201获取用户关联行为相关的关联行为参数及与用户推广行为相关的推广行为参数之后，可以根据关联行为参数及推广行为参数，计算优惠值。

另外，本发明实施例中记录针对商家或商品的用户推广行为，获取与用户推广行为相关的推广行为参数为可选步骤，也就是说，在记录针对商家或商品的用户关联行为，获取与用户关联行为相关的关联行为参数，获取优惠值计算参数之后，可以根据关联行为参数及优惠值计算参数，计算优惠值。

步骤S203，根据商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算本次关联行为产生的初始优惠值。

初始优惠值是用户种草商家或商品后给予用户的奖励，这里可以依据商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算本次关联行为产生的初始优惠值。

在本发明实施例中，步骤S203为可选步骤，也就是说，可以不计算初始优惠值，即初始优惠值为0，那么在获取到优惠值计算参数后，可以直接执行步骤S204中的方法。

步骤S204，根据交互时长或交互次数及消费概率、商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算交互优惠值。

在本发明实施例中，交互时长或交互次数是计算交互优惠值的重要参数，为了鼓励用户消费，激发用户与平台之间互动的热情，规定给用户发放的交互优惠值会随着用户与平台之间的交互时长或交互次数的增长而增长，即，交互时长或交互次数与交互优惠值成正比。

针对交互时长而言，还进一步规定了用户与平台之间无间断互动时，用户所获得的优惠值越高，当用户与平台之间的互动发生间断后再次接续时，接续日所获得的交互优惠值的金额为上一次用户与平台之间互动所获得的交互优惠值与接续因子的乘积，举例说明，在3月2日、3日、5日，用户与平台之间针对商家或商品进行了互动，而3月4日未针对商家或商品进行互动，那么用户在3月2日、3日、5日可以获得交互优惠值，由于5日是交互的接续，因此，5日所获得的交互优惠值不是在3日所获得的交互优惠值的基础上再次增加，而是3日所获得的交互优惠值与接续因子的乘积，其中，接续因子为小于1的数值，取值范围为(0,1)，此外，间断时间越长，接续因子的数值越小。

此外，还可以规定消费概率越高，用户所获得的交互优惠值越高；商户预期收益越高，用户所获得的交互优惠值越高。

在本步骤中，可以采用如下公式(1)计算交互优惠值：

交互优惠值＝f(消费概率,商家预期收益,平台奖励机制,上一次关联行为的行为得分,交互时长或交互次数)公式(1)。

步骤S205，根据推广次数或推广时长及商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算推广优惠值。

在本发明实施例中，推广次数或推广时长是计算推广优惠值的重要参数，为了鼓励用户将商家或商品推广给其他用户，充分挖掘潜在客户，提升商家收益，规定给用户发放的推广优惠值会随着用户推广商家或商品的推广次数或推广时长的增长而增长，即，推广次数或推广时长与推广优惠值成正比。

针对推广时长而言，还进一步规定了用户无间断推广商家或商品时，用户所获得的优惠值越高，当用户推广商家或商品发生间断后再次接续时，接续日所获得的推广优惠值的金额为上一次用户推广商家或商品所获得的推广优惠值与接续因子的乘积，举例说明，在3月2日、3日、5日，用户推广了商家或商品，而3月4日未推广商家或商品，那么用户在3月2日、3日、5日可以获得推广优惠值，由于5日是推广的接续，因此，5日所获得的推广优惠值不是在3日所获得的推广优惠值的基础上再次增加，而是3日所获得的推广优惠值与接续因子的乘积，其中，接续因子为小于1的数值，取值范围为(0,1)，此外，间断时间越长，接续因子的数值越小。

在本步骤中，可以采用如下公式(2)计算推广优惠值：

推广优惠值＝f(商家预期收益,平台奖励机制,上一次关联行为的行为得分,推广时长或推广次数)公式(2)。

步骤S206，根据初始优惠值、交互优惠值及推广优惠值，计算优惠值，以供用户对商家或商品产生消费行为时使用。

在初始优惠值、交互优惠值及推广优惠值之后，可以根据初始优惠值、交互优惠值及推广优惠值，计算优惠值，优惠值为初始优惠值、交互优惠值及推广优惠值之和，该优惠值能够在用户对相应的商家或商品产生消费行为时使用，具体地，该优惠值能够转化成现金抵扣，例如，通过上述方法计算得到用户所获得的优惠值为10元，用户购买商品花费了100元，优惠值可以转化为现金抵扣，用户仅需再支付90元即可获得商品，其中，优惠值具体可以以奖励金形式或者优惠券、折扣券形式发放给用户，此外，在实际应用中，还可以直接利用优惠值兑换商品，这里仅是举例说明，不具有任何限定作用。另外，为了充分保证商家的利益，规定给所有用户发放的优惠值不超过商家预期收益的二分之一。

