CN110992097B - 营收产品价格的处理方法、装置、计算机设备及存储介质 - Google Patents
营收产品价格的处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110992097B CN110992097B CN201911220870.9A CN201911220870A CN110992097B CN 110992097 B CN110992097 B CN 110992097B CN 201911220870 A CN201911220870 A CN 201911220870A CN 110992097 B CN110992097 B CN 110992097B
- Authority
- CN
- China
- Prior art keywords
- user
- price
- prices
- revenue
- user data
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000003066 decision tree Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000006399 behavior Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种营收产品价格的处理方法、装置、计算机设备及存储介质，该方法通过获取共享物品的用户历史数据；用户历史数据包括用户标识；将用户历史数据输入至决策树森林模型进行预测，得到营收产品的多个价格和各价格所对应的被购买概率；根据各价格和各价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定营收产品的推荐价格；保存推荐价格、用户标识以及推荐价格与用户标识之间的对应关系至数据库中。实现了针对用户对共享物品的需求为用户提供营收产品的推荐价格，提升用户购买营收产品的转化率，解决向用户发放电子券存在购卡转化率较低的技术问题。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种营收产品价格的处理方法、装置、计算机设备及存储介质。
背景技术
随着互联网技术的发展，出现了越来越多的共享物品，例如共享单车、共享汽车、共享充电宝、共享雨伞等。共享物品目前的营收产品主要有年卡、半年卡、季卡、月卡、次卡等多种形式。针对有比较刚性需求的用户来说，需要频繁使用该共享物品，通过购买月卡、季卡等产品是相对经济实惠；针对共享物品的服务方来说，通过卖出月卡、季卡等产品可以增加用户的粘性。
通常情况下，为了激励用户购买共享物品的月卡、季卡等营收产品，共享物品的服务方经常会通过其经营的消费类应用程序向用户大规模地发放各类电子券，包括：现金券、抵价券、折扣券、优惠券和红包等。
但是，在传统技术中，向用户发放电子券存在购卡转化率较低的技术问题。
发明内容
基于此，有必要针对传统技术中存在的向用户发放电子券存在购卡转化率较低的技术问题，提供一种营收产品价格的处理方法、装置、计算机设备及存储介质。
一种营收产品价格的处理方法，所述方法包括：
获取共享物品的用户历史数据；所述用户历史数据包括用户标识；
将所述用户历史数据输入至决策树森林模型进行预测，得到所述营收产品的多个价格和各所述价格所对应的被购买概率；
根据各所述价格和各所述价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定所述营收产品的推荐价格；
保存所述推荐价格、所述用户标识以及所述推荐价格与所述用户标识之间的对应关系至数据库中。
在其中一个实施例中，所述根据各所述价格和各所述价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定所述营收产品的推荐价格，包括：
根据各所述价格和各所述价格所对应的被购买概率进行期望值的计算，得到各所述价格所对应的期望值；
从各所述价格所对应的期望值中，选择最大期望值所对应的价格为所述营收产品的推荐价格。
在其中一个实施例中，所述方法还包括：
获取所述营收产品的配置价格和进入所述营收产品的购买页面的操作指令；所述操作指令携带有所述用户标识；
根据所述用户标识在所述数据库中查找对应的推荐价格；
根据查找到的推荐价格和所述配置价格进行计算，得到所述营收产品被购买所对应的优惠额度；
根据所述优惠额度生成所述营收产品被购买所对应的电子券，并发送至所述用户标识所对应的终端。
在其中一个实施例中，所述决策树森林模型的生成步骤，包括：
构建用户数据样本集，所述用户数据样本集包括用户数据正样本和用户数据负样本；
在各所述用户数据正样本中，标注购买行为的第一类别值和所述营收产品的推荐价格；
在各所述用户数据负样本中，标注购买行为的第二类别值和所述营收产品的推荐价格；
根据各所述用户数据正样本、各所述用户数据负样本、各所述用户数据正样本所对应的第一类别值和推荐价格、各所述用户数据负样本所对应的第二类别值和推荐价格，训练所述决策树森林模型。
在其中一个实施例中，所述构建用户数据负样本，包括：
收集所述第二类别值所对应的用户数据样本；所述用户数据样本包括进入所述购买页面的时间；
根据所述用户标识和所述进入所述购买页面的时间，按照预设规则对所述第二类别值所对应的用户数据样本进行筛选；
利用筛选得到的所述第二类别值所对应的用户数据样本构建用户数据负样本。
在其中一个实施例中，所述共享物品为共享单车；所述用户数据样本还包括用户骑行数据、用户购买所述营收产品的数据、用户属性数据、用户注册城市、影响用户骑行意愿的数据、在所述购买页面内发生的用户行为数据中的至少一个。
在其中一个实施例中，所述决策树森林模型为LightGBM模型，且所述LightGBM模型在分布式的计算环境中运行。
