对象特征参数确定方法、装置、电子设备及可读存储介质与流程

本公开涉及互联网技术领域，具体涉及一种对象特征参数确定方法、装置、电子设备及可读存储介质。

背景技术：

随着信息技术的发展，互联网已经深入到各个领域。网络上出现了众多的购物平台、外卖平台、租房平台、打车平台等信息平台。这些信息平台上的信息、产品或服务的提供方(简称为第一对象)会提供各种各样的信息、产品或服务。这些信息、产品或服务种类繁多，信息量大，且经常变化，若要从中挖掘出有价值的内容并非易事。

例如，在线上平台上，各个第一对象(例如，商户)的第二对象特征参数(第一对象的与获取第二对象相关的特征参数，例如，各个商户的新客补贴，或称为拉新补贴)活动是形如“新用户(第二对象)立减21元”之类的活动，特征参数(例如，拉新补贴)的额度依据不同第一对象的特点进行差异化。目前大部分技术都是基于第一对象画像的特点人工设计规则或权重，或者通过机器学习建模学习到权重，进而得到不同的第一对象的第二对象特征参数额度。前一种方案对于人工经验严重依赖，容易设计错误，造成特征参数资源的大量浪费。而后一种方案则需要大量的历史订单(标注)数据作为支撑，每个第一对象应该被分配有多少特征参数没有一个统一的标准，只能依靠运营人员基于经验进行标注，这种标注数据很少，难以直接建模。

技术实现要素：

为了解决相关技术中的问题，本公开实施例提供一种对象特征参数确定方法、装置、电子设备及可读存储介质。

第一方面，本公开实施例中提供了一种对象特征参数确定方法，包括：

获取第一对象的第一对象画像以生成训练集；

对所述训练集进行训练，建立第一对象在不同特征参数情况下的第二对象获取成功率的第二对象获取成功率模型；

根据所述第二对象获取成功率模型计算所述第一对象的与获取第二对象相关的特征参数敏感度；

根据所述第一对象的与获取第二对象相关的特征参数敏感度计算所述第一对象的与获取第二对象相关的特征参数。

结合第一方面，本公开在第一方面的第一种实现方式中，所述第二对象获取成功率为所述第一对象将目标对象转化为第二对象的转化率。

结合第一方面，本公开在第一方面的第二种实现方式中，所述第二对象获取成功率模型被表示为如下函数：

第一对象的第二对象获取成功率＝f(第一对象画像的各个属性，第一对象的与获取第二对象相关的特征参数)。

结合第一方面的第二种实现方式，本公开在第一方面的第三种实现方式中，所述根据所述第二对象获取成功率模型计算所述第一对象的与获取第二对象相关的特征参数敏感度，包括：

通过下式计算所述第一对象的与获取第二对象相关的特征参数敏感度：

第一对象的与获取第二对象相关的特征参数敏感度＝f(第一对象画像的各个属性，第一对象的与获取第二对象相关的特征参数+预设值)-f(第一对象画像的各个属性，第一对象的与获取第二对象相关的特征参数-预设值)

其中，第一对象的与获取第二对象相关的特征参数敏感度越高表示所述第一对象的第二对象获取成功率对于特征参数的敏感度越高。

结合第一方面的第三种实现方式，本公开在第一方面的第四种实现方式中，所述根据所述第一对象的与获取第二对象相关的特征参数敏感度计算所述第一对象的与获取第二对象相关的特征参数，包括：

通过下式计算所述第一对象的与获取第二对象相关的特征参数：

ui＝l+si^t(h-l)

其中，ui表示第一对象i的第一对象的与获取第二对象相关的特征参数，取值范围为[l，h]，其中l为第一对象的与获取第二对象相关的特征参数的下限，并且h为第一对象的与获取第二对象相关的特征参数的上限；si表示第一对象i的第一对象的与获取第二对象相关的特征参数敏感度的归一化值，其取值范围为[0，1]，si越大的第一对象被分配有更大的第一对象的与获取第二对象相关的特征参数；t是倾斜因子，当t变大时，获得高的第一对象的与获取第二对象相关的特征参数的第一对象越来越少，获得低的第一对象的与获取第二对象相关的特征参数的第一对象越来越多，从而使得全部第一对象的第一对象的与获取第二对象相关的特征参数总值减少，并且当t变小时，获得高的第一对象的与获取第二对象相关的特征参数的第一对象越来越多，获得低的第一对象的与获取第二对象相关的特征参数的第一对象越来越少，从而使得全部第一对象的第一对象的与获取第二对象相关的特征参数总值增加。