在优惠值消费后，本发明还需要计算本次关联行为的行为得分，具体可以采用步骤S207-步骤S208中的方法计算本次关联行为的行为得分：

步骤S207，依据用户消费评价计算本次消费的评价质量分值。

用户对商家或商品产生消费行为即完成了拔草，用户消费后，可以对本次消费体验进行评价，这里可以依据用户消费评价计算本次消费的评价质量分值，其中，影响评价质量分值的主要因素在于用户发布的评价的字数的多少、语言组织是否顺畅、是否带有图片，规定，用户发布的评价的字数越多、语言组织顺畅、带有图片则评价质量分值越高，反之越低。

步骤S208，依据评价质量分值和反作弊分值计算本次关联行为的行为得分。

反作弊分值用于确定用户是否是作弊用户，通常情况下认为，用户消费商家的WIFI标识与用户常使用的WIFI标识经常相同，即用户与商家经常在同一WIFI标识环境下，则认为用户为作弊用户的可能性比较高，再例如，用户通常的定位地址与商家的地址相距较远，例如跨省、跨城市等，则认为用户为作弊用户的可能性比较高。对于经常参加长草活动的用户，可以认为用户为作弊用户的可能性比较高，其可以结合其他判断条件评判用户是否为作弊用户，这里仅是举例说明，不具有任何限定作用，其他可以用户判断用户是否为作弊用户的判断条件均属于本发明的保护范围。

计算得到的本次关联行为的行为得分，可以用于下一次关联行为的优惠值计算。关联行为的行为得分能够用于区分用户是优质用户还是劣质用户，其中行为得分的取值范围可以为[0,1]，可以定义一预设阈值，例如0.5，行为得分大于预设阈值，认为用户为优质用户，行为得分小于或等于预设阈值认为用户为劣质用户。

根据本发明上述实施例提供的方法，记录针对商家或商品的用户关联行为及用户推广行为，获取与用户关联行为相关的关联行为参数及与用户推广行为相关的推广行为参数，获取优惠值计算参数，根据关联行为参数、推广参数及优惠值计算参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。基于本发明提供的技术方案，通过对用户的关联行为、推广行为给予优惠值，能够实现消费者与商家、平台的共赢，通过向用户发放优惠值可以鼓励用户到店消费，从而为商家留住了潜在客户，用户通过推广商家或商品，可以获得优惠值，还能够降低用户在商家的消费开支，实现了购买商品所支付的金额千人千面，用户的推广行为是替商家做宣传，能够节省商家的广告费，还能够为商家充分挖掘潜在客户，避免了潜在客户的流失，提升商家收益，另外，还提升了平台的知名度，提升商家入驻平台的入驻率，为平台带来经济利益。

图3示出了根据本发明又一个实施例的基于用户关联行为的优惠值计算方法的流程示意图。如图3所示，该方法包括以下步骤：

步骤S300，记录针对商家或商品的用户关联行为。

本实施例中的用户关联行为是一种消费意愿体现，是用户有意在商家消费或者有意购买商品的行为，例如，对于即将开业的商家，用户有意到家消费；对于商家预售的商品，用户可能有意购买该商品，举例说明，对于即将上映的电影，用户根据电影介绍表达出想看的意愿，用户点击“我想看”按钮，就认为用户有相应的消费意愿，用户点击“我想看”等按钮，即认为用户种草了商家或商品，对于其他的预售商品，可能是用户点击“我想买”按钮，或者对于商家而言，可以是用户点击“关注”或“收藏”或“订阅”按钮，来表达消费意愿，针对这类行为，需要进行记录，这里仅是举例说明，不具有任何限定作用。

步骤S301，根据用户关联行为确定优惠值计算参数。

优惠值计算参数是计算优惠值的参考依据，因此，在记录针对商家或商品的用户关联行为之后，需要根据用户关联行为确定优惠值计算参数，可选地，优惠值计算参数包括：关联行为时长，或者，关联行为时长以及商户预期收益、平台奖励机制和/或上一次关联行为的行为得分。

