本发明实施例涉及信息处理技术，尤其涉及一种优惠券推送方法、装置、存储介质及智能终端。
背景技术：
发放优惠券是公司运营的重要环节，这对于提升公司收入，甚至利润有很大帮助。但是，如果优惠券发放不当，会对公司收入和利润产生一定损失。因此，优惠券的合理发放或推送变得至关重要。
其中，在优惠券发放的过程中，公司通常会考虑以下两个问题：第一、哪些用户适合发放优惠券，以此来刺激用户消费，而哪些用户不适合发放优惠券，即公司不发放优惠券，这些用户也会进行消费。第二、适合发放优惠券的用户，具体发放哪种折扣的优惠券比较合适。例如，发放折扣小的优惠券对用户影响有限，用户可能不会使用；发放折扣大的优惠券，可能会损耗公司的收入和利润。因此，对适合发放优惠券的用户，具体发放何种折扣的优惠券也需要一个平衡。
现有技术中，公司发放优惠券的方法主要为：通过简单的限制规则，确定适合发放优惠券的用户及具体发放优惠券的种类。例如，对3个月不消费的用户发放优惠券。而对适合发放优惠券的用户，又具体根据用户的消费的频繁程度发放合适的优惠券。例如，对于消费较为频繁的用户，发放优惠券的折扣小些，如打九折的优惠券，而对消费不是很频繁的用户，发放优惠券的折扣大些，如打八折的优惠券。然而，这种通过简单的限定规则发放优惠券的方式，基本都是公司主观设定的，不能精确地进行优惠券的发放。
技术实现要素：
本发明实施例提供一种优惠券推送方法、装置、存储介质及智能终端，以优化现有的优惠券发放技术，提高优惠券发放的准确性。
第一方面，本发明实施例提供了一种优惠券推送方法，该方法包括：
获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息；
将所述第一优惠券历史使用信息及所述第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取所述目标用户对各个优惠幅度不同的优惠券的使用概率；
根据所述使用概率向所述目标用户推送目标优惠券，其中，所述目标优惠券属于各个优惠幅度不同的优惠券中的至少一种。
进一步的，在获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息之前，还包括：
获取至少两个第一用户在预设时间段内的第二优惠券历史使用信息；
提取与所述第二优惠券历史使用信息关联的第二优惠券特征信息；
基于第一二元分类器算法，根据所述第二优惠券特征信息对应的优惠券使用标记、所述第二优惠券历史使用信息及所述第二优惠券特征信息，对第一设定模型进行训练，生成优惠券推送模型。
进一步的，所述各个优惠幅度不同的优惠券包括各个折扣率不同的优惠券；
所述根据所述使用概率向所述目标用户推送目标优惠券，包括：
计算各个折扣率不同的优惠券的使用概率与所述使用概率对应的优惠券的折扣率的乘积，得到各个乘积值；
从所得到的乘积值中选取n个数值最大的乘积值；
将所选取的n个乘积值分别对应的折扣率的优惠券作为目标优惠券；
向所述目标用户推送所述目标优惠券。
进一步的，在获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息之前，还包括：
获取目标用户的第一历史消费信息；
将所述第一历史消费信息输入至预先训练的用户识别模型中，确定所述目标用户是否为适合推送优惠券的用户；
获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息，包括：
当确定所述目标用户为适合推送优惠券的用户时，获取所述目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息。
进一步的，在获取目标用户的第一历史消费信息之前，还包括：
获取第二预设时间段内至少两个第二用户的第二历史消费信息；
基于第二二元分类器算法，根据与所述第二历史消费信息对应的用户类型及所述第二历史消费信息，对第二设定模型进行训练，生成用户识别模型，其中，所述用户类型包括适合推送优惠券的用户和不适合推送优惠券的用户。
进一步的，在根据与所述第二历史消费信息对应的用户类型及所述第二历史消费信息，对第二设定模型进行训练，生成用户识别模型之前，还包括：
获取所述至少两个第二用户的用户基本信息，其中，所述用户基本信息包括性别、年龄、学历及职业中的至少一种；
根据与所述第二历史消费信息对应的用户类型及所述第二历史消费信息，对第二设定模型进行训练，生成用户识别模型，包括：
根据与所述第二历史消费信息对应的用户类型、所述第二历史消费信息及所述用户基本信息，对第二设定模型进行训练，生成用户识别模型。
进一步的，所述优惠券历史使用信息包括：不同折扣率的优惠券的历史使用率、用户使用优惠券的总次数、用户使用不同折扣率的优惠券的次数、用户有对应的折扣率的优惠券但不使用的次数、用户使用过优惠券的最高折扣率、用户使用过优惠券的最低折扣率中的至少一种。
进一步的，所述优惠券特征信息包括优惠券id和优惠券对应的折扣率。
进一步的，所述历史消费信息包括：消费时间、消费金额、消费次数、消费时间差、消费频率及还款信息中的至少一种。
第二方面，本发明实施例还提供了一种优惠券推送装置，该装置包括：
信息获取模块，用于获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息；
概率获取模块，用于将所述第一优惠券历史使用信息及所述第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取所述目标用户对各个优惠幅度不同的优惠券的使用概率；
