CN113760521A - 一种虚拟资源的分配方法和装置 - Google Patents
一种虚拟资源的分配方法和装置 Download PDFInfo
- Publication number
- CN113760521A CN113760521A CN202011003976.6A CN202011003976A CN113760521A CN 113760521 A CN113760521 A CN 113760521A CN 202011003976 A CN202011003976 A CN 202011003976A CN 113760521 A CN113760521 A CN 113760521A
- Authority
- CN
- China
- Prior art keywords
- user
- virtual
- allocated
- resource
- virtual resources
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013145 classification model Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 77
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 150
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000003542 behavioural effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种虚拟资源的分配方法和装置,涉及互联网技术领域。该方法的一具体实施方式包括:获取第一用户的历史行为数据,其中,历史行为数据包括:第一用户关于虚拟资源的特征;利用第一分类模型,根据历史行为数据,得到第一用户关于虚拟资源的行为偏好,第一分类模型是根据多个第二用户的历史行为数据训练得到的;根据行为偏好以及待分配虚拟资源的属性,利用预测模型预测第一用户使用待分配虚拟资源的概率,预测模型是根据多个第二用户使用虚拟资源的历史行为数据、以及第二用户所使用的虚拟资源的属性训练得到的;当概率大于预设阈值时,将待分配虚拟资源分配给第一用户。该实施方式提高了分配虚拟资源的精准度以及虚拟资源的使用率。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种虚拟资源的分配方法和装置。
背景技术
在电商领域,随着移动支付的广泛应用,电商平台通常会在网站或者app上通过弹窗等方式向用户推送消息,提醒用户获得了平台提供的虚拟资源。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
目前电商平台通常采用随机方式向用户提供虚拟资源,并不对用户进行区分,导致虚拟资源的分配不够精准,进而导致平台提供的虚拟资源的使用率较低,造成了虚拟资源的浪费。
发明内容
有鉴于此,本发明实施例提供一种虚拟资源的分配方法和装置,能够根据第一用户的历史行为数据得到第一用户的行为偏好,再根据第一用户关于虚拟资源的行为偏好以及待分配虚拟资源的属性预测出第一用户使用该待分配虚拟资源的概率,并将待分配虚拟资源分配给使用概率大的第一用户,从而提高了分配虚拟资源的精准度以及虚拟资源的使用率。
为实现上述目的,根据本发明实施例的一个方面,提供了一种虚拟资源的分配方法。
本发明实施例的一种虚拟资源的分配方法包括:
获取第一用户的历史行为数据,其中,历史行为数据包括:第一用户关于虚拟资源的特征;
利用第一分类模型,根据历史行为数据,得到第一用户关于虚拟资源的行为偏好;第一分类模型是根据多个第二用户的历史行为数据训练得到的;
根据行为偏好以及待分配虚拟资源的属性,利用预测模型预测第一用户使用待分配虚拟资源的概率,其中,预测模型是根据多个第二用户使用虚拟资源的历史行为数据、以及第二用户所使用的虚拟资源的属性训练得到的;
当概率大于预设阈值时,将待分配虚拟资源分配给第一用户。
可选地,
待分配虚拟资源的属性包括:待分配虚拟资源的提供者信息;
利用第一分类模型,根据历史行为数据,得到第一用户关于资源提供者的行为偏好;
根据行为偏好以及待分配虚拟资源的提供者信息,利用预测模型预测第一用户使用资源提供者所提供的待分配虚拟资源的概率。
可选地,
待分配虚拟资源的属性还包括:待分配虚拟资源的价值;
根据第一用户关于资源提供者的行为偏好以及待分配虚拟资源的价值,利用预测模型预测第一用户使用资源提供者所提供的待分配虚拟资源的概率。
可选地,
获取资源提供者的历史交易数据,其中,历史交易数据包括:所对应资源提供者提供虚拟资源的特征;
利用第二分类模型,根据历史交易数据,分别确定资源提供者关于虚拟资源的属性偏好;
利用第一分类模型,根据历史行为数据,得到第一用户关于资源提供者的行为偏好;
根据属性偏好、第一用户关于资源提供者的行为偏好以及待分配虚拟资源的属性,利用预测模型预测第一用户使用资源提供者所提供的待分配虚拟资源的概率。
可选地,
该方法还包括:
确定第一用户的历史行为数据的多个原始特征,将多个原始特征输入特征选择器,得到第一用户关于虚拟资源的特征。
可选地,
预测模型是根据随机森林算法、以及GBDT算法、Catboost算法、LightGBM算法、XGBoost算法和LR算法中的任意三个训练得到的。
可选地,
利用GBDT算法、Catboost算法、LightGBM算法、XGBoost算法和LR算法中的任意三个分别构建三个初始模型;
将第二用户的历史行为数据分别输入三个初始模型,以对三个初始模型进行训练;
将训练后的三个初始模型的输出、以及第一分类模型输出的第二用户关于虚拟资源的行为偏好作为随机森林算法的输入,以对预测模型进行训练。
可选地,
第一分类模型和第二分类模型是基于聚类算法训练得到的。
可选地,
特征选择器是基于feature_selection库得到的。