对于商家开业或者预售商品而言，都会设定一具体时间，这里的关联行为时长指从发生用户关联行为起至商家开业或商品正式销售的时间止，对于不同的用户，其产生用户关联行为的时间会有所不同，因此，将关联行为时长作为优惠值计算参数能够实现不同的用户所获得的优惠值不同。

步骤S302，根据优惠值计算参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。

在得到优惠值计算参数之后，可以根据优惠值计算参数来计算优惠值，该优惠值能够在用户对相应的商家或商品产生消费行为时使用，具体地，该优惠值能够转化成现金抵扣，例如，通过上述方法计算得到用户所获得的优惠值为10元，用户购买商品花费了100元，优惠值可以转化为现金抵扣，用户仅需再支付90元即可获得商品，其中，优惠值具体可以以奖励金形式或者优惠券、折扣券形式发放给用户，此外，还可以直接利用优惠值兑换商品，例如，对于餐饮商户而言，优惠值可以用于兑换饮品、糕点等商品，这里对于优惠值的使用形式不做具体限定。

可选地，方法还包括：在优惠值消费后，计算本次关联行为的行为得分。具体地，可以依据用户消费评价计算本次消费的评价质量分值；依据评价质量分值和反作弊分值计算本次关联行为的行为得分。具体实现请参见图2所示实施例中的步骤S207-步骤S208。

根据本发明上述实施例提供的方法，记录针对商家或商品的用户关联行为；根据用户关联行为确定优惠值计算参数；根据优惠值计算参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。基于本发明提供的技术方案，能够实现消费者与商家的共赢，通过向用户发放优惠值可以鼓励用户到店消费，从而为商家留住了潜在客户，避免了潜在客户的流失，提升商家收益，还能够降低用户开支，实现了购买商品所支付的金额千人千面。

图4示出了根据本发明又一个实施例的基于用户关联行为的优惠值计算方法的流程示意图。如图4所示，该方法包括以下步骤：

步骤S400，接收针对商家或商品的用户关联行为，并将用户关联行为上报至服务端，以供服务端根据用户关联行为计算优惠值。

其中，用户关联行为包括用户消费意愿行为及用户交互行为。用户消费意愿行为体现了用户有意在商家消费或者有意购买商品，也就是说，表达了用户的消费意愿，用户交互行为是用户与平台之间针对商家或商品的互动行为。

用户通过客户端进入平台首页后，平台可以通过其个性化算法，向用户推荐商家，对于不同的用户，平台所推荐的商家会有所不同，用户通过进入商家的主页，通过点击商家主页提供的关注按钮或收藏按钮或订阅按钮，实现关注商家或收藏商家或订阅商家，可以通过将商品加入购物车或订阅商品或收藏商品等来种草商家或商品，这里可以是用户自发性的进入平台中商家的主页或者经其他用户推荐进入平台中商家的主页，种草商家或商品，当然还可以其他方式来种草商家或商品，例如搜索商家或商品等。

此外，还可以通过以下方式种草商家或商品：用户在逛街时看到比较喜欢的商家或商品，可以利用客户端扫描商家的店铺二维码进入商家的主页，种草商家或商品。

在监测到用户在客户端触发了用户关联行为后，接收针对商家或商品的用户关联行为，并将用户关联行为上报至服务端，以供服务端根据用户关联行为计算优惠值，其中，服务端根据用户关联行为计算优惠值的具体方法过程参见图1或图3所示实施例中的方法。

步骤S401，获取服务端返回的优惠值。

服务端在计算得到优惠值后，将优惠值返回给客户端，客户端获取服务端返回的优惠值，并展示给用户，在本发明实施例中，用户与平台之间针对商家或商品的每次互动，都会向用户发放优惠值，客户端向用户所展示的是累积后的金额，或者向用户展示所获得的优惠值的历史记录。

步骤S402，针对商家或商品产生消费行为时，利用优惠值进行结算。

该优惠值能够在用户对相应的商家或商品产生消费行为时使用，具体地，该优惠值能够转化成现金抵扣，例如，通过上述方法计算得到用户所获得的优惠值为10元，用户购买商品花费了100元，优惠值可以转化为现金抵扣，用户仅需再支付90元即可获得商品，其中，优惠值具体可以以奖励金形式或者优惠券、折扣券形式发放给用户，此外，在实际应用中，还可以直接利用优惠值兑换商品，这里仅是举例说明，不具有任何限定作用。