优惠券推送模块，用于根据所述使用概率向所述目标用户推送目标优惠券，其中，所述目标优惠券属于各个优惠幅度不同的优惠券中的至少一种。
第三方面，本发明实施例还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如本发明实施例第一方面所述的优惠券推送方法。
第四方面，本发明实施例提供了一种智能终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述的优惠券推送方法。
本发明实施例提供的优惠券推送方案，通过获取目标用户的第一优惠券历史使用信息及与第一优惠券历史使用信息关联的第一优惠券特征信息，并将第一优惠券历史使用信息及第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取目标用户对各个优惠幅度不同的优惠券的使用概率，然后根据使用概率向目标用户推送目标优惠券，其中，目标优惠券属于各个优惠幅度不同的优惠券中的至少一种，可以有效解决现有技术中通过简单的限定规则发放优惠券，导致优惠券发放不准确的技术问题，优化现有的优惠券发放技术，提高优惠券发放的准确性。
附图说明
图1是本发明实施例一提供的一种优惠券推送方法的流程示意图；
图2是本发明实施例二提供的一种优惠券推送方法的流程示意图；
图3是本发明实施例三提供的一种优惠券推送方法的流程示意图；
图4是本发明实施例四提供的一种优惠券推送方法的流程示意图；
图5是本发明实施例五提供的一种优惠券推送方法的流程示意图；
图6是本发明实施例六提供的一种优惠券推送装置的结构示意图；
图7是本发明实施例八提供的一种智能终端的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例提供的优惠券推送方法的流程示意图，该方法可适用于对向用户推送合适优惠券的情况，可以由优惠券推送装置执行，其中该装置可由软件和/或硬件实现，一般可集成在智能终端中。如图1所示，该方法包括：
s101、获取目标用户的第一优惠券历史使用信息及与第一优惠券历史使用信息关联的第一优惠券特征信息。
在本发明实施例中，目标用户可以理解为当前正在判断适合发放哪种优惠幅度的优惠券的用户。获取目标用户的第一优惠券历史使用信息，例如，获取目标用户在预设时间段内的第一优惠券历史使用信息，如从当前时间追溯到前三个月，获取目标用户在这三个月内的第一优惠券历史使用信息。其中，第一优惠券历史使用信息包括以下至少一项：不同折扣率的优惠券的历史使用率、用户使用优惠券的总次数、用户使用不同折扣率的优惠券的次数、用户有对应的折扣率的优惠券但不使用的次数、用户使用过优惠券的最高折扣率、用户使用过优惠券的最低折扣率。
其中，不同折扣率的优惠券的历史使用率可以理解为目标用户对不同折扣率的优惠券的使用率，例如，目标用户对打九折的优惠券的使用率。示例性的，目标用户在预设时间段内共收到10张打九折的优惠券，但是在预设时间段内，目标用户使用了7张打九折的优惠券，则可以得到目标用户对打九折的优惠券的使用率为0.7。用户使用优惠券的总次数可以理解为目标用户在预设时间段共使用优惠券的总次数，例如，目标用户在预设时间段内使用打九折的优惠券3次，使用打八折优惠券5次，使用打六折优惠券2次，使用打五折优惠券8次，则用户使用优惠券的总次数为18次。用户使用不同折扣率的优惠券的次数可以理解为目标用户对各个折扣率优惠券分别使用的次数。用户有对应折扣率的优惠券但不使用的次数，可以理解为，目标用户拥有各个不同折扣率的优惠券但不使用的次数，例如，目标用户拥有5张打八折的优惠券，只使用了一次，即只使用了一张打八折的优惠券，则目标用户对有打八折的优惠券但未使用次数为4次。用户使用过优惠券的最高折扣率可以理解为目标用户使用的所有优惠券中对应的最高折扣率，如五折。用户使用过优惠券的最低折扣率可以理解为目标用户使用的所有优惠券中对应的最低折扣率，如九折。
与第一优惠券历时使用信息关联的第一优惠券特征信息包括优惠券id和优惠券对应的折扣率。其中，优惠券对应的折扣率可以理解为各个优惠券对应的不同优惠幅度，优惠券id则可以理解为不同折扣率的优惠券，反映的优惠券本身的身份信息。
s102、将第一优惠券历史使用信息及第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取目标用户对各个优惠幅度不同的优惠券的使用概率。
预先训练的优惠券推送模型可以理解为在输入第一优惠券历史使用信息及与第一优惠券历史使用信息关联的第一优惠券特征信息后，快速确定目标用户对各个优惠幅度不同的优惠券的使用概率的学习模型。优惠券推送模型可以基于至少两个用户对不同优惠幅度的优惠券的使用规律生成的，即将至少两个用户的优惠券历史使用信息及与优惠券历史使用信息关联的优惠券特征信息作为训练样本，对预设训练模型进行训练、学习，生成优惠券推送模型。
将s101中获取的目标用户的第一优惠券历史使用信息及第一优惠券特征信息输入至优惠券推送模型中，该优惠券推送模型输出不同优惠幅度的优惠券对应的概率值，也即目标用户对各个优惠幅度不同的优惠券的使用概率。示例性的，将第一优惠券历史使用信息及第一优惠券特征信息按照数据向量{优惠券id，优惠券对应的折扣率，不同折扣率的优惠券的历史使用率，用户使用优惠券的总次数，用户使用不同折扣率的优惠券的次数，用户有对应的折扣率的优惠券但不使用的次数，用户使用过优惠券的最高折扣率，用户使用过优惠券的最低折扣率}的形式，输入至预先训练的优惠券推送模型中，获取目标用户对各个优惠幅度不同的优惠券的使用概率。