一种营收产品价格的处理装置，所述装置包括：
获取模块，用于获取共享物品的用户历史数据；所述用户历史数据包括用户标识；
预测模块，用于将所述用户历史数据输入至决策树森林模型进行预测，得到所述营收产品的多个价格和各所述价格所对应的被购买概率；
计算模块，用于根据各所述价格和各所述价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定所述营收产品的推荐价格；
保存模块，用于保存所述推荐价格、所述用户标识以及所述推荐价格与所述用户标识之间的对应关系至数据库中。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述任一实施例所述的方法的步骤。
一种计算机设备，包括存储器和处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述任一实施例所述的方法的步骤。
上述营收产品价格的处理方法、装置、计算机设备及存储介质，通过获取共享物品的用户历史数据；用户历史数据包括用户标识；将用户历史数据输入至决策树森林模型进行预测，得到营收产品的多个价格和各价格所对应的被购买概率；根据各价格和各价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定营收产品的推荐价格；保存推荐价格、用户标识以及推荐价格与用户标识之间的对应关系至数据库中。实现了针对用户对共享物品的需求为用户提供营收产品的推荐价格，提升用户购买营收产品的转化率，解决向用户发放电子券存在购卡转化率较低的技术问题。
附图说明
图1为一个实施例中营收产品价格的处理方法的应用环境图；
图2为一个实施例中营收产品价格的处理方法的流程示意图；
图3为一个实施例中营收产品价格的处理方法的流程示意图；
图4为一个实施例中生成决策树森林模型的流程示意图；
图5为一个实施例中构建用户数据负样本的流程示意图；
图6为一个实施例中营收产品价格的处理方法的流程示意图；
图7为一个实施例中营收产品价格的处理装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如背景技术所述，为了激励用户购买共享物品的月卡、季卡等营收产品，共享物品的服务方经常会通过其经营的消费类应用程序向用户大规模地发放各类电子券。这些营收产品是事前付费，付费后用户可以在约定期限内任意次数地使用共享物品。但是，不同的用户对共享物品的需求程度是不同的即对共享物品的使用次数不同，每位若用户为该营收产品支付相同的费用，这显然对于用户来说是不公平的，通常情况下，由于电子券并没有针对各个用户的真实需求，部分用户选择忽略共享物品的服务方发放的各类电子券。这对于共享物品的服务方来说，向用户发放电子券就存在购买营收产品转化率较低的技术问题。
基于此，本申请实施例根据用户对共享物品的实际需求有针对性地计算营收产品的价格，提供一种营收产品价格的处理方法，可以应用于图1所示的应用环境中。其中，终端110通过网络与服务器120进行数据交互。服务器120获取共享物品的用户历史数据；用户历史数据包括用户标识；将用户历史数据输入至决策树森林模型进行预测，得到营收产品的多个价格和各价格所对应的被购买概率；根据各价格和各价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定营收产品的推荐价格；保存推荐价格、用户标识以及推荐价格与用户标识之间的对应关系至数据库中。
终端110可以用于显示应用程序的应用页面，应用页面设有购买营收产品所对应的按钮，用户触发对应的按钮以发出进入营收产品的购买页面的操作指令。服务器120获取营收产品的配置价格和进入营收产品的购买页面的操作指令，操作指令携带有用户标识，根据用户标识在数据库中查找对应的推荐价格；根据查找到的推荐价格和配置价格进行计算，得到营收产品被购买所对应的优惠额度；根据优惠额度生成营收产品被购买所对应的电子券，并发送至用户标识所对应的终端110。
其中，终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，本申请提供了一种营收产品价格的处理方法，以该方法应用于图1的应用环境中的服务器为例进行说明，包括以下步骤：
S210、获取共享物品的用户历史数据。
其中，共享物品的服务方经营向用户提供消费类应用程序，用户通过该应用程序获取使用共享物品的权限，应用程序可以记录用户使用共享物品的行为数据(比如使用次数、使用时长等)、可以记录用户使用应用程序的行为数据(比如点击操作行为、访问时间等)。用户历史数据是指通过共享物品的服务方经营的消费类应用程序所记录的用户使用共享物品信息、购买共享物品的营收产品、用户属性信息等各方面的数据。用户历史数据包括用户标识。这些用户历史数据可以保存在服务器本地，也可以保存在与服务器通信连接的服务器。
具体地，为了促进用户购买营收产品，针对不同的用户需求制定不同的营收产品的价格策略，维护用户和服务方的双方的利益。为了预估用户对共享物品的使用需求，需要对用户历史数据进行分析，因此，服务器从服务器本地获取共享物品的用户历史数据，或者从与服务器通信连接的服务器获取共享物品的用户历史数据。
S220、将用户历史数据输入至决策树森林模型进行预测，得到营收产品的多个价格和各价格所对应的被购买概率。
其中，决策树森林模型通过集成学习的思想将多棵树决策集成的一种算法，它的基本单元是决策树，且它的本质属于机器学习的集成学习(Ensemble Learning)方法。决策树森林模型是事先训练得到的具备预测能力的模型。用户历史数据可以反映出用户对共享物品的真实需求由于用户历史数据已经被存储在服务器本地或者与服务器通信连接的服务器，可以利用这些用户历史数据对用户可以接受的价格进行预测，实现根据用户的真实需求为用户提供合理可行的价格。被购买概率是决策树森林模型预测用户购买某营收产品的概率。具体地，决策树森林模型部署在服务器中，服务器获取用户历史数据，并将用户历史数据输入至决策树森林模型进行特征划分，预测对应的营收产品的多个价格，以及用户以价格购买该营收产品的概率。
