一种资源分配方法及装置，电子设备与流程

本申请涉及计算机
技术领域：
，特别是涉及一种资源分配方法及装置，电子设备。
背景技术：
：随着互联网技术的发展，越来越多的网络平台涌现。为了提高平台或产品的用户粘性，平台通常会对用户分配一些平台上的资源，以增强已注册用户粘性和吸引新用户。现有技术中，通常根据历史数据，基于下单率进行建模，然后通过训练的模型确定对哪些用户分配资源。或者，直接按照预设资源分配策略，仅对下单率满足预设阈值范围的用户分配资源，例如，仅对下单率小于0.5的用户分配资源。然而，经过长期采集数据的验证，现有技术中的资源分配方法至少存在资源分配不精准的问题，即资源没有分配到真正会利用该资源的用户,分配到资源的用户并没有使用该资源。可见，现有技术中的资源分配方法至少存在分配精准度低下的缺陷。技术实现要素：本申请提供一种资源分配方法，解决现有技术中的资源分配方法存在的分配精准度低下的问题。为了解决上述问题，第一方面，本申请公开了一种资源分配方法，包括：通过下单率预估模型预估用户的有资源下单率和无资源下单率；基于所述有资源下单率和无资源下单率，确定所述用户对应的资源收益；按照所述资源收益由高到低的顺序，对相应用户进行资源分配。第二方面，本申请公开了一种资源分配装置，包括：下单率预估模块，用于通过下单率预估模型预估用户的有资源下单率和无资源下单率；资源收益确定模块，用于基于所述下单率预估模块预估的有资源下单率和无资源下单率，确定所述用户对应的资源收益；资源分配模块，用于按照所述资源收益确定模块确定的资源收益由高到低的顺序，对相应用户进行资源分配。第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的资源分配方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请实施例所述的资源分配方法的步骤。本申请实施例公开的资源分配方法，通过下单率预估模型预估用户的有资源下单率和无资源下单率；然后，基于所述有资源下单率和无资源下单率，确定所述用户对应的资源收益；最后，按照所述资源收益由高到低的顺序，优先对资源收益高的相应用户进行资源分配，解决了现有技术中的资源分配方法存在的分配精准度低下的问题。本申请实施例中公开的资源分配方法，通过依据资源收益进行资源分配，可以有效提高资源利用效率，提升了资源分配的精准度。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例一的资源分配方法流程图；图2是本申请实施例二的资源分配方法流程图；图3是本申请实施例三的资源分配方法流程图；图4是本申请实施例四的资源分配方法流程图；图5是本申请实施例五的资源分配装置结构图之一；图6是本申请实施例五的资源分配装置结构图之二；图7是本申请实施例五的资源分配装置结构图之三。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本申请中的资源可以为虚拟物质，如电子优惠券、电子代金券、积分、存储空间等；也可以为实际物质，如票券，礼品或平台上的产品。为了便于读者理解本申请的技术方案，本申请的具体实施例中，以电子优惠券作为资源举例，说明本申请的具体技术方案。实施例一本申请公开的一种资源分配方法，如图1所示，该方法包括：步骤100至步骤120。步骤100，通过下单率预估模型预估用户的有资源下单率和无资源下单率。本申请在具体实施时首先要根据用户的历史行为数据、用户画像数据、用户的拥有资源数据训练下单率预估模型。具体实施时，根据用户的历史行为数据提取部分用户特征(例如：预设行为的用户行为特征)，以及，根据用户历史行为数据中的下单数据提取标签数据，并根据用户画像数据提取部分用户特征(例如：用户画像特征)、根据用户的拥有资源数据提取部分用户特征(例如：资源特征)；然后，将用户的用户特征和标签数据组成一条训练数据，多个用户的训练数据作为下单率预估模型的训练样本，训练下单率预估模型。具体应用时，按照训练模型时提取用户特征相同的方法提取当前用户的用户特征，其中，提取的用户特征包括：预设行为的用户行为特征、用户画像特征和资源特征，然后，将提取的用户特征作为下单率预估模型的输入，预估所述当前用户的有资源下单率和无资源下单率。具体实施时，如果提取的所述资源特征为指示当前用户拥有资源的数值，则模型输出为有资源下单率；如果提取的所述资源特征为指示当前用户没有资源的数值，则模型输出为无资源下单率。步骤110，基于所述有资源下单率和无资源下单率，确定所述用户对应的资源收益。具体实施时，可以根据前述步骤预估的每个用户的所述有资源下单率和无资源下单率的差值，分别确定各用户的资源收益。例如，将用户u的有资源下单率减去用户u的无资源下单率的差值，作为用户u的资源收益。具体实施时，还可以采用其他的方法，根据用户的有资源下单率和无资源下单率确定某一用户的资源收益，本申请实施例中不一一例举。步骤120，按照所述资源收益由高到低的顺序，对相应用户进行资源分配。