其中，各个优惠幅度不同的优惠券可以是以折扣率的形式呈现的优惠券，如打九折的优惠券，打八折的优惠券等等，还可以以满减的形式呈现的优惠券，如满100减20的优惠券。当然，对于以满减形式呈现的优惠券，也可以将其折算为折扣率的形式，如满100减20的优惠券，可以粗略折算为打八折的优惠券。
s103、根据使用概率向目标用户推送目标优惠券。
其中，目标优惠券属于各个优惠幅度不同的优惠券中的至少一种。
在本发明实施例中，根据s102中获得的各个优惠幅度不同的优惠券的使用概率确定目标优惠券，并将确定的目标优惠券推送至该目标用户。其中，使用概率反映了目标用户对不同优惠幅度的优惠券使用的可能性大小，使用概率越大，表示目标用户对对应的优惠幅度的优惠券使用的可能性越大，即目标用户使用该优惠券进行消费的可能性越大；使用概率越小，表示目标用户对对应的优惠幅度的优惠券使用的可能性越小，即目标用户使用该优惠券进行消费的可能性越小。
示例性的，可以将最大使用概率对应的优惠幅度的优惠券作为目标优惠券，推送至目标用户，也可以从得到的各个使用概率中选取m个数值对大的使用概率，并可以将其对应的优惠幅度的优惠券作为目标优惠券，推送至目标用户。可选的，计算各个折扣率不同的优惠券的使用概率与使用概率对应的优惠券的折扣率的乘积，得到各个乘积值；从所得到的乘积值中选取n个数值最大的乘积值；将所选取的n个乘积值分别对应的折扣率的优惠券作为目标优惠券；向目标用户推送目标优惠券。
本发明实施例提供的优惠券推送方法，通过获取目标用户的第一优惠券历史使用信息及与第一优惠券历史使用信息关联的第一优惠券特征信息，并将第一优惠券历史使用信息及第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取目标用户对各个优惠幅度不同的优惠券的使用概率，然后根据使用概率向目标用户推送目标优惠券，其中，目标优惠券属于各个优惠幅度不同的优惠券中的至少一种，可以有效解决现有技术中通过简单的限定规则发放优惠券，导致优惠券发放不准确的技术问题，优化现有的优惠券发放技术，提高优惠券发放的准确性。
实施例二
图2是本发明实施例二提供的一种优惠券推送方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，在步骤获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息之前，增加步骤：获取至少两个第一用户在预设时间段内的第二优惠券历史使用信息；提取与所述第二优惠券历史使用信息关联的第二优惠券特征信息；基于第一二元分类器算法，根据所述第二优惠券特征信息对应的优惠券使用标记、所述第二优惠券历史使用信息及所述第二优惠券特征信息，对第一设定模型进行训练，生成优惠券推送模型。相应的，本实施例的方法具体包括：
s201、获取至少两个第一用户在预设时间段内的第二优惠券历史使用信息。
在本实施例中，获取至少两个第一用户在预设时间段内的底油优惠券历史使用信息。其中，第二优惠券历史使用信息反映了第一用户在预设时间段内使用优惠券的真实情况。第二优惠券历史使用信息包括以下至少一项：不同折扣率的优惠券的历史使用率、用户使用优惠券的总次数、用户使用不同折扣率的优惠券的次数、用户有对应的折扣率的优惠券但不使用的次数、用户使用过优惠券的最高折扣率、用户使用过优惠券的最低折扣率。
s202、提取与第二优惠券历史使用信息关联的第二优惠券特征信息。
提取与第二优惠券历史使用信息关联的第二优惠券特征信息。其中，与第二优惠券历时使用信息关联的第二优惠券特征信息包括优惠券id和优惠券对应的折扣率。
s203、基于第一二元分类器算法，根据第二优惠券特征信息对应的优惠券使用标记、第二优惠券历史使用信息及第二优惠券特征信息，对第一设定模型进行训练，生成优惠券推送模型。
在本发明实施例中，对第一用户对第二优惠券特征信息对应的优惠券的使用情况进行标记，并将标记结果作为第二优惠券特征信息对应的使用标记。示例性的，第二优惠特征信息对应的优惠券被第一用户使用时，如打八折的优惠券被第一用户使用，用1表示，即第二优惠券特征信息对应的使用标记为1；第二优惠特征信息对应的优惠券未被第一用户使用时，如打九折的优惠券未被用户使用，用0表示，即第二优惠券特征信息对应的使用标记为0。
采用第一二元分类器算法，根据第二优惠券特征信息对应的优惠券使用标记、第二优惠券历史使用信息及第二优惠券特征信息，对第一设定模型进行训练，以生成优惠券推送模型。其中，第一设定预测模型属于二元分类模型，可以为决策树、神经网络、逻辑回归、判断分析等二元分类器中任意一种。优惠券推送模型用于判断用户对各个优惠幅度不同的优惠券的使用概率。
可选的，第二优惠券历史使用信息包括不同折扣率的优惠券的历史使用率、用户使用优惠券的总次数、用户使用不同折扣率的优惠券的次数、用户有对应的折扣率的优惠券但不使用的次数、用户使用过优惠券的最高折扣率、用户使用过优惠券的最低折扣率中全部信息量，将第二优惠券历史使用信息及与第二优惠券历史使用信息关联的第二优惠券特征信息作为第一设定模型的自变量，将第二优惠券特征信息对应的优惠券使用标记作为第一设定模型的自变量进行训练，生成优惠券推送模型。
s204、获取目标用户的第一优惠券历史使用信息及与第一优惠券历史使用信息关联的第一优惠券特征信息。