可选地，在接收针对商家或商品的用户关联行为之后，方法还包括：接收针对商家或商品的用户推广行为，并将用户推广行为上报至服务端，以供服务端根据用户推广行为计算优惠值。

当用户认为商家或商品很好时，很希望将商家或商品分享给其他用户，例如，用户可以将其发送给朋友，或者在生活圈中分享商家或商品链接等，这种行为视为用户推广行为，这里需要接收针对商家或商品的用户推广行为，并将用户推广行为上报至服务端，以供服务端根据用户推广行为计算优惠值，其中，服务端根据用户推广行为计算优惠值的具体方法过程参见图2所示实施例中的方法。

图5示出了根据本发明一个实施例的服务端的结构示意图。如图5所示，该装置包括：记录模块500、获取模块510、计算模块520。

记录模块500，适于记录针对商家或商品的用户关联行为。

获取模块510，适于获取与用户关联行为相关的关联行为参数。

计算模块520，适于根据关联行为参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。

可选地，记录模块500还适于：记录针对商家或商品的用户推广行为；

获取模块510还适于：获取与用户推广行为相关的推广行为参数；

计算模块520具体适于：根据关联行为参数和推广行为参数，计算优惠值。

可选地，关联行为参数包括：交互时长或交互次数；

交互时长具体为：用户与平台之间针对商家或商品的互动时长；

交互次数具体为：用户与平台之间针对商家或商品的互动次数。

可选地，推广行为参数包括：推广次数或推广时长；

推广次数具体为：用户推广商家或商品的次数；

推广时长具体为：用户推广商家或商品的时长。

可选地，获取模块510还适于：获取优惠值计算参数；

计算模块520进一步适于：根据关联行为参数及优惠值计算参数，计算优惠值。

可选地，优惠值计算参数包括以下信息中的一种或多种：消费概率、商户预期收益、平台奖励机制、上一次关联行为的行为得分。

可选地，计算模块520进一步适于：根据商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算本次关联行为产生的初始优惠值；

根据交互时长或交互次数及消费概率、商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算交互优惠值；

根据初始优惠值及交互优惠值，计算优惠值。

可选地，计算模块520进一步适于：根据推广次数或推广时长及商户预期收益、平台奖励机制和/或上一次关联行为的行为得分，计算推广优惠值；

根据初始优惠值、交互优惠值及推广优惠值，计算优惠值。

可选地，计算模块520还适于：在优惠值消费后，计算本次关联行为的行为得分。

可选地，计算模块520进一步适于：依据用户消费评价计算本次消费的评价质量分值；

依据评价质量分值和反作弊分值计算本次关联行为的行为得分。

可选地，消费概率依据相似用户的消费概率确定或依据神经网络计算得到；

商户预期收益依据商户利润率以及行业的评价利润率确定。

根据本发明上述实施例提供的装置，记录针对商家或商品的用户关联行为；获取与用户关联行为相关的关联行为参数；根据关联行为参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。基于本发明提供的技术方案，能够实现消费者与商家的共赢，通过向用户发放优惠值可以鼓励用户到店消费，从而为商家留住了潜在客户，避免了潜在客户的流失，提升商家收益，还能够降低用户开支，实现了购买商品所支付的金额千人千面。

图6示出了根据本发明一个实施例的服务端的结构示意图。如图6所示，该装置包括：记录模块600、确定模块610、计算模块620。

记录模块600，适于记录针对商家或商品的用户关联行为。

确定模块610，适于根据用户关联行为确定优惠值计算参数。

计算模块620，适于根据优惠值计算参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。

可选地，优惠值计算参数包括：关联行为时长，或者，关联行为时长以及商户预期收益、平台奖励机制和/或上一次关联行为的行为得分。

可选地，计算模块620还适于：在优惠值消费后，计算本次关联行为的行为得分。

可选地，计算模块620进一步适于：依据用户消费评价计算本次消费的评价质量分值；

依据评价质量分值和反作弊分值计算本次关联行为的行为得分。

根据本发明上述实施例提供的服务端，记录针对商家或商品的用户关联行为；根据用户关联行为确定优惠值计算参数；根据优惠值计算参数，计算优惠值，以供用户对商家或商品产生消费行为时使用。基于本发明提供的技术方案，能够实现消费者与商家的共赢，通过向用户发放优惠值可以鼓励用户到店消费，从而为商家留住了潜在客户，避免了潜在客户的流失，提升商家收益，还能够降低用户开支，实现了购买商品所支付的金额千人千面。

