针对多种关联产品联合确定对等资源量的方法和装置与流程
本说明书一个或多个实施例涉及计算机领域，尤其涉及针对多种关联产品联合确定对等资源量的方法和装置。
背景技术：
在许多场景下，产品需求者可以利用某种资源交换特定的产品，例如在蚂蚁森林中用“能量”交换树苗，在商品销售中用货币交换商品。结合商品销售场景，常常需要将多种关联商品一并展示进行售卖，以满足不同客户的不同需求，来增加整体客户的购买转化率。但同时展示多种商品及每种商品售价的过程中，单种商品的售价变化不仅影响该商品的购买转化率，还会影响其他一并展示的关联商品的购买转化率，因此多种关联商品的售价会相互影响各自的购买转化率。
商家在售卖场景中追求利益最大化，但是当前并没有一种好的商品定价方法，因此急需一种针对多种关联产品联合确定对等资源量的方法，以实现多种关联产品整体利益最大化。
技术实现要素：
本说明书一个或多个实施例描述了一种针对多种关联产品联合确定对等资源量的方法和装置，能够实现多种关联产品整体利益最大化。
第一方面，提供了一种针对多种关联产品联合确定对等资源量的方法，方法包括：
获取目标用户的用户画像特征和所述目标用户的场景特征；
将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率；
根据每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；
将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。
在一种可能的实施方式中，所述多种关联产品为同一服务的多个不同时长的周期卡。
在一种可能的实施方式中，所述n种对等资源量组合通过如下方式确定：
根据每种关联产品对应的对等资源量区间，采用随机采样的方法进行n次采样，每次采样获取该种关联产品对应的一种可选对等资源量，多种关联产品的一种可选对等资源量组成一种对等资源量组合；其中，n的取值为预先设定的数值。
在一种可能的实施方式中，所述多种关联产品同时作为待转换产品时允许用户同时转换其中的多种关联产品，所述神经网络模型为多标签分类模型。
在一种可能的实施方式中，所述多种关联产品同时作为待转换产品时用户只能转换一种关联产品，所述神经网络模型为多分类模型。
在一种可能的实施方式中，所述神经网络模型通过如下方式训练：
获取训练样本集，其中每条训练样本包括潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征，该潜在用户对每种关联产品的转换情况；
将至少一部分训练样本中每条训练样本的潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征作为样本特征，将该条训练样本中的该潜在用户对每种关联产品的转换情况作为样本标签，对所述神经网络模型进行训练。
进一步地，所述获取训练样本集包括：
在预先设定的样本采集周期内，对于潜在用户，根据每种关联产品对应的对等资源量区间，随机确定该潜在用户面对的每种关联产品的对等资源量；
根据该潜在用户面对的每种关联产品对应的对等资源量、以及该潜在用户在该对等资源量下对每种关联产品的转换情况，生成所述训练样本集的一条训练样本。
进一步地，所述对所述神经网络模型进行训练之后，所述方法还包括：
根据另一部分训练样本中每条训练样本的潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征作为样本特征，将该条训练样本中的该潜在用户对每种关联产品的转换情况作为样本标签，对训练后的所述神经网络模型进行交叉验证。
在一种可能的实施方式中，所述用户画像特征包括如下至少一种特征：
性别、年龄、学历、消费情况。
在一种可能的实施方式中，所述场景特征包括如下至少一种特征：
当前城市、应用停留时长。
第二方面，提供了一种针对多种关联产品联合确定对等资源量的装置，装置包括：
获取单元，用于获取目标用户的用户画像特征和所述目标用户的场景特征；
第一预估单元，用于将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述获取单元获取的所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率；
第二预估单元，用于根据所述第一预估单元得到的每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；
确定单元，用于将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。
第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。