s205、将第一优惠券历史使用信息及第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取目标用户对各个优惠幅度不同的优惠券的使用概率。
s206、根据使用概率向目标用户推送目标优惠券。
其中，目标优惠券属于各个优惠幅度不同的优惠券中的至少一种。
本发明实施例提供的优惠券推送方法，通过获取至少两个第一用户在预设时间段内的第二优惠券历史使用信息，提取与第二优惠券历史使用信息关联的第二优惠券特征信息，并基于第一二元分类器算法，根据第二优惠券特征信息对应的优惠券使用标记、第二优惠券历史使用信息及第二优惠券特征信息，对第一设定模型进行训练，生成优惠券推送模型，能够充分利用能够真实反映用户对优惠券使用情况的优惠券历史使用信息，优化了现有的优惠券发放技术，进一步提高了优惠券发放的准备性。
实施例三
图3是本发明实施例三提供的一种优惠券推送方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，所述各个优惠幅度不同的优惠券包括各个折扣率不同的优惠券，并将步骤根据所述使用概率向所述目标用户推送目标优惠券，优化为：计算各个折扣率不同的优惠券的使用概率与所述使用概率对应的优惠券的折扣率的乘积，得到各个乘积值；从所得到的乘积值中选取n个数值最大的乘积值；将所选取的n个乘积值分别对应的折扣率的优惠券作为目标优惠券；向所述目标用户推送所述目标优惠券。相应的，本实施例的方法具体包括：
s301、获取至少两个第一用户在预设时间段内的第二优惠券历史使用信息。
s302、提取与第二优惠券历史使用信息关联的第二优惠券特征信息。
s303、基于第一二元分类器算法，根据第二优惠券特征信息对应的优惠券使用标记、第二优惠券历史使用信息及第二优惠券特征信息，对第一设定模型进行训练，生成优惠券推送模型。
s304、获取目标用户的第一优惠券历史使用信息及与第一优惠券历史使用信息关联的第一优惠券特征信息。
s305、将第一优惠券历史使用信息及第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取目标用户对各个优惠幅度不同的优惠券的使用概率。
其中，各个优惠幅度不同的优惠券包括各个折扣率不同的优惠券。
各个优惠幅度不同的优惠券可以包括各个折扣率不同的优惠券，如打九折、八折及打五折等不用折扣率的优惠券，还可以包括满减优惠券，如满100减20的优惠券，满1000减100的优惠券。当优惠券未满减优惠券时，也可以将满减优惠券折算为对应折扣率的优惠券，例如，满1000减100的优惠券可以折算为打九折的优惠券。
s306、计算各个折扣率不同的优惠券的使用概率与使用概率对应的优惠券的折扣率的乘积，得到各个乘积值。
通常，用户对折扣率较大的优惠券使用概率较大，但是优惠券的折扣率越大，运营公司的利润就会相对较小，因此，虽然用户对折扣率的使用概率大，但是公司利润却不一定能够最大化；而用户对折扣率较小的优惠券使用的概率较小，但是由于优惠券的折扣率较小，运营公司的利润就会相对较大，但由于用户通过该折扣率较小的优惠券消费的可能性小，同样公司利润也不一定能够最大化。因此，需要确定优惠券折扣率与用户对该折扣率优惠券的使用概率的一个平衡点，即确定公司利润最大化的平衡点。
在本发明实施例中，可以将优惠券的使用概率与该优惠券的折扣率的乘积作为公司利润的一个衡量标准。示例性的，计算计算各个折扣率不同的优惠券的使用概率与所述使用概率对应的优惠券的折扣率的乘积，得到各个乘积值。其中，得到的乘积值越大，可以表示公司利润相对越高，反之，得到的乘积值越小，可以表示公司利润相对越低。例如，通过s305确定目标用户使用九折优惠券的使用概率为0.7，此时，预估公司利润为0.9×0.7＝0.63；通过s305确定目标用户使用八折优惠券的使用概率为0.8，此时，预估公司利润为0.8×0.8＝0.64。
s307、从所得到的乘积值中选取n个数值最大的乘积值。
从s306得到的各个乘积值中选取n个数值最大的乘积值，其中，n为大于等于1的正整数。示例性的，n＝2，即选取2个数值最大的乘积值。
s308、将所选取的n个乘积值分别对应的折扣率的优惠券作为目标优惠券。
其中，目标优惠券属于各个优惠幅度不同的优惠券中的至少一种。
在本实施例中，不同的乘积值包含了目标用户对不同折扣率的优惠券的使用概率的具体情况，例如，选取的1个数值最大的乘积值对应的优惠券的折扣率为八折，则将八折优惠券作为目标优惠券。
s309、向目标用户推送目标优惠券。
本发明实施例提供的优惠券推送方法，通过计算各个折扣率不同的优惠券的使用概率与所述使用概率对应的优惠券的折扣率的乘积，得到各个乘积值；从所得到的乘积值中选取n个数值最大的乘积值，并将所选取的n个乘积值分别对应的折扣率的优惠券作为目标优惠券，向所述目标用户推送所述目标优惠券，能够通过优惠券的使用概率与对应优惠券折扣率的乘积预估公司利润，并基于利润最大化确定目标优惠券，以能够更加精确地确定用户适合发放哪种优惠幅度的优惠券。
实施例四
