一种资源推荐方法及装置、设备、存储介质与流程

[0001]
本申请实施例涉及计算机技术领域，涉及但不限于一种资源推荐方法及装置、设备、存储介质。


背景技术：

[0002]
随着互联网发展，网民流量触顶，加之不断新生产品进入市场，电商平台消费力也被迅速稀释。为获得更多稳定的流量红利，除了常规的运营方法，电商平台会筛选固定用户群作为沉睡用户群体，并通过直接向沉睡用户群体发放优惠券的方式，达到激活用户和促活用户目的。
[0003]
在实现本申请过程中，发明人发现现有技术中至少存在如下问题：每个用户的购买能力不同，对电商平台的依赖程度也不尽相同，因此电商平台直接向下发优惠券的方式并不一定对所有的沉睡用户都适用，因此，存在优惠券资源的浪费且激活效率差的问题。


技术实现要素：

[0004]
有鉴于此，本申请实施例为解决相关技术中存在的至少一个问题而提供一种资源推荐方法及装置、设备、存储介质，能够合理进行资源推荐，提高资源的利用率。
[0005]
本申请实施例的技术方案是这样实现的：
[0006]
第一方面，本申请实施例提供一种资源推荐方法，所述方法包括：
[0007]
获取目标对象池中每一目标对象的偏好资源标签，并获取资源池中每一资源的资源标签；
[0008]
将所述目标对象池中每一所述目标对象的偏好资源标签和每一所述资源的资源标签进行匹配，确定每一所述目标对象对应的目标资源；
[0009]
将所述目标资源推送至对应的目标对象。
[0010]
第二方面，本申请实施例提供一种资源推荐装置，所述装置包括：
[0011]
获取单元，用于获取目标对象池中每一目标对象的偏好资源标签，并获取资源池中每一资源的资源标签；
[0012]
匹配单元，用于将所述目标对象池中每一所述目标对象的偏好资源标签和每一所述资源的资源标签进行匹配，确定每一所述目标对象对应的目标资源；
[0013]
推荐单元，用于将所述目标资源推送至对应的目标对象。
[0014]
第三方面，本申请实施例提供一种计算机设备，包括存储器、处理器及存储在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上述资源推荐方法中的步骤。
[0015]
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述资源推荐方法中的步骤。
[0016]
本申请实施例提供的资源推荐方法及装置、设备、存储介质，根据目标对象的偏好资源标签和资源的资源标签，确定与目标对象匹配的目标资源，并向目标对象推送与其匹
配的目标资源，从而仅向可能会使用该资源的目标对象推送该资源，使得资源进行合理推送，不会将资源推送至与该资源不匹配的目标对象，减少资源的浪费，提高资源的利用率。
附图说明
[0017]
图1为本申请实施例网络架构示意图；
[0018]
图2为本申请实施例提供的资源推荐方法的可选地流程示意图；
[0019]
图3a为本申请实施例提供的资源推荐界面的可选地效果示意图；
[0020]
图3b为本申请实施例提供的资源推荐界面的可选地效果示意图；
[0021]
图3c为本申请实施例提供的资源推荐界面的可选地效果示意图；
[0022]
图4为本申请实施例提供的四象限模型空间的可选地示意图；
[0023]
图5为本申请实施例提供的资源推荐方法的可选地流程示意图；
[0024]
图6为本申请实施例提供的资源推荐方法的可选地流程示意图；
[0025]
图7为本申请实施例提供的概率密度曲线的可选地示意图；
[0026]
图8为本申请实施例提供的录入界面的可选地界面示意图；
[0027]
图9为本申请实施例提供的价格带的可选地界面示意图；
[0028]
图10为本申请实施例提供的优惠券等级的可选地示意图；
[0029]
图11为本申请实施例提供的资源推荐方法的可选地流程示意图；
[0030]
图12为本申请实施例提供的发券时间的可选地示意图；
[0031]
图13为本申请实施例提供的资源推荐方法的可选地流程示意图；
[0032]
图14为本申请实施例提供的资源推荐装置的可选地结构示意图；
[0033]
图15为本申请实施例提供的计算机设备的一种硬件实体示意图。
具体实施方式
[0034]
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
[0035]
为了更好地理解本申请，对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。
[0036]
1)资源，电商平台为用户提供的优惠券等数据。
[0037]
2)资源标签，表征用户、资源以及二者之间的关系的标签，其中，资源标签的构成元素包括一级标签、二级标签和三级标签。一级标签表征资源所属的粗颗粒度品牌、品类等粗粒度信息二级标签表征资源所属的品牌、品类等细粒度类型，三级标签表征资源所使用的门槛和让利。在一示例中，资源标签为：品牌券-多芬
-“
100-10”；其中，一级标签为品牌券，二级标签为多芬，三级标签为100-10。
[0038]
3)标签评分，针对一个资源标签的评分，能够体现对应的资源标签所覆盖的资源的使用情况。
[0039]
4)偏好资源标签，用户所感兴趣即偏好的资源标签。
[0040]
5)偏好评分，保证用户对所偏好资源标签对应的资源的感兴趣程度，其中偏好评
分越高，则表征用户对该偏好资源标签越感兴趣，反之亦然。
[0041]
6)生命周期，表征用户的活跃状态，其中，用户的生命周期包括以下五个：导入期、成长期、成熟期、沉睡期和流失期。当用户完成注册或首次登陆，该用户处于导入期，当用户完成首单，该用户处于成长期；当用户有持续稳定的下单行为，则该用户处于成熟期；当用户在x月内未下单，则该用户处于沉睡期；当用户在y月内未已下单，则该用户处于流失期，其中x>y。
[0042]
本申请实施例可提供为资源推荐方法及装置、设备和存储介质。实际应用中，资源推荐方法可由资源推荐装置实现，资源推荐装置中的各功能实体可以由计算机设备的硬件资源，如处理器等计算资源、通信资源(如用于支持实现光缆、蜂窝等各种方式通信)协同实现。
[0043]
本申请实施例的资源推荐方法可应用于图1所示的资源推荐系统，如图1 所示，该资源推荐系统包括客户端10和服务端20；其中，客户端10中安装有能够访问购物网站的购物应用程序app或提供购物页面的浏览器，用户可通过购物应用程序或浏览器提供的购物页面进行商品的浏览或消费。服务端20为购物网站对应的服务端，服务端20能够记录用户通过购物应用程序或购物页面所产生的行为数据。客户端10和服务端20之间通过网络30进行交互。
[0044]
服务端20可实施为实现资源推荐方法的资源推荐装置。服务端20获取目标对象池中每一目标对象的偏好资源标签，并获取资源池中每一资源的资源标签；将所述目标对象池中每一所述目标对象的偏好资源标签和每一所述资源的资源标签进行匹配，确定每一所述目标对象对应的目标资源；将所述目标资源推送至对应的目标对象对应的客户端。
[0045]
本申请实施例中的目标对象为表征位于目标对象池中的对象，其中，对象为访问服务端的用户，其中，对象可通过用户的用户账号标识，目标对象所在的客户端可以页面、短信等方式接收到目标资源。
[0046]
结合图1所示的应用场景示意图，本实施例提出一种资源推荐方法，能够合理进行资源推荐，提高资源的利用率。
[0047]
下面，结合图1所示的资源推荐系统的示意图，对本申请实施例提供的资源推荐方法、装置、设备和存储介质的各实施例进行说明。
[0048]
本实施例提供一种资源推荐方法，该方法应用于服务端，其中，服务端可为计算机设备或计算机设备组成的分布式网络。该方法所实现的功能可以通过计算机设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算机设备至少包括处理器和存储介质。
[0049]
图2为本申请实施例的一种资源推荐方法的实现流程示意图，如图2所示，该方法可以包括如下步骤：
[0050]
s201、获取目标对象池中每一目标对象的偏好资源标签，并获取资源池中每一资源的资源标签；
[0051]
目标对象池中包括至少一个目标对象。本申请实施例中，目标对象池中的目标对象为满足设定推荐条件的对象，其中，设定推荐条件包括以下至少之一：指定年龄段、指定性别、偏好商品为指定品类的商品、指定生命周期等。在一示例中，设定推荐条件为年龄段：20岁至30岁，此时，目标对象池中的目标对象为年龄为20岁至30岁的对象。在一示例中，设
定推荐条件为沉睡期或流失期，此时，目标对象池中的目标对象为生命周期处于沉睡期或流失期的对象。
[0052]
目标对象的偏好资源标签为目标对象偏好的资源标签，一个目标对象的偏好资源标签包括至少一个资源标签。在一示例中，目标对象池中的目标对象包括：对象a、对象b和对象c，其中，对象a的偏好资源标签包括：资源标签 1和资源标签2，对象b的偏好资源标签包括：资源标签1和资源标签3，对象 c的偏好资源标签包括：资源标签2、资源标签3、资源标签4和资源标签5。
[0053]
本申请实施例中，不同目标对象的偏好资源标签可重叠。
[0054]
资源池中存放向可向用户推送的全部资源或部分资源。
[0055]
在一示例中，资源池中存放可向用户推送的部分资源，可根据所有资源中各资源的使用情况来确定各资源被使用的可能性，并根据各资源被使用的可能性来选取优选资源，将优选资源添加到资源池中，其中，优选资源为被用户使用的可能性大的资源。
[0056]
服务端在获取资源池中的资源的同时，获取资源池中各资源的资源标签。本申请实施例中，服务端资源的资源标签可通过以下方式确定：
[0057]
方式一、人工方式；
[0058]
方式二、自动方式；
[0059]
方式三、人工方式与自动方式的结合。
[0060]
在方式一中，服务端可针对资源输出标签录入界面，并基于标签录入界面用户针对资源输入的资源标签，并将接收到的资源标签作为该资源的资源标签。
[0061]
在方式二中，服务端可对资源的使用情况进行统计，并确定使用资源的订单的订单数据，根据统计的结果和订单数据来对确定该资源的资源标签。
[0062]
在方式三中，服务端可通过针对资源的标签录入界面接收用户输入的三级标签，并根据统计结果和订单数据来确定该资源的一级标签和二级标签，从而确定该资源的资源标签。其中，在方式三中，用户输入的标签的级别和自动确定的标签的级别组合为资源标签，但用户输入的标签的级别和自动确定的标签的级别不进行任何的限定。在一示例中，用户输入一级标签，自动确定二级标签和三级标签；在一示例中，用户输入二级标签，自动确定一级标签和三级标签。