通过本说明书实施例提供的方法和装置，首先获取目标用户的用户画像特征和所述目标用户的场景特征；然后将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率；接着根据每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；最后将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。由上可见，本说明书实施例可以联合考虑多种关联产品的对等资源量对其转化率的相互影响，从而能够实现多种关联产品整体利益最大化。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本说明书披露的一个实施例的实施场景示意图；
图2示出根据一个实施例的针对多种关联产品联合确定对等资源量的方法流程图；
图3示出根据一个实施例的多标签分类模型结构示意图；
图4示出根据一个实施例的针对多种关联产品联合确定对等资源量的装置的示意性框图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
图1为本说明书披露的一个实施例的实施场景示意图。该实施场景涉及针对多种关联产品联合确定对等资源量。可以理解的是，本说明书实施例中，关联产品可以为商品销售场景中的同时展示的多个商品，或者还可以为可以与其他资源进行交换的其他类型的多个产品。当与关联产品进行交换的资源为货币时，对等资源量可以理解为商品价格。以图1所示的商品销售场景为例，常常会涉及到对商品的动态定价，也就是说对不同的用户可以有不同的商品价格，并且每个用户在不同时刻下都会进行重新定价。可以理解的是，商品价格会对用户是否购买商品产生影响，也就是说，会对购买转化率产生影响，购买转化率表示购买商品人数和到达人群总数的比率。
上述关联商品可以为任何类型的商品，举例来说，共享单车周期卡分为月卡、季卡、半年卡、年卡多种关联卡种，以单车月卡为例，用户购买一张月卡，可以在该月卡生效时刻起的一个月内，不限骑行次数，单次骑行前2小时免费。上述月卡、季卡、半年卡、年卡可以看作一组关联商品，在定价项目中，用于确定同个展示页面中月卡、季卡、半年卡、年卡的售卖价格。
本说明书实施例提供的针对多种关联产品联合确定对等资源量的方法，可以适用于进行资源交换的线上场景，也可以适用于进行资源交换的线下场景。其中，线上场景：在互联网上，通过在手机应用程序、网页等展示商品及价格，买卖双方不必见面接触完成售卖交易。线下场景：传统的销售模式，在店铺或摊位出售货品，买卖双方见面完成交易。
由于多种关联商品的售价会相互影响各自的购买转化率，并且商家在售卖场景中追求利益最大化，而利益由商品售价、成本价、转化率决定，多种关联商品的利益最大则需要联合考虑每种商品的售价、成本以及其对购买转化率产生的影响，本说明书实施例通过一种联合建模的商品销售定价方法来实现其利益最大化。
需要说明的是，本说明书实施例中仅以商品销售场景为例进行说明，但并不用于限定本发明，本说明书实施例可以适用于各种资源交换场景。
图2示出根据一个实施例的针对多种关联产品联合确定对等资源量的方法流程图，该方法可以基于图1所示的应用场景。如图2所示，该实施例中针对多种关联产品联合确定对等资源量的方法包括以下步骤：步骤21，获取目标用户的用户画像特征和所述目标用户的场景特征；步骤22，将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率；步骤23，根据每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；步骤24，将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。下面描述以上各个步骤的具体执行方式。
首先在步骤21，获取目标用户的用户画像特征和所述目标用户的场景特征。可以理解的是，不同用户受商品价格的影响不同，因此可以对不同的用户确定不同的商品价格，以实现最大化购买转化率。
在一个示例中，所述用户画像特征包括如下至少一种特征：
性别、年龄、学历、消费情况。
在一个示例中，所述场景特征包括如下至少一种特征：
当前城市、应用停留时长。
然后在步骤22，将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率。可以理解的是，可以人工设定多个产品为一组关联产品，对这多个关联产品联合确定资源转换的对等资源量。
在一个示例中，所述多种关联产品为同一服务的多个不同时长的周期卡。例如，共享单车的月卡、季卡、半年卡、年卡。
在一个示例中，所述n种对等资源量组合通过如下方式确定：
根据每种关联产品对应的对等资源量区间，采用随机采样的方法进行n次采样，每次采样获取该种关联产品对应的一种可选对等资源量，多种关联产品的一种可选对等资源量组成一种对等资源量组合；其中，n的取值为预先设定的数值。