得到每个用户的资源收益之后，按照所述资源收益由高到低的顺序对用户进行排序；然后，依序优先对资源收益高的用户分配资源。例如，得到每个用户的资源收益之后，按照所述资源收益由高到低的顺序对用户进行从前向后排序，然后，按照用户的前后顺序分配资源，直至资源分配完，或者所有用户都得到资源。本申请实施例公开的资源分配方法，通过下单率预估模型预估用户的有资源下单率和无资源下单率；然后，基于所述有资源下单率和无资源下单率，确定所述用户对应的资源收益；最后，按照所述资源收益由高到低的顺序，对相应用户进行资源分配，解决了现有技术中的资源分配方法存在的分配精准度低下的问题。本申请实施例中公开的资源分配方法，通过依据资源收益进行资源分配，可以有效提高资源利用效率，提升了资源分配的精准度。实施例二本申请公开的一种资源分配方法，如图2所示，该方法包括：步骤200至步骤230。步骤200，基于用户的历史行为数据、用户画像数据，以及用户拥有资源数据，训练下单率预估模型。具体实施时，基于用户的历史行为数据、用户画像数据，以及用户拥有资源数据，训练下单率预估模型，包括：根据第一用户特征数据和第一标签数据，训练下单率预估模型；其中，所述第一用户特征数据包括：预设行为的用户行为特征、用户画像特征和用于指示用户拥有资源情况的资源特征；所述第一标签数据用于指示用户是否下单；所述预设行为的用户行为特征根据所述用户的历史行为数据获得，所述用户画像特征根据所述用户画像数据获得，所述资源特征根据所述用户拥有资源数据获得。所述预设行为的用户行为特征为从用户的历史行为数据中提取的用户特征，其中，所述预设行为可以包括：点击、浏览、评论、下单等行为中的一项或多项，所述预设行为的用户行为特征可以包括：用户浏览某一品类的次数、评论某一品类产品的次数、对某一品类产品的下单次数等。所述用户画像特征为从用户画像数据中提取的用户特征。用户画像数据为用户描述用户的基本信息和用户行为信息的数据。具体实施时，用户画像数据包括：用户的性别、年龄、兴趣爱好、职业等个人信息。所述用户画像特征可以包括：性别、年龄、兴趣爱好中的一项或多项。具体实施时，通过平台数据库或站外数据库可以获取用户画像数据，并进一步从用户画像数据中提取用户画像特征。具体实施时，可以参照现有技术中的方法从用户画像数据中提取用户画像特征，本实施例不再赘述。所述资源特征为根据用户拥有资源数据提取的用户特征，用户拥有资源数据可以为用户属性的一部分，用于指示用户是否拥有资源，如用户是否拥有电子优惠券。所述资源特征用于指示用户是否拥有资源，或者，用户拥有哪些资源。所述第一标签数据为根据用户的历史行为数据中的下单数据提取的标签。例如，某一用户有下单行为，则该用户的第一标签数据设置为1；某一用户没有下单行为，则该用户的第一标签数据设置为0。然后，将用户的预设行为的用户行为特征、用户画像特征和资源特征组成第一用户特征数据。每个用户将得到一条第一用户特征数据。并将该用户的第一用户特征数据和第一标签数据作为一条训练样本。利用监督学习的二分类模型，如逻辑回归、随机森林、神经网络等，对所有用户的训练样本数据进行拟合建模，模型输出的标签为1的概率作为下单率。优选的，所述预设行为的用户行为特征，基于预设时刻以前用户的历史行为数据获得；所述用户画像特征，基于所述预设时刻的用户画像数据获得；所述资源特征，基于所述预设时刻的用户拥有资源数据获得；所述第一标签数据，基于所述预设时刻之后的用户下单数据获得。具体实施时，以某个历史时刻t为界，例如t＝2017年7月1日，将用户的历史行为数据分割成两个部分，一部分是在t时刻以前某个时段内，另一部分在t时刻之后的某个时段内。以t＝2017年7月1日为例，可以将用户历史行为数据分为a和b两部分：a部分包括2017年6月31日至2017年1月1日的用户历史行为数据；b部分包括2017年7月2日至2017年7月7日的用户历史行为数据。具体实施时，a、b两部分用户历史行为数据对应的时段长度的选取需要根据具体情况来定，a部分数据对应的时段长度大于b部分数据对应的时段长度。例如，a部分数据对应的时段长度为6个月，b部分数据对应的时段长度设置为电子优惠券的有效期(如7天)。然后，根据a部分用户历史行为数据构造一些统计量作为预设行为的用户行为特征。例如统计a部分用户历史行为数据中用户u浏览某品类下商品的次数、评论某品类下商品的次数和对某品类下商品的下单次数，将这些统计量作为用户u的预设行为的用户行为特征。同时，从t时刻的用户画像数据中提取用户画像特征，如性别和年龄，作为另一部分。此外，再根据t时刻用户u是否拥有电子优惠券确定用户的资源特征。所述资源特征是当前用户是否拥有资源的事实，例如：如果提取的所述资源特征为1，则指示当前用户拥有资源；如果提取的所述资源特征0，则指示当前用户没有资源。最后，将预设行为的用户行为特征、用户画像特征和资源特征，这三部分数据构成了用户的第一用户特征数据。表1就是一个简单的第一用户特征数据。