为实现上述目的,根据本发明实施例的又一方面,提供了一种虚拟资源的分配装置。
本发明实施例的一种虚拟资源的分配装置包括:数据获取模块、分类模块、预测模块以及分配模块;其中,
数据获取模块,用于获取第一用户的历史行为数据,其中,历史行为数据包括:第一用户关于虚拟资源的特征;
分类模块,用于利用第一分类模型,根据数据获取模块获取的历史行为数据,得到第一用户关于虚拟资源的行为偏好;第一分类模型是根据多个第二用户的历史行为数据训练得到的;
预测模块,用于根据分类模块得到的行为偏好以及待分配虚拟资源的属性,利用预测模型预测第一用户使用待分配虚拟资源的概率,其中,预测模型是根据多个第二用户使用虚拟资源的历史行为数据、以及第二用户所使用的虚拟资源的属性训练得到的;
分配模块,用于当预测模块预测的概率大于预设阈值时,将待分配虚拟资源分配给第一用户。
为实现上述目的,根据本发明实施例的又一方面,提供了一种虚拟资源的分配服务器。
本发明实施例的一种虚拟资源的分配服务器包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现本发明实施例的一种虚拟资源的分配方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读存储介质。
本发明实施例的一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现本发明实施例的一种虚拟资源的分配方法。
上述发明中的一个实施例具有如下优点或有益效果:在获取到第一用户的历史行为数据之后,首先将这些包含有虚拟资源相关特征的历史行为数据输入第一分类模型,得到第一用户关于虚拟资源的行为偏好,再将该行为偏好和待分配虚拟资源的属性输入预测模型,预测第一用户使用该待分配虚拟资源的概率,如果得到的概率大于第一阈值,就将该待分配虚拟资源分配给该第一用户。通过上述描述可见,本发明实施例能够根据第一用户的历史行为数据,将第一用户划分入相应的用户类型,并根据相应用户类型的行为偏好得到第一用户的行为偏好,再根据第一用户关于虚拟资源的行为偏好以及待分配虚拟资源的属性预测出第一用户使用该待分配虚拟资源的概率,并将待分配虚拟资源分配给使用概率大的第一用户,从而提高了分配虚拟资源的精准度以及虚拟资源的使用率。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的一种虚拟资源的分配方法的主要步骤的示意图;
图2是根据本发明实施例的另一种虚拟资源的分配方法的主要步骤的示意图;
图3是根据本发明实施例的一种预测模型的训练方法的主要步骤的示意图;
图4是根据本发明实施例的又一种虚拟资源的分配方法的主要步骤的示意图;
图5是根据本发明实施例的再一种虚拟资源的分配方法的主要步骤的示意图;
图6是根据本发明实施例的一种虚拟资源的分配装置的主要模块的示意图;
图7是本发明实施例可以应用于其中的示例性***架构图;
图8是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例的一种虚拟资源的分配方法的主要步骤的示意图。
如图1所示,本发明实施例的一种虚拟资源的分配方法主要包括以下步骤:
步骤S101:获取第一用户的历史行为数据,其中,历史行为数据包括:第一用户关于虚拟资源的特征。
在本发明实施例中,当第一用户的历史行为数据中既包括第一用户关于虚拟资源的特征,又包括第一用户与虚拟资源无关的特征时,可以从第一用户的历史行为数据中筛选出第一用户关于虚拟资源的特征,再进行后续步骤。举例来说,某位第一用户的历史行为数据中包括:第一用户登录的次数、第一用户最近30天内浏览的商品、第一用户消费的次数、第一用户每一笔消费的平均金额、第一用户领取虚拟资源的次数、第一用户使用虚拟资源的次数、第一用户使用的虚拟资源的金额、第一用户从领取虚拟资源到使用虚拟资源的平均时间间隔以及第一用户使用虚拟资源后的最低消费金额等特征。从上述历史行为数据中可见:第一用户登录的次数、第一用户最近30天内浏览的商品、第一用户消费的次数和第一用户每一笔消费的平均金额就属于与虚拟资源无关的特征,而第一用户领取虚拟资源的次数、第一用户使用虚拟资源的次数、第一用户使用的虚拟资源的金额、第一用户从领取虚拟资源到使用虚拟资源的平均时间间隔以及第一用户使用虚拟资源后的最低消费金额这些特征就与虚拟资源相关,此时就可以使用特征选择器,将与虚拟资源无关的特征过滤掉,筛选出与虚拟资源有关的特征后再进行后续步骤。
因此,如图2所示,本发明实施例还提供了另一种虚拟资源的分配方法,主要包括以下步骤S201至步骤S206:
步骤S201:获取第一用户的历史行为数据;
步骤S202:确定第一用户的历史行为数据的多个原始特征,其中,原始特征包括第一用户关于虚拟资源的特征、以及该第一用户与虚拟资源无关的特征;
步骤S203:将多个原始特征输入特征选择器,得到第一用户关于虚拟资源的特征;
步骤S204:利用第一分类模型,根据第一用户关于虚拟资源的特征,得到第一用户关于虚拟资源的行为偏好,其中,第一分类模型是根据多个第二用户的历史行为数据训练得到的;
步骤S205:根据行为偏好以及待分配虚拟资源的属性,利用预测模型预测第一用户使用待分配虚拟资源的概率,其中,预测模型是根据多个第二用户使用虚拟资源的历史行为数据、以及第二用户所使用的虚拟资源的属性训练得到的;
步骤S206:当概率大于预设阈值时,将虚拟资源分配给第一用户。
在本发明实施例中,特征选择器可以是基于Python中的feature_sel ection库得到的,用于根据后续步骤中模型的需要,剔除第一用户的历史行为数据中不相关的特征以及冗余的特征:不相关的特征即与模型的相关性不高的特征,例如第一用户与虚拟资源无关的特征即属于此类,应予剔除;冗余的特征即不发散的特征,例如方差接近于0的特征,说明历史行为数据中均包含这一特征,这一特征包含的信息就很少,因此也可以剔除。通过特征选择器可以减少特征数量、降低数据维度,提高后续模型输出结果的准确率。