[0063]
在本发明实施例中，一个资源的资源标签可包括多个，不同资源可存在重叠的资源标签。
[0064]
在一示例中，资源池中的资源包括：资源a、资源b和资源c，且资源a的资源标签包括：资源标签1和资源标签2，资源b的资源标签包括：资源标签3，资源3的资源标签包括：资源标签3、资源标签4和资源标签5。
[0065]
s202、将所述目标对象池中每一所述目标对象的偏好资源标签和每一所述资源的资源标签进行匹配，确定每一所述目标对象对应的目标资源；
[0066]
服务端在获取各目标对象的偏好资源标签和各资源的资源标签后，将各目标对象的偏好资源标签和各资源的资源标签进行匹配，从而确定各目标对象对应的目标资源。
[0067]
在一示例中，目标对象池中的目标对象包括：对象a、对象b和对象c，资源池中的资源包括：资源a、资源b和资源c，则将对象a的偏好资源标签分别和资源a、资源b和资源c的资源标签进行匹配，得到对象a对应的资源，将对象b的偏好资源标签分别和资源a、资源b和资
源c的资源标签进行匹配，得到对象b对应的资源，将对象c的偏好资源标签分别和资源a、资源b和资源c的资源标签进行匹配，得到对象c对应的资源。
[0068]
本申请实施例中，服务端将目标对象的偏好资源标签和资源的资源标签进行匹配的匹配方式包括以下至少之一:
[0069]
匹配方式一：将资源标签包括目标对象的偏好资源标签的资源，确定为该目标对象对应的目标资源；
[0070]
匹配方式二：计算目标对象使用偏好资源标签的行为特征和资源标签的资源特征之间的匹配度，基于匹配度确定该资源标签对应的资源是否为目标资源。
[0071]
本申请实施例中，通过将目标对象的偏好资源标签和资源的资源标签进行匹配，选取出目标对象最优可能使用的资源即目标资源，本申请实施例对匹配方式不进行任何的限定。
[0072]
s203、将所述目标资源推送至对应的目标对象。
[0073]
服务端确定各目标对象对应的目标资源后，通过短信触达、推送触达、应用程序触达、公众号触达、弹窗触达的推送方式推送至目标对象。其中，短信触达是以短消息的方式将资源作为短消息的内容发送至目标对象，推送触发是以通知消息的形式将目标资源作为展示内容展示给目标对象对应的用户，公众号触达是在目标对象关注服务端对应的公众号的情况下，将目标资源作为推送内容推送至公众号，弹窗触发是在目标对象访问服务端时，在访问页面上弹出以目标资源为窗口内容的弹窗。本发明实施例中，对服务端推送目标资源的推送方式不进行任何的限定。
[0074]
在一示例中，以目标资源为针对商品1的满100减10的优惠券为例，当推送方式为push触达，推送效果可如图3a所示；当推送方式为公众号触达，推送效果可如图3b所示，推送方式为弹窗触达，推送效果可如图3c所示。
[0075]
本申请实施例中，服务端可预先确定目标对象对应的目标资源，并检测到目标对象登陆后进行推送，也可在检测到目标对象登陆后，确定目标对象对应的目标资源，并将确定的目标资源推送至目标对象。
[0076]
本申请实施例提供的资源推荐方法，根据目标对象的偏好资源标签和资源的资源标签，确定与目标对象匹配的目标资源，并向目标对象推送与其匹配的目标资源，从而仅向可能会使用该资源的目标对象推送该资源，使得资源进行合理推送，不会将资源推送至与该资源不匹配的目标对象，减少资源的浪费，提高资源的利用率。
[0077]
在一些实施例中，在s201获取目标对象池中每一目标对象的偏好资源标签之前，还包括：获取全量用户的复购周期、全量用户的沉睡周期和全量用户的流失周期；将对象集合中的各对象的复购周期和所述全量用户的复购周期、所述全量用户的沉睡周期和所述全量用户的流失周期进行比较，得到各对象对应的比较结果；将比较结果满足待激活条件的对象添加至所述目标对象池中。
[0078]
本申请实施例中，当设定的推荐条件为推荐条件为沉睡期或流失期，可通过全量用户的复购周期、全量用户的沉睡周期、全量用户的流失周期和对象集合中各对象的复购周期来确定该对象是否满足推荐条件，当根据全量用户的复购周期、全量用户的沉睡周期、全量用户的流失周期和对象集合中各对象的复购周期来确定对象处于沉睡期或流失期，则确定该对象满足推荐条件，将该对象作为目标对象添加到对象池中，否则，不将该对象添加
到对象池中。
[0079]
这里，对于一对象，将该对象的复购周期标识为t，全量用户的复购周期标识为t1，全量用户的沉睡周期标识为t2，全量用户的流失周期标识为t3，该对象上次成功下单至今的时间间隔标识为t4，其中，t1<t2<t3；当t4满足以下条件之一，则确定该对象为目标对象：
[0080]
条件一：t<t1，且t4达到t1；
[0081]
条件二：t1＝<t<t2，且t4达到t；
[0082]
条件三：t2＝<t<m天，且t4达到t2，其中，m大于y。
[0083]
在一示例中，m为90天，在又一示例中，m为100天。
[0084]
其中，当对象满足条件一，则该对象未下单的时间已经超过自身的复购周期，且未下单时间达到全量用户的复购周期，该对象处于沉睡期。
[0085]
当对象满足条件二，则该对象未下单的时间已经超过全量用户的复购周期，且到达自身的复购周期，该对象处于沉睡期。
[0086]
当对象满足条件三，则该对象未下单的时间已经达到全量用户的沉睡周期、该对象处于流失期。
[0087]
在一示例中，全量用户的复购周期t1＝21天，全量用户的沉睡时间t2＝28 天，全量用户的流失时间t3＝60天。全量用户的复购周期是t1＝21天。对象a 的个人复购周期是t
a
＝20天，当前时间为8月16日，对象a上次成功下单到的时间间隔t4＝19天，但还没到达全量用户的复购周期21天，则该对象为活跃期，不作为目标对象。如果对象a在8月17日、18日仍然没下单，也就是 t4＝21天，对象a作为目标对象添加到对象池中。对象b的个人复购周期t
b
＝23 天，当前时间为8月16日，对象b上次下单到现在t4＝19天，还没达到全量用户的复购周期21天，则对象b处于活跃期，不作为目标对象；对象b在8 月17日、18日仍然没下单，也就是t4＝21天了，但用户的个人下单周期是23 天，那证明现在还在用户的正常习惯范围内，这时间也不发优惠券。对象b到 19号、20号仍然没下单，此时，t4＝23天，表征对象b即将沉睡，将对象b 作为目标对象添加到对象池中；对象c的个人复购周期是t
c
＝35天，比t2长，为了让用户能改变下单习惯，提前下单，在t4＝28天将对象c作为目标对象添加到目标池中。
[0088]
本申请实施例中，将一对象添加到目标对象池中，则表征需要向该对象推送资源。
[0089]
本申请实施例中，获取预设时间段内对象集中各对象的下单数据，并对所获取的下单数据进行统计，得到全量用户的复购周期、全量用户的沉睡周期、全量用户的流失周期，以及各对象的复购周期。
[0090]
在一示例中，一个对象的复购周期的计算方法包括：获取该对象在预设时间段内的下单时间，并计算相邻两次下单行为的时间间隔，取所有时间间隔的中位值作为该对象的下单周期及复购周期。在一示例中，预设时间段为一年。
[0091]
在实际应用中，当对象在一天内多次下单，则去重，认为一天下单一次。
[0092]
在一示例中，全量用户的复购周期、全量用户的沉睡周期、全量用户的流失周期的计算方法包括：计算每天下单的对象的数量，生成概率分布曲线；确定概率分布曲线下降分布的各个拐点，根据各拐点的时间先后，确定三个目标拐点，并将根据三个目标拐点对应的时间先后确定全量用户的复购周期、全量用户的沉睡周期、全量用户的流失周期，其中，全量用户的复购周期<全量用户的沉睡周期<全量用户的流失周期。
[0093]
在实际应用中，当临近出现多个拐点，则确定各拐点对应的斜率，将斜率最大的拐点作为目标拐点。
[0094]
在一些实施例中，本申请实施例提供的资源推荐方法还包括：对所述目标对象池中的目标对象进行监控；若所述目标对象池中包括存在下单行为、或未下单时长超过设定时长的待删除对象，将所述待删除对象从所述目标对象池中删除。
[0095]
这里，当对象池中的目标对象存在以下两种情况之一，则将该目标对象识别为待删除对象：
[0096]
情况一、下单行为；
[0097]
情况二、未下单时间超多设定时长。
[0098]
目标对象存在下单行为，则表征该目标对象从沉睡期或流失期回归到活跃期，该目标对象已经存在下单行为，不需要通过资源进行激活。
[0099]
目标池中的目标对象未下单时间超多设定时长，则表征该目标对象再次下单的可能性特别小，该目标对象通过资源也无法激活，反而进行资源的推荐会造成资源的浪费。其中，设定时长可为m。
[0100]
服务端将待删除对象从对象池中删除当待删除对象从对象池中删除，不在向该对象推荐资源。
[0101]
在一些实施例中，在s201之前，还执行以下步骤：确定对象池中目标对象的偏好资源标签。
[0102]
本申请实施例中，确定目标对象的偏好资源标签的确定方式包括以下之一：
[0103]
确定方式一、获取所述目标对象的行为数据；在所述行为数据中查找使用资源完成的资源订单；根据所述资源订单所使用的资源的资源标签，确定所述目标对象的偏好资源标签。
[0104]
确定方式二、根据所述目标对象的注册信息，确定所述目标对象的偏好资源标签；或通过协同过滤确定所述目标对象对应的相似对象，将所述相似对象的偏好资源标签作为所述目标对象的偏好资源标签。
[0105]
在确定方式一中，拉去目标对象在一段时间内中使用资源完成的订单的订单数据，这里，将使用资源完成的订单称为资源订单。根据资源订单所使用的资源的资源标签，确定该目标对象对应的偏好资源标签。
[0106]
在一示例中，根据资源订单所使用的资源的资源标签，确定该目标对象对应的偏好资源标签，包括：将资源订单所使用的资源的资源标签，作为该目标对象对应的偏好资源标签。
[0107]
在一示例中，根据资源订单所使用的资源的资源标签，确定该目标对象对应的偏好资源标签，包括：将资源订单所使用的资源的资源标签中，使用次数超过设定次数的资源标签确定为该目标对象对应的偏好资源标签。
[0108]
在一示例中，根据资源订单所使用的资源的资源标签，确定该目标对象对应的偏好资源标签，包括：计算资源订单所使用的资源的资源标签中各资源标签的资源评分，将大于设定资源偏分阈值的资源评分对应的资源标签作为该目标对象对应的偏好资源标签，或根据各资源标签的资源评分对所有的资源标签进行排序，将位于设定次序的资源标签作为该目标对象对应的偏好资源标签。