表1，第一用户特征数据再利用b部分用户历史行为数据为每一个用户构造一个第一标签数据。所述第一标签数据用于指示用户在b部分数据对应的时段内是否下单。具体实施时，如果b部分数据中存在用户u的下单行为数据，则可以将用户u的第一标签数据设置为1，否则将用户u的第一标签数据设置为0，则可以得到如表2所示的第一标签数据。用户id是否下单1230124112511260表2，第一标签数据具体实施时，还可以采用其他方法，基于用户的历史行为数据、用户画像数据，以及用户拥有资源数据，训练下单率预估模型。例如，可以利用序列建模的rnn、lstm模型对t时刻以前的行为序列建模。其具体步骤为，将用户在a部分数据中的预设行为按照时间先后顺序排列成一个向量序列，其中，每一个向量是用户当天的行为特征列表，向量中的一个元素代表一种行为特征。例如将用户每天的行为向量表达为：[用户对品类1中商品的点击次数，用户对品类1中商品的下单次数，用户对品类2中商品的点击次数,用户对品类2中商品的下单次数]。具体实施时，行为特征不限于以上4个维度。假设a部分数据对应的时段长度为30天，则可以得到30个这样的向量，构成向量序列，利用rnn、lstm等模型可以将所述向量序列编码为一个固定长度的向量h。然后，可以将向量h和用户的其他用户特征，如用户画像特征、资源特征连接成一个完整的用户特征，用特征向量序列w表示，例如用户特征w＝[h,用户画像特征1,…,用户画像特征n,资源特征]。最后，将用户特征w再输入至神经网络，将用户在b部分数据中是否有下单行为数据作为模型的输出，训练和优化rnn/lstm的参数和神经网络参数。这个模型中，rnn/lstm的参数和神经网络参数采用端到端的联合优化。步骤210，通过下单率预估模型预估用户的有资源下单率和无资源下单率。在需要分配资源时，首先根据用户的历史行为数据确定用户的预设行为的用户行为特征、用户画像特征和资源特征。具体实施时，把当前时间点以前的用户历史行为数据作为提取所述第一用户特征数据的源数据，按照训练模型时提取第一用户特征数据相同的方法提取当前用户的预设行为的用户行为特征、用户画像特征和资源特征。然后，将提取的所述预设行为的用户行为特征、用户画像特征和资源特征作为下单率预估模型的输入，预估所述当前用户的有资源下单率或无资源下单率。具体实施时，如果将所述资源特征设置为指示当前用户拥有资源的数值，则模型输出为有资源下单率；如果将所述资源特征设置为指示当前用户没有资源的数值，则模型输出为无资源下单率。步骤220，基于所述有资源下单率和无资源下单率，确定所述用户对应的资源收益。具体实施时，基于所述有资源下单率和无资源下单率，确定所述用户对应的资源收益，包括：根据用户的所述有资源下单率和无资源下单率的差值，确定所述用户的资源收益。例如通过以下公式1确定某一用户的资源收益:profit(u)＝orderwithresource(u)-orderwithoutresource(u)；(公式1)公式1中，profit(u)表示用户u的资源收益，orderwithresource(u)表示用户u的有资源下单率，orderwithoutresource(u)表示用户u的无资源下单率。其中，orderwithresource(u)和orderwithoutresource(u)通过下单率预估模型预估得到。具体实施时，还可以采用其他的方法，根据用户的有资源下单率和无资源下单率确定某一用户的资源收益，例如，profit(u)＝orderwithresource(u)/orderwithoutresource(u),本申请实施例中不一一例举。以用户历史行为数据中有5个用户的历史行为数据为例，将5个用户分别表示为：u1、u2、u3、u4和u5，通过基于历史行为数据提取用户u1至u5的第一用户特征数据之后，通过下单率预估模型分别预估用户u1至u5的有资源下单率和无资源下单率，并根据公式1计算用户u1至u5的资源收益，得到的资源收益分别表示为：profit(u1)、profit(u2)、profit(u3)、profit(u4)和profit(u5)。步骤230，按照所述资源收益由高到低的顺序，对相应用户进行资源分配。通过公式1可以获得拥有历史行为数据的每个用户的资源收益。然后，按照所述资源收益由高到低的顺序对用户进行排序，并依序优先对资源收益高的用户分配资源。以用户历史行为数据中有5个用户的历史行为数据为例，根据公式1计算用户u1至u5的资源收益分别表示为：profit(u1)、profit(u2)、profit(u3)、profit(u4)和profit(u5)。然后，按照profit()由高到低的顺序依序对相应用户进行资源分配。假设资源收益序列为：profit(u1)>profit(u2)>profit(u3)>profit(u5)>profit(u4),则首先对profit(u1)对应的用户u1进行资源分配，然后，再对profit(u2)对应的用户u2进行资源分配，最后对profit(u4)对应的用户u4进行资源分配。