步骤S102:利用第一分类模型,根据历史行为数据,得到第一用户关于虚拟资源的行为偏好;第一分类模型是根据多个第二用户的历史行为数据训练得到的。
在本发明实施例中,由于历史行为数据相似的第一用户对不同属性的虚拟资源可能有相似的行为偏好,因此,可以使用第一分类模型对第一用户进行归类,得到该第一用户关于虚拟资源的行为偏好。第一分类模型可以是将第一用户的历史行为数据与该第一分类模型中已有的用户类别对应的参数进行比对,根据比对结果,将该第一用户归入合适的用户类别,进而根据该类用户对虚拟资源的行为偏好得出第一用户关于虚拟资源的行为偏好。举例来说,某第一用户的历史行为数据显示,在最近一个月内,该第一用户领取了五次虚拟资源、使用了两次虚拟资源,第一分类模型将这些数据与已有的用户类别对应的参数进行比对,得到该第一用户属于“偶尔使用虚拟资源”用户类别之内,因此可以根据该用户类别关于虚拟资源的行为偏好是“偶尔使用”,得到第一用户也是“偶尔使用”虚拟资源的行为偏好。
在本发明实施例中,第一分类模型是根据多个第二用户的历史行为数据,使用聚类算法训练得到的,该聚类算法可以是DBSCAN(Dens ity-Based Spatial Clustering ofApplications with Noise,基于密度带有噪声的空间聚类算法),也可以是K-means算法。其中,第二用户可以是与第一用户具有类似历史行为数据的用户,例如,第一用户和第二用户为使用同一电商平台的用户。在本发明一个优选的实施例中,第一分类模型是基于DBSCAN训练得到的。对第一分类模型的训练过程具体包括:将预定义的多个原始特征输入特征选择器,得到样本特征,样本特征包括:与虚拟资源相关的特征;根据样本特征,获取多个第二用户的历史行为数据;将多个第二用户的历史行为数据输入第一分类模型,第一分类模型根据历史行为数据以及预设的邻域距离阈值ε和邻域中的样本个数阈值MinPts,将多个第二用户划分为不同的用户类别,并输出划分得到的用户类别的数量,其中,每一个用户类别对相同的虚拟资源可能有不同的行为偏好。例如第一分类模型训练后的输出为“X类用户”,则表示输入的多个第二用户被划分成了X类不同的用户类别。
步骤S103:根据行为偏好以及待分配虚拟资源的属性,利用预测模型预测第一用户使用待分配虚拟资源的概率,其中,预测模型是根据多个第二用户使用虚拟资源的历史行为数据、以及第二用户所使用的虚拟资源的属性训练得到的。
步骤S104:当概率大于预设阈值时,将待分配虚拟资源分配给第一用户。
在本发明实施例中,预测模型是根据随机森林算法、以及GBDT算法、Catboost算法、LightGBM算法、XGBoost算法和LR算法中的任意三个训练得到的。预测模型的训练方法如图3所示,主要包括以下步骤S301至步骤S306:
步骤S301:利用GBDT算法、Catboost算法、LightGBM算法、XGBoost算法和LR算法中的任意三个分别构建三个初始模型作为预测模型的第一层。
在本发明一个优选的实施方式中,选择GBDT算法、Catboost算法以及LightGBM算法分别构建三个初始模型。
步骤S302:将第二用户的历史行为数据随机分为训练集和验证集。
例如,训练集可以包括80%的历史行为数据,验证集可以包括另外20%的历史行为数据。
步骤S303:将训练集分别输入三个初始模型,以对三个初始模型进行训练,得到训练集中包括的特征的重要性分值,并将该重要性分值中位数以上的、且包含于训练集中的特征作为预测模型第一层的第一输出。
步骤S304:将验证集分别输入三个初始模型,以分别对三个初始模型进行调参优化,并得到验证集中包括的特征的重要性分值,再将该重要性分值中位数以上的、且包含于验证集中的特征作为预测模型第一层的第二输出。
步骤S305:将随机森林算法作为预测模型的第二层,并将训练后的预测模型第一层的第一输出和第二输出、以及第一分类模型输出的第二用户关于虚拟资源的行为偏好输入随机森林算法,对预测模型的第二层进行训练。
步骤S306:从第二用户的历史行为数据中随机选取部分数据作为测试集,对所述预测模型的第二层进行调参优化。
在本发明一个优选的实施例中,预测模型是根据随机森林算法、GBDT算法、Catboost算法以及LightGBM算法训练得到的,通过这四种算法训练得到的预测模型的运行速率和结果准确率更高。其中,GBDT算法通过多轮迭代,每轮迭代产生一个弱分类器,让损失函数沿着梯度方向下降,每个分类器在上一轮分类器的残差基础上进行训练,最终将每轮训练得到的弱分类器加权求和得到最终的总分类器;Catboost算法能够自动采用特殊的方式处理类别特征,即首先对类别特征做一些统计,计算某个类别特征出现的频率,再加上超参数,生成新的数值型特征,以避免手动处理类别型特征,Catboost算法还使用了组合类别特征,极大地丰富了特征维度,防止模型过拟合;LightGBM算法是基于直方图算法的决策树算法,它使用了带有深度限制的按叶子生长算法,并在其上增加了一个最大深度的限制,以保证高效率的同时防止过拟合,而且,它优化了对类别特征的支持,可以直接输入类别特征,在面对高维度大数据时有很好的效率和可扩展性,处理速度是普通算法的三倍;随机森林算法对决策树的建立做了改进,通过随机选择节点上的一部分样本特征,然后在这些样本特征中,选择一个最优的特征来做决策树的左右子树划分,进一步增强了模型的泛化能力。
在本发明一个优选的实施例中,还可以采用Blending方法对上述四种算法进行模型融合,以得到最优的预测模型、进一步提高预测模型的整体性能。
在本发明实施例中,将第一分类模型的输出即第一用户关于虚拟资源的行为偏好以及待分配虚拟资源的属性输入预测模型,即可得到第一用户使用待分配虚拟资源的概率,其中,待分配虚拟资源的属性包括待分配虚拟资源相关的信息。待分配虚拟资源的属性中包括的信息可以不同,例如,可以包括其提供者信息,还可以包括其本身的价值。
下面以待分配虚拟资源的属性中包括待分配虚拟资源的提供者信息为例,对本发明实施例提供的虚拟资源的分配方法进行说明。