merchandise volume，gmv)和用户量；订单特征包括：订单比例、成交金额比例、用户比例。
[0120]
在一示例中，对通过该细粒度类型完成的订单的订单指标进行以下标记：订单数量：d
r
、成交金额g
r
、用户量u
r
，对通过该资源完成所有订单的订单指标进行以下标记：订单数量：d
a
、成交金额g
a
、用户量u
a
，其中，订单比例 r
d＝
＝d
r
/d
a
，成交金额比例r
g＝
＝g
r
/g
a
，用户比例r
u＝
＝u
r
/u
a
。
[0121]
本申请实施例中，在对订单特征进行加权求和后，对加权求和结果数据处理，得到该细粒度特征对应的评价分。其中，数据处理的处理方式为极差正规化。
[0122]
在确定各细粒度类型对应的评价分后，将评价分位于设定次序的细粒度类型确定为该资源的二级标签。
[0123]
在一示例中，通过资源a完成的历史订单所覆盖的细粒度类型包括：品牌 1、品牌2、品牌3、品类1、品类2和品类3，且根据各细粒度类型对应的评价分从高到低对各细粒度类型进行排序的结果为：品牌2、品牌1、品类1、品类3、品牌3和品类2；当设定次序为1，则将品牌2作为资源a的二级标签；当设定次数为2，则将品牌a和品牌1作为资源a的二级标签。在实际应用中，一个资源可对应多个二级标签。
[0124]
对于三级标签，三级标签可由输入操作输入，也可根据该资源对应的资源订单及通过该资源完成的订单确定该资源对应的价格带，并基于所确定的价格带从该资源所适用的多个适用三级标签中进行选取。其中，资源对应的价格带表征该资源对应商品的价格范围。
[0125]
在一示例中，资源a的适用三级标签包括：50-5，90-10，200-30，该资源 a对应的价格带为60-150，则将90-10确定为资源a的三级标签。
[0126]
本申请实施例中，s202的实施包括以下召回方式至少之一：
[0127]
召回方式一、对于每一所述目标对象，执行以下处理：获取所述目标对象使用所述偏好资源标签的对象特征，并获取每一所述资源标签对应的资源特征；计算所述对象特征与每一所述资源特征之间的匹配度；获取所述匹配度小于设定匹配度的资源特征对应的目标资源标签，将所述目标资源标签对应的资源确定为所述目标资源。
[0128]
召回方式二、根据所述目标对象在设定时间段内的历史行为数据，确定所述目标对象的感兴趣商品；确定与所述感兴趣商品属于同一商品类型的潜在下单商品，并根据所述潜在下单商品确定潜在资源标签，所述参考资源标签为所述潜在商品适用的资源的资源标签；若所述潜在资源标签属于所述目标对象的偏好资源标签，且所述潜在资源标签对应的资源偏好评分大于设定资源偏好评分阈值的情况下，确定所述潜在资源标签对应的资源为所述目标资源。
[0129]
在召回方式一中，对象特征包括目标对象的偏好资源标签的以下特征中的至少一个：品类标签、品牌标签、领取资源的行为特征，资源特征包括：使用对应的资源标签所覆盖的资源完成的订单的行为特征、优惠券门槛、让利特征、资源领取人群量特征、资源使用量特征等，服务端将对象特征转换为对象特征向量u＝[u1,u
2,
……
,u
n
]，并将资源特征转换为资源特征向量c＝[c1,c2,
……
,c
k
]。计算对象特征和每一资源特征向量之间的距离，其中，向量距离如公式(1)所示：
[0130]
d＝||u-c||2ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(1)；
[0131]
这里，一个对象特征向量与一个资源特征向量之间的距离，可作为该对象特征向
量所标识的对象特征和该资源特征向量所标识的资源特征之间的匹配度。
[0132]
这里，根据距离的远近对所有的资源进行排序，并将排序在前的资源标签所覆盖的资源确定为该目标对象对应的目标资源。
[0133]
在召回方式二中，对于一目标对象，根据该目标对象在一段时间内的行为数据，确定该目标对象所感兴趣的商品，并确定与目标对象所感兴趣的商品关联的潜在下单商品，这里，感兴趣商品和潜在下单商品之间存在一定的关联关系：比如：感兴趣商品为沙发，则潜在下单商品为沙发靠垫、茶几、电视柜等。又比如：感兴趣商品为夏天的连衣裙、则潜在下单商品为：凉帽、凉鞋等。再比如：感兴趣商品为电脑、则潜在下单商品为：鼠标、电脑包等。
[0134]
本申请实施例中，对感兴趣的商品和潜在下单商品之间的关联关系不进行任何的限定，当用户在购买或点击感兴趣商品后，则用户存在购买潜在下单商品的可能性，通过潜在下单商品的预测，能够实时感知用户的购买需求。
[0135]
服务端在确定潜在商品后，确定能够适用于潜在商品的资源的资源标签为潜在资源标签，并判断潜在资源标签是否属于该对象的偏好资源标签；如果是，则表征用户对该潜在资源标签感兴趣，如果不是，则表征该对象对该潜在资源标签不感兴趣，并依据该对象对所感兴趣的潜在资源标签的感兴趣程度，选取目标资源的资源标签，并将所选取的资源标签覆盖的资源推荐给对象。
[0136]
本申请实施例中，通过资源偏好评分来表征对象对资源标签的感兴趣程度，这里，选取对应的资源偏好评分大于设定资源偏好分值阈值的资源标签作为目标资源的资源标签。
[0137]
在一些实施例中，资源标签对应的资源偏好评分的计算方式包括：
[0138]
获取所述目标对象使用所述资源标签对应的资源完成的订单数据；根据所获取的订单数据，确定所述目标对象对应所述资源标签的至少一个资源指标；根据所述资源指标对应的权重和所述资源指标，确定所述资源标签对应的资源偏好评分。
[0139]
其中，对于一偏好资源标签，确定该偏好资源标签的统计标签，其中，统计标签为一级标签或二级标签，获取目标对象使用统计标签所覆盖的资源完成的订单的订单数据，并确定获取的订单数据的至少一个资源指标，并对获取的资源指标加权求和，资源指标包括：订单数量、订单金额。订单数量可通过 ord_num标识，订单金额可通过ord_amount标识。
[0140]
本发明实施例中，在对资源指标进行加权求和之前，可对资源指标进行数据加工，其中，数据加工的方式可包括以下至少之一：去除资源指标的量纲和归一化。这里，可对资源指标取对数，从而去除该资源指标的量纲，且为了表面0的情况发生，可对加1后的资源指标取对数。归一化的方式可为极差正规化。此时，偏好资源标签的偏好评分score如公式(2)所示：
[0141]
score＝权重1*score_ord_num'+权重2*score_ord_amount'
ꢀꢀꢀꢀꢀ
公式(2)；
[0142]
其中，权重1为订单数量对应的权重，权重2为订单金额对应的权重，本申请实施例对权重1和权重2的取值不进行任何的限定。归一化后的订单数量 score_ord_num'和归一化的订单金额score_ord_amount'分别如公式(3)和公式 (4)所示：
[0143][0144]
score_ord_amount'＝(score_ord_amount-score_ord_amount_min)/
[0145]
(score_ord_amount_max-score_ord_amount_min)
[0146]
公式(4)；
[0147]
去除量纲后的订单数量score_ord_num如公式(5)所示：
[0148]
score_ord_num＝ln(ord_num+1)
ꢀꢀꢀꢀꢀꢀꢀ
公式(5)；
[0149]
去除量纲后的订单金额score_ord_amount如公式(6)所示：
[0150]
score_ord_amount＝ln(ord_amount+1)
ꢀꢀꢀꢀꢀꢀꢀ
公式(6)；
[0151]
score_ord_num_max和score_ord_num_min分别为去除量纲后最大的订单数量和去除量纲后的最小的订单数量；score_ord_amount_max和 score_ord_amount_min分别为去除量纲后最大的订单金额和去除量纲后的最小的订单金额。
[0152]
在一些实施例中，所述根据所述资源指标对应的权重和所述资源指标，确定所述资源标签对应的资源偏好评分，包括：根据所述资源指标对应的权重、时间衰减因子和所述资源指标，确定所述资源标签对应的资源偏好评分。
[0153]
这里，当加入时间衰减因子后，将公式(2)修正为公式(7)：
[0154][0155]
其中，α1和α2分别为订单数量和订单金额对应的时间衰减因子。
[0156]
本申请实施例中，通过时间衰减因子的引入，将对象对偏好资源标签的偏好程度随时间的衰减考虑进入。其中，对象的兴趣随时间是变动的，远期的行为偏好会随时间衰减。在一示例中，平台用户下单行为衰减周期类似指数增长过程，偏好资源标签半衰期为6个小时，48小时衰减到原兴趣程度的1/100。
[0157]
本申请实施例中，计算出的偏好评分体现对象对该偏好资源标签的兴趣度，偏好评分的分数越高，表征对象对该偏好资源标签的兴趣度越高；偏好评分的分数越低，表征对象对该偏好资源标签的兴趣度越小。
[0158]
在一些实施例中，所述方法还包括：获取所述目标资源的资源等级；
[0159]
根据所述资源等级对所述目标资源排序；此时，s203的实施包括：根据所述目标资源的排序结果将所述目标资源推送至对应的目标对象。
[0160]
资源等级表征对象使用该资源的参与度与平台的获利程度，这里，平台服务端对应的资源提供商。
[0161]
本发明实施例中，资源等级可划分为以下四个等级：
[0162]
一级：用户参与度高且平台利益最大化，即高质量资源；
[0163]
二级：用户参与度低单平台利益最大化，用户购买力高；
[0164]
三级：用户参与度高且平台利益低，用户参与领资源却不使用下单；
[0165]
四级：用户参与度低且平台利益低，用户不领资源也不使用下单。
[0166]
需要说明的时，资源的等级划分可根据用户实际需求进行设置。
[0167]
在获取各目标资源的资源等级后，根据各目标资源的资源等级对所有的目标资源进行排序，并根据排序结果进行资源的推送。
[0168]
在一示例中，目标资源包括：资源1、资源2、资源3、资源4、资源5和资源6，其中，各目标资源的资源等级分别为：三级、二级、一级、三级、四级、四级，则目标资源的排序结果为：资源3、资源2、资源1、资源4、资源 5和资源6，则进行资源推送时，根据资源3、资源2、资
源1、资源4、资源5 和资源6的顺序进行资源推送。
[0169]