第二方面，本公开实施例中提供了一种对象特征参数确定装置，包括：

获取模块，被配置为获取第一对象的第一对象画像以生成训练集；

建立模块，被配置为对所述训练集进行训练，建立第一对象在不同特征参数情况下的第二对象获取成功率的第二对象获取成功率模型；

第一计算模块，被配置为根据所述第二对象获取成功率模型计算所述第一对象的与获取第二对象相关的特征参数敏感度；

第二计算模块，被配置为根据所述第一对象的与获取第二对象相关的特征参数敏感度计算所述第一对象的与获取第二对象相关的特征参数。

结合第二方面，本公开在第二方面的第一种实现方式中，所述第二对象获取成功率为所述第一对象将目标对象转化为第二对象的转化率。

结合第二方面，本公开在第二方面的第二种实现方式中，所述第二对象获取成功率模型被表示为如下函数：

第一对象的第二对象获取成功率＝f(第一对象画像的各个属性，第一对象的与获取第二对象相关的特征参数)。

结合第二方面的第二种实现方式，本公开在第二方面的第三种实现方式中，所述第一计算模块还被配置为：

通过下式计算所述第一对象的与获取第二对象相关的特征参数敏感度：

第一对象的与获取第二对象相关的特征参数敏感度＝f(第一对象画像的各个属性，第一对象的与获取第二对象相关的特征参数+预设值)-f(第一对象画像的各个属性，第一对象的与获取第二对象相关的特征参数-预设值)

其中，第一对象的与获取第二对象相关的特征参数敏感度越高表示所述第一对象的第二对象获取成功率对于特征参数的敏感度越高。

结合第二方面的第三种实现方式，本公开在第二方面的第四种实现方式中，所述第二计算模块还被配置为：

通过下式计算所述第一对象的与获取第二对象相关的特征参数：

ui＝l+si^t(h-l)

其中，ui表示第一对象i的第一对象的与获取第二对象相关的特征参数，取值范围为[l，h]，其中l为第一对象的与获取第二对象相关的特征参数的下限，并且h为第一对象的与获取第二对象相关的特征参数的上限；si表示第一对象i的第一对象的与获取第二对象相关的特征参数敏感度的归一化值，其取值范围为[0，1]，si越大的第一对象被分配有更大的第一对象的与获取第二对象相关的特征参数；t是倾斜因子，当t变大时，获得高的第一对象的与获取第二对象相关的特征参数的第一对象越来越少，获得低的第一对象的与获取第二对象相关的特征参数的第一对象越来越多，从而使得全部第一对象的第一对象的与获取第二对象相关的特征参数总值减少，并且当t变小时，获得高的第一对象的与获取第二对象相关的特征参数的第一对象越来越多，获得低的第一对象的与获取第二对象相关的特征参数的第一对象越来越少，从而使得全部第一对象的第一对象的与获取第二对象相关的特征参数总值增加。

第三方面，本公开实施例中提供了一种电子设备，包括存储器和处理器；其中，

所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第一方面、第一方面的第一种实现方式至第四种实现方式任一项所述的方法。

第四方面，本公开实施例中提供了一种可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面、第一方面的第一种实现方式至第四种实现方式任一项所述的方法。

本公开实施例提供的技术方案可以包括以下有益效果：

根据本公开实施例提供的技术方案，通过获取第一对象的第一对象画像以生成训练集；对所述训练集进行训练，建立第一对象在不同特征参数情况下的第二对象获取成功率的第二对象获取成功率模型；根据所述第二对象获取成功率模型计算所述第一对象的与获取第二对象相关的特征参数敏感度；根据所述第一对象的与获取第二对象相关的特征参数敏感度计算所述第一对象的与获取第二对象相关的特征参数，可以完全不依赖人工经验与人工标注，直接利用第一对象自身对第二对象的获取成功率数据建模，进而推导出第一对象的特征参数敏感度进行差异化特征参数。因此，极大地提高了第一对象对第二对象开发效率与特征参数利用率。基于本公开的实施方式，可以使得第一对象的特征参数耗费有所降低，而且开发周期大大缩短。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：