如图4所示,本发明实施例提供了又一种虚拟资源的分配方法,该方法主要包括以下步骤S401至步骤S404:
步骤S401:获取第一用户的历史行为数据,其中,历史行为数据包括:第一用户关于虚拟资源的特征。
步骤S402:利用第一分类模型,根据历史行为数据,得到第一用户关于资源提供者的行为偏好。
在本发明实施例中,由于历史行为数据相似的第一用户对不同的资源提供者可能有相似的行为偏好,因此,可以使用第一分类模型对第一用户进行归类,得到该第一用户关于资源提供者的行为偏好。其中,资源提供者即为虚拟资源的提供方,例如,当虚拟资源为电商平台上的虚拟资源时,该资源提供者可以为电商平台的运营商或者入驻电商平台的卖家,虚拟资源则为可参与活动的电子门票、或者可兑换优惠金额、服务或产品的优惠券等。
举例来说,根据某第一用户的历史行为数据可知,该第一用户曾在一个月内使用过两次某资源提供者提供的、与文创用品相关的虚拟资源,则第一分类模型可以将该第一用户划分入“喜欢浏览文创用品类资源提供者”的用户类别中,以表示该第一用户对提供文创用品类物品的资源提供者有较高的行为偏好。
步骤S403:根据行为偏好以及待分配虚拟资源的提供者信息,利用预测模型预测第一用户使用资源提供者所提供的待分配虚拟资源的概率。
在本发明实施例中,根据待分配虚拟资源的属性中包括的该待分配虚拟资源的提供者信息,预测模型可以将第一用户关于资源提供者的行为偏好和该待分配虚拟资源的提供者信息相比对,进而预测出第一用户使用资源提供者所提供的待分配虚拟资源的概率。举例来说,如果第一用户对提供文创用品类物品的资源提供者有较高的行为偏好,而该待分配虚拟资源的提供者信息指示的资源提供者是提供学习类电子产品的,则第一用户使用该资源提供者所提供的待分配虚拟资源的概率就较高;而如果第一用户对提供文创用品类物品的资源提供者有较高的行为偏好,但是该待分配虚拟资源的提供者信息指示的资源提供者是提供家具用品的,则第一用户使用该资源提供者所提供的待分配虚拟资源的概率就较低。
在本发明实施例中,待分配虚拟资源的属性还可以包括:待分配虚拟资源的价值。预测模型可以根据第一用户关于资源提供者的行为偏好以及待分配虚拟资源的价值,预测第一用户使用资源提供者所提供的待分配虚拟资源的概率。举例来说,如果第一用户对提供的物品均价为30元的资源提供者有较高的行为偏好,而待分配虚拟资源的价值为满50减6,则第一用户使用资源提供者所提供的待分配虚拟资源的概率就较高;而如果第一用户对提供的物品均价为30元的资源提供者有较高的行为偏好,但是待分配虚拟资源的价值为满1000减100,则第一用户使用该资源提供者所提供的待分配虚拟资源的概率就较低。
步骤S404:当概率大于预设阈值时,将待分配虚拟资源分配给第一用户。
另外,在本发明一个优选的实施例中,还可以获取资源提供者的历史交易数据,并根据第一用户的历史行为数据和资源提供者的历史交易数据,对第一用户使用该资源提供者所提供的待分配虚拟资源的概率进行预测,以进一步提高预测结果的准确度,进而提高将资源提供者提供的待分配虚拟资源分配给目标第一用户的精准度。如图5所示,本发明实施例提供了再一种虚拟资源的分配方法,该方法主要包括以下步骤S501至步骤S505:
步骤S501:获取第一用户的历史行为数据和资源提供者的历史交易数据,其中,历史行为数据包括:第一用户关于虚拟资源的特征;历史交易数据包括:所对应资源提供者提供虚拟资源的特征。
在本发明实施例中,当第一用户的历史行为数据中既包括第一用户关于虚拟资源的特征,又包括第一用户与虚拟资源无关的特征时,可以用特征选择器从第一用户的历史行为数据中筛选出第一用户关于虚拟资源的特征,再进行后续步骤。同理,当资源提供者的历史交易数据中既包括资源提供者提供虚拟资源的特征,又包括资源提供者与虚拟资源无关的特征时,可以用特征选择器从资源提供者的历史交易数据中筛选出资源提供者提供虚拟资源的特征,再进行后续步骤。
在本发明实施例中,资源提供者提供的虚拟资源的特征可以包括:资源提供者所提供的虚拟资源的价值、资源提供者所提供虚拟资源的次数、资源提供者所提供的虚拟资源被领取的数量、资源提供者所提供的虚拟资源被使用的数量、资源提供者所提供的虚拟资源的领取-使用率等。
步骤S502:利用第二分类模型,根据历史交易数据,分别确定资源提供者关于虚拟资源的属性偏好。
在本发明实施例中,第二分类模型是根据多个第二用户的历史交易数据,使用聚类算法训练得到的,该聚类算法可以是DBSCAN(Dens ity-Based Spatial Clustering ofApplications with Noise,基于密度带有噪声的空间聚类算法),也可以是K-means算法。在本发明一个优选的实施例中,第二分类模型也是基于DBSCAN训练得到的。对第二分类模型的训练过程与第一分类模型的训练过程类似,在此不作赘述。
在本发明实施例中,由于历史交易数据相似的资源提供者对不同属性的虚拟资源可能有相似的属性偏好,因此,可以使用第二分类模型对资源提供者进行归类,得到该资源提供者关于虚拟资源的属性偏好。第二分类模型可以是将资源提供者的历史交易数据与该第二分类模型中已有的用户类别对应的参数进行比对,根据比对结果,将该资源提供者归入合适的用户类别,进而根据该类用户对虚拟资源的属性偏好得出资源提供者关于虚拟资源的属性偏好。举例来说,某资源提供者的历史交易数据显示,该资源提供者曾在一个月内发放过两次与文创用品相关的虚拟资源,则第二分类模型可以将这些数据与已有的用户类别对应的参数进行比对,得到该资源提供者属于“经常发放文创用品类虚拟资源”的用户类别之内,因此可以根据该用户类别关于虚拟资源的属性偏好是“经常发放文创用品类”,得到该资源提供者也具有“经常发放文创用品类”虚拟资源的属性偏好。
步骤S503:利用第一分类模型,根据历史行为数据,得到第一用户关于资源提供者的行为偏好。