如果资源不足以分配给所有用户，资源收益低的用户将分配不到资源。本申请实施例公开的资源分配方法，通过基于用户的历史行为数据、用户画像数据，以及用户拥有资源数据，训练下单率预估模型，并通过下单率预估模型预估用户的有资源下单率和无资源下单率；然后，基于所述有资源下单率和无资源下单率，确定所述用户对应的资源收益；最后，按照所述资源收益由高到低的顺序，对相应用户进行资源分配，解决了现有技术中的资源分配方法存在的分配精准度低下的问题。本申请实施例中公开的资源分配方法，基于用户的用户行为特征、用户画像特征和资源特征训练下单率预估模型，并基于下单率预估模型预估的有资源下单率和无资源下单率确定资源收益，最后依据资源收益进行资源分配，在进行资源分配时，充分考虑了用户的历史行为、用户画像，以及用户对资源的使用情况，有效提高资源利用效率，提升了资源分配的精准度。实施例三本申请公开的一种资源分配方法，如图3所示，该方法包括：步骤300至步骤350。步骤300，基于用户的历史行为数据、用户画像数据，以及用户拥有资源数据，训练下单率预估模型。基于用户的历史行为数据、用户画像数据，以及用户拥有资源数据，训练下单率预估模型参见实施例二，此处不再赘述。步骤310，基于拥有资源的用户的历史行为数据和用户画像数据，训练下单价格预估模型。具体实施时，基于拥有资源的用户的历史行为数据和用户画像数据，训练下单价格预估模型，包括：根据拥有资源的用户的第二用户特征数据和第二标签数据，训练下单价格预估模型；其中，所述第二用户特征数据包括：预设行为对应的价格特征、用户画像特征；所述第二标签数据用于指示用户的下单价格；所述预设行为对应的用户特征根据所述用户的历史行为数据获得，所述用户画像特征根据所述用户画像数据获得。所述预设行为的用户行为特征为从用户的历史行为数据中提取的用户特征，其中，所述预设行为可以包括：点击、浏览、评论、下单等行为中的一项或多项，所述预设行为对应的价格特征可以包括：用户浏览的某一品类的价格、评论的某一品类产品的价格、用户购买的某一品类产品的价格等。所述用户画像特征为从用户画像数据中提取的用户特征。用户画像数据为用户描述用户的基本信息和用户行为信息的数据。具体实施时，用户画像数据包括：用户的性别、年龄、兴趣爱好、职业等个人信息。所述用户画像特征可以包括：性别、年龄、兴趣爱好中的一项或多项。具体实施时，通过平台数据库或站外数据库可以获取用户画像数据，并进一步从用户画像数据中提取用户画像特征。具体实施时，可以参照现有技术中的方法从用户画像数据中提取用户画像特征，本实施例不再赘述。所述第二标签数据为根据用户的历史行为数据中的下单数据提取的标签。例如，某一用户有下单行为，则该用户下单购买的产品的价格为25，则该用户的第一标签数据设置为25。若某一用户没有下单行为，训练下单价格预估模型时不将该用户的数据作为训练数据。然后，将用户的预设行为对应的价格特征、用户画像特征组成第二用户特征数据。每个用户将得到一条第二用户特征数据。并将该用户的第二用户特征数据和第二标签数据作为一条训练样本。利用监督学习的二分类模型，如逻辑回归、随机森林、神经网络等，对所有用户的训练样本数据进行拟合建模，模型输出为某一用户的下单价格。优选的，所述预设行为对应的价格特征，基于预设时刻以前用户的历史行为数据获得；所述用户画像特征，基于所述预设时刻的用户画像数据获得；所述第二标签数据，基于所述预设时刻之后的用户下单数据获得。具体实施时，以某个历史时刻t为界，例如t＝2017年7月1日，将用户的历史行为数据分割成两个部分，一部分是在t时刻以前某个时段内，另一部分在t时刻之后的某个时段内。以t＝2017年7月1日为例，可以将用户历史行为数据分为a和b两部分：a部分包括2017年6月31日至2017年1月1日的用户历史行为数据；b部分包括2017年7月2日至2017年7月7日的用户历史行为数据。具体实施时，a、b两部分用户历史行为数据对应的时段长度的选取需要根据具体情况来定，a部分数据对应的时段长度大于b部分数据对应的时段长度。例如，a部分数据对应的时段长度为6个月，b部分数据对应的时段长度设置为电子优惠券的有效期(如7天)。然后，根据a部分用户历史行为数据构造一些统计量作为预设行为的价格特征。例如统计a部分用户历史行为数据中用户u浏览某品类下商品的平均价格、评论的某品类下商品的平均价格和购买的某品类商品的平均价格，将这些统计量作为用户u的预设行为的价格特征。同时，从t时刻的用户画像数据中提取用户画像特征，如性别和年龄，作为另一部分。最后，将预设行为的价格特征、用户画像特征，这二部分数据构成了用户的第二用户特征数据。表3就是一个简单的第二用户特征数据。表3，第二用户特征数据再利用b部分用户历史行为数据为每一个用户构造一个第二标签数据。所述第二标签数据用于指示用户在b部分数据对应的时段内的下单价格。具体实施时，如果b部分数据中存在用户u的下单行为数据，则可以将用户u的第二标签数据设置为该用户的平均下单价格，否则抛弃用户u的第二用户特征数据，该用户的数据将不用于作为训练下单价格预估模型的训练样本。