图7示出了根据本发明一个实施例的客户端的结构示意图。如图7所示，该装置包括：接收模块700、上报模块710、获取模块720、结算模块730。

接收模块700，适于接收针对商家或商品的用户关联行为。

上报模块710，适于将用户关联行为上报至服务端，以供服务端根据用户关联行为计算优惠值。

获取模块720，适于获取服务端返回的优惠值。

结算模块730，适于针对商家或商品产生消费行为时，利用优惠值进行结算。

可选地，接收模块700进一步适于：接收针对商家或商品的用户推广行为；

上报模块710进一步适于：将用户推广行为上报至服务端，以供服务端根据用户推广行为计算优惠值。

本发明实施例还提供了一种基于用户关联行为的优惠值计算***，包括：上述服务端及上述客户端。

本发明实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于用户关联行为的优惠值计算方法。

图8示出了根据本发明一个实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图8所示，该计算设备可以包括：处理器(processor)802、通信接口(Communications Interface)804、存储器(memory)806、以及通信总线808。

其中：

处理器802、通信接口804、以及存储器806通过通信总线808完成相互间的通信。

通信接口804，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器802，用于执行程序810，具体可以执行上述基于用户关联行为的优惠值计算方法实施例中的相关步骤。

具体地，程序810可以包括程序代码，该程序代码包括计算机操作指令。

处理器802可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器806，用于存放程序810。存储器806可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序810具体可以用于使得处理器802执行上述任意方法实施例中的基于用户关联行为的优惠值计算方法。程序810中各步骤的具体实现可以参见上述基于用户关联行为的优惠值计算实施例中的相应步骤和单元中对应的描述，在此不赘述。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，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

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基于用户关联行为的优惠值计算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)

1.一种基于用户关联行为的优惠值计算方法，包括：

记录针对商家或商品的用户关联行为；

获取与所述用户关联行为相关的关联行为参数；

根据所述关联行为参数，计算优惠值，以供用户对所述商家或商品产生消费行为时使用。

2.一种基于用户关联行为的优惠值计算方法，包括：

记录针对商家或商品的用户关联行为；

根据所述用户关联行为确定优惠值计算参数；

根据所述优惠值计算参数，计算优惠值，以供用户对所述商家或商品产生消费行为时使用。

3.一种基于用户关联行为的优惠值计算方法，包括：

接收针对商家或商品的用户关联行为，并将所述用户关联行为上报至服务端，以供服务端根据所述用户关联行为计算优惠值；

获取服务端返回的优惠值；

针对所述商家或商品产生消费行为时，利用所述优惠值进行结算。

4.一种服务端，包括：

记录模块，适于记录针对商家或商品的用户关联行为；

获取模块，适于获取与所述用户关联行为相关的关联行为参数；

计算模块，适于根据所述关联行为参数，计算优惠值，以供用户对所述商家或商品产生消费行为时使用。

5.一种服务端，包括：

记录模块，适于记录针对商家或商品的用户关联行为；

确定模块，适于根据所述用户关联行为确定优惠值计算参数；

计算模块，适于根据所述优惠值计算参数，计算优惠值，以供用户对所述商家或商品产生消费行为时使用。

6.一种客户端，包括：

接收模块，适于接收针对商家或商品的用户关联行为；

上报模块，适于将所述用户关联行为上报至服务端，以供服务端根据所述用户关联行为计算优惠值；

获取模块，适于获取服务端返回的优惠值；

结算模块，适于针对所述商家或商品产生消费行为时，利用所述优惠值进行结算。

7.一种基于用户关联行为的优惠值计算***，包括：权利要求4所述的服务端及权利要求6所述的客户端。

8.一种基于用户关联行为的优惠值计算***，包括：权利要求5所述的服务端及权利要求6所述的客户端。

9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1所述的基于用户关联行为的优惠值计算方法对应的操作。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1所述的基于用户关联行为的优惠值计算方法对应的操作。