在本发明实施例中,由于历史行为数据相似的第一用户对不同的资源提供者可能有相似的行为偏好,因此,可以使用第一分类模型对第一用户进行归类,得到该第一用户关于资源提供者的行为偏好。举例来说,根据某第一用户的历史行为数据可知,该第一用户曾在一个月内使用过两次某资源提供者提供的、与文创用品相关的虚拟资源,则第一分类模型可以将该第一用户划分入“喜欢浏览文创用品类的资源提供者”的用户类别中,以表示该第一用户对提供文创用品类物品的资源提供者有较高的行为偏好。
步骤S504:根据属性偏好、行为偏好以及待分配虚拟资源的属性,利用预测模型预测第一用户使用资源提供者所提供的待分配虚拟资源的概率。
在本发明实施例中,由于经过步骤S501已经得知待分配虚拟资源是由资源提供者提供的,所以待分配虚拟资源的属性中可以不包括其提供者。
在本发明实施例中,将资源提供者关于虚拟资源的属性偏好、第一用户关于资源提供者的行为偏好以及待分配虚拟资源的属性输入预测模型,预测模型就可以根据三者的对应关系预测出第一用户使用资源提供者所提供的待分配虚拟资源的概率。举例来说,如果资源提供者具有“经常发放文创用品类”虚拟资源的属性偏好,第一用户对提供文创用品类物品的资源提供者有较高的行为偏好,待分配虚拟资源的属性指示了待分配虚拟资源的价值为满50减6,则该第一用户使用该资源提供者所提供的该待分配虚拟资源的概率就较高;而如果资源提供者具有“经常发放文创用品类”虚拟资源的属性偏好,但是第一用户对提供文创用品类物品的资源提供者的行为偏好较低,则第一用户使用该资源提供者所提供的价值为满50减6的待分配虚拟资源的概率就较低。
步骤S505:当概率大于预设阈值时,将待分配虚拟资源分配给第一用户。
在本发明实施例中,当预测模型预测出的概率大于预设阈值时,说明第一用户很可能会使用待分配虚拟资源,因此将资源提供者所提供的待分配虚拟资源分配给第一用户,以使虚拟资源能够被分配至使用概率更高的第一用户,进而提高虚拟资源的使用率。
根据本发明实施例的虚拟资源的分配方法可以看出,在获取到第一用户的历史行为数据之后,首先将这些包含有虚拟资源相关特征的历史行为数据输入第一分类模型,得到第一用户关于虚拟资源的行为偏好,再将该行为偏好和待分配虚拟资源的属性输入预测模型,预测第一用户使用该待分配虚拟资源的概率,如果得到的概率大于第一阈值,就将该待分配虚拟资源分配给该第一用户。通过上述描述可见,本发明实施例能够根据第一用户的历史行为数据,将第一用户划分入相应的用户类型,并根据相应用户类型的行为偏好得到第一用户的行为偏好,再根据第一用户关于虚拟资源的行为偏好以及待分配虚拟资源的属性预测出第一用户使用该待分配虚拟资源的概率,并将待分配虚拟资源分配给使用概率大的第一用户,从而提高了分配虚拟资源的精准度以及虚拟资源的使用率。
图6是根据本发明实施例的虚拟资源的分配装置的主要模块的示意图。
如图6所示,本发明实施例的一种虚拟资源的分配装置包括:数据获取模块601、分类模块602、预测模块603以及分配模块604;其中,
数据获取模块601,用于获取第一用户的历史行为数据,其中,历史行为数据包括:第一用户关于虚拟资源的特征;
分类模块602,用于利用第一分类模型,根据数据获取模块601获取的历史行为数据,得到第一用户关于虚拟资源的行为偏好;第一分类模型是根据多个第二用户的历史行为数据训练得到的;
预测模块603,用于根据分类模块602得到的行为偏好以及待分配虚拟资源的属性,利用预测模型预测第一用户使用待分配虚拟资源的概率,其中,预测模型是根据多个第二用户使用虚拟资源的历史行为数据、以及第二用户所使用的虚拟资源的属性训练得到的;
分配模块604,用于当预测模块603预测的概率大于预设阈值时,将待分配虚拟资源分配给第一用户。
在本发明实施例中,待分配虚拟资源的属性包括:待分配虚拟资源的提供者信息;分类模块602还可以用于利用第一分类模型,根据历史行为数据,得到第一用户关于资源提供者的行为偏好;预测模块603还可以用于根据行为偏好以及待分配虚拟资源的提供者信息,利用预测模型预测第一用户使用资源提供者所提供的待分配虚拟资源的概率。
在本发明实施例中,待分配虚拟资源的属性还包括:待分配虚拟资源的价值;预测模块603还可以用于根据第一用户关于资源提供者的行为偏好以及待分配虚拟资源的价值,利用预测模型预测第一用户使用资源提供者所提供的待分配虚拟资源的概率。
在本发明实施例中,数据获取模块601还可以用于获取资源提供者的历史交易数据,其中,历史交易数据包括:所对应资源提供者提供虚拟资源的特征;分类模块602还可以用于利用第二分类模型,根据历史交易数据,分别确定资源提供者关于虚拟资源的属性偏好,并利用第一分类模型,根据历史行为数据,得到第一用户关于资源提供者的行为偏好;预测模块603还可以用于根据属性偏好、第一用户关于资源提供者的行为偏好以及待分配虚拟资源的属性,利用预测模型预测第一用户使用资源提供者所提供的待分配虚拟资源的概率。
在本发明实施例中,数据获取模块601还可以用于:确定第一用户的历史行为数据的多个原始特征,将多个原始特征输入特征选择器,得到第一用户关于虚拟资源的特征。
在本发明实施例中,预测模型是根据随机森林算法、以及GBDT算法、Catboost算法、LightGBM算法、XGBoost算法和LR算法中的任意三个训练得到的。
在本发明实施例中,预测模块603还可以用于:利用GBDT算法、Catboost算法、LightGBM算法、XGBoost算法和LR算法中的任意三个分别构建三个初始模型;将第二用户的历史行为数据分别输入三个初始模型,以对三个初始模型进行训练;将训练后的三个初始模型的输出、以及第一分类模型输出的第二用户关于虚拟资源的行为偏好作为随机森林算法的输入,以对预测模型进行训练。
在本发明实施例中,第一分类模型和第二分类模型是基于聚类算法训练得到的。
在本发明实施例中,特征选择器是基于feature_selection库得到的。