则可以得到如表4所示的第二标签数据。用户id下单平均价格12310012456125200表4，第二标签数据具体实施时，还可以采用其他方法，基于用户的历史行为数据、用户画像数据，训练下单率预估模型。例如，可以利用序列建模的rnn、lstm模型对t时刻以前的行为序列建模。利用序列建模的rnn、lstm模型对t时刻以前的行为序列建模，训练下单价格预估模型的具体方法参见实施例二中训练下单率预估模型的具体方法，不同点在于：利用序列建模的rnn、lstm模型对t时刻以前的行为序列建模，训练下单价格预估模型时，向量序列的元素是价格特征和用户画像特征，模型的输出端是第二数据标签中的价格。步骤320，通过下单率预估模型预估用户的有资源下单率和无资源下单率。通过下单率预估模型预估用户的有资源下单率和无资源下单率的具体实施方式参见实施例二，此处不再赘述。步骤330，通过下单价格预估模型预估用户的下单价格。在需要分配资源时，首先根据用户的历史行为数据确定用户的第二用户特征数据，所述第二用户特征数据包括：预设行为对应的价格特征、用户画像特征。具体实施时，把当前时间点以前的用户历史行为数据作为提取所述第二用户特征数据的源数据，按照训练模型时提取预设行为对应的价格特征、用户画像特征相同的方法提取当前用户的预设行为对应的价格特征、用户画像特征。然后，将提取的预设行为对应的价格特征、用户画像特征作为下单价格预估模型的输入，预估所述当前用户的下单价格。步骤340，基于所述有资源下单率和无资源下单率，确定所述用户对应的资源收益。具体实施时，基于所述有资源下单率和无资源下单率，确定所述用户对应的资源收益，包括：根据用户的所述有资源下单率和无资源下单率，以及所述用户的下单价格，确定所述用户的资源收益。优选的，根据用户的所述有资源下单率和无资源下单率，以及所述用户的下单价格，确定所述用户的资源收益，包括：根据用户的所述有资源下单率和无资源下单率的差值与所述用户的下单价格的乘积，确定所述用户的资源收益。例如通过以下公式2确定某一用户的资源收益:profit(u)＝(orderwithresource(u)-orderwithoutresource(u))*price(u)；(公式2)公式2中，profit(u)表示用户u的资源收益，orderwithresource(u)表示用户u的有资源下单率，orderwithoutresource(u)表示用户u的无资源下单率,price(u)表示用户u的预估下单价格。其中，orderwithresource(u)和orderwithoutresource(u)通过下单率预估模型预估得到；price(u)通过下单价格预估模型预估得到。具体实施时，还可以采用其他的方法，基于用户的有资源下单率和无资源下单率确定某一用户的资源收益，例如，profit(u)＝orderwithresource(u)/orderwithoutresource(u)*price(u),本申请实施例中不一一例举。仍以用户历史行为数据中有5个用户的历史行为数据为例，将5个用户分别表示为：u1、u2、u3、u4和u5，通过根据公式2计算用户u1至u5的资源收益分别表示为：profit(u1)、profit(u2)、profit(u3)、profit(u4)和profit(u5)。步骤350，按照所述资源收益由高到低的顺序，对相应用户进行资源分配。通过公式2可以获得拥有历史行为数据的每个用户的资源收益。然后，按照所述资源收益由高到低的顺序对用户进行排序，并依序优先对资源收益高的用户分配资源。按照所述资源收益由高到低的顺序，对相应用户进行资源分配的具体实施方式参见实施例二，此处不再赘述。按照所述资源收益由高到低的顺序，对相应用户进行资源分配，资源收益高的用户将有点分配到资源，如果资源不足以分配给所有用户，资源收益低的用户将分配不到资源。具体实施时，下单率预估模型和下单价格预估模型通常是线下预先训练的，本申请对训练下单率预估模型和下单价格预估模型的先后顺序不做限定。在进行资源分配时，本申请对预估用户的有资源下单率和无资源下单率及预估下单价格的先后顺序不做限定。本申请实施例公开的资源分配方法，通过基于用户的历史行为数据、用户画像数据，以及用户拥有资源数据，训练下单率预估模型，并通过下单率预估模型预估用户的有资源下单率和无资源下单率；以及，基于用户的历史行为数据、用户画像数据，训练下单价格预估模型，并通过下单价格预估模型预估用户的下单价格；然后，基于所述有资源下单率和无资源下单率，以及下单价格，确定所述用户对应的资源收益；最后，按照所述资源收益由高到低的顺序，对相应用户进行资源分配，解决了现有技术中的资源分配方法存在的分配精准度低下的问题。本申请实施例中公开的资源分配方法，通过将下单价格作为训练下单价格预估模型的源数据，可以提高下单价格预估的准确率，同时，通过结合下单价格预估资源收益，可以进一步提升预估的资源收益的可靠性，使得依据资源收益进行资源分配时，充分考虑了用户的历史行为的价格特征、用户画像，以及用户对资源的使用情况，有效提高资源利用效率，提升了资源分配的精准度。