以关联产品具体为关联商品，对等资源量具体为商品价格为例，通常地可以针对每种商品上取5个价格，则4种商品对应的价格组合就有54＝625种组合，7种商品对应78125种组合。
本说明书实施例中，预先设定价格组合的数目，采用随机采样的方法，每种价格组合取每种商品在给定价格区间内的随机价格，于是得到了n种价格组合，n为限定的价格组合数量，例如n取200，n的取值与要求实时预测的性能有关，n越大对于每个用户的计算量越大，耗时就越长，从而可以根据实时性的要求人工设定价格组合的数目。
此外，本说明书实施例所述n种对等资源量组合还可以通过分层随机采样的方式确定。以商品销售场景为例，价格组合采样除使用纯随机采样外，也可以使用分层随机采样，如价格区间为5至9元，则先在5至6,6至7,7至8,8至9元四个区间中随机取一个区间，然后在这个区间中做随机采样，使采样更均匀。
在一个示例中，所述多种关联产品同时作为待转换产品时允许用户同时转换其中的多种关联产品，所述神经网络模型为多标签分类模型。
在另一个示例中，所述多种关联产品同时作为待转换产品时用户只能转换一种关联产品，所述神经网络模型为多分类模型。
在一个示例中，所述神经网络模型通过如下方式训练：
获取训练样本集，其中每条训练样本包括潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征，该潜在用户对每种关联产品的转换情况；
将至少一部分训练样本中每条训练样本的潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征作为样本特征，将该条训练样本中的该潜在用户对每种关联产品的转换情况作为样本标签，对所述神经网络模型进行训练。
进一步地，所述获取训练样本集包括：
在预先设定的样本采集周期内，对于潜在用户，根据每种关联产品对应的对等资源量区间，随机确定该潜在用户面对的每种关联产品的对等资源量；
根据该潜在用户面对的每种关联产品对应的对等资源量、以及该潜在用户在该对等资源量下对每种关联产品的转换情况，生成所述训练样本集的一条训练样本。
进一步地，所述对所述神经网络模型进行训练之后，所述方法还包括：
根据另一部分训练样本中每条训练样本的潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征作为样本特征，将该条训练样本中的该潜在用户对每种关联产品的转换情况作为样本标签，对训练后的所述神经网络模型进行交叉验证。
图3示出根据一个实施例的多标签分类模型结构示意图。参照图3，该多标签分类模型具体为多标签深度神经网络(deepneuralnetwork，dnn)模型，以商品销售场景为例，在冷启动阶段，对于每种商品，对于每个用户，在各自规定的定价区间内随机出价；在模型训练阶段，首先准备数据：对于每次进来的用户，都记录下多种关联商品的各自出价，以及用户最终买了哪几种商品；因此每个用户的一次记录可作为一条训练样本：用户画像特征(性别、年龄、学历、消费情况等)+场景特征(当前城市、应用停留时长)+各自关联商品价格(月卡售价、季卡售价、半年卡售价、年卡收集)，标签为该用户是否购买该种商品(是否购买月卡、季卡、半年卡、年卡)；然后训练模型：使用收集到的样本数据来训练多标签dnn模型，并采用交叉验证的方式对模型效果进行评估优化。本说明书实施例，将多种商品的价格联合放在一起作为特征，并且模型的预估看作是多标签分类问题，其中每个标签分类是指单种商品是否被购买，例如，0为不购买，1为购买。
接着在步骤23，根据每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益。可以理解的是，该预估资源收益为多种关联产品的整体资源收益。
在一个示例中，给定用户，预测该用户在n种价格组合下的收益情况：
对于训练好的模型，可以预估每种价格组合下每种商品的转化率，于是可以计算第i种价格组合下的收益
最后在步骤24，将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。可以理解的是，对等资源量组合中包括多种关联产品分别对应的对等资源量。
在一个示例中，针对商品销售场景，取n种价格组合中收益最大的价格组合，作为最优价格组合，于是可以得到每种商品的最佳价格作为针对该用户最终动态定价的结果。
通过本说明书实施例提供的方法，首先获取目标用户的用户画像特征和所述目标用户的场景特征；然后将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率；接着根据每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；最后将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。由上可见，本说明书实施例可以联合考虑多种关联产品的对等资源量对其转化率的相互影响，从而能够实现多种关联产品整体利益最大化。