图1示出根据本公开一实施方式的对象特征参数确定方法的流程图；

图2示出根据本公开一实施方式的对象特征参数确定装置的结构框图；

图3示出根据本公开一实施方式的对象特征参数确定方法的应用场景示例的示意图；

图4示出根据本公开一实施方式的电子设备的结构框图；

图5是适于用来实现根据本公开一实施方式的对象特征参数确定方法的计算机系统的结构示意图。

具体实施方式

下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。

在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。

另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出根据本公开一实施方式的对象特征参数确定方法的流程图。如图1所示，所述对象特征参数确定方法包括以下步骤s101-s104：

在步骤s101中，获取第一对象的第一对象画像以生成训练集。

在步骤s102中，对训练集进行训练，建立第一对象在不同特征参数情况下的第二对象获取成功率的第二对象获取成功率模型。

在步骤s103中，根据第二对象获取成功率模型计算第一对象的与获取第二对象相关的特征参数敏感度。

在步骤s104中，根据第一对象的与获取第二对象相关的特征参数敏感度计算第一对象的与获取第二对象相关的特征参数。

在本公开的实施例中，“获取第二对象”指的是“拉新(在商业领域可被称为获取新用户)”。在本公开的实施例中，“第二对象获取成功率”为第一对象将目标对象转化为第二对象的转化率。例如，在商业领域，“第二对象获取成功率”可以指的是把访问过商户的用户转化为在商户下单的新用户的比率。“第一对象的与获取第二对象相关的特征参数”指的是为了使第一对象获取第二对象从而对该第一对象进行的特征参数赋予，在商业领域，可以指的是为了使商户获取新用户而对商户进行的补贴。

在本公开的一个实施方式中，可以将统计每个第一对象每天的第二对象获取成功率作为建模目标，获取每个第一对象每天的第一对象画像，第一对象画像可以包括各种属性(或称为影响因子)。例如，外卖领域的第一对象(商户)属性列表如下：

本领域技术人员可以理解，以上列表中的属性仅仅是外卖商户的商户画像中的属性的示例，商户画像可以根据其行业包含各种属性，而不限于上表。而且本领域技术人员可以理解，根据本公开实施例的对象特征参数确定技术方案可以用于各种商户，而不限于外卖商户。

在本公开的一个实施例中，步骤s102包括：通过xgboost(极端梯度提升)机器学习模型，对训练集进行训练，得到商户在不同特征参数情况下的第二对象获取成功率的第二对象获取成功率模型。本领域技术人员可以理解，通过xgboost机器学习模型对训练集进行训练仅仅是一个示例，还可以采用其他机器学习模型来对训练集进行训练来得到第二对象获取成功率模型。

在本公开的一个实施例中，第二对象获取成功率模型可以被表示为如下函数：

第一对象的第二对象获取成功率＝f(第一对象画像的各个属性，第一对象的与获取第二对象相关的特征参数)。

即，第一对象的第二对象获取成功率是该第一对象的画像的各个属性与第一对象的与获取第二对象相关的特征参数的函数。在本公开的实施例中，可以认为第一对象的与获取第二对象相关的特征参数越高，第一对象的第二对象获取成功率也越高，而第一对象的与获取第二对象相关的特征参数越低，第一对象的第二对象获取成功率也越低。

在本公开的一个实施例中，步骤s103包括：通过下式计算第一对象的与获取第二对象相关的特征参数敏感度：

第一对象的与获取第二对象相关的特征参数敏感度＝f(第一对象画像的各个属性，第一对象的与获取第二对象相关的特征参数+预设值)-f(第一对象画像的各个属性，第一对象的与获取第二对象相关的特征参数-预设值)

其中，第一对象的与获取第二对象相关的特征参数敏感度越高表示第一对象的第二对象获取成功率对于特征参数的敏感度越高。

从以上第一对象的与获取第二对象相关的特征参数敏感度的计算公式可以看出，通过计算第一对象的与获取第二对象相关的特征参数升高一次预设值(例如，商户的拉新补贴升高一次预设金额，诸如0.5元、1元、2元等等)与第一对象的与获取第二对象相关的特征参数降低一次预设值所计算出的第一对象的第二对象获取成功率之差来得到第一对象的与获取第二对象相关的特征参数敏感度，即，第一对象的第二对象获取成功率对于第一对象的与获取第二对象相关的特征参数的敏感程度。

在本公开的一个实施例中，步骤s104包括：通过下式计算第一对象的与获取第二对象相关的特征参数：

ui＝l+si^t(h-l)