图4是本发明实施例四提供的一种优惠券推送方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，在步骤获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息之前，增加步骤：获取目标用户的第一历史消费信息；将所述第一历史消费信息输入至预先训练的用户识别模型中，确定所述目标用户是否为适合推送优惠券的用户；并将步骤获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息，优化为：当确定所述目标用户为适合推送优惠券的用户时，获取所述目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息。相应的，本实施例的方法具体包括：
s401、获取至少两个第一用户在预设时间段内的第二优惠券历史使用信息。
s402、提取与第二优惠券历史使用信息关联的第二优惠券特征信息。
s403、基于第一二元分类器算法，根据第二优惠券特征信息对应的优惠券使用标记、第二优惠券历史使用信息及第二优惠券特征信息，对第一设定模型进行训练，生成优惠券推送模型。
s404、获取目标用户的第一历史消费信息。
获取目标用户的第一历史消费信息，其中，第一历史消费信息可以包括：消费时间、消费金额、消费次数、消费时间差、消费频率及还款信息中的至少一种。示例性的，消费时间可以理解为目标用户最近一次的消费时间，如2018年2月5日；消费金额可以理解为目标用户最近一次的消费金额，如最近一次消费金额为1000元；消费次数可以理解为目标用户在预设时间段内消费总次数，如目标用户在最近半年通过某款消费产品消费8次；消费时间差可以理解为在预设时间段内目标用户远的一次消费时间与最近一次消费时间的时间差，如在最近半年内目标用户最近一次消费时间是2018年2月5日，最远一次消费时间为2017年10月5日，则消费时间差为120天；消费频率可以理解为目标用户在预设时间段内的消费时间差与消费次数的比值，如目标用户在最近半年的消费次数为8次，消费时间差为120天，则消费频率为120÷8＝15。需要说明的是，当消费次数为0时，消费频率返回预设时间段内的时间长度，如180。还款信息可以包括用户当月待还本金、用户待还本金总额、用户已还费用及用户当月应还本金等相关信息。另外，第一历史消费信息可以包括目标用户针对一款消费产品的历史消费记录，还可以包括目标用户针对多款不同消费产品的历史消费记录。示例性的，目标用户对乐花这一消费产品和取现这一消费产品均存在消费情况，则第一历史消费信息可以包括目标用户对乐花的历史消费信息、目标用户对取现的历史消费信息及用户对乐花和取现综合的历史消费信息。
s405、将第一历史消费信息输入至预先训练的用户识别模型中，确定目标用户是否为适合推送优惠券的用户，若是，则执行s406，否则，执行s412。
在本发明实施例中，将第一历史消费信息作为判断目标用户是否为适合推送优惠券的用户的特征信息，即将第一历史消费信息作为特征信息输入至预先训练的用户识别模型中，该用户识别模型通过对第一历史消费信息的分析，输出对目标用户是否为适合推送优惠券的用户的判断结果。其中，用户识别模型对输入的第一历史消费信息分析后的输出结果可以为一个概率值，还可以为一个0或1的布尔变量。示例性的，当预先训练的用户识别模型是由逻辑回归模型训练得到时，目标用户的识别结果为一个概率数值。判断该概率值是否大于预设概率值，当识别结果的概率值大于预设概率值时，确定目标用户为适合推送优惠券的用户，否则，确定目标用户为不适合推送优惠券的用户。又示例性的，当用户识别模型输出为1时，表明目标用户为适合推送优惠券的用户；当用户识别模型输出为0时，表明目标用户为不适合推送优惠券的用户。
其中，用户识别模型是由至少两个第二用户的第二历史消费信息及对应的用户类型训练生成的。
s406、获取目标用户的第一优惠券历史使用信息及与第一优惠券历史使用信息关联的第一优惠券特征信息。
当通过s405确定目标用户为适合推送优惠券的用户时，获取目标用户的第一优惠券历史使用信息及与第一优惠券历史使用信息关联的第一优惠券特征信息，以进一步判断适合向该目标用户推送具体哪一种优惠幅度的优惠券。
s407、将第一优惠券历史使用信息及第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取目标用户对各个优惠幅度不同的优惠券的使用概率。
其中，各个优惠幅度不同的优惠券包括各个折扣率不同的优惠券。
s408、计算各个折扣率不同的优惠券的使用概率与使用概率对应的优惠券的折扣率的乘积，得到各个乘积值。
s409、从所得到的乘积值中选取n个数值最大的乘积值。
s410、将所选取的n个乘积值分别对应的折扣率的优惠券作为目标优惠券。
其中，目标优惠券属于各个优惠幅度不同的优惠券中的至少一种。
s411、向目标用户推送目标优惠券。
s412、禁止向目标用户推送优惠券。
当通过s405确定目标用户为不适合推送优惠券的用户时，禁止向该目标用户推送优惠券。
本发明实施例提供的优惠券推送方法，通过获取目标用户的第一历史消费信息，将第一历史消费信息输入至预先训练的用户识别模型中，确定目标用户是否为适合推送优惠券的用户，当确定目标用户为适合推送优惠券的用户时，获取目标用户的第一优惠券历史使用信息及与第一优惠券历史使用信息关联的第一优惠券特征信息，当确定目标用户为不适合推送优惠券的用户时，禁止向目标用户推送优惠券，可以准确判断目标用户是否为适合推送优惠券的用户，当确定目标用户为适合推送优惠券的用户时，进一步确定向该用户推送何种优惠幅度的优惠券，可以保证发放的优惠券以最大可能性被用户使用，避免优惠券的浪费。
实施例五