当同一资源等级包括多个资源时，则根据用户对资源的资源偏好评分对同资源等级中不同的资源进行排序。
[0170]
本申请实施例中，资源的资源等级可预先设置，具体的设置依据可根据实际需求确定。
[0171]
在一些实施例中，所述获取所述目标资源的资源等级，包括：
[0172]
获取所述目标资源的投资回报率和使用特征；根据所述投资回报率和所述使用特征，将所述目标资源映射至四象限模型空间；根据所述目标资源映射在所述四象限模型空间中的位置所属的象限，确定所述目标资源的等级。
[0173]
对于一目标资源，该目标资源的投资回报率(return on investment，roi) 的计算公式如公式(8)所示，
[0174]
roi＝用券订单总gmv/优惠券力度加总
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(8)；
[0175]
优惠券力度加总为优惠券的优惠力度总和，比如：优惠券为100-10，也就是订单满100元可以减10元，如果下发了n张优惠券，则优惠券力度加总为 n*10。
[0176]
这里，获取目标资源的行为指标，并通过各行为指标对应的权重对所有的行为指标进行加权求和，得到目标资源的使用评分，并将该目标资源的使用评分作为该目标资源的使用特征。
[0177]
目标资源的行为指标包括以下至少之一：领取人数、下单使用数量、订单数量、下单人数。这里，通过公式(9)计算该目标资源的使用评分s：
[0178]
s＝领取人数*c1+下单使用数量*c2+订单数量*c3+下单人数*c4公式(9)；
[0179]
其中，c1为领取人数对应的权重，c2为下单使用数量对应的权重，c3为下单数量对应的权重，c4为下单人数应的权重。
[0180]
本发明实施例中，各行为指标的权重的和为1，这里，当各项权重之和不为1时，可通过变异系数对各行为指标的权重进行调整，其中，变异数据如公式(10)所示，
[0181][0182]
其中，σ为所有权重的方差，μ为所有权重的平均值。
[0183]
在确定目标资源的roi和使用分值后，以roi为横坐标，并以使用分值为纵坐标将该目标资源映射至四象限模型空间；根据目标资源映射在所述四象限模型空间中的位置所属的象限，确定该目标资源的等级。
[0184]
这里，roi表征平台的获取的利益大小，使用评分表征用户的参与度。
[0185]
四象限模型空间如图4所示，包括四个象限：第一象限401、第二象限402、第二象限402和第二象限404，其中，第一象限401roi高，行为分高，位于第一象限401的目标资源的等级为一级；第二象限402的roi低，行为分高，位于第二象限402的目标资源的等级为三级；第三象限403的roi低，行为分低，位于第三象限403的目标资源的等级为四级；第四象限404的roi高，行为分低，位于第四象限404的目标资源的等级为二级。
[0186]
在一些实施例中，在s202之前，获取每一所述资源标签的标签评分；确定所述资源池中，标签评分高于设定标签评分阈值的候选资源标签，并确定所述资源池中所述候选资源标签对应的候选资源；此时，s202中所述将所述目标对象池中每一所述目标对象的偏好
资源标签和每一所述资源的资源标签进行匹配的实施，包括：所述目标对象池中每一所述目标对象的偏好资源标签和每一所述候选资源的资源标签进行匹配。
[0187]
这里，可获取各资源标签的标签评分，并将标签评分大于设定标签评分阈值的资源标签作为候选资源标签，并将候选资源标签所覆盖的资源确定为候选资源。
[0188]
本申请实施例中，可根据资源池中各资源对应的资源标签的标签偏分，从资源池中选取部分资源标签对应的资源作为候选资源，在匹配时，仅将目标对象的偏好资源标签和候选资源的资源标签进行匹配，从而将选取目标资源的范围缩小，从而减少计算量，加快资源推荐效率。
[0189]
在一些实施例中，所述获取每一所述资源标签的标签评分，包括：
[0190]
获取所述资源标签的至少一个资源使用占比；所述资源使用占比与第一订单以及第二订单有关，所述第一订单包括使用所述资源标签覆盖的资源完成的订单，所述第二订单包括所有使用资源完成的订单；根据所述至少一个资源使用占比，确定所述资源标签的标签评分。
[0191]
对于每一资源标签，分别计算各资源标签的标签评分，其中，通过以下方式计算一个资源标签的标签评分：确定该资源标签的二级标签即细粒度类型，确定历史订单中所有使用资源完成的订单及第二订单，以第二订单中通过该该细粒度类型对应的资源完成的订单即第一订单，并确定第一订单的订单指标即第一订单指标，和第二订单的订单指标即第二订单指标，通过第一订单指标和第二订单指标得到该细粒度类型对应的订单特征，并对订单特征进行加权求和，得到该细粒度类型对应的评价分，将得到的评价分作为该二级标签为该细粒度类型的资源标签的标签评分，其中，订单指标包括：订单数量、gmv和用户量；对应的，订单特征包括：订单比例、成交金额比例、用户比例。
[0192]
在一示例中，对通过该细粒度类型完成的订单的订单指标进行以下标记：订单数量：d
r
、成交金额g
r
、用户量u
r
，对通过该资源完成所有订单的订单指标进行以下标记：订单数量：d
a
、成交金额g
a
、用户量u
a
，其中，订单比例 r
d＝
＝d
r
/d
a
，成交金额比例r
g＝
＝g
r
/g
a
，用户比例r
u＝
＝u
r
/u
a
。
[0193]
本申请实施例中，在对订单特征进行加权求和后，对加权求和结果数据处理，得到该细粒度特征对应的评价分。其中，数据处理的处理方式为极差正规化。
[0194]
本申请实施例提供的资源推荐方法、，根据目标对象的偏好资源标签和资源的资源标签，确定与目标对象匹配的目标资源，并向目标对象推送与其匹配的目标资源，从而仅向可能会使用该资源的目标对象推送该资源，使得资源进行合理推送，不会将资源推送至与该资源不匹配的目标对象，减少资源的浪费，提高资源的利用率。
[0195]
下面，以资源为优惠券为例对本申请实施例提供的资源推荐方法进行进一步说明。
[0196]
本申请实施例中，如图5所示，涉及基础服务搭建501、推荐算法匹配502 和推送触达503三个方面。
[0197]
基础服务搭建501包括：智能选人和优惠券打标；推荐算法匹配502包括召回阶段和排序阶段。推送触达503包括：触达节点的确定、触达策略的确定和触达方式的确定。
[0198]
智能选人包括：待激活用户选取和用户偏好优惠券评分。
[0199]
本申请实施例中，根据用户行为用户的生命周期包括以下五个阶段：
[0200]
导入期：完成注册或首次登录；
[0201]
成长期：完成首单；
[0202]
成熟期：有持续稳定下单行为；
[0203]
沉睡期：x个月未下单；
[0204]
流失期：y个月未下单，其中，y>x。
[0205]
这里，将处于沉睡期的用户称为沉睡用户，将处于流失期的用户称为流失用户。沉睡用户和流失用户为待激活用户。
[0206]
本申请实施例中，根据用户关系、用户行为、兴趣偏好、消费属性并结合业务场景筛选出沉睡用户和流失用户，并作为待激活用户群体进入激活池，为后续采用的优惠券触达定向人群做好准备。
[0207]
本申请实施例中，根据用户的复购周期模型来定义用户是否为待激活用户。由于用户购买行为有个人随机性，为了保证数据的可靠性，计算用户个人复购周期时，根据全量用户的复购周期、全量用户的沉睡周期以及全量用户的流失周期来调整个人复购周期。
[0208]
选取待激活用户的选取策略如图6所示包括：
[0209]
s601、确定全量用户的复购周期、全量用户的沉睡周期和全量用户的流失周期；
[0210]
s602、确定单个用户的复购周期；
[0211]
s603、监测用户上次下单至今时间间隔；
[0212]
s604、判断用户是否为待激活用户。
[0213]
本申请实施例中，基于图6所示的选取待激活用户的选取策略，每天计算哪些用户为处于沉睡期或者流失期需要下发优惠券的用户，哪些用户为下单了需从激活池中剔除的用户，使得智能选人达到数据流动状态。
[0214]
在s601中，根据用户的登陆数据和订单数据用户数量进行概率分布统计，根据概率分布统计结果确定全量用户的复购周期、全量用户的沉睡周期和全量用户的流失周期。
[0215]
这里，以天为单位，统计每天的下单用户数量分布情况，其中，统计下单用户数量分布情况包括：
[0216]
s6011、去掉异常用户；
[0217]
其中，异常用户为未下单时间大于90天的用户和注册时间小于90天的新用户。
[0218]
s6012、获取用户全年的下单时间点，计算两次下单行为的时间间隔，将时间间隔的中位值作为用户的下单周期，其中，当一个用户在一天内存在多个下单行为，去重。
[0219]
s6013、计算每天数的用户数量，生成概率分布曲线。
[0220]
s6014、确定概率分布曲线持续下降分布的多个拐点，根据该拐点对应的时间定义为全量用户复购周期、全量用户沉睡周期、全量用户流失周期。
[0221]
其中，全量用户复购周期对应的时间早于全量用户沉睡周期对应的时间早于全量用户流失周期对应的时间。
[0222]
其中，当临近出现多个拐点，比如在30天和35天出现两个拐点，则计算曲线在拐点的斜率，将斜率大的拐点对应的时间作为目标值。
[0223]
这里，将全量用户复购周期定义为t1、全量用户沉睡周期定义为t2、全量用户流失周期定义为t3，其中，t1<t2<t3。
[0224]
在一示例中，全量用户的概率分布统计结果如图7所示，全量用户的概率密度曲线
为曲线701，概率密度曲线的概率下降速度如曲线702所示，确定概率分布统计结果中的数据持续下降的拐点703，其中拐点703所示的时间表征用户复购行为发生的时间。将拐点703对应的时间确定为全量用户的复购周期；以此类推，在一实例中，当曲线701的一段时间段内出现多个拐点，则根据曲线702的值选取值最大的拐点作为所选取的拐点。以此类推，以同样的方式来确定t2和t3。
[0225]
在s602的实施包括：
[0226]
s6021、获取用户全年的下单时间点t1、t2……
t
n
，计算出相邻两次下单的时间间隔t
i
，i≥1，其中，t1为t1～t2之间的时间间隔、t2为t2～t3之间的时间间隔、t3为t3～t4之间的时间间隔，以此类推，t
n
为t
n-1
～t
n
之间的时间间隔。
[0227]
s6021、将t1到t
n
排序，取中位数作为该用户的复购周期t。
[0228]
在s603中，计算最近一次下单且支付成功的下单时间至今的时间间隔t4.