根据本发明实施例的虚拟资源的分配装置可以看出,在获取到第一用户的历史行为数据之后,首先将这些包含有虚拟资源相关特征的历史行为数据输入第一分类模型,得到第一用户关于虚拟资源的行为偏好,再将该行为偏好和待分配虚拟资源的属性输入预测模型,预测第一用户使用该待分配虚拟资源的概率,如果得到的概率大于第一阈值,就将该待分配虚拟资源分配给该第一用户。通过上述描述可见,本发明实施例能够根据第一用户的历史行为数据,将第一用户划分入相应的用户类型,并根据相应用户类型的行为偏好得到第一用户的行为偏好,再根据第一用户关于虚拟资源的行为偏好以及待分配虚拟资源的属性预测出第一用户使用该待分配虚拟资源的概率,并将待分配虚拟资源分配给使用概率大的第一用户,从而提高了分配虚拟资源的精准度以及虚拟资源的使用率。
图7示出了可以应用本发明实施例的虚拟资源的分配方法或虚拟资源的分配装置的示例性***架构700。
如图7所示,***架构700可以包括终端设备701、702、703,网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备701、702、703通过网络704与服务器705交互,以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备701、702、703可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器705可以是提供各种服务的服务器,例如对用户利用终端设备701、702、703所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是,本发明实施例所提供的虚拟资源的分配方法一般由服务器705执行,相应地,虚拟资源的分配装置一般设置于服务器705中。
应该理解,图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图8,其示出了适于用来实现本发明实施例的终端设备的计算机***800的结构示意图。图8示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,计算机***800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有***800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括数据获取模块、分类模块、预测模块以及分配模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,数据获取模块还可以被描述为“获取第一用户的历史行为数据的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取第一用户的历史行为数据,其中,历史行为数据包括:第一用户关于虚拟资源的特征;利用第一分类模型,根据历史行为数据,得到第一用户关于虚拟资源的行为偏好;第一分类模型是根据多个第二用户的历史行为数据训练得到的;根据行为偏好以及待分配虚拟资源的属性,利用预测模型预测第一用户使用待分配虚拟资源的概率,其中,预测模型是根据多个第二用户使用虚拟资源的历史行为数据、以及第二用户所使用的虚拟资源的属性训练得到的;当概率大于预设阈值时,将待分配虚拟资源分配给第一用户。
根据本发明实施例的技术方案,在获取到第一用户的历史行为数据之后,首先将这些包含有虚拟资源相关特征的历史行为数据输入第一分类模型,得到第一用户关于虚拟资源的行为偏好,再将该行为偏好和待分配虚拟资源的属性输入预测模型,预测第一用户使用该待分配虚拟资源的概率,如果得到的概率大于第一阈值,就将该待分配虚拟资源分配给该第一用户。通过上述描述可见,本发明实施例能够根据第一用户的历史行为数据,将第一用户划分入相应的用户类型,并根据相应用户类型的行为偏好得到第一用户的行为偏好,再根据第一用户关于虚拟资源的行为偏好以及待分配虚拟资源的属性预测出第一用户使用该待分配虚拟资源的概率,并将待分配虚拟资源分配给使用概率大的第一用户,从而提高了分配虚拟资源的精准度以及虚拟资源的使用率。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种虚拟资源的分配方法,其特征在于,包括:
获取第一用户的历史行为数据,其中,所述历史行为数据包括:所述第一用户关于所述虚拟资源的特征;
利用第一分类模型,根据所述历史行为数据,得到所述第一用户关于所述虚拟资源的行为偏好;所述第一分类模型是根据多个第二用户的历史行为数据训练得到的;
根据所述行为偏好以及待分配虚拟资源的属性,利用预测模型预测所述第一用户使用所述待分配虚拟资源的概率,其中,所述预测模型是根据多个所述第二用户使用虚拟资源的历史行为数据、以及所述第二用户所使用的虚拟资源的属性训练得到的;
当所述概率大于预设阈值时,将所述待分配虚拟资源分配给所述第一用户。
2.根据权利要求1所述的方法,其特征在于,所述待分配虚拟资源的属性包括:所述待分配虚拟资源的提供者信息;
利用第一分类模型,根据所述历史行为数据,得到所述第一用户关于资源提供者的行为偏好;
根据所述行为偏好以及待分配虚拟资源的提供者信息,利用预测模型预测所述第一用户使用所述资源提供者所提供的所述待分配虚拟资源的概率。
3.根据权利要求2所述的方法,其特征在于,所述待分配虚拟资源的属性还包括:所述待分配虚拟资源的价值;
根据所述第一用户关于资源提供者的行为偏好以及所述待分配虚拟资源的价值,利用预测模型预测所述第一用户使用所述资源提供者所提供的所述待分配虚拟资源的概率。
4.根据权利要求1所述的方法,其特征在于,
获取资源提供者的历史交易数据,其中,所述历史交易数据包括:所对应资源提供者提供所述虚拟资源的特征;
利用第二分类模型,根据所述历史交易数据,分别确定所述资源提供者关于所述虚拟资源的属性偏好;
利用第一分类模型,根据所述历史行为数据,得到所述第一用户关于资源提供者的行为偏好;
根据所述属性偏好、第一用户关于资源提供者的行为偏好以及所述待分配虚拟资源的属性,利用预测模型预测所述第一用户使用所述资源提供者所提供的所述待分配虚拟资源的概率。
5.根据权利要求1所述的方法,其特征在于,该方法还包括:
确定所述第一用户的历史行为数据的多个原始特征,将所述多个原始特征输入特征选择器,得到所述第一用户关于所述虚拟资源的特征。