图5是本发明实施例五提供的一种优惠券推送方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，在步骤在获取目标用户的第一历史消费信息之前，增加步骤包括：获取第二预设时间段内至少两个第二用户的第二历史消费信息；基于第二二元分类器算法，根据与所述第二历史消费信息对应的用户类型及所述第二历史消费信息，对第二设定模型进行训练，生成用户识别模型，其中，所述用户类型包括适合推送优惠券的用户和不适合推送优惠券的用户。相应的，本实施例的方法具体包括：
s501、获取至少两个第一用户在预设时间段内的第二优惠券历史使用信息。
s502、提取与第二优惠券历史使用信息关联的第二优惠券特征信息。
s503、基于第一二元分类器算法，根据第二优惠券特征信息对应的优惠券使用标记、第二优惠券历史使用信息及第二优惠券特征信息，对第一设定模型进行训练，生成优惠券推送模型。
s504、获取第二预设时间段内至少两个第二用户的第二历史消费信息。
在本实施例中，获取第二预设时间段内至少两个第二用户的历史消费信息，其中，第二历史消费信息可以包括消费时间、消费金额、消费次数、消费时间差及消费频率、消费频率及还款信息中的至少一种。
需要说明的是，第二预设时间段与第一预设时间段可以相同，也可以不同，第二用户和第一用户可以相同也可以不同。
s505、基于第二二元分类器算法，根据与第二历史消费信息对应的用户类型及第二历史消费信息，对第二设定模型进行训练，生成用户识别模型。
其中，用户类型包括适合推送优惠券的用户和不适合推送优惠券的用户。
在本实施例中，用户类型包括适合推送优惠券的用户和不适合推送优惠券的用户，对某一个用户来说只能择一属于适合推送优惠券的用户或不适合推送优惠券的用户。可以根据第二历史消费信息对对应的第二用户的用户类型进行定义，确定与第二历史消费信息对应的用户类型。示例性的，判断第二用户在第二历史消费信息后的预设时间段内，是否会再次消费，如果是，则确定该第二用户为不适合推送优惠券的用户，否则，确定该第二用户为适合推送优惠券的用户。例如，如果用户a在第二历史消费信息后的28天时间内，没有再次消费时，定义用户a为适合推送优惠券的用户，即需要向用户a发放优惠券来刺激用户a进一步消费；否则，判断用户a为不适合推送优惠券的用户，即不需要向用户a发放优惠券，用户a也会前来消费。
识别用户是否为适合推送优惠券的用户属于二元分类预测问题，因此，采用二元分类器算法，根据与第二历史消费信息对应的用户类型及所述第二历史消费信息，对第二设定模型进行训练，生成用户识别模型。其中，设定预测模型属于二元分类模型，可以为决策树、神经网络、逻辑回归、判断分析等二元分类器中任意一种。用户识别模型用于判断目标用户是否为适合推送优惠券的用户。
需要说明的是，第二二元分类器算法与第一二元分类器算法可以相同，也可以不同，第二设定模型与第一设定模型可以相同，也可以不同。另外，本发明实施例对s501-503与s504-505的执行顺序不做限定，可以先执行s501-503，再执行s504-505，也可以先执行s504-505，再执行s501-503，也可以同时执行s501-503与s504-505。
s506、获取目标用户的第一历史消费信息。
s507、将第一历史消费信息输入至预先训练的用户识别模型中，确定目标用户是否为适合推送优惠券的用户，若是，则执行s508，否则，执行s514。
s508、获取目标用户的第一优惠券历史使用信息及与第一优惠券历史使用信息关联的第一优惠券特征信息。
s509、将第一优惠券历史使用信息及第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取目标用户对各个优惠幅度不同的优惠券的使用概率。
其中，各个优惠幅度不同的优惠券包括各个折扣率不同的优惠券。
s510、计算各个折扣率不同的优惠券的使用概率与使用概率对应的优惠券的折扣率的乘积，得到各个乘积值。
s511、从所得到的乘积值中选取n个数值最大的乘积值。
s512、将所选取的n个乘积值分别对应的折扣率的优惠券作为目标优惠券。
其中，目标优惠券属于各个优惠幅度不同的优惠券中的至少一种。
s513、向目标用户推送目标优惠券。
s514、禁止向目标用户推送优惠券。
本发明实施例提供的优惠券推送方法，通过获取第二预设时间段内至少两个第二用户的第二历史消费信息，并基于第二二元分类器算法，根据与第二历史消费信息对应的用户类型及第二历史消费信息，对第二设定模型进行训练，生成用户识别模型，其中，用户类型包括适合推送优惠券的用户和不适合推送优惠券的用户，能够充分利用能够真实反映用户对优惠券的需求情况的历史消费信息，优化了现有的适合优惠券发放的用户的确定技术，进一步提高了对用户是否为适合优惠券推送用户判断的准确性。
在一些实施例中，在根据与第二历史消费信息对应的用户类型及第二历史消费信息，对第二设定模型进行训练，生成用户识别模型之前，还包括：获取至少两个第二用户的用户基本信息，其中，用户基本信息包括性别、年龄、学历及职业中的至少一种；相应的，根据与第二历史消费信息对应的用户类型及第二历史消费信息，对第二设定模型进行训练，生成用户识别模型，可以包括：根据与第二历史消费信息对应的用户类型、第二历史消费信息及用户基本信息，对第二设定模型进行训练，生成用户识别模型。这样设置的好处在于，可以进一步提高对用户识别模型构建的准确性，以进一步准确地判断目标用户是否为适合推送优惠券的用户。