[0229]
在s604中，根据全量用户复购周期t1、全量用户沉睡周期t2、全量用户流失周期t3，和该用户的复购周期t，确定该用户是否为待激活用户。
[0230]
这里，对于一用户，当t<t1，当t4＝t1，则确定该用户为待激活用户；
[0231]
当t1≤t<t2，当t4＝t，则确定该用户为待激活用户；
[0232]
当t2≤t<90，当t4＝t2，则确定该用户为待激活用户。
[0233]
将待激活用户添加到激活池中，当激活池中的用户存在下单行为，且支付成功，则将该用户从激活池中剔除。
[0234]
本申请实施例中，用户优惠券的目标人群为待激活用户，待激活用户的特点为近期未下单，因此，根据用户是否有用券历史行为将确定用户的优惠券偏好的方式不同：
[0235]
第一、针对有用券历史行为的用户：
[0236]
确定用户的偏好优惠券标签即确定用户偏好的优惠券标签。这里，先对本申请中涉及的优惠券标签进行介绍，本申请实施例通过一套优惠券标签将用户、优惠券以及关系三种数据结构化表示出来，解决用户基于优惠券标签挖掘与商品用券下单消费的问题。
[0237]
优惠券标签按照不同粗细粒度分为三个层次，一级是粗颗粒度品牌、品类标签，二级是细粒度的子品牌和品类标签，三级是具体的优惠券门槛-让利标签。其中，一级标签和二级标签是结合现商品一级类目及品牌分类确定的，能够覆盖一定的优惠券量(比如：覆盖的优惠券量>＝2种)和一定的用户规模(比如：覆盖的用户>＝5人)。三级标签是在一级标签的基础上，结合用户的订单数量生成的。其中，平台商品会存在一个品牌商旗下含有多个子品牌的情况，比如，品牌可口可乐下的子品牌包括多芬、力士、奥妙等。
[0238]
在本申请实施例中，为了保证优惠券标签的质量，自动生成的优惠券标签可在人工审核通过后进入标签体系。
[0239]
在一示例中，优惠券标签包括：品牌券-多芬
-“
100-10”、品类券-休闲乳饮
ꢀ-“
100-5”、平台券-可口可乐
-“
200-5”。
[0240]
在方式一中，确定用户的偏好优惠券标签包括：
[0241]
s1、获取用户近一年使用优惠券下单且订单状态为完成状态的订单数据；
[0242]
s2、根据使用优惠券下单的订单数量、订单金额计算出用户对一类品类、品牌的用券偏好评分；
[0243]
其中，对于一类品类券，该品类券的优惠券偏好评分的确定方法包括：
[0244]
s21、统计用券指标；
[0245]
其中，用券指标即资源指标包括：使用该类品类券下单的订单数量 ord_num，使用该类品类券下单的订单金额ord_amount。
[0246]
s22、对用券指标进行对数变换得到变换后的用券指标；
[0247]
将各用券指标加1，并对加1后的值取对数，去除用券指标量纲。其中，对用券指标加1，能够避免0值的情况的存在。
[0248]
订单数ord_num进行对数变换后的结果sorce_ord_num如公式(11)所示：
[0249]
score_ord_num＝ln(ord_num+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(11)；
[0250]
订单金额ord_amount进行对数变换后的结果sorce_ord_amount如公式(12) 所示：
[0251]
score_ord_amount＝ln(ord_amount+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(12)。
[0252]
s23、对变换后的用券指标进行归一化，得到归一化的用券指标。
[0253]
这里，通过各变换后的用券指标的最大值和最小值来对变换后的用券指标进行归一化。
[0254]
sorce_ord_num的归一化结果sorce_ord_num'如公式(13)所示，
[0255]
score_ord_num'＝(_score_ord_num-score_ord_num_min)/
[0256]
(score_ord_num_max-score_ord_num_min)
[0257]
公式(13)；
[0258]
sorce_ord_amount的归一化结果sorce_ord_amount'如公式(14)所示，
[0259]
score_ord_amount'＝(score_ord_amount-score_ord_amount_min)/
[0260]
(score_ord_amount_max-score_ord_amount_min)
[0261]
公式(14)。
[0262]
s24、通过归一化的用券指标确定用券偏好评分。
[0263]
这里，对归一化的订单数和归一化的订单金额进行加权求和，得到用户对该类品类券的用券偏好评分。
[0264]
用券偏好评分的计算如公式(15)所示：
[0265]
score＝w1*score_ord_num'+w2*score_ord_amount'
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(15)；
[0266]
其中，w1和w2为订单数和订单金额对应的权重值。
[0267]
本申请实施例中，可在公式(15)的基础上加入时间衰减因子α，从而适应用户的兴趣随时间衰减的情况。
[0268]
此时，用券偏好评分的计算如公式(16)所示：
[0269][0270]
其中，α1和α2分别为订单数和订单金额对应的衰减因子，w3为衰减后的指标对应的权重值。
[0271]
s3、根据各类优惠券的用券评分对各类优惠券标签排序，确定用户的优惠券偏好。
[0272]
通过s1和s2确定用户对各品类券的用券偏好评分，基于用户使用多类品类券，且用户对各类品类券使用情况不同，不同的品类券标签的用券偏好评分不同，用券偏好评分的分值越高，表示用户对该类品类券的兴趣越高。这里，可将用券偏好评分高的设定数量的
优惠券标签作为用户偏好优惠券标签。
[0273]
第二、针对无用券历史行为的用户：
[0274]
方式一、根据用户所选择的兴趣确定用户的偏好优惠券标签；
[0275]
对于注册90天内的新用户，可根据用户在注册时所选的兴趣偏好品牌、品类标签确定用户的偏好优惠券标签。
[0276]
方式二、将兴趣相似人群的偏好优惠券标签作为该用户的偏好优惠券标签。
[0277]
对于在一定时间段未下单的沉睡或流失用户，根据用户的下单行为，进行用户协同过滤，查找相似人群，将相似人群的偏好优惠券标签作为该用户的偏好优惠券标签。
[0278]
本申请实施例所采用的协同过滤算法可包括：通过分析用户行为记录及注册时兴趣选择，计算具有相似兴趣偏好的人群之间的相似度，根据相似度的高低将相似人群的偏好优惠券标签赋予无用券历史行为的用户。
[0279]
优惠券打标为确定优惠券的优惠券标签。
[0280]
在确定优惠券标签后，可通过以下两种方式确定优惠券的优惠券标签；
[0281]
确定方式一、人工打标；
[0282]
确定方式二、自动打标；
[0283]
在确定方式一中，当业务人员录入优惠券时，对录入的优惠券进行人工打标，确定优惠券的优惠券标签。其中，券类型分为平台券、品牌券、品类券、门槛-让利手动填写，比如100-10。若业务人员选择批量添加则可直接通过excel 文件标准格式中内容进行自动匹配。人工打标的窗口可参见图8所示的打标窗口，其中，图8中的窗口801为单张优惠券的录入窗口，窗口802为批量优惠券的录入窗口。品牌和品类可以选多个(比如选择品牌可口可乐、乐事)，当选择多个品牌或品类，则该优惠券为跨品牌券或跨品类券。其中，一个优惠券可以由多个优惠券标签，在一示例中，一个优惠券的标签包括：品牌券-可口可乐
ꢀ-“
100-3”，和品牌券-乐事
-“
100-3”。
[0284]
在确定方式二中，通过优惠券的使用规则和优惠券对应的下单行为为优惠券标签评分。
[0285]
优惠券根据是否能够在平台使用可分为平台券和非平台券，且优惠券可以根据用户对优惠券的券使用偏好将优惠券细分为品牌券和品类券，其中，表1 为优惠券标签示例，其中，下面各优惠券的门槛-让利为100-10。
[0286]
表1、优惠券标签示例
[0287][0288]
优惠券的标签的评分的计算方法包括：
[0289]
s31、拉取用户近一年通过优惠券下单且订单状态为完成的订单；
[0290]
s32、输出用户使用优惠券下单的品牌或品类，并针对各品牌或品类按照公式(17)计算各品牌或品类的评分。
[0291]
score
″
＝(_score
″-
score
″
_min)/(score
″
_max-score
″
_min)
ꢀꢀꢀꢀꢀ
公式(17)；
[0292]
_score
″
的取值如公式(18)所示：
[0293]
_score
″
＝w1*ord_num_rate+w2*ord_amount_rate+w3*ord_users_rate
[0294]
公式(18)；
[0295]
其中，ord_num_rate为此品牌或品类下覆盖的订单数量/全部使用券下单的订单数量；ord_amount_rate为此品牌或品类下覆盖的订单gmv/全部使用券下单的订单gmv；ord_users_rate为此品牌或品类下下单的用户量/全部使用券下单的全部用户数量。
[0296]
s32、根据各品牌或品类的评分为各品牌或品类对应的优惠券打分。
[0297]
本申请实施例中，根据全年销售品牌或品类的客单价“价格带”数据宽度分布确定各优惠券标签中的门槛，并根据各品牌或品类的毛利率来确定让利。
[0298]
在一示例中，一品牌的价格带如图9所示，主销售带包括：300～499、500～699、800
～899三个价格带，并通过历史数据分析结合采销毛利数据，确定减免让利分别为10、50、80，则该品牌的优惠券的标签的门槛-让利包括：300-10、 500-50、800-80。
[0299]
本申请实施例中，智能选券还包括：定义优惠券的券等级。
[0300]
优惠券的券等级的定义方法包括：
[0301]
s41、计算优惠券的roi；
[0302]
roi的计算公式如公式(19)所示：
[0303]
roi＝用券订单总gmv/优惠券力度加总
ꢀꢀꢀꢀꢀꢀꢀ
公式(19)；
[0304]
其中，优惠券力度加总为优惠券的优惠力度总和，比如：优惠券为100-10，也就是订单满100元可以减10元，如果下发了n张优惠券，则优惠券力度加总为n*10。
[0305]
s42、根据优惠券指标计算优惠券行为分数；
[0306]
对于各优惠券，获取近一年用户的优惠券行为指标，其中，优惠券行为指标包括：领取人数、下单使用数量、订单数量和下单人数。这里，下单使用数量为通过优惠券下单的订单所使用的优惠券的数量，订单数量为通过优惠券下单的订单的数量，下单人数为使用优惠券下单的人数。