实施例四本申请公开的一种资源分配方法，如图4所示，该方法包括：步骤400至步骤460。步骤400，基于用户的历史行为数据、用户画像数据，以及用户拥有资源数据，训练下单率预估模型。具体实施时，平台可能只有一种资源，也可能存在多种资源，例如，可能存在电子代金券和满减优惠券，基于用户的历史行为数据、用户画像数据，以及用户拥有资源数据，训练下单率预估模型时则需要考虑每种资源的资源特征。当有多种资源时，资源特征具体用于指示用户是否拥有资源，以及拥有哪种资源。以平台有2种资源为例，资源特征可以包括三个维度：第一个维度用于指示用户是否没有任何资源；第二个维度用于指示用户是否拥有资源1；第三个维度用于指示用户是否拥有资源2。资源特征的提取方式参见实施例二，此处不再赘述。具体实施时，如果提取的所述资源特征中第一个维度为1，则指示当前用户没有资源；如果提取的所述资源特征中第一个维度为0，第二个维度为1，则指示当前用户拥有资源且拥有资源1。基于用户的历史行为数据提取预设行为的用户行为特征的具体实施方式、基于用户画像数据提取用户画像特征的具体实施方式参见实施例二，此处不再赘述。以平台有2种资源为例，基于用户的历史行为数据、用户画像数据，以及用户拥有资源数据得到的第一用户特征数据的格式可以如表5所示。表5，第一用户特征数据基于用户的历史行为数据提取第一标签数据的具体实施方式参见实施例二，此处不再赘述。然后，将用户的预设行为的用户行为特征、用户画像特征和资源特征组成第一用户特征数据。每个用户将得到一条第一用户特征数据。并将该用户的第一用户特征数据和第一标签数据作为一条训练样本。利用监督学习的二分类模型，如逻辑回归、随机森林、神经网络等，对所有用户的训练样本数据进行拟合建模，模型输出的标签为1的概率作为下单率。同样，还可以采用其他方法，基于用户的历史行为数据、用户画像数据，以及用户拥有资源数据，训练下单率预估模型。例如，可以利用序列建模的rnn、lstm模型对t时刻以前的行为序列建模。利用序列建模的rnn、lstm模型对t时刻以前的行为序列建模，训练下单率预估模型的具体方法参加实施例二，此处不再赘述。步骤410，基于拥有资源的用户的历史行为数据和用户画像数据，训练下单价格预估模型。基于拥有资源的用户的历史行为数据和用户画像数据，训练下单价格预估模型的具体实施方式参见实施例三，此处不再赘述。步骤420，通过下单率预估模型预估用户的有资源下单率和无资源下单率。通过下单率预估模型预估用户的有资源下单率和无资源下单率时，需要输入待预估用户的预设行为的用户行为特征、用户画像特征和资源特征。当平台存在多种资源时，用户的预设行为的用户行为特征、用户画像特征的具体提取方式与实施例二相同，此处不再赘述。当平台存在多种资源时，用户的资源特征用于指示用户是否拥有资源，以及拥有哪种资源。仍以平台有2种资源为例，提取的当前时刻的资源特征可以如表6所示。表6，包括多种资源时的资源特征其中，一个维度用于指示用户是否拥有资源；一个维度用于指示用户是否拥有资源1；一个维度用于指示用户是否拥有资源2。然后，将提取的所述预设行为的用户行为特征、用户画像特征，并设置资源特征作为下单率预估模型的输入，预估所述当前用户的有资源下单率或无资源下单率。具体实施时，如果设置所述资源特征为指示当前用户拥有资源且拥有资源1的数值，则模型输出为有资源1的下单率；如果设置所述资源特征为指示当前用户拥有资源且拥有资源2的数值，则模型输出为有资源2的下单率；如果设置所述资源特征为指示当前用户没有任何资源的数值，则模型输出为无资源下单率。通过下单率预估模型预估用户的有资源下单率和无资源下单率之后，将得到用户拥有每种资源的有资源下单率，以及用户的无资源下单率。具体实施时，当平台中有2种资源时，还可以采用两个维度来表示资源特征，例如：将券1置1，券2置0，表示预估用户只拥有资源1的下单率；将券1置0，券2置1，表示预估用户只拥有资源2的下单率；将券1置0，券2置0，表示预估用户没有任何资源的下单率。同样的，在训练下单率预估模型时，也提取两个维度的资源特征用于训练下单率预估模型。步骤430，通过下单价格预估模型预估用户的下单价格。通过下单价格预估模型预估用户的下单价格的具体实施方式参见实施例三，此处不再赘述。当平台存在多种资源时，具体实施时，基于所述有资源下单率和无资源下单率，确定所述用户对应的资源收益，包括：根据用户的所述有资源下单率和无资源下单率，以及所述用户的下单价格和各资源的成本，确定所述用户的每种资源的单一资源收益；将最大的所述单一资源收益作为该用户对应的资源收益。本实施例中，在确定了用户的有资源下单率和无资源下单率，以及所述用户的下单价格之后，首先确定所述用户的每种资源的单一资源收益。步骤440，根据用户的所述有资源下单率和无资源下单率，以及所述用户的下单价格和各资源的成本，确定所述用户每种资源的单一资源收益。