在本实施例中，用户基本信息包括性别、年龄、学历及职业中的至少一种，其中，学历可以包括专科、本科、硕士、博士及未知(即对用户学历的具体情况未知)，职业可以为在校生、毕业生，还可以白领、金领及蓝领等。不同的用户基本信息不同，可以用不同的标识信息进行标记，例如专科用1表示，本科用2表示，硕士用3表示，博士用4表示，而学历未知用0表示。将与第二历史消费信息对应的用户基本信息、用户类型及第二历史消费信息作为用户识别模型的训练样本，生成用户识别模型。
实施例六
图6是本发明实施例六提供的一种优惠券推送装置的结构示意图。如图6所示，所述装置包括：第一使用信息获取模块610、概率获取模块620以及优惠券推送模块630，其中：
第一使用信息获取模块610，用于获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息；
概率获取模块620，用于将所述第一优惠券历史使用信息及所述第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取所述目标用户对各个优惠幅度不同的优惠券的使用概率；
优惠券推送模块630，用于根据所述使用概率向所述目标用户推送目标优惠券，其中，所述目标优惠券属于各个优惠幅度不同的优惠券中的至少一种。
本发明实施例提供的优惠券推送装置，通过获取目标用户的第一优惠券历史使用信息及与第一优惠券历史使用信息关联的第一优惠券特征信息，并将第一优惠券历史使用信息及第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取目标用户对各个优惠幅度不同的优惠券的使用概率，然后根据使用概率向目标用户推送目标优惠券，其中，目标优惠券属于各个优惠幅度不同的优惠券中的至少一种，可以有效解决现有技术中通过简单的限定规则发放优惠券，导致优惠券发放不准确的技术问题，优化现有的优惠券发放技术，提高优惠券发放的准确性。
可选的，该装置还包括：
第二使用信息获取模块，用于在获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息之前，获取至少两个第一用户在预设时间段内的第二优惠券历史使用信息；
特征信息提取模块，用于提取与所述第二优惠券历史使用信息关联的第二优惠券特征信息；
推送模型训练模块，用于基于第一二元分类器算法，根据所述第二优惠券特征信息对应的优惠券使用标记、所述第二优惠券历史使用信息及所述第二优惠券特征信息，对第一设定模型进行训练，生成优惠券推送模型。
可选的，所述各个优惠幅度不同的优惠券包括各个折扣率不同的优惠券；
所述优惠券推送模块，用于：
计算各个折扣率不同的优惠券的使用概率与所述使用概率对应的优惠券的折扣率的乘积，得到各个乘积值；
从所得到的乘积值中选取n个数值最大的乘积值；
将所选取的n个乘积值分别对应的折扣率的优惠券作为目标优惠券；
向所述目标用户推送所述目标优惠券。
可选的，该装置还包括：
第一消费信息获取模块，用于在获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息之前，获取目标用户的第一历史消费信息；
目标用户确定模块，用于将所述第一历史消费信息输入至预先训练的用户识别模型中，确定所述目标用户是否为适合推送优惠券的用户；
所述第一使用信息获取模块，用于：
当确定所述目标用户为适合推送优惠券的用户时，获取所述目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息。
可选的，该装置还包括：
第二消费信息获取模块，用于在获取目标用户的第一历史消费信息之前，获取第二预设时间段内至少两个第二用户的第二历史消费信息；
用户识别模型训练模块，用于基于第二二元分类器算法，根据与所述第二历史消费信息对应的用户类型及所述第二历史消费信息，对第二设定模型进行训练，生成用户识别模型，其中，所述用户类型包括适合推送优惠券的用户和不适合推送优惠券的用户。
可选的，该装置还包括：
基本信息获取模块，用于在根据与所述第二历史消费信息对应的用户类型及所述第二历史消费信息，对第二设定模型进行训练，生成用户识别模型之前，获取所述至少两个第二用户的用户基本信息，其中，所述用户基本信息包括性别、年龄、学历及职业中的至少一种；
所述用户识别模型训练模块，用于：
根据与所述第二历史消费信息对应的用户类型、所述第二历史消费信息及所述用户基本信息，对第二设定模型进行训练，生成用户识别模型。
可选的，所述优惠券历史使用信息包括：不同折扣率的优惠券的历史使用率、用户使用优惠券的总次数、用户使用不同折扣率的优惠券的次数、用户有对应的折扣率的优惠券但不使用的次数、用户使用过优惠券的最高折扣率、用户使用过优惠券的最低折扣率中的至少一种。
可选的，所述优惠券特征信息包括优惠券id和优惠券对应的折扣率。
可选的，所述历史消费信息包括：消费时间、消费金额、消费次数、消费时间差、消费频率及还款信息中的至少一种。
实施例七
本发明实施例七提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于优惠券推送方法，该方法包括：
获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息；
将所述第一优惠券历史使用信息及所述第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取所述目标用户对各个优惠幅度不同的优惠券的使用概率；