S230、根据各价格和各价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定营收产品的推荐价格。
其中，期望值是预测结果与预测概率的乘积。具体地，可以在预设的时间触发部署在服务器上的决策树森林模型，通过决策树森林模型根据某用户的用户历史数据预测该用户可能购买营收产品的多个价格和各个价格所对应的被购买概率，从而利用预测的多个价格和各个价格所对应的被购买概率进行计算，得到各个价格所对应的期望值，进而根据计算得到的期望值确定营收产品的推荐价格，以实现用户和服务方两者利益的最大化。
S240、保存推荐价格、用户标识以及推荐价格与用户标识之间的对应关系至数据库中。
具体地，可以事先针对各用户的需求计算营收产品的推荐价格，比如服务器在预设的时间点自动触发决策树森林模型的运行，将用户历史数据输入至决策数据模型，预测营收产品的多个价格和各个价格所对应的被购买的概率。服务器根据多个价格和各个价格所对应的被购买的概率进行计算，确定营收产品的推荐价格。并将推荐价格、用户标识以及推荐价格与用户标识之间的对应关系保存至数据库中。以便用户购买营收产品时终端将包括用户标识的操作指令发送至服务器，服务器根据用户标识查找数据库，快速得到用户所购买营收产品所对应的推荐价格。可以理解的是，也可以在用户购买营收产品时，通过终端向服务器发送的操作指令触发决策树森林模型的运行以预测营收产品的推荐价格。
本实施例中，通过获取共享物品的用户历史数据；用户历史数据包括用户标识；将用户历史数据输入至决策树森林模型进行预测，得到营收产品的多个价格和各价格所对应的被购买概率；根据各价格和各价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定营收产品的推荐价格；保存推荐价格、用户标识以及推荐价格与用户标识之间的对应关系至数据库中。实现了针对用户对共享物品的需求为用户提供营收产品的推荐价格，提升用户购买营收产品的转化率，解决向用户发放电子券存在购卡转化率较低的技术问题。
在一个实施例中，根据各价格和各价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定营收产品的推荐价格，包括：根据各价格和各价格所对应的被购买概率进行期望值的计算，得到各价格所对应的期望值；从各价格所对应的期望值中，选择最大期望值所对应的价格为营收产品的推荐价格。
具体地，服务器获取共享物品的用户历史数据，将获取的用户历史数据输入至决策树森林模型进行预测，得到营收产品的多个价格和各价格所对应的被购买概率。计算多个价格与各价格所对应的被购买概率的乘积，得到各价格所对应的期望值。为了实现用户和服务方双方利益的最大化，在各价格所对应的期望值中，选择期望值最大所对应的价格作为营收产品的推荐价格。
示例性的，共享物品为共享单车，营收产品为服务方提供的单车月卡。将用户A的用户历史数据输入决策树森林模型进行预测，得到单车月卡的价格可以是40元、50元和60元，且40元、50元和60元分别所对应的被购买概率为60％、50％和30％；计算单车月卡的各价格与各价格所对应的被购买概率的期望值，分别是24、25、和18。因此，单车月卡的推荐价格应为50元。
在一个实施例中，如图3所示，该方法还包括以下步骤：
S310、获取营收产品的配置价格和进入营收产品的购买页面的操作指令；
S320、根据用户标识在数据库中查找对应的推荐价格；
S330、根据查找到的推荐价格和配置价格进行计算，得到营收产品被购买所对应的优惠额度；
S340、根据优惠额度生成营收产品被购买所对应的电子券，并发送至用户标识所对应的终端。
其中，配置价格是指服务方为营收产品制定的同一单价，配置价格可以与城市等因素有关，比如一个城市对应一个配置价格。购买网页是服务方提供的应用程序中用于向用户展示购买营收产品信息的页面，可以包括营收产品的配置价值、产品介绍等。具体地，服务器本地或者与服务器通信连接的服务器事先存储有营收产品的配置价格，从服务器本地或者与服务器通信连接的服务器获取营收产品的配置价格。终端安装有应用程序，应用程序的其它页面比如主页面中设有对应的按钮，用户触发该按钮，终端显示营收产品的购买页面。即服务器获取进入营收产品的购买页面的操作指令，操作指令携带有用户标识。由于已经事先根据用户历史数据预测营收产品的推荐价格，且保存有推荐价格与用户标识的对应关系在数据库，则服务器可以根据用户标识在数据库中查找对应的推荐价格。为了确定向用户提供的优惠额度，服务器根据查找到的推荐价格和配置价格进行计算，在计算得到营收产品被购买所对应的优惠额度后，服务器根据优惠额度生成营收产品被购买所对应的电子券，并将电子券发送至用户标识所对应的终端。比如服务器计算推荐价格与配置价格的差值，生成数额等于该差值的优惠券，并向对应的终端发送；或者服务器计算推荐价格与配置价格的比值，生成数额等于该比值的打折券，并向对应的终端发送等。可以理解的是，本实施中数据库可以部署在服务器本地，也可以部署在与服务器连接的服务器。
在一个实施例中，如图4所示，决策树森林模型的生成步骤，包括：
S410、构建用户数据样本集，用户数据样本集包括用户数据正样本和用户数据负样本。
其中，用户数据样本集包括多个用户数据样本，用户数据样本可以反映用户图像，用户数据样本要包括用户进入购买页面发生的行为数据，还包括其他各个方面的数据，比如：用户使用共享物品数据、用户购买营收产品的数据、用户属性数据、用户注册城市等。用户进入购买页面发出购买行为，包括购买营收产品和没有购买营收产品。进入购买页面购买营收产品的用户数据用作用户数据正样本，进入购买页面没有购买营收产品的用户数据用作用户数据负样本。