6.根据权利要求2所述的方法,其特征在于,所述预测模型是根据随机森林算法、以及GBDT算法、Catboost算法、LightGBM算法、XGBoost算法和LR算法中的任意三个训练得到的。
7.根据权利要求6所述的方法,其特征在于,
利用GBDT算法、Catboost算法、LightGBM算法、XGBoost算法和LR算法中的任意三个分别构建三个初始模型;
将所述第二用户的历史行为数据分别输入所述三个初始模型,以对所述三个初始模型进行训练;
将训练后的所述三个初始模型的输出、以及所述第一分类模型输出的所述第二用户关于所述虚拟资源的行为偏好作为所述随机森林算法的输入,以对所述预测模型进行训练。
8.根据权利要求1至4任一所述的方法,其特征在于,包括:
所述第一分类模型和第二分类模型是基于聚类算法训练得到的;
和/或,
所述特征选择器是基于feature_selection库得到的。
9.一种虚拟资源的分配装置,其特征在于,包括:数据获取模块、分类模块、预测模块以及分配模块;其中,
所述数据获取模块,用于获取第一用户的历史行为数据,其中,所述历史行为数据包括:所述第一用户关于所述虚拟资源的特征;
所述分类模块,用于利用第一分类模型,根据所述数据获取模块获取的所述历史行为数据,得到所述第一用户关于所述虚拟资源的行为偏好;所述第一分类模型是根据多个第二用户的历史行为数据训练得到的;
所述预测模块,用于根据所述分类模块得到的所述行为偏好以及待分配虚拟资源的属性,利用预测模型预测所述第一用户使用所述待分配虚拟资源的概率,其中,所述预测模型是根据多个所述第二用户使用虚拟资源的历史行为数据、以及所述第二用户所使用的虚拟资源的属性训练得到的;
所述分配模块,用于当所述预测模块预测的所述概率大于预设阈值时,将所述待分配虚拟资源分配给所述第一用户。
10.一种虚拟资源的分配服务器,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011003976.6A CN113760521A (zh) | 2020-09-22 | 2020-09-22 | 一种虚拟资源的分配方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011003976.6A CN113760521A (zh) | 2020-09-22 | 2020-09-22 | 一种虚拟资源的分配方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113760521A true CN113760521A (zh) | 2021-12-07 |
Family
ID=78785839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011003976.6A Pending CN113760521A (zh) | 2020-09-22 | 2020-09-22 | 一种虚拟资源的分配方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113760521A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526438A (zh) * | 2022-11-28 | 2022-12-27 | 中国西安卫星测控中心 | 基于集成学习模型的虚拟资源池扩展生成方法 |
CN116681454A (zh) * | 2023-05-25 | 2023-09-01 | 北京阿帕科蓝科技有限公司 | 虚拟资源配比策略生成方法、装置、计算机设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846041A (zh) * | 2016-12-26 | 2017-06-13 | 携程计算机技术(上海)有限公司 | 优惠券的发放方法及*** |
CN107301562A (zh) * | 2017-05-16 | 2017-10-27 | 重庆邮电大学 | 一种o2o优惠券使用大数据预测方法 |
CN107330741A (zh) * | 2017-07-07 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 分品类电子券使用预测方法、装置及电子设备 |
CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
CN108416624A (zh) * | 2018-02-27 | 2018-08-17 | 深圳乐信软件技术有限公司 | 一种优惠券推送方法、装置、存储介质及智能终端 |
CN109389431A (zh) * | 2018-09-30 | 2019-02-26 | 北京三快在线科技有限公司 | 优惠券的分配方法、装置、电子设备及可读存储介质 |
CN109961191A (zh) * | 2019-04-03 | 2019-07-02 | 北京奇艺世纪科技有限公司 | 一种优惠券发放方法及装置 |
CN110070399A (zh) * | 2019-04-24 | 2019-07-30 | 北京三快在线科技有限公司 | 一种优惠券推送方法及装置 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
-
2020
- 2020-09-22 CN CN202011003976.6A patent/CN113760521A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846041A (zh) * | 2016-12-26 | 2017-06-13 | 携程计算机技术(上海)有限公司 | 优惠券的发放方法及*** |