[0307]
通过公式(20)计算项优惠券行为指标的变异系数cv，
[0308][0309]
其中，σ为方差，μ为平均值。
[0310]
以各项优惠券行为指标的变异系数和为1为目标，调整各项优惠券行为指标的变异系数，得到各项优惠券行为指标对应的权重。
[0311]
通过各项优惠券行为指标对应的权重对各项优惠券行为指标进行加权，图公式(21)所示，得到各优惠券的使用评分s，
[0312]
s＝领取人数*c1+下单使用数量*c2+订单数量*c3+下单人数*c4公式(21)；
[0313]
其中，c1为领取人数对应的权重，c2为下单使用数量对应的权重，c3为下单数量对应的权重，c4为下单人数应的权重。
[0314]
计算出优惠券的roi和行为评分s后，将各优惠券映射至以roi为横坐标，并以行为评分s为纵坐标的四象限模型，并根据各优惠券在四象限模型中位置确定各优惠券的等级。
[0315]
在四象限模型中，根据roi和行为评分s将四象限模型分为以下四个象限：第一象限、第二象限、第三象限和第四象限。其中，第一象限的roi高且行为分高，位于第一象限的优惠券的用户参与度高且平台利益最大化，为高质量券，券等级为一级。第二象限的roi低且行为分高，位于第二象限的优惠券的用户参与度高且平台利益低，用户参与领券却不使用下单，券等级为三级，第三象限的roi低且行为分低，位于第三象限的优惠券的用户参与度低且平台利益低，用户不领券也不使用下单，为最低质量券，券等级为四级。第四象限的roi高且行为分低，位于第三象限的优惠券的用户参与度低单平台利益最大化，用户购买力高，券等级为二级。
[0316]
在一示例中，优惠券包括优惠券1、优惠券2
……
优惠券7，其中各优惠券的roi如表2所示，且各优惠券的优惠券行为指标、行为评分s如表3所示，其中，在表3中还包括有表2中各优惠券行为指标对应的均值、标准差、变异系数和权重。将表2和表3中优惠券映射至以roi为横坐标并以行为评分为纵坐标的四象限模型中，映射结果如图10所示，从图10中可确
定，券等级为一等的优惠券：无，券等级为二等的优惠券：优惠券2、优惠券7，券等级为三等的优惠券：优惠券1、优惠券3、优惠券4，券等级为四等的优惠券：优惠券5、优惠券6。
[0317]
在确定各优惠券的评分和等级后，可将评分高和/或等级高的优惠券添加到优惠券池中。
[0318]
推荐算法匹配
[0319]
在确定激活池和优惠券池后，如图11所示，根据推荐算法1103对激活池 1101中的待激活用户的券偏好标签和优惠券池1102中的优惠券的券标签进行匹配，以确定各用户感兴趣的优惠券1104。
[0320]
其中，用户池1101中的待激活用户的券偏好标签可分为：类目偏好、品牌偏好和平台券偏好，优惠券池1102中优惠券的根据券标签分类可包括：类目券、品牌券和平台券，各优惠券存在对应的门槛-让利。
[0321]
这里，根据待激活用户的券偏好标签和优惠券的券标签的匹配度进行感兴趣的优惠券1104的召回，并通过资源等级1105分对召回的感兴趣的优惠券1104 进行排序，根据排序结果将感兴趣的优惠券1104推送给用户1106，其中，资源等级1105可根据优惠券的roi和用户对券的偏好评确定。
[0322]
召回阶段
[0323]
召回阶段是根据用户的历史券偏好行为数据，为用户在大量的信息中初步筛选出一批与用户券偏好行为匹配的优惠券。由于用户行为随机性，部分用户有历史行为可追溯券偏好，而部分用户行为数据稀疏或无历史行为可追溯，为了达成精准用户券偏好的匹配，在召回阶段，将人群分为“有历史行为用户”、“无历史行为用户”两类分别进行召回，以及使用“综合榜单召回”进行托底。
[0324]
对于有历史行为用户
[0325]
根据用户的行为偏好进行券-用户匹配，给用户推荐其感兴趣的优惠券。随着时间的变化用户的偏好和兴趣也会发生变化，因此推荐系统需要实时关注用户的兴趣变化，当用户在某一时刻使用了优惠券对某一品类或品牌商品下单，或访问某一品类或品牌的商品，通过行为强弱不同，那么在下一刻推荐给用户的优惠券也会重新计算券偏好得分，推荐内容也会有相应的区别。
[0326]
推荐系统在形成优惠券召回时，不仅会召回用户实时偏好的优惠券，也会召回用户长期偏好的优惠券，此部分旨将通过用户行为沉淀的品类和品牌券偏好标签应用在推荐系统中。
[0327]
用户长期偏好的优惠券的召回包括：基于标签召回，基于相似人群召回。
[0328]
基于标签召回用于激活沉睡用户及流失用户群体，用户在个人复购周期内并无下单行为，故使用长期券偏好标签召回是种可置信方式。在到达下发优惠券的时间节点内下发触达，并将券标签与用户标签匹配度高的优惠券直发到账给用户，若用户登录则弹窗触达进行提醒。
[0329]
券标签与用户标签匹配度计算规则包括：
[0330]
sa1、将用户的对象特征及优惠券特征分别转换成向量(embedding)，得到用户特征向量和优惠券特征向量。
[0331]
其中，用户的对象特征可基于用户的偏好优惠券标签确定；在一示例中，用户的对
象特征包括：品类标签、品牌标签、领取优惠券行为特征，优惠券特征由以优惠券标签覆盖的优惠券确定，在一示例中，优惠券特征包括：使用优惠券下单行为特征、优惠券门槛、让利特征、优惠券领取人群量特征、优惠券使用量特征。其中，用户特征向量：u＝[u1,u
2,
……
,u
n
]，优惠券特征向量： c＝[c1,c2,
……
,c
k
]。
[0332]
s a2、计算用户特征向量和优惠券特征向量之间的距离。
[0333]
可通过公式(22)计算用户特征向量和优惠券特征向量之间的距离d：
[0334]
d＝||u-c||2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(22)。
[0335]
s a3、根据距离大小召回全部优惠券。
[0336]
基于相似人群召回是对基于标签召回的一种补充形式，起到扩大召回优惠券的种类作用。用户会存在地域特性，不同地域用户群体会存在相似的特征，比如国贸商圈的用户会偏年轻化，消费商品类目偏向休闲零食等；而用户的购买习惯也会存在分群现象，采购宠物零食类目的用户往往会采购吹风机吸尘器等商品。因此，与相似人群召回包括：基于购买品类的人群聚类召回和基于券偏好人群协同过滤召回。
[0337]
对于基于购买品类的人群聚类召回，从用户历史下单行为看，大量用户存在采购的商品品类比较集中，出现聚合现象，因此，根据用户订单行为对用户新增聚类行为标签，将此标签作为输入因子参与训练应用到召回池。
[0338]
基于购买品类k-means聚类的实现包括：
[0339]
sb1、从候选池中任意选择k个对象作为初始聚类的簇中心点；
[0340]
sb2、以每个聚类内均值作为中心点，计算簇内每个值到与这些中心点的距离；
[0341]
sb3、根据每个值到中心点的最小距离重新划分簇，及生成新的簇中心点；
[0342]
sb4、循环不断重复计算，直到诉求函数收敛，得到聚类最终中心点；
[0343]
sb5、将此中心点对应的用户的标签作为用户的聚类标签。
[0344]
其中，不同的对象对应不同的订单行为。
[0345]
对于基于券偏好人群协同过滤召回，可挖掘出具有此类特征用户群体进行优惠券推荐。由于用户特征分布会出现趋同现象，而用户用优惠券购物也会有此特点，具有相似特征的用户偏好也会相似。
[0346]
基于券偏好人群协同过滤召回的实现包括：
[0347]
sc1、统计分析用户行为记录及用券偏好，遍历全部用户之间用券偏好的相似度，相似度计算采用公式(23)所示的余弦相似度。
[0348][0349]
其中，n(u)为用户u券偏好集合；n(v)为用户v券偏好集合，余弦相似度为用户u和用户v间的用券购物的相似度。
[0350]
sc2、根据相似度的分值高低，给用户匹配相似度分值高的用户感兴趣的优惠券。
[0351]
用户短期偏好的优惠券的召回包括：
[0352]
时间效应在推荐系统中可定义为用户的兴趣偏好随着时间的变化而发生变化。在用户不断增加的行为中体现着兴趣在不断发生变化，点击、加购物车、下单等都能直接反映用户对商品的兴趣度。而用户对商品兴趣度的变化，也影响着对优惠券使用的兴趣度变化。
短期券偏好推荐应即时响应用户的新行为，让推荐结果不断发生变化，满足用户的即时兴趣需求。当用户在某一时刻点击或者下单了某个商品，那么在下一刻用户此行为相关优惠券应该出现在推荐结果集中。
[0353]
通过分析用户行为记录计算商品之间的相似度，挖掘和他们共同“喜欢”商品的人群，并对喜欢商品进行下单用券行为分析，推荐匹配度高的优惠券。
[0354]
用户短期偏好的优惠券的召回的实现包括：
[0355]
sd1、计算用户当前时刻行为兴趣偏好，获取当前意图，并结合当前时刻行为及历史行为，加入时间衰减因子得到综合行为偏好分值；
[0356]
sd2、确定与用户当前行为对应的商品相似的候选商品；
[0357]
sd3、根据商品与候选商品的相似度，结合用户的用券偏好给用户生成推荐优惠券列表；
[0358]
sd4、对推荐列表内优惠券进行排序分发。
[0359]
对于无历史行为用户
[0360]
对于无历史行为用户，是面向沉睡和流失用户激活触达，沉睡用户和流失用户自身活跃度不高，便会存在部分用户行为数据比较稀疏，或无历史行为可以追溯的情况，此情况下可使用相似人群券偏好进行召回和基础信息召回方式挖掘用户的兴趣偏好并推荐给用户相似人群偏好的优惠券。
[0361]
这里，对基于相似人群券偏好进行召回可参见上述描述，这里不做赘述。
[0362]
基于基础信息召回
[0363]
这里，获取用户的基础信息，确定与用户的基础信息匹配的优惠券标签，并向该用户推荐确定的优惠券标签对应的优惠券。
[0364]
在一示例中，根据小b店铺周边c端用户群体自然属性(年龄、性别)特征进行召回，为每类用户群体设置5个默认1级兴趣标签
[0365]
若b2c用户群体女性用户居多，且没有可信兴趣标签，则推荐水饮乳品、个人美妆、休闲零食、宠物生活、纸品家清等品类券。
[0366]
若b2c用户群体男性用户居多，且没有可信兴趣标签，则推荐家用电器、数码、烟酒、休闲零食、水饮乳品等品类券。
[0367]
门槛和让利根据使用相应品类券下单的用户可覆盖40％的用户群体的券作为推荐券。
[0368]
综合榜单召回
[0369]
由于优惠券种类较少，因此召回阶段不做截断处理，经最终输出策略计算后若没有可推荐的优惠券，则直接输出根据优惠券热度排序的综合榜单进行托底。
[0370]
综合榜单计算规则包括：
[0371]
se1、拉获取所有优惠券近30天的增量指标：下单用户数、领取用户数、订单数、订单金额；
[0372]
se2、对各个增量指标加1取对数，以去除量纲；
[0373]
se3、对各增量指标进行归一化。
[0374]