根据所述使用概率向所述目标用户推送目标优惠券，其中，所述目标优惠券属于各个优惠幅度不同的优惠券中的至少一种。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddrram、sram、edoram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的优惠券推送操作，还可以执行本发明任意实施例所提供的优惠券推送方法中的相关操作。
实施例八
图7为本发明实施例八提供一种智能终端的结构示意图，如图7所示，该智能终端可以包括：壳体(图中未示出)、存储器701、中央处理器(centralprocessingunit，cpu)702(又称处理器，以下简称cpu)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部；所述cpu702和所述存储器701设置在所述电路板上；所述电源电路，用于为所述智能终端的各个电路或器件供电；所述存储器701，用于存储可执行程序代码；所述cpu702通过读取所述存储器701中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以实现以下步骤：
获取目标用户的第一优惠券历史使用信息及与所述第一优惠券历史使用信息关联的第一优惠券特征信息；
将所述第一优惠券历史使用信息及所述第一优惠券特征信息输入至预先训练的优惠券推送模型中，获取所述目标用户对各个优惠幅度不同的优惠券的使用概率；
根据所述使用概率向所述目标用户推送目标优惠券，其中，所述目标优惠券属于各个优惠幅度不同的优惠券中的至少一种。
所述智能终端还包括：外设接口703、rf(radiofrequency，射频)电路705、音频电路706、扬声器711、电源管理芯片708、输入/输出(i/o)子系统709、其他输入/控制设备710、触摸屏712、其他输入/控制设备710以及外部端口704，这些部件通过一个或多个通信总线或信号线707来通信。
应该理解的是，图示智能终端700仅仅是智能终端的一个范例，并且智能终端700可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的用于优惠券推送的智能终端进行详细的描述，该智能终端以手机为例。
存储器701，所述存储器701可以被cpu702、外设接口703等访问，所述存储器701可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口703，所述外设接口703可以将设备的输入和输出外设连接到cpu702和存储器701。
i/o子系统709，所述i/o子系统709可以将设备上的输入输出外设，例如触摸屏712和其他输入/控制设备710，连接到外设接口703。i/o子系统709可以包括显示控制器7091和用于控制其他输入/控制设备710的一个或多个输入控制器7092。其中，一个或多个输入控制器7092从其他输入/控制设备710接收电信号或者向其他输入/控制设备710发送电信号，其他输入/控制设备710可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器7092可以与以下任一个连接：键盘、红外端口、usb接口以及诸如鼠标的指示设备。
触摸屏712，所述触摸屏712是用户智能终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。
i/o子系统709中的显示控制器7091从触摸屏712接收电信号或者向触摸屏712发送电信号。触摸屏712检测触摸屏上的接触，显示控制器7091将检测到的接触转换为与显示在触摸屏712上的用户界面对象的交互，即实现人机交互，显示在触摸屏712上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。
rf电路705，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，rf电路705接收并发送rf信号，rf信号也称为电磁信号，rf电路705将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。rf电路705可以包括用于执行这些功能的已知电路，其包括但不限于天线系统、rf收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、codec(coder-decoder，编译码器)芯片组、用户标识模块(subscriberidentitymodule，sim)等等。
音频电路706，主要用于从外设接口703接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器711。
扬声器711，用于将手机通过rf电路705从无线网络接收的语音信号，还原为声音并向用户播放该声音。
电源管理芯片708，用于为cpu702、i/o子系统及外设接口所连接的硬件进行供电及电源管理。
上述实施例中提供的优惠券推送装置、存储介质及智能终端可执行本发明实施例所提供的对应的优惠券推送方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的优惠券推送方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。