优选的，根据用户的所述有资源下单率和无资源下单率，以及所述用户的下单价格和各资源的成本，确定所述用户的每种资源的单一资源收益包括：确定用户的所述有资源下单率和无资源下单率的差值；根据所述差值与所述用户的下单价格的乘积与单一资源的成本的比值，确定所述用户的单一资源收益。例如通过以下公式3确定某一用户的各资源的单一资源收益:profit’(u,v)＝(orderwithresource(u,v)-orderwithoutresource(u))*price(u)/cos(v)；(公式3)公式3中，profit’(u,v)表示用户u的资源v的单一资源收益，orderwithresource(u,v)表示用户u的有资源v时的下单率，orderwithoutresource(u)表示用户u的无资源下单率,price(u)表示用户u的预估下单价格，cos(v)为资源v的成本。其中，orderwithresource(u,v)和orderwithoutresource(u)通过下单率预估模型预估得到；price(u)通过下单价格预估模型预估得到；cos(v)为平台设置的常量，例如对于电子优惠券，cos(v)的取值包括优惠券的面值和短信成本等。具体实施时，还可以采用其他的方法，基于用户的有资源下单率和无资源下单率确定某一用户的资源收益，例如，profit’(u,v)＝(orderwithresource(u,v)/orderwithoutresource(u))*price(u)/cos(v),本申请实施例中不一一例举。步骤450，将最大的所述单一资源收益作为该用户对应的资源收益。如果平台有两种资源，如资源1和资源2，那么可以分别计算用户u拥有资源1时的单一资源收益profit1’和用户u拥有资源2时的单一资源收益profit2’。然后，将最大的所述单一资源收益作为该用户对应的资源收益，将最大的所述单一资源收益对应的资源作为该用户最为匹配的资源。例如，当profit1’>profit2’时，将profit1’作为用户u的资源收益，资源1作为用户u的最匹配资源。采用同样的办法，重复执行步骤440和步骤450可以分别确定平台上每个用户的资源收益。步骤460，按照所述资源收益由高到低的顺序，对相应用户进行资源分配。确定了每个用户的资源收益之后，按照所述资源收益由高到低的顺序对用户进行排序，并依序优先对资源收益高的用户分配资源。按照所述资源收益由高到低的顺序，对相应用户进行资源分配的具体实施方式参见实施例二，此处不再赘述。按照所述资源收益由高到低的顺序，对相应用户进行资源分配，资源收益高的用户将有点分配到资源，如果资源不足以分配给所有用户，资源收益低的用户将分配不到资源。分配给用户的资源为该用户的最匹配资源。具体实施时，下单率预估模型和下单价格预估模型通常是线下预先训练的，本申请对训练下单率预估模型和下单价格预估模型的先后顺序不做限定。在进行资源分配时，本申请对预估用户的有资源下单率和无资源下单率及预估下单价格的先后顺序不做限定。本申请实施例公开的资源分配方法，通过基于用户拥有各种资源的情况提取不同维度的资源特征，并结合用户行为特征和用户画像特征，以及用户下单情况训练下单率预估模型，用于预估用户拥有不同资源时的有资源下单率和用户没有资源时的无资源下单率；然后，结合所述有资源下单率和无资源下单率，以及下单价格、资源成本，确定单一资源收益，并将最大单一资源收益作为该用户对应的资源收益；最后，按照所述资源收益由高到低的顺序，对相应用户进行资源分配，解决了现有技术中的资源分配方法存在的分配精准度低下的问题。本申请实施例中公开的资源分配方法，通过将用户拥有各资源的情况作为资源特征的一部分，作为确定用户单一资源收益的依据，并将最大单一资源收益作为该用户的资源收益，充分考虑不同资源的收益情况，可以进一步提升预估的资源收益的可靠性，有效提高资源利用效率，提升了资源分配的精准度。实施例五本申请公开的一种资源分配装置，如图5所示，所述装置包括：下单率预估模块510，用于通过下单率预估模型预估用户的有资源下单率和无资源下单率；资源收益确定模块520，用于基于所述下单率预估模块510预估的有资源下单率和无资源下单率，确定所述用户对应的资源收益；资源分配模块530，用于按照所述资源收益确定模块520确定的资源收益由高到低的顺序，对相应用户进行资源分配。本申请实施例公开的资源分配装置，通过下单率预估模型预估用户的有资源下单率和无资源下单率；然后，基于所述有资源下单率和无资源下单率，确定所述用户对应的资源收益；最后，按照所述资源收益由高到低的顺序，对相应用户进行资源分配，解决了现有技术中的资源分配方法存在的分配精准度低下的问题。本申请实施例中公开的资源分配方法，通过依据资源收益进行资源分配，可以有效提高资源利用效率，提升了资源分配的精准度。可选的，如图6所示，所述资源收益确定模块520包括：第一资源收益确定单元5201，用于根据用户的所述有资源下单率和无资源下单率的差值，确定所述用户的资源收益。