具体地，终端安装有应用程序，与终端通信连接的服务器不仅采集用户使用共享物品数据、用户行为数据、用户购买营收产品的数据、还采集用户属性数据、用户注册城市等信息，服务器将这些采集的信息保存以构建用户数据样本。且用户的购买行为包括购买营收产品和没有购买营收产品，则用户数据样本集包括用户数据正样本和用户数据负样本。
S420、在各用户数据正样本中，标注购买行为的第一类别值和营收产品的推荐价格。
其中，用户数据正样本中包括营收产品的推荐价格，推荐价格即用户进入购买页面时，购买页面向用户展示营收产品的价格。具体地，进入购买页面购买营收产品的用户数据用作用户数据正样本，购买营收产品的购买行为设有对应的第一类别值，利用该第一类别值对用户数据正样本进行标注。而且需要标注出营收产品的推荐价格。即用户数据正样本所对应的标签分别为购买行为的第一类别值和营收产品的推荐价格。
S430、在各用户数据负样本中，标注购买行为的第二类别值和营收产品的推荐价格。
其中，用户数据负样本中包括营收产品的推荐价格，推荐价格即用户进入购买页面时，购买页面向用户展示营收产品的价格。具体地，进入购买页面没有购买营收产品的用户数据用作用户数据负样本，没有购买营收产品的购买行为设有对应的第二类别值，利用该第二类别值对用户数据正样本进行标注。而且需要标注出营收产品的推荐价格。即用户数据负样本所对应的标签分别为购买行为的第二类别值和营收产品的推荐价格。
S440、根据各用户数据正样本、各用户数据负样本、各用户数据正样本所对应的第一类别值和推荐价格、各用户数据负样本所对应的第二类别值和推荐价格，训练决策树森林模型。
具体地，通过服务器或者其他的计算机设备可设置决策树森林模型的结构，用户数据样本集包括用户数据正样本和用户数据负样本，且用户数据正样本所对应的标签分别为购买行为的第一类别值和营收产品的推荐价格，用户数据负样本所对应的标签分别为购买行为的第二类别值和营收产品的推荐价格。则服务器利用各用户数据正样本、各用户数据负样本、各用户数据正样本所对应的第一类别值和推荐价格、各用户数据负样本所对应的第二类别值和推荐价格，训练决策树森林模型。根据决策树森林模型输出的结果与标签值之间的差异调整决策树森林模型的模型参数并继续训练，直至满足训练停止条件时结束训练。
比如，可以通过设置决策树的深度、每个叶子节点最少样本数目、迭代次数、学习步长等参数来优化模型。比如设置决策树的深度为10层、每个叶子节点最少样本数目可以是几十万至2000万、迭代次数为500、学习步长为0.1。
本实施例中，通过构建用户数据样本集，且用户数据样本集包括用户数据正样本和用户数据负样本；在各用户数据正样本中，标注购买行为的第一类别值和营收产品的推荐价格；在各用户数据负样本中，标注购买行为的第二类别值和营收产品的推荐价格；从而利用各用户数据正样本、各用户数据负样本、各用户数据正样本所对应的第一类别值和推荐价格、各用户数据负样本所对应的第二类别值和推荐价格，训练决策树森林模型，提升了决策树森林模型的性能，保证预测结果的准确性。
在一个实施例中，如图5所示，构建用户数据负样本，包括以下步骤：
S510、收集第二类别值所对应的用户数据样本；用户数据样本包括进入购买页面的时间；
S520、根据用户标识和进入购买页面的时间，按照预设规则对第二类别值所对应的用户数据样本进行筛选；
S530、利用筛选得到的第二类别值所对应的用户数据样本构建用户数据负样本。
其中，由于用户进入购买页面的行为可能包括许多的噪声，因此并不是所有用户进入购买页面没有购买营收产品的行为都可以用来训练决策树森林模型。特别是，在一时间段内，用户频繁发出的重复的操作行为。比如，用户A在购买营收产品前后的几天内可能会进入购买页面许多次，且均没有购买营收产品，不能把这些进入购买页面的用户数据全部用作负样本。再比如，用户B可能连续几天都进入购买页面但是最终没有购买营收产品，同样不能把这些进入购买页面的用户数据全部用作负样本，而只能取其中一次用作负样本。又比如，用户C在购买营收产品前的几天内可能会进入购买页面许多次，但没有购买营收产品，最后用户还是以相同的推荐价格购买了营收产品，这不能说明该用户C不能接收该推荐价格，因此，不能把这些进入购买页面的用户数据全部用作负样本。如果这些频繁进入购买页面的噪声数据均用作负样本，这不仅不符合客观规律，还会影响模型的训练。因此，需要对第二类别值所对应的用户数据样本进行筛选。
具体地，服务器或者其他计算机设备收集第二类别值所对应的用户数据样本，即用户进入购买页面没有购买营收产品所对应的用户数据样本。且服务器会采集用户进入购买页面的时间，则各用户数据样本包括进入购买页面的时间。为了减少频繁操作的用户数据对操作频次低的用户数据的影响，服务器根据用户标识和进入购买页面的时间，按照预设规则对第二类别值所对应的用户数据样本进行筛选以过滤掉频繁操作的用户数据或者从频繁操作的用户数据中择一使用。从而服务器利用筛选得到的第二类别值所对应的用户数据样本构建用户数据负样本。
本实施例中，通过对用户进入购买页面没有购买营收产品所对应的用户数据样本进行筛选，减少噪声的影响，提升训练模型所使用的样本的准确性，从而提升了决策树森林模型的性能，保证预测结果的准确性。
在一个实施例中，共享物品为共享单车。营收产品可以是单车月卡，营收产品的被购买概率可以是购卡率。用户数据样本还包括用户骑行数据、用户购买营收产品的数据、用户属性数据、用户注册城市、影响用户骑行意愿的数据、在购买页面内发生的用户行为数据中的至少一个。
具体地，单车月卡购卡率和推荐价格的预测需要使用许多用户数据来刻画用户。比如以下几个方面的数据：
1)用户骑行数据，比如用户历史以来骑行总次数、最近骑行次数、用户历史上购卡后有效期内骑行次数、用户平均骑行时间等。
2)用户购卡历史，比如用户历史上购卡次数、价格分布、等。