其中，ui表示第一对象i的第一对象的与获取第二对象相关的特征参数，取值范围为[l，h]，其中l为第一对象的与获取第二对象相关的特征参数的下限，并且h为第一对象的与获取第二对象相关的特征参数的上限；si表示第一对象i的第一对象的与获取第二对象相关的特征参数敏感度的归一化值，其取值范围为[0，1]，si越大的第一对象被分配有更大的第一对象的与获取第二对象相关的特征参数；t是倾斜因子，当t变大时，获得高的第一对象的与获取第二对象相关的特征参数的第一对象越来越少，获得低的第一对象的与获取第二对象相关的特征参数的第一对象越来越多，从而使得全部第一对象的第一对象的与获取第二对象相关的特征参数总值减少，并且当t变小时，获得高的第一对象的与获取第二对象相关的特征参数的第一对象越来越多，获得低的第一对象的与获取第二对象相关的特征参数的第一对象越来越少，从而使得全部第一对象的第一对象的与获取第二对象相关的特征参数总值增加。

在本公开的一个实施例中，可以采用相关技术中的归一化方法来将第一对象的与获取第二对象相关的特征参数敏感度进行归一化处理。

在本公开的一个实施例中，si越大的第一对象被分配有更大的第一对象的与获取第二对象相关的特征参数是因为si越大的第一对象的第二对象获取成功率对于第一对象的与获取第二对象相关的特征参数更加敏感。因此，当提高第一对象的与获取第二对象相关的特征参数时，si越大的第一对象的第二对象获取成功率越高，即，第一对象的与获取第二对象相关的特征参数更加有效果。

在本公开的一个实施例中，t是倾斜因子，当t变大时，第一对象的与获取第二对象相关的特征参数的函数曲线更加下凹，获得高的第一对象的与获取第二对象相关的特征参数的第一对象越来越少，获得低的第一对象的与获取第二对象相关的特征参数的第一对象越来越多。当t变小时，第一对象的与获取第二对象相关的特征参数的函数曲线会减少下凹，获得高的第一对象的与获取第二对象相关的特征参数的第一对象越来越多，获得低的第一对象的与获取第二对象相关的特征参数的第一对象越来越少，从而使得全部第一对象的第一对象的与获取第二对象相关的特征参数总值增加。

根据本公开实施例提供的技术方案，通过获取第一对象的第一对象画像以生成训练集；对所述训练集进行训练，建立第一对象在不同特征参数情况下的第二对象获取成功率的第二对象获取成功率模型；根据所述第二对象获取成功率模型计算所述第一对象的与获取第二对象相关的特征参数敏感度；根据所述第一对象的与获取第二对象相关的特征参数敏感度计算所述第一对象的与获取第二对象相关的特征参数，可以完全不依赖人工经验与人工标注，直接利用第一对象自身对第二对象的获取成功率数据建模，进而推导出第一对象的特征参数敏感度进行差异化特征参数。因此，极大地提高了第一对象对第二对象开发效率与特征参数利用率。基于本公开的实施方式，可以使得第一对象的特征参数耗费有所降低，而且开发周期大大缩短。

图3示出根据本公开一实施方式的对象特征参数确定方法的应用场景示例的示意图。

如图3所示，平台统计商户1、商户2、...商户n中每一商户每天的新客转化率作为建模目标，获取每个商户每天的商户画像作为建模影响因子。在一个示例中，影响因子可以如前述属性列表所示。以商户2为例，商户2从访问过商户2的用户中获取(拉新)了新用户1、新用户2、...新用户n，可以获取商户的商户画像以生成训练集。在一个示例中，可以通过机器学习模型xgboost，在训练集的基础上，建模商户在不同补贴下的新客转化率模型。模型的形式可以是以下函数：

商户的新客转化率＝f(该商户画像各个属性，拉新补贴)。

例如，拉新补贴敏感度公式可以为：

商户的拉新补贴敏感度＝f(该商户画像各个属性，拉新补贴+1元)-f(该商户画像各个属性，拉新补贴-1元)。

还可以根据商户的拉新补贴敏感度来进行商户的差异化补贴。

例如，可以对同城市商户的补贴敏感度归一化成得分，得分越高补贴越高。可以通过下式计算特定商户的拉新补贴：

ui＝l+si^t(h-l)