根据用户的所述有资源下单率和无资源下单率的差值，确定所述用户的资源收益的具体实施方案参见实施例二，此处不再赘述。可选的，如图6所示，所述装置还包括：下单率预估模型训练模块540，用于基于用户的历史行为数据、用户画像数据，以及用户拥有资源数据，训练下单率预估模型。可选的，所述下单率预估模型训练模块540进一步用于：根据第一用户特征数据和第一标签数据，训练下单率预估模型；其中，所述第一用户特征数据包括：预设行为的用户行为特征、用户画像特征和用于指示用户拥有资源情况的资源特征；所述第一标签数据用于指示用户是否下单；所述预设行为的用户行为特征根据所述用户的历史行为数据获得，所述用户画像特征根据所述用户画像数据获得，所述资源特征根据所述用户拥有资源数据获得。优选的，所述预设行为的用户行为特征，基于预设时刻以前用户的历史行为数据获得；所述用户画像特征，基于所述预设时刻的用户画像数据获得；所述资源特征，基于所述预设时刻的用户拥有资源数据获得；所述第一标签数据，基于所述预设时刻之后的用户下单数据获得。本申请实施例中公开的资源分配装置，基于用户的用户行为特征、用户画像特征和资源特征训练下单率预估模型，并基于下单率预估模型预估的有资源下单率和无资源下单率确定资源收益，最后依据资源收益进行资源分配，在进行资源分配时，充分考虑了用户的历史行为、用户画像，以及用户对资源的使用情况，有效提高资源利用效率，提升了资源分配的精准度。可选的，如图7所示，所述装置还包括：下单价格预估模块550，用于通过下单价格预估模型预估用户的下单价格；所述资源收益确定模块520还包括：第二资源收益确定单元5202，用于根据用户的所述有资源下单率和无资源下单率，以及所述用户的下单价格，确定所述用户的资源收益。根据用户的所述有资源下单率和无资源下单率，以及所述用户的下单价格，确定所述用户的资源收益的具体实施方案参见实施例三，此处不再赘述。所述第二资源收益确定单元5202进一步用于：根据用户的所述有资源下单率和无资源下单率的差值与所述用户的下单价格的乘积，确定所述用户的资源收益。可选的，如图7所示，所述装置还包括：下单价格预估模型训练模块560，用于基于拥有资源的用户的历史行为数据和用户画像数据，训练下单价格预估模型。可选的，所述下单价格预估模型训练模块560进一步用于：根据拥有资源的用户的第二用户特征数据和第二标签数据，训练下单价格预估模型；其中，所述第二用户特征数据包括：预设行为对应的价格特征、用户画像特征；所述第二标签数据用于指示用户的下单价格；所述预设行为对应的用户特征根据所述用户的历史行为数据获得，所述用户画像特征根据所述用户画像数据获得。优选的，所述预设行为对应的价格特征，基于预设时刻以前用户的历史行为数据获得；所述用户画像特征，基于所述预设时刻的用户画像数据获得；所述第二标签数据，基于所述预设时刻之后的用户下单数据获得。当平台拥有多种资源时，通过所述下单价格预估模块550预估用户的下单价格之后，可选的，如图7所示，所述资源收益确定模块520还包括：第三资源收益确定单元5203，用于根据用户的所述有资源下单率和无资源下单率，以及所述用户的下单价格和各资源的成本，确定所述用户的每种资源的单一资源收益；所述第三资源收益确定单元5203，还用于将最大的所述单一资源收益作为该用户对应的资源收益。可选的，所述第三资源收益确定单元5203进一步用于：确定用户的所述有资源下单率和无资源下单率的差值；根据所述差值与所述用户的下单价格的乘积与单一资源的成本的比值，确定所述用户的单一资源收益。第三资源收益确定单元的具体实施方案参见实施例四，此处不再赘述本申请实施例中公开的资源分配装置，通过将下单价格作为训练下单价格预估模型的源数据，可以提高下单价格预估的准确率，同时，通过结合下单价格预估资源收益，可以进一步提升预估的资源收益的可靠性，使得依据资源收益进行资源分配时，充分考虑了用户的历史行为的价格特征、用户画像，以及用户对资源的使用情况，有效提高资源利用效率，提升了资源分配的精准度。进一步的，通过将用户拥有各资源的情况作为资源特征的一部分，作为确定用户单一资源收益的依据，并将最大单一资源收益作为该用户的资源收益，充分考虑不同资源的收益情况，可以进一步提升预估的资源收益的可靠性，有效提高资源利用效率，提升了资源分配的精准度。相应的，本申请还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例一至实施例四所述的资源分配方法。所述电子设备可以为移动终端、智能电话、导航仪、个人数字助理、平板电脑等。本申请还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例一至实施例四所述的资源分配方法的步骤。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。以上对本申请提供的一种资源分配方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。当前第1页12