3)用户充值消费历史，比如用户充值金额等。
4)用户常驻点。比如用户经常骑行的地方POI(Point of Interest)信息。
5)用户基本属性，比如性别、年龄等。
6)用户注册城市、经常骑行的城市。
7)购买页面向用户展示的推荐价格。
8)天气、节假日等影响用户骑行意愿的数据。
在一个实施例中，决策树森林模型为LightGBM模型，且LightGBM模型在分布式的计算环境中运行。
示例性地，以共享单车为例进行说明，首先，需要根据具体地业务场景抽象算法问题。业务场景要求计算出对用户在不同单车月卡定价条件下购卡的概率，因此可以构建一个二分类问题，即预估用户在给定价格下是否会购买单车月卡。训练时标签可以采用为0和1(0表示购买单车月卡，1表示不会表示购买单车月卡)，同时模型输出用户购买单车月卡的概率。可以选择目前工业界比较常用的LightGBM(Light Gradient Boosting Machine)模型。LightGBM模型是使用基于决策树的学习算法的梯度增强框架。LightGBM模型是一个boosting集成的决策树森林模型，在XGboost(eXtreme Gradient Boosting)模型的基础上进行了优化，使得其可以在保持XGboost预测性能的前提下大幅提高训练学习的效率。
进一步地，由于用户数据的数据量很大，单机模型无法对海量数据进行快速预测，因此需要使用分布式模型，比如选择MMLSpark(Microsoft Machine Learning Libraryfor Apache，用于Apache Spark的机器学习库)来学习和预测。
在一个实施例中，本申请提供了一种营收产品价格的处理方法，以在用户进入购买页面时触发决策树森林模型的运行并确定营收产品的推荐价格为例进行说明，如图6所示，该方法包括以下步骤：
S610、获取营收产品的配置价格和进入营收产品的购买页面的操作指令；操作指令携带有用户标识。
具体地，服务器本地数据存储有营收产品的配置价格，服务器从数据库中获取营收产品的配置价格。终端显示应用程序的界面，响应于应用程序界面中用户发出的操作请求，服务器获取进入营收产品的购买页面的操作指令，操作指令携带有用户标识。
S620、根据用户标识获取共享物品的用户历史数据。
具体地，服务器采集并存储用户历史数据在服务器本地或者与服务器通信连接的服务器。服务器接收到进入营收产品的购买页面的操作指令时，根据操作指令携带的用户标识从对应的数据库中查找并获取共享物品的用户历史数据。
S630、将用户历史数据输入至决策树森林模型进行预测，得到营收产品的多个价格和各价格所对应的被购买概率。
具体地，决策树森林模型部署在服务器中，在服务器接收到进入营收产品的购买页面的操作指令时，自动触发决策树森林模型的运行，服务器将获取的用户历史数据输入至决策树森林模型进行特征划分，预测对应的营收产品的多个价格，以及用户以价格购买该营收产品的概率。
S640、根据各价格和各价格所对应的被购买概率进行期望值的计算，得到各价格所对应的期望值；
S650、从各价格所对应的期望值中，选择最大期望值所对应的价格为营收产品的推荐价格。
具体地，通过决策树森林模型得到营收产品的多个价格和各价格所对应的被购买概率后，服务器计算多个价格与各价格所对应的被购买概率的乘积，得到各价格所对应的期望值。为了实现用户和服务方双方利益的最大化，在各价格所对应的期望值中，选择期望值最大所对应的价格作为营收产品的推荐价格。
S660、根据营收产品的推荐价格和配置价格进行计算，得到营收产品被购买所对应的优惠额度；S670、根据优惠额度生成营收产品被购买所对应的电子券，并发送至用户标识所对应的终端。
具体地，服务器本地或者与服务器通信连接的服务器事先存储有营收产品的配置价格，从服务器本地或者与服务器通信连接的服务器获取营收产品的配置价格。由于已经事先根据用户历史数据预测营收产品的推荐价格，则服务器根据查找到的配置价格和预测推荐价格进行计算，在计算得到营收产品被购买所对应的优惠额度后，服务器根据优惠额度生成营收产品被购买所对应的电子券，并将电子券发送至用户标识所对应的终端。
在一个实施例中，本申请提供了一种营收产品价格的处理方法，营收产品的购买行为包括购买和没有购买，分别对应第一类别值和第二类别值。该方法包括以下步骤：
S702、构建用户数据正样本。
S704、在各用户数据正样本中，标注购买行为的第一类别值和营收产品的推荐价格。
S706、收集第二类别值所对应的用户数据样本。
其中，用户数据样本包括进入购买页面的时间。
S708、根据用户标识和进入购买页面的时间，按照预设规则对第二类别值所对应的用户数据样本进行筛选。
S710、利用筛选得到的第二类别值所对应的用户数据样本构建用户数据负样本。
S712、在各用户数据负样本中，标注购买行为的第二类别值和营收产品的推荐价格；
S714、根据各用户数据正样本、各用户数据负样本、各用户数据正样本所对应的第一类别值和推荐价格、各用户数据负样本所对应的第二类别值和推荐价格，训练决策树森林模型。
S716、获取共享物品的用户历史数据；
其中，用户历史数据包括用户标识。
S718、将用户历史数据输入至决策树森林模型进行预测，得到营收产品的多个价格和各价格所对应的被购买概率。
S720、根据各价格和各价格所对应的被购买概率进行期望值的计算，得到各价格所对应的期望值。
S722、从各价格所对应的期望值中，选择最大期望值所对应的价格为营收产品的推荐价格。
S724、保存推荐价格、用户标识以及推荐价格与用户标识之间的对应关系至数据库中。
S726、获取营收产品的配置价格和进入营收产品的购买页面的操作指令。
其中，操作指令携带有用户标识；
S728、根据用户标识在数据库中查找对应的推荐价格。
S730、根据查找到的推荐价格和配置价格进行计算，得到营收产品被购买所对应的优惠额度。