其中，ui表示商户i的拉新补贴，取值范围为[l，h]，其中l为拉新补贴的下限，并且h为拉新补贴的上限；si表示商户i的拉新补贴敏感度的归一化值，其取值范围为[0，1]，si越大的商户得到更多的拉新补贴；t是倾斜因子，当t变大时，获得高拉新补贴的商户越来越少，获得低拉新补贴的商户越来越多，从而使得全部商户的总拉新补贴减少，并且当t变小时，获得高拉新补贴的商户越来越多，获得低拉新补贴的商户越来越少，从而使得全部商户的总拉新补贴增加。

以下参照图2来说明根据本公开实施方式的对象特征参数确定装置。图2示出根据本公开一实施方式的对象特征参数确定装置的结构框图。如图2所示，所述对象特征参数确定装置包括获取模块201、建立模块202、第一计算模块203和第二计算模块204。

获取模块201被配置为获取第一对象的第一对象画像以生成训练集。

建立模块202被配置为对训练集进行训练，建立第一对象在不同特征参数情况下的第二对象获取成功率的第二对象获取成功率模型。

第一计算模块203被配置为根据第二对象获取成功率模型计算第一对象的与获取第二对象相关的特征参数敏感度。

第二计算模块204被配置为根据第一对象的与获取第二对象相关的特征参数敏感度计算第一对象的与获取第二对象相关的特征参数。

在本公开的实施例中，“获取第二对象”指的是“拉新(在商业领域可被称为获取新用户)”。在本公开的实施例中，“第二对象获取成功率”为第一对象将目标对象转化为第二对象的转化率。例如，在商业领域，“第二对象获取成功率”可以指的是把访问过商户的用户转化为在商户下单的新用户的比率。“第一对象的与获取第二对象相关的特征参数”指的是为了使第一对象获取第二对象从而对该第一对象进行的特征参数赋予，在商业领域，可以指的是为了使商户获取新用户而对商户进行的补贴。

在本公开的一个实施方式中，可以将统计每个第一对象每天的第二对象获取成功率作为建模目标，获取每个第一对象每天的第一对象画像，第一对象画像可以包括各种属性(或称为影响因子)。例如，外卖领域的第一对象属性列表如上所示。

在本公开的一个实施例中，建立模块202还被配置为：通过xgboost机器学习模型，对训练集进行训练，得到第一对象在不同特征参数情况下的第二对象获取成功率的第二对象获取成功率模型。本领域技术人员可以理解，通过xgboost机器学习模型对训练集进行训练仅仅是一个示例，还可以采用其他机器学习模型来对训练集进行训练来得到第二对象获取成功率模型。

在本公开的一个实施例中，第二对象获取成功率模型可以被表示为如下函数：

第一对象的第二对象获取成功率＝f(第一对象画像的各个属性，第一对象的与获取第二对象相关的特征参数)。

即，第一对象的第二对象获取成功率是该第一对象的画像的各个属性与第一对象的与获取第二对象相关的特征参数的函数。在本公开的实施例中，可以认为第一对象的与获取第二对象相关的特征参数越高，第一对象的第二对象获取成功率也越高，而第一对象的与获取第二对象相关的特征参数越低，第一对象的第二对象获取成功率也越低。

在本公开的一个实施例中，第一计算模块203还被配置为：通过下式计算第一对象的与获取第二对象相关的特征参数敏感度：

第一对象的与获取第二对象相关的特征参数敏感度＝f(第一对象画像的各个属性，第一对象的与获取第二对象相关的特征参数+预设值)-f(第一对象画像的各个属性，第一对象的与获取第二对象相关的特征参数-预设值)

其中，第一对象的与获取第二对象相关的特征参数敏感度越高表示第一对象的第二对象获取成功率对于特征参数的敏感度越高。

从以上第一对象的与获取第二对象相关的特征参数敏感度的计算公式可以看出，通过计算第一对象的与获取第二对象相关的特征参数升高一次预设值(例如，商户的拉新补贴升高一次预设金额，诸如0.5元、1元、2元等等)与第一对象的与获取第二对象相关的特征参数降低一次预设值所计算出的第一对象的第二对象获取成功率之差来得到第一对象的与获取第二对象相关的特征参数敏感度，即，第一对象的第二对象获取成功率对于第一对象的与获取第二对象相关的特征参数的敏感程度。

在本公开的一个实施例中，第二计算模块204还被配置为：通过下式计算第一对象的与获取第二对象相关的特征参数：

ui＝l+si^t(h-l)