CN107301562A (zh) * | 2017-05-16 | 2017-10-27 | 重庆邮电大学 | 一种o2o优惠券使用大数据预测方法 |
CN107330741A (zh) * | 2017-07-07 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 分品类电子券使用预测方法、装置及电子设备 |
CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
CN108416624A (zh) * | 2018-02-27 | 2018-08-17 | 深圳乐信软件技术有限公司 | 一种优惠券推送方法、装置、存储介质及智能终端 |
CN109389431A (zh) * | 2018-09-30 | 2019-02-26 | 北京三快在线科技有限公司 | 优惠券的分配方法、装置、电子设备及可读存储介质 |
CN109961191A (zh) * | 2019-04-03 | 2019-07-02 | 北京奇艺世纪科技有限公司 | 一种优惠券发放方法及装置 |
CN110070399A (zh) * | 2019-04-24 | 2019-07-30 | 北京三快在线科技有限公司 | 一种优惠券推送方法及装置 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526438A (zh) * | 2022-11-28 | 2022-12-27 | 中国西安卫星测控中心 | 基于集成学习模型的虚拟资源池扩展生成方法 |
CN115526438B (zh) * | 2022-11-28 | 2023-04-07 | 中国西安卫星测控中心 | 基于集成学习模型的虚拟资源池扩展生成方法 |
CN116681454A (zh) * | 2023-05-25 | 2023-09-01 | 北京阿帕科蓝科技有限公司 | 虚拟资源配比策略生成方法、装置、计算机设备和存储介质 |
CN116681454B (zh) * | 2023-05-25 | 2024-06-18 | 北京阿帕科蓝科技有限公司 | 虚拟资源配比策略生成方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10504120B2 (en) | Determining a temporary transaction limit | |
US10937060B2 (en) | Intelligent location based notification | |
US11281992B2 (en) | Predicting geofence performance for optimized location based services | |
CN104077723B (zh) | 一种社交网络推荐***及方法 | |
CN108885624A (zh) | 信息推荐***及方法 | |
US10692045B2 (en) | Intelligent attention management for unified messaging | |
US10956470B2 (en) | Facet-based query refinement based on multiple query interpretations | |
US20130325863A1 (en) | Data Clustering for Multi-Layer Social Link Analysis | |
US20160381154A1 (en) | Predicting Geolocation Of Users On Social Networks | |
CN110889656A (zh) | 一种仓库规则配置方法和装置 | |
CN112017062B (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
CN110807129A (zh) | 多层用户关系图集合的生成方法、装置及电子设备 | |
CN113760521A (zh) | 一种虚拟资源的分配方法和装置 | |
US10304081B1 (en) | Yielding content recommendations based on serving by probabilistic grade proportions | |
CN112925859A (zh) | 数据存储方法和装置 | |
CN111598360A (zh) | 服务策略确定方法、装置及电子设备 | |
US20190156225A1 (en) | Optimizing a hierarchical rule-based decision policy | |
US20190147543A1 (en) | Composite account structure | |
US8738628B2 (en) | Community profiling for social media | |
CN110245684A (zh) | 数据处理方法、电子设备和介质 | |
CN112287208B (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
US11294917B2 (en) | Data attribution using frequent pattern analysis | |
CN109426998A (zh) | 信息推送方法和装置 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
US20220036006A1 (en) | Feature vector generation for probabalistic matching |
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 |