S732、根据优惠额度生成营收产品被购买所对应的电子券，并发送至用户标识所对应的终端。
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种营收产品价格的处理装置。该处理装置700包括获取模块710、预测模块720、计算模块730和保存模块740。
其中：
获取模块710，用于获取共享物品的用户历史数据；用户历史数据包括用户标识；
预测模块720，用于将用户历史数据输入至决策树森林模型进行预测，得到营收产品的多个价格和各价格所对应的被购买概率；
计算模块730，用于根据各价格和各价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定营收产品的推荐价格；
保存模块740，用于保存推荐价格、用户标识以及推荐价格与用户标识之间的对应关系至数据库中。
关于营收产品价格的处理装置的具体限定可以参见上文中对于营收产品价格的处理方法的限定，在此不再赘述。上述营收产品价格的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种营收产品价格的处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中方法步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的方法步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种发送产品电子券的数据处理方法，其特征在于，执行于服务器，所述服务器与终端进行数据交互，所述方法包括：
获取终端应用程序记录的共享物品的用户历史数据；所述用户历史数据包括用户标识；
将所述用户历史数据输入至决策树森林模型进行预测，得到营收产品的多个价格和各所述价格所对应的被购买概率，所述决策树森林模型是利用构建的各用户数据正样本、各用户数据负样本、各用户数据正样本所对应的第一类别值和推荐价格、各用户数据负样本所对应的第二类别值和推荐价格，训练得到的，其中所述各用户数据负样本至少包括基于进入购买页面的时间对用户进入购买页面没有购买营收产品所对应的用户数据样本进行筛选处理得到；
根据各所述价格和各所述价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定所述营收产品的推荐价格，所述期望值的计算包括计算所述多个价格和各个价格所对应的被购买概率的乘积，得到各价格所对应的期望值；
保存所述推荐价格、所述用户标识以及所述推荐价格与所述用户标识之间的对应关系至数据库中；
接收终端发送来的进入营收产品的购买页面的操作指令，并获取营收产品的配置价格，所述操作指令携带有用户标识；
根据所述用户标识在所述数据库中查找对应的推荐价格；
根据查找到的推荐价格和所述配置价格进行计算，得到所述营收产品被购买所对应的优惠额度；
根据所述优惠额度生成所述营收产品被购买所对应的电子券，并发送至所述用户标识所对应的终端。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述价格和各所述价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定所述营收产品的推荐价格，包括：
根据各所述价格和各所述价格所对应的被购买概率进行期望值的计算，得到各所述价格所对应的期望值；
从各所述价格所对应的期望值中，选择最大期望值所对应的价格为所述营收产品的推荐价格。
3.根据权利要求1所述的方法，其特征在于，所述优惠额度的计算方式包括下述之一：
计算推荐价格与配置价格的差值，相应的，所述根据所述优惠额度生成所述营收产品被购买所对应的电子券包括生成数额等于该差值的优惠券；
计算推荐价格与配置价格的比值，相应的，所述根据所述优惠额度生成所述营收产品被购买所对应的电子券包括生成数额等于该比值的打折券。
4.根据权利要求1所述的方法，其特征在于，所述决策树森林模型的生成步骤，包括：
构建用户数据样本集，所述用户数据样本集包括用户数据正样本和用户数据负样本；
在各所述用户数据正样本中，标注购买行为的第一类别值和所述营收产品的推荐价格；
在各所述用户数据负样本中，标注购买行为的第二类别值和所述营收产品的推荐价格；
根据各所述用户数据正样本、各所述用户数据负样本、各所述用户数据正样本所对应的第一类别值和推荐价格、各所述用户数据负样本所对应的第二类别值和推荐价格，训练所述决策树森林模型。
5.根据权利要求4所述的方法，其特征在于，所述构建用户数据负样本，包括：
收集所述第二类别值所对应的用户数据样本；所述用户数据样本包括进入所述购买页面的时间；
根据所述用户标识和所述进入所述购买页面的时间，按照预设规则对所述第二类别值所对应的用户数据样本进行筛选；
利用筛选得到的所述第二类别值所对应的用户数据样本构建用户数据负样本。
6.根据权利要求5所述的方法，其特征在于，所述共享物品为共享单车；所述用户数据样本还包括用户骑行数据、用户购买所述营收产品的数据、用户属性数据、用户注册城市、影响用户骑行意愿的数据、在所述购买页面内发生的用户行为数据中的至少一个。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述决策树森林模型为LightGBM模型，且所述LightGBM模型在分布式的计算环境中运行。
8.一种发送产品电子券的数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取终端应用程序记录的共享物品的用户历史数据；所述用户历史数据包括用户标识；还用于接收终端发送来的进入营收产品的购买页面的操作指令，并获取营收产品的配置价格，所述操作指令携带有用户标识；