其中，ui表示第一对象i的第一对象的与获取第二对象相关的特征参数，取值范围为[l，h]，其中l为第一对象的与获取第二对象相关的特征参数的下限，并且h为第一对象的与获取第二对象相关的特征参数的上限；si表示第一对象i的第一对象的与获取第二对象相关的特征参数敏感度的归一化值，其取值范围为[0，1]，si越大的第一对象被分配有更大的第一对象的与获取第二对象相关的特征参数；t是倾斜因子，当t变大时，获得高的第一对象的与获取第二对象相关的特征参数的第一对象越来越少，获得低的第一对象的与获取第二对象相关的特征参数的第一对象越来越多，从而使得全部第一对象的第一对象的与获取第二对象相关的特征参数总值减少，并且当t变小时，获得高的第一对象的与获取第二对象相关的特征参数的第一对象越来越多，获得低的第一对象的与获取第二对象相关的特征参数的第一对象越来越少，从而使得全部第一对象的第一对象的与获取第二对象相关的特征参数总值增加。

在本公开的一个实施例中，可以采用相关技术中的归一化方法来将第一对象的与获取第二对象相关的特征参数敏感度进行归一化处理。

在本公开的一个实施例中，si越大的第一对象被分配有更大的第一对象的与获取第二对象相关的特征参数是因为si越大的第一对象的第二对象获取成功率对于第一对象的与获取第二对象相关的特征参数更加敏感。因此，当提高第一对象的与获取第二对象相关的特征参数时，si越大的第一对象的第二对象获取成功率越高，即，第一对象的与获取第二对象相关的特征参数更加有效果。

在本公开的一个实施例中，t是倾斜因子，当t变大时，第一对象的与获取第二对象相关的特征参数的函数曲线更加下凹，获得高的第一对象的与获取第二对象相关的特征参数的第一对象越来越少，获得低的第一对象的与获取第二对象相关的特征参数的第一对象越来越多。当t变小时，第一对象的与获取第二对象相关的特征参数的函数曲线会减少下凹，获得高的第一对象的与获取第二对象相关的特征参数的第一对象越来越多，获得低的第一对象的与获取第二对象相关的特征参数的第一对象越来越少，从而使得全部第一对象的第一对象的与获取第二对象相关的特征参数总值增加。

根据本公开实施例提供的技术方案，通过获取模块，被配置为获取第一对象的第一对象画像以生成训练集；建立模块，被配置为对所述训练集进行训练，建立第一对象在不同特征参数情况下的第二对象获取成功率的第二对象获取成功率模型；第一计算模块，被配置为根据所述第二对象获取成功率模型计算所述第一对象的与获取第二对象相关的特征参数敏感度；第二计算模块，被配置为根据所述第一对象的与获取第二对象相关的特征参数敏感度计算所述第一对象的与获取第二对象相关的特征参数，可以完全不依赖人工经验与人工标注，直接利用第一对象自身对第二对象的获取成功率数据建模，进而推导出第一对象的特征参数敏感度进行差异化特征参数。因此，极大地提高了第一对象对第二对象开发效率与特征参数利用率。基于本公开的实施方式，可以使得第一对象的特征参数耗费有所降低，而且开发周期大大缩短。

以上描述了对象特征参数确定装置的内部功能和结构，在一个可能的设计中，该对象特征参数确定装置的结构可实现为对象特征参数确定设备，如图4中所示，该处理设备400可以包括处理器401以及存储器402。

所述存储器402用于存储支持对象特征参数确定装置执行上述任一实施例中对象特征参数确定方法的程序，所述处理器401被配置为用于执行所述存储器402中存储的程序。

所述存储器402用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器401执行。

所述处理器401用于执行前述各方法步骤中的全部或部分步骤。

其中，所述对象特征参数确定设备的结构中还可以包括通信接口，用于对象特征参数确定设备与其他设备或通信网络通信。

本公开示例性实施例还提供了一种计算机存储介质，用于储存所述对象特征参数确定装置所用的计算机软件指令，其包含用于执行上述任一实施例中对象特征参数确定方法所涉及的程序。

图5是适于用来实现根据本公开一实施方式的对象特征参数确定方法的计算机系统的结构示意图。

如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行上述图1所示的实施方式中的各种处理。在ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；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507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，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510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508。

特别地，根据本公开的实施方式，上文参考图1描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行图1的数据处理方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。

附图中的流程图和框图，图示了按照本公开各种实施方式的系统、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，路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，所述模块、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，框图和/或流程图中的每个方框、以及框图和/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系统来实现，并且/或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施方式中所涉及到的单元或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。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。