此外，本说明书实施例提供的方法，不依赖主观分析，对人工经验、运营规则的依赖较少；从用户的历史行为数据中挖掘信息，训练数据足够充分地情况下，可训练优化得到较好的模型，并且随着积累数据的增多，探索的价格组合增多，准确率也会不断提升；同时其模型建模的准确度可以通过成熟的指标进行衡量，并通过模型的优化迭代逐步提高指标，从而进一步提高定价的准确率，因此该建模方案本身也是可优化迭代的。
根据另一方面的实施例，还提供一种针对多种关联产品联合确定对等资源量的装置，该装置用于执行本说明书实施例提供的针对多种关联产品联合确定对等资源量的方法。图4示出根据一个实施例的针对多种关联产品联合确定对等资源量的装置的示意性框图。如图4所示，该装置400包括：
获取单元41，用于获取目标用户的用户画像特征和所述目标用户的场景特征；
第一预估单元42，用于将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述获取单元41获取的所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率；
第二预估单元43，用于根据所述第一预估单元42得到的每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；
确定单元44，用于将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。
可选地，作为一个实施例，所述多种关联产品为同一服务的多个不同时长的周期卡。
可选地，作为一个实施例，所述n种对等资源量组合通过如下方式确定：
根据每种关联产品对应的对等资源量区间，采用随机采样的方法进行n次采样，每次采样获取该种关联产品对应的一种可选对等资源量，多种关联产品的一种可选对等资源量组成一种对等资源量组合；其中，n的取值为预先设定的数值。
可选地，作为一个实施例，所述多种关联产品同时作为待转换产品时允许用户同时转换其中的多种关联产品，所述神经网络模型为多标签分类模型。
可选地，作为一个实施例，所述多种关联产品同时作为待转换产品时用户只能转换一种关联产品，所述神经网络模型为多分类模型。
可选地，作为一个实施例，所述神经网络模型通过如下方式训练：
获取训练样本集，其中每条训练样本包括潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征，该潜在用户对每种关联产品的转换情况；
将至少一部分训练样本中每条训练样本的潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征作为样本特征，将该条训练样本中的该潜在用户对每种关联产品的转换情况作为样本标签，对所述神经网络模型进行训练。
进一步地，所述获取训练样本集包括：
在预先设定的样本采集周期内，对于潜在用户，根据每种关联产品对应的对等资源量区间，随机确定该潜在用户面对的每种关联产品的对等资源量；
根据该潜在用户面对的每种关联产品对应的对等资源量、以及该潜在用户在该对等资源量下对每种关联产品的转换情况，生成所述训练样本集的一条训练样本。
进一步地，所述装置还包括：
验证单元，用于在所述对所述神经网络模型进行训练之后，根据另一部分训练样本中每条训练样本的潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征作为样本特征，将该条训练样本中的该潜在用户对每种关联产品的转换情况作为样本标签，对训练后的所述神经网络模型进行交叉验证。
可选地，作为一个实施例，所述用户画像特征包括如下至少一种特征：
性别、年龄、学历、消费情况。
可选地，作为一个实施例，所述场景特征包括如下至少一种特征：
当前城市、应用停留时长。
通过本说明书实施例提供的装置，首先获取单元41获取目标用户的用户画像特征和所述目标用户的场景特征；然后第一预估单元42将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率；接着第二预估单元43根据每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；最后确定单元44将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。由上可见，本说明书实施例可以联合考虑多种关联产品的对等资源量对其转化率的相互影响，从而能够实现多种关联产品整体利益最大化。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所描述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！