这里，归一化结果＝(原数值-当前列最小值)/(当前列最大值-当前列最小值+1)，从而避免0值的情况。
[0375]
se4、对各增量指标的归一化结果进行加权求和，得到综合榜单排序。
[0376]
在一示例中，各增量指标的权重为：下单用户数对应的权重为0.6、领取用户数对应的权重为0.15、订单金额对应的权重为0.05、订单数对应的权重为0.2。
[0377]
排序阶段
[0378]
将召回的优惠券按照一定顺序分发给用户。而顺序的规则在满足用户的长期券偏好的同时也要当感知到用户新行为带来的新的兴趣偏好。当用户达到触发发券的时间点时通过推送下发给用户最合适的优惠券，而当用户访问平台时，根据用户这个时间点前的行为进行实时计算推荐列表，结合用户长短期券偏好匹配、券等级、时效性，保证推荐的优惠券对用户兴趣预测的延续性。
[0379]
用户对商品产生行为后，会随着时间的推移兴趣也会产生时间衰减(时间衰减因子α)，用户对商品产生行为时间越远，兴趣越不明显。若用户兴趣变化很快，时间衰减因子α会比较大。因此，实时兴趣排序权重高于离线(长期) 兴趣排序权重。
[0380]
这里，可根据优惠券的券等级对优惠券进行排序，若用户偏好券同时命中在同一象限则根据券标签与用户券偏好标签匹配度进行排序。
[0381]
在一示例中，优惠券的等级如图10所示，券等级为一等的优惠券：无，券等级为二等的优惠券：优惠券2(匹配度0.8)、优惠券7(匹配度0.9)，券等级为三等的优惠券：优惠券1(匹配度0.4)、优惠券3(匹配度0.6)、优惠券4(匹配度0.2)，券等级为四等的优惠券：优惠券5(匹配度0.9)、优惠券6(匹配度 0.2)，其中，匹配度为各优惠券的券标签和用户券偏好标签的匹配度，则最终排序结果为：优惠券7、优惠券2、优惠券3、优惠券1、优惠券4、优惠券5、优惠券6。
[0382]
推送触达
[0383]
通过券与用户进行兴趣匹配召回、排序后，已经将适合推荐给用户的优惠券选了出来并等待发放给用户，在推送触发503中确定优惠券发放时间点、发放渠道、发放方式。
[0384]
其中，经过对待激活用户群体引入订单页面分析，发现用户主要集中在首页、店铺页、搜索结果页进行商品购买，结合不同用户特征偏好，通过push 方式进行优惠券触达。用户的触达节点及触达策略如表4所示。
[0385]
表4、用户的触发节点和触达策略示例
[0386]
[0387][0388]
用户触发节点的确定
[0389]
基于业务诉求，需对即将流失的用户发品牌品类券进行流失预警刺激，对用户复购周期达到沉睡时点的用户需给用户提前发券，希望用户下单周期能提前，故需不同的触达时间节点对应不同的营销手段。
[0390]
发券时间节点的确定策略，如图12所示，包括：
[0391]
当t<t1，若t4＝t1仍未下单，在t1开始发品牌品类券刺激激活；
[0392]
当t1＝<t<t2，若一直未下单，在t4＝t开始发品牌品类券刺激激活；
[0393]
当t2＝<t<90，若一直未下单，在t2发平台劵刺激激活，若还未下单，在 t3发平台券进行最后一次刺激激活；当t>＝90，将待激活用户作为异常值从激活池中剔除。
[0394]
其中，发券时间段为t1至t3之间，当在t3之前，待激活用户一直没有被激活，则t3为最后的最后发券节点。
[0395]
触达策略的确定
[0396]
对进入激活池待激活用户，通过不同的时间点触达发券，而发券的时间周期和频次也根据一定策略支撑。
[0397]
周期的计算逻辑：统计所有激活券领取后多久使用(天)的数据，取其中位数作为到账到下单使用的时间间隔，若出现小时天数进位，通过19年至今数据得出周期。当周期为4天，则预警阶段若用户一直未下单，会触发3次券(前两次发品牌品类券，第三方发平台券)，每次发券时间间隔是4天，到达流失状态最后一次刺激发1次平台券。
[0398]
频次的计算逻辑：看平台整体用户表现，待激活用户连续刺激多少次之后，可以连续活跃次数>＝3次的情况。若连续次数小，比如1次的，可认为偶尔现象。
[0399]
获取所有在19年1月被定义为待激活用户在19年1月份到现在的订单时间，计算用户的连续两次下单行为的时间间隔，并与30天做对比，大于30证明没有在连续的月份内下单；大于30天的定义流失类型为1(流失)，小于30 天的定义流失类型为0(活跃)；找出至少连续3次活跃的时间点，有几次下单行为时间间隔大于30天的，被定义为刺激n次。查找80％的用户下单分布情况下n的取值。
[0400]
比如：对同一用户每个月月初发一次优惠券，用户下单时间，及连续两次下单时间
间隔数据如表5所示。
[0401]
表5
[0402][0403][0404]
表5所示的用户的行为中，用户持续活跃(0标识)大于3次以上的时间间隔大于30天的为3次，所以n＝3。
[0405]
当全量用户复购周期是21天，全量用户沉睡周期是30天，全量用户流失周期是60天，每次发券的周期是4天，预警全部都打3次券，前2次发品牌品类券，第3次发平台券，到达流失状态发1次平台券。上线时错过时间点的用户，不补发券。
[0406]
对于用户1，复购周期是20天(小于平台复购周期21天),一直未下单，则执行以下操作：
[0407]
操作一、在t4＝21天发券触达，发券周期是4天，共发3次；
[0408]
操作二、发券时间点是第21天(品牌品类券)、25天(品牌品类券)、29 天(平台券)；
[0409]
操作三、若用户一直没下单则到60天，再发平台券；
[0410]
操作四、一直没下单，90天后出激活用户群的池子。
[0411]
对于用户2，复购周期是22天(21<t<30),一直未下单，则执行以下操作：
[0412]
操作一、在第22天发券触达，发券周期是4天，共发3次；
[0413]
操作二、发券时间点是22天(品牌品类券)、26天(品牌品类券)、30天 (平台券)；
[0414]
操作三、若用户一直没下单则到60天，再发平台券；
[0415]
操作四、一直没下单，90天后出激活用户群的池子。
[0416]
对于用户3，复购周期是30天(t<30),一直未下单，则执行以下操作：
[0417]
操作一、在第24天发券触达，发券周期是4天，共发3次；
[0418]
操作二、发券时间点是30天(品牌品类券)、34天(品牌品类券)、38天 (平台券)；
[0419]
操作三、若用户一直没下单则到60天，再发平台券；
[0420]
操作四、一直没下单，90天后出激活用户群的池子。
[0421]
对于用户4，复购周期是32天(t>30),一直未下单户，则执行以下操作：
[0422]
操作一、在第30天发券触达，发券周期是4天，共发3次；
[0423]
操作二、发券时间点是30天(品牌品类券)、34天(品牌品类券)、38天 (平台券)；
[0424]
操作三、若用户一直没下单则到60天，再发平台券；
[0425]
操作四、一直没下单，90天后出激活用户群的池子。
[0426]
本申请实施例中，优惠券推送的方式可如图13所示，
[0427]
s1302、监控是否下单，
[0428]
其中，监控对象为活跃用户人群1301中的活跃用户，且按天进行监控。当下单时，将该用户继续保留在活跃用户人群1301中，当未下单，则执行s1303。
[0429]
s1303、判断t4是否达到t1；
[0430]
当达到时，则执行s1304，未达到时，则继续执行s1302。
[0431]
s1304、进入待激活池；
[0432]
这里，将该用户添加至待激活池，即目标对象池。
[0433]
s1305、当t1<t4<90天，则第一次发券；
[0434]
第一次发券后继续对用户按天进行监控，并执行s1306。
[0435]
s1306、判断是否下单；
[0436]
当未下单，则执行s1307，当下单，则执行s1308。
[0437]
s1307、进行第二、三次发券；
[0438]
第二、三次发券后继续对用户按天进行监控，并执行s1309；
[0439]
s1308、在待激活池中将用户剔除。
[0440]
这里，该用户从待激活池中剔除的同时，进入活跃用户人群1301。
[0441]
s1309、判断是否下单；
[0442]
当未下单，则执行s1310，当下单，则执行s1308。
[0443]
s1310、t4＝t3，则第四次发券；
[0444]
第四次发券后继续对用户按天进行监控，并执行s1311。
[0445]
s1311、判断是否下单；
[0446]
当未下单，则执行s1310，当下单，则执行s1312。
[0447]
s1312、t4＝90，则从激活池中剔除，进入大于90天未下单的用户池内。
[0448]
触达方式的确定
[0449]
表6、沉睡用户群体行为数据
[0450][0451]
表7、流失用户群体行为数据
[0452][0453]
根据表6和表7所示的采样用户群体行为数据(登录、点击、加车)确定触达方式，其中，数据分析得出的分析结果包括：
[0454]
1、平均每天停留时长并不能成为影响下单的强影响因素(相关系数0.18 及0.09)，即影响用使用时长并不能直接影响下单转化。
[0455]
2、影响下单次数的主要因子是加车次数和登录天数，所以可使用push触达唤醒用户登录提升转化。
[0456]
3、点击sku次数和登录天数相关系数大，针对此用户群体，登录天数是有效的分析方向。
[0457]
通过回归分析得出：沉睡用户登录天数对下单次数的影响度是28％，流失用户登录天数对下单次数的影响度是14％。
[0458]
结合相关分析数据的数据指标均与1相差很大，因此通过push唤回用户登录，并不是能影响用户转化的绝对有效方式，更多的对sku点击次数会带来更大的转化效果。因此优惠券下发时可考虑流量场景，在领券时能有更多商品曝光及利益点露出，因此需要优化触达弹窗的样式。
[0459]
触达样式
[0460]
触达用户时，根据智能选券和智能选人，匹配出用户最偏好的用券习惯及券偏好
类目品牌使得更多利益点露出，触达用户的那刻便抓住用户的诉求，提升点击转化。
[0461]
其中，向用户推送的方式可包括push触达、公众号触达和弹窗触达等方式。
[0462]
通过智能定向人群、智能选券，依托大数据、推荐算法，结合业务运营计划和资源，搭建的智能营销闭环产品体系，可实现类目、资源位的全自动个性化push投放，真正解决运营过程存在的问题。
[0463]
本申请实施例提供的资源推荐方法具有以下特点：
[0464]
1、智能选人。用户复购周期定义、沉睡用户定义、流失用户定义。该技术根据用户复购行为概率分布曲线、下降趋势及营销策略，体现平台用户分布特性及采购行为趋势。
[0465]
2、智能选券-智能打标。基于券规则及券下单行为进行打标，并结合券行为挖掘、roi四象限模型定义券等级标签。
[0466]