预测模块，用于将所述用户历史数据输入至决策树森林模型进行预测，得到所述营收产品的多个价格和各所述价格所对应的被购买概率；所述决策树森林模型是利用构建的各用户数据正样本、各用户数据负样本、各用户数据正样本所对应的第一类别值和推荐价格、各用户数据负样本所对应的第二类别值和推荐价格，训练得到的，其中所述各用户数据负样本至少包括基于进入购买页面的时间对用户进入购买页面没有购买营收产品所对应的用户数据样本进行筛选处理得到；
计算模块，用于根据各所述价格和各所述价格所对应的被购买概率进行期望值的计算，根据计算得到的期望值确定所述营收产品的推荐价格，所述期望值的计算包括计算所述多个价格和各个价格所对应的被购买概率的乘积，得到各价格所对应的期望值；还用于根据所述用户标识在数据库中查找对应的推荐价格，根据查找到的推荐价格和所述配置价格进行计算，得到所述营收产品被购买所对应的优惠额度，根据所述优惠额度生成所述营收产品被购买所对应的电子券，并发送至所述用户标识所对应的终端；
保存模块，用于保存所述推荐价格、所述用户标识以及所述推荐价格与所述用户标识之间的对应关系至数据库中。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，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至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911220870.9A CN110992097B (zh) | 2019-12-03 | 2019-12-03 | 营收产品价格的处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911220870.9A CN110992097B (zh) | 2019-12-03 | 2019-12-03 | 营收产品价格的处理方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110992097A CN110992097A (zh) | 2020-04-10 |
| CN110992097B true CN110992097B (zh) | 2024-02-13 |
Family
ID=70089556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911220870.9A Active CN110992097B (zh) | 2019-12-03 | 2019-12-03 | 营收产品价格的处理方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110992097B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111556205A (zh) * | 2020-04-21 | 2020-08-18 | 北京思特奇信息技术股份有限公司 | 一种用于对目标用户推荐电信产品的方法及*** |
| CN111833094A (zh) * | 2020-05-29 | 2020-10-27 | 摩拜(北京)信息技术有限公司 | 数据处理方法、装置、设备和存储介质 |
| CN111768239A (zh) * | 2020-06-29 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 道具推荐方法、装置、***、服务器和存储介质 |
| CN112800329A (zh) * | 2021-01-29 | 2021-05-14 | 深圳维创乐科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
| CN113191821A (zh) * | 2021-05-20 | 2021-07-30 | 北京大米科技有限公司 | 一种数据处理方法及装置 |
| CN116468475A (zh) * | 2023-06-19 | 2023-07-21 | 快电动力(北京)新能源科技有限公司 | 一种充电卡券推荐方法、装置、电子设备和可读存储介质 |
| CN116542749A (zh) * | 2023-07-06 | 2023-08-04 | 深圳依时货拉拉科技有限公司 | 商品推荐及定价方法、装置、计算机设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108537382A (zh) * | 2018-04-09 | 2018-09-14 | 成都易商商盟数据服务有限公司 | 一种电商价格趋势预测方法及*** |
| CN108711110A (zh) * | 2018-08-14 | 2018-10-26 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
| CN108985809A (zh) * | 2017-06-02 | 2018-12-11 | 北京京东尚科信息技术有限公司 | 激励推送的方法、装置、电子设备和存储介质 |
| CN109598560A (zh) * | 2018-12-29 | 2019-04-09 | 河源弘稼农业科技有限公司 | 一种优惠信息的处理方法及相关装置 |
| CN109711887A (zh) * | 2018-12-28 | 2019-05-03 | 拉扎斯网络科技（上海）有限公司 | 商城推荐列表的生成方法、装置、电子设备及计算机介质 |
| CN109919703A (zh) * | 2019-01-16 | 2019-06-21 | 浙江口碑网络技术有限公司 | 店铺信息处理方法、装置、***、存储介质及计算机设备 |