3、用户优惠券偏好标签定义。根据用户近一年用优惠券下单且订单状态为完成的订单数据为基础；依据使用券下单的订单数、订单金额，算出用户对一级品类、品牌的券偏好数据
[0467]
4、召回。根据用户的历史券偏好行为数据在海量的信息中初筛选出与用户券偏好行为匹配的优惠券。由于用户行为随机性，部分用户有历史行为可追溯券偏好，而部分用户行为数据稀疏或无历史行为可追溯，为了达成精准用户券偏好的匹配，在召回阶段将人群分为“有可信行为”和“无可信行为”两类。涉及到knn召回、相似人群召回、k-means聚类召回、券偏好人群协同过滤召回、短期券偏好时间衰减召回、综合榜单召回。
[0468]
5、排序。将召回层召回的优惠券按照一定顺序分发给用户。根据券等级-roi 和用户行为数据，生成四象限模型进行券排序，若用户偏好券同时命中在同一象限则根据券标签与用户券偏好标签匹配度进行排序。
[0469]
6、个性化push。结合全量用户数据调整用户复购周期，定义用户push 触达时间点及发券的时间周期和频次。触达用户时，根据智能选券和智能选人，匹配出用户最偏好的用券习惯及券偏好类目、品牌使得更多利益点露出，触达用户的那刻便抓住用户的诉求，提升点击转化。
[0470]
图14为本申请实施例的一种资源推荐装置的实现流程示意图，如图14所示，装置1400包括：
[0471]
获取单元1401，用于获取目标对象池中每一目标对象的偏好资源标签，并获取资源池中每一资源的资源标签；
[0472]
匹配单元1402，用于将所述目标对象池中每一所述目标对象的偏好资源标签和每一所述资源的资源标签进行匹配，确定每一所述目标对象对应的目标资源；
[0473]
推荐单元1403，用于将所述目标资源推送至对应的目标对象。
[0474]
在一些实施例中，装置1400还包括：添加单元，用于
[0475]
获取全量用户的复购周期、全量用户的沉睡周期和全量用户的流失周期；
[0476]
将对象集合中的各对象的复购周期和所述全量用户的复购周期、所述全量用户的沉睡周期和所述全量用户的流失周期进行比较，得到各对象对应的比较结果；
[0477]
将比较结果满足待激活条件的对象添加至所述目标对象池中。
[0478]
在一些实施例中，装置1400还包括：删除单元，用于
[0479]
对所述目标对象池中的目标对象进行监控；
[0480]
若所述目标对象池中包括存在下单行为、或未下单时长超过设定时长的待删除对象，将所述待删除对象从所述目标对象池中删除。
[0481]
在一些实施例中，装置1400还包括：第一确定单元，用于：
[0482]
获取所述目标对象的行为数据；
[0483]
在所述行为数据中查找使用资源完成的资源订单；
[0484]
根据所述资源订单所使用的资源的资源标签，确定所述目标对象的偏好资源标签。
[0485]
在一些实施例中，装置1400还包括：第二确定单元，用于：
[0486]
根据所述目标对象的注册信息，确定所述目标对象的偏好资源标签；或
[0487]
通过协同过滤确定所述目标对象对应的相似对象，将所述相似对象的偏好资源标签作为所述目标对象的偏好资源标签。
[0488]
在一些实施例中，装置1400还包括：第三确定单元，用于：
[0489]
对于所述资源池中每一资源执行以下处理：
[0490]
接收针对所述资源的录入操作，根据所述录入操作确定所述资源的一级标签；
[0491]
根据所述资源对应的历史订单数据，确定所述资源的二级标签；
[0492]
获取所述资源的三级标签；
[0493]
建立所述一级标签、所述二级标签和所述三级标签之间的对应关系，得到所述资源对应的资源标签。
[0494]
在一些实施例中，匹配单元1402，还用于：
[0495]
对于每一所述目标对象，执行以下处理：
[0496]
获取所述目标对象使用所述偏好资源标签的对象特征，并获取每一所述资源标签对应的资源特征；
[0497]
计算所述目标对象使用所述偏好资源标签的行为特征与每一所述资源特征之间的匹配度；
[0498]
获取所述匹配度小于设定匹配度的资源特征对应的目标资源标签，将所述目标资源标签对应的资源确定为所述目标资源。
[0499]
在一些实施例中，匹配单元1402，还用于：
[0500]
根据所述目标对象在设定时间段内的行为数据，确定所述目标对象的感兴趣商品；
[0501]
确定与所述感兴趣商品属于同一商品类型的潜在下单商品，并根据所述潜在下单商品确定潜在资源标签，所述参考资源标签为所述潜在商品适用的资源的资源标签；
[0502]
若所述潜在资源标签属于所述目标对象的偏好资源标签，且所述潜在资源标签对应的资源偏好评分大于设定资源偏好评分阈值的情况下，确定所述潜在资源标签对应的资源为所述目标资源。
[0503]
在一些实施例中，装置1400还包括：第四确定单元，用于：
[0504]
获取所述目标对象使用所述资源标签对应的资源完成的订单数据；
[0505]
根据所获取的订单数据，确定所述目标对象对应所述资源标签的至少一个资源指标；
[0506]
根据所述资源指标对应的权重和所述资源指标，确定所述资源标签对应的资源偏
好评分。
[0507]
在一些实施例中，所述第四确定单元，还用于：
[0508]
根据所述资源指标对应的权重、时间衰减因子和所述资源指标，确定所述资源标签对应的资源偏好评分。
[0509]
在一些实施例中，装置1400还包括：排序单元，用于：
[0510]
获取所述目标资源的资源等级；
[0511]
根据所述资源等级对所述目标资源排序；
[0512]
对应的，所述推荐单元1403，还用于：
[0513]
根据所述目标资源的排序结果将所述目标资源推送至对应的目标对象。
[0514]
在一些实施例中，装置1400还包括：第五确定单元，用于：
[0515]
获取所述目标资源的投资回报率和使用特征；
[0516]
根据所述投资回报率和所述使用特征，将所述目标资源映射至四象限模型；
[0517]
根据所述目标资源映射在所述四象限模型中的位置所属的象限，确定所述目标资源的等级。
[0518]
在一些实施例中，装置1400还包括：第六确定单元，用于：
[0519]
获取每一所述资源标签的标签评分；
[0520]
确定所述资源池中，标签评分高于设定标签评分的候选资源标签，并确定所述资源池中所述候选资源标签对应的候选资源；
[0521]
对应的，匹配单元1402，还用于：
[0522]
所述目标对象池中每一所述目标对象的偏好资源标签和每一所述候选资源的资源标签进行匹配。
[0523]
对应的，所述第六确定单元，还用于：
[0524]
获取所述资源标签的至少一个资源使用占比；所述资源使用占比与第一订单以及第二订单有关，所述第一订单包括使用所述资源标签覆盖的资源完成的订单，所述第二订单包括所有使用资源完成的订单；
[0525]
根据所述至少一个资源使用占比，确定所述资源标签的标签评分。
[0526]
需要说明的是，本申请实施例提供的资源推荐装置包括所包括的各单元，可以通过电子设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(cpu，central processing unit)、微处理器(mpu，micro processor unit)、数字信号处理器(dsp，digital signalprocessor)或现场可编程门阵列(fpga，field-programmable gate array)等。
[0527]
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
[0528]
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的数据备份方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施
例所述方法的全部或部分。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory， rom)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
[0529]
对应地，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例中提供的资源推荐方法中的步骤。其中，该电子设备可为客户端，也可为服务端。
[0530]
对应地，本申请实施例提供一种存储介质，也就是计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中提供的资源推荐方法中的步骤。
[0531]
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
[0532]
需要说明的是，图15为本申请实施例电子设备的一种硬件实体示意图，如图15所示，所述电子设备1500包括：一个处理器1501、至少一个通信总线1502、至少一个外部通信接口1504和存储器1505。其中，通信总线1502配置为实现这些组件之间的连接通信。在一示例中，电子设备1500还包括：用户接口1503、其中，用户接口1503可以包括显示屏，外部通信接口1504可以包括标准的有线接口和无线接口。
[0533]
存储器1505配置为存储由处理器1501可执行的指令和应用，还可以缓存待处理器1501以及电子设备中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(flash)或随机访问存储器(random access memory，ram)实现
[0534]
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一些实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
[0535]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0536]
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0537]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0538]
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0539]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。
[0540]
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0541]
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。