| CN110443649A (zh) * | 2019-08-02 | 2019-11-12 | 杭州讯酷科技有限公司 | 基于匹配算法的智能推荐方法、***及售货机 |
-
2019
- 2019-12-03 CN CN201911220870.9A patent/CN110992097B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985809A (zh) * | 2017-06-02 | 2018-12-11 | 北京京东尚科信息技术有限公司 | 激励推送的方法、装置、电子设备和存储介质 |
| 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 |
| CN108537382A (zh) * | 2018-04-09 | 2018-09-14 | 成都易商商盟数据服务有限公司 | 一种电商价格趋势预测方法及*** |
| CN108711110A (zh) * | 2018-08-14 | 2018-10-26 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
| CN109711887A (zh) * | 2018-12-28 | 2019-05-03 | 拉扎斯网络科技（上海）有限公司 | 商城推荐列表的生成方法、装置、电子设备及计算机介质 |
| CN109598560A (zh) * | 2018-12-29 | 2019-04-09 | 河源弘稼农业科技有限公司 | 一种优惠信息的处理方法及相关装置 |
| CN109919703A (zh) * | 2019-01-16 | 2019-06-21 | 浙江口碑网络技术有限公司 | 店铺信息处理方法、装置、***、存储介质及计算机设备 |
| CN110443649A (zh) * | 2019-08-02 | 2019-11-12 | 杭州讯酷科技有限公司 | 基于匹配算法的智能推荐方法、***及售货机 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110992097A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992097B (zh) | 营收产品价格的处理方法、装置、计算机设备及存储介质 | |
| CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
| US10872298B2 (en) | Machine learning and prediction using graph communities | |
| Trépanier et al. | Individual trip destination estimation in a transit smart card automated fare collection system | |
| CN111080398B (zh) | 商品推荐方法、装置、计算机设备和存储介质 | |
| CN108205768B (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
| CN110210882A (zh) | 推广位匹配方法和装置、推广信息展示方法和装置 | |
| CN112330412B (zh) | 一种产品推荐方法、装置、计算机设备及存储介质 | |
| CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
| CN111626832A (zh) | 产品推荐方法、装置及计算机设备 | |
| CN116823409B (zh) | 一种基于目标搜索数据的智能筛选方法及*** | |
| Viallard et al. | Assessing the evolution of transit user behavior from smart card data | |
| CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN110555749B (zh) | 基于神经网络的信用行为预测方法以及装置 | |
| WO2023070844A1 (zh) | 个性化折扣券的智能设计方法、电子装置和存储介质 | |
| CN113051480A (zh) | 资源推送方法、装置、电子设备及存储介质 | |
| CN114116802A (zh) | Flink计算框架的数据处理方法、装置、设备和存储介质 | |
| CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
| CN112579910A (zh) | 信息处理方法、信息处理装置、存储介质和电子设备 | |
| Cho et al. | Enhancing the accuracy of peak hourly demand in bike-sharing systems using a graph convolutional network with public transit usage data | |
| CN111325614B (zh) | 电子对象的推荐方法、装置和电子设备 | |
| CN111464337B (zh) | 资源配置方法、装置、电子设备 | |
| CN117273800A (zh) | 营销策略生成方法、装置、设备及存储介质 | |
| CN107944589A (zh) | 广告点击率的预测方法和预测装置 | |
| CN115049383A (zh) | 组合支付推荐方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |