一种数据处理方法、装置、计算机设备和存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种数据处理方法、装置、计算机设备和存储介质。


背景技术：

2.随着互联网在不断发展和推广，基于互联网提供的线上业务的业务范围也逐渐覆盖大多数用户，作为线上业务的提供方面临的竞争也越来越激烈，因此，线上业务的提供方为了提升用户转化率，在用户参与线上业务的过程中，通过向用户投放权益的方式来吸引用户加入营销活动；传统的向用户投放权益的方法是通过response model(响应模型)来预测向用户投放权益后，预测用户转化的概率，然后根据用户的转化概率来进行权益投放。但是这种响应模型只单纯的涉及了用户的转化概率，忽略了权益投放本身的增益效果，因此通过传统的响应模型进行权益投放的方式有待改进。


技术实现要素：

3.鉴于上述现有技术的不足，本技术的目的在于提供一种数据处理方法，旨在提出一种适用于复杂的实际营销场景的数据处理方法。
4.第一方面，本技术提供一种数据处理方法，包括：获取目标对象的画像数据和至少一条权益信息，上述至少一条权益信息是用于激励上述目标对象触发目标事件的信息；基于权益折算规则对上述至少一条权益信息进行权益折算，得到上述至少一条权益数据对应的至少一个权益数值；将上述画像数据输入权益增益模型，得到上述目标对象的敏感曲线，上述敏感曲线为上述目标对象针对上述至少一条权益信息触发上述目标事件的概率增益曲线；基于上述敏感曲线和上述至少一个权益数值向上述目标对象推送目标权益信息，上述目标权益信息为上述至少一条权益信息中的至少一条。
5.在一种可选的实施方式中，在上述将上述画像数据输入权益增益模型，得到上述目标对象的敏感曲线之前，上述数据处理方法还包括：提取上述至少一条权益信息对应的权益特征信息；上述将上述画像数据输入权益增益模型，得到上述目标对象的敏感曲线，包括：将上述画像数据和上述权益特征信息输入上述权益增益模型，得到上述目标对象的敏感曲线。
6.在实际营销中，同一个用户可能对不同场景或不同类别的折算后金额相同的权益(例如红包、打折、优惠券、礼品，不同场景如外卖、打车、购物等)会有不同的增益概率；因此在本技术实施方式中，还将益信息的特征也作为权益增益模型的输入，从而使得得到的目标用户的敏感曲线更加精确。
7.在一种可选的实施方式中，所述基于所述敏感曲线和所述至少一个权益数值向所述目标对象推送目标权益信息，包括：基于所述敏感曲线得到所述至少一个权益数值对应的至少一个敏感度；选取所述至少一个敏感度中大于第一阈值对应的第一目标权益数值；向所述目标对象推送所述第一目标权益数值对应的权益信息。
8.在一种可选的实施方式中，所述向所述目标对象推送所述第一目标权益数值对应的权益信息，包括：获取触发所述目标事件的预算信息和投资回报率信息；基于所述预算信息和所述投资回报率信息计算所述第一目标权益数值中的第二目标权益数值，所述第二目标权益数值为触发所述目标事件投资回报率最高的权益数值；向所述目标对象推送所述第二目标权益数值对应的权益信息。
9.在一种可选的实施方式中，所述基于所述预算信息和所述投资回报率信息计算所述第一目标权益数值中的第二目标权益数值，包括：基于所述预算信息和投资回报率信息确定所述第二阈值；从所述第一目标权益数值中的选取小于所述第二阈值的权益数值，得到所述第二目标权益数值。
10.在本技术实施例中，通过获取触发上述目标事件的预算信息和投资回报率信息；然后基于上述预算信息和投资回报率信息确定推送权益的上限，使得本技术的方案更加智能实用。
11.在一种可选的实施方式中，在获取目标对象的画像数据和至少一条权益信息之前，上述数据处理方法还包括：获取训练样本和上述至少一条权益信息，上述训练样本包括基准组和实验组，上述基准组中包括第一训练对象的画像数据以及上述第一训练对象对上述目标事件的触发结果，上述实验组包括第二训练对象的画像数据以及上述第二训练对象对上述目标事件的触发结果；基于上述权益折算规则对上述至少一条权益信息进行权益折算，得到上述至少一条权益数据对应的至少一个权益数值；将上述第一训练对象的画像数据作为输入，上述第一训练对象对上述目标事件的触发结果作为输出，以及将上述第二训练对象的画像数据以及上述至少一个权益数值作为输入，上述第二训练对象对上述目标事件的触发结果作为输出，采用深度学习的方法训练得到权益增益模型。
12.在一种可选的实施方式中，在上述采用深度学习的方法训练得到权益增益模型之前，上述数据处理方法还包括：提取上述至少一条权益信息对应的权益特征信息；在采用深度学习的方法训练得到权益增益模型的步骤中，将上述第二训练对象的画像数据以及上述至少一个权益数值作为输入包括：将上述第二训练对象的画像数据、上述至少一个权益数值和权益特征信息作为输入。
13.第二方面，本技术提供一种数据处理装置，其特征在于，包括：获取单元，用于获取目标应用的样本数据和应用属性特征，其中，上述样本数据包括样本对象的对象画像特征、以及上述样本对象在至少一个特征维度上的对象行为特征；折算单元，用于基于权益折算规则对上述至少一条权益信息进行权益折算，得到上述至少一条权益数据对应的至少一个权益数值；输入单元，用于将上述画像数据输入权益增益模型，得到上述目标对象的敏感曲线，上述敏感曲线为上述目标对象针对上述至少一条权益信息触发上述目标事件的概率增益曲线；推送单元，用于基于上述敏感曲线和上述至少一个权益数值向上述目标对象推送目标权益信息，上述目标权益信息为上述至少一条权益信息中的至少一条。
14.第三方面，本技术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，其特征在于，上述处理器执行上述计算机程序时实现上述第一方面提供的上述的数据处理方法。
15.第三方面，本技术提供一种计算机可读存储介质，其特征在于，上述计算机可读存储介质存储有执行计算机程序，上述计算机程序被处理器执行时实现上述第一方面提供的
上述的数据处理方法。
16.在本技术实施例中，通过将目标对象(即目标用户)的画像数据输入到权益增益模型中得到目标用户对权益的敏感度曲线，然后基于敏感曲线以及待推送的权益的折算数值判断是否对目标用户进行权益推送。由于上述敏感曲线为上述目标对象针对上述至少一条权益信息触发上述目标事件的概率增益曲线。该曲线反应了权益折算后的数值与增益概率的关系；该增益概率为目标用户在被推送权益后触发目标事件的概率，以及目标用户在没有被推送权益触发目标事件的概率的差值。换句话说，上述敏感曲线反应了推送权益之后促使目标用户触发目标事件的增益概率。因此通过本技术的方案，可以更加精确地将权益信息推送给用户，促使用户触发目标事件，例如促使用户下单；另外，由于本技术的方案中，将权益信息按照预定的规则进行了数值折算，即将权益转换为等价的金额，因此本方案可以适应实际情况中各种复杂的权益推送。
附图说明
17.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
18.图1是本技术实施例提供的一种数据处理方法的示意流程图；
19.图2是本技术实施例提供的另一种数据处理方法的示意流程图；
20.图3是本技术实施例提供的一种权益增益模型训练方法的示意流程图；
21.图4是本技术实施例提供的一种数据处理装置的示意框图；
22.图5是本技术实施例提供的一种数据处理装置的结构示意图；
23.图6和图7是本技术实施例提供的权益增益模型输出的敏感曲线示意图。
具体实施方式
24.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
25.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
26.还应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
27.还应当进一步理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
28.如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或
“
如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0029]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0030]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0031]
参见图1，图1是本技术实施例提供的一种数据处理方法的示意流程图，本技术的数据方法主要应用于各种类型营销活动；如图所示，该方法可包括：
[0032]
101：获取目标对象的画像数据和至少一条权益信息，上述至少一条权益信息是用于激励上述目标对象触发目标事件的信息。
[0033]
在本技术实施例中，上述对象的画像数据可以是用于描述对象的数据，对象的画像数据所包括的类型可以多种，例如，可以包括以下至少之一：对象的性别，对象的年龄，对象的职业，对象所使用设备的型号，对象所使用设备的操作系统，对象所使用设备的价格，对象的长驻地，对象的粉丝数，对象注册/安装预定应用的状态，历史消费额、历史转账、贷款金额等等。
[0034]
在一个或多个可选实施例中，上述对象的画像数据还可以包括上述对象的行为数据，具体的行为数据是用于描述对象不断变换的行为的数据，属于对象的动态数据。比如，对象为具体的用户时，对象的行为数据可以是用户各种行为的数据，例如，一个用户打开网页，买了一个杯子；与该用户傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等都是用户行为。当用户使用上述业务时，在上述业务上的各种动态的行为数据都可以被记录下来。举例来说，当对象为用户，当对象使用的业务为基于互联网的互联网应用时，用户的行为数据可以包括以上至少之一：用户在预定时间内访问互联网应用的次数，用户访问互联网应用时停留的时长，用户访问互联网应用后再次访问互联网应用的间隔时长，用户在互联网应用上所执行的操作等。比如，当该互联网应用为用于交互的视频类应用时，用户的行为数据可以是：用户在预定时间内(一个月)访问该视频类应用的次数，用户在访问该视频类应用时停留的时长，用户访问视频类应用后再次访问该视频类应用的间隔时长，用户在该视频类应用上所执行的操作(比如，对该视频类应用上功能控件的操作：对视频类应用中视频的评论，转发，点赞，收藏等)，等等。应当理解，用户的上述行为可通过该用户的用户帐户登录的设备实现，例如，用户通过用户帐户登录的设备在一天内多次访问视频类应用程序。
[0035]
在本技术实施例中，上述权益信息是指在营销活动中针对用户(即上述对象)提供的各种优惠信息，用于激励上述目标对象触发目标事件的信息。例如针对某种待销售产品的折扣信息、针对产品的优惠券或红包、购买某产品的赠品等等；可以理解的是上述权益信息可以是单独的一种优惠，例如返红包，也可以是多种优惠的组合，例如优惠券加赠品。
[0036]
在本技术实施例中，上述触发目标事件是指上述目标对象(即用户)在接收到权益信息后，针对收到的权益信息的响应；上述触发目标事件包括但不限于购买、响应营销活
动，具体视营销内容而定；其中，对象对收到的权益信息的响应结果可以理解为用户是否被转化，转化结果包括：转化及未转化，其中，具体实施时，可用1表示转化，用0表示未转化。例如，若某一用户转化成功(例如购买、响应了营销活动关联的产品)，则将该用户的转化结果设置为1，反之，若某一用户未转化(例如未购买、未响应营销活动关联的产品)，则将该用户的转化结果设置为0。
[0037]
102：基于权益折算规则对上述至少一条权益信息进行权益折算，得到上述至少一条权益数据对应的至少一个权益数值。
[0038]
其中，上述权益数值是指权益折算后的等价金额。在一些可能的情况中，上述权益信息中包含一些非金额数值类的信息，例如折扣、赠品、抽奖、积分等等。针对这些非金额数值类的权益信息，本技术的实施方案通过预先设置的权益折算规则对这些非金额数值类的权益信息进行折算，从而得到可以直接使用的金额数值。例如，可以根据赠品的价值进行折算，也可以通过积分兑换规则进行金额折算，又或者根据抽奖的奖品价值以及中奖概率进行折算。
[0039]
103：将上述画像数据输入权益增益模型，得到上述目标对象的敏感曲线，上述敏感曲线为上述目标对象针对上述至少一条权益信息触发上述目标事件的概率增益曲线。
[0040]
在本技术实施例中，上述权益增益模型为事先训练好的模型，模型的具体构建以及训练过程可以参考图3对应的实施方式，上述权益增益模型具体为：
[0041]
uplift＝g(yx,t＝t)
‑
g(yx,t＝0)；
[0042]
其中，x即为对象(即用户)的画像数据；t表示折算后的权益数值；
[0043]
g(y|x,t＝t)表示折算后的折算后的权益数值为t(t>0)时，上述对象触发上述目标事件的概率；
[0044]
g(y|x,t＝0)表示折算后的折算后的权益数值为0(t>0)时，上述对象触发上述目标事件的概率；
[0045]
uplift表示权益信息对上述目标对象(即用户)触发目标事件带来的增益概率。
[0046]
上述敏感曲线则为uplift和折算后的权益数值t之间的关系曲线。在本技术的实施例中，上述权益增益模型输出的敏感曲线可以是如图6所示的单个权益信息对应的敏感曲线，也可以使如图7所示的多个权益信息对应的敏感曲线。可以理解的是，图7中权益1、权益2或权益3可以是单独的一种优惠，例如返红包，也可以是多种优惠的组合，例如优惠券加赠品。
[0047]
104：基于上述敏感曲线和上述至少一个权益数值向上述目标对象推送目标权益信息，上述目标权益信息为上述至少一条权益信息中的至少一条。
[0048]
在一种可选的实施方式中，上述基于上述敏感曲线和上述至少一个权益数值向上述目标对象推送目标权益信息，具体可以包括：基于上述敏感曲线得到上述至少一个权益数值对应的至少一个敏感度；选取上述至少一个敏感度中大于第一阈值对应的第一目标权益数值；向上述目标对象推送上述第一目标权益数值对应的权益信息。
[0049]
其中，上述第一阈值为预先设置的值，例如该第一阈值可以为1％。
[0050]
进一步的，上述向上述目标对象推送上述第一目标权益数值对应的权益信息，具体可以包括：获取触发上述目标事件的预算信息和投资回报率信息；基于上述预算信息和上述投资回报率信息计算上述第一目标权益数值中的第二目标权益数值，上述第二目标权
益数值为触发上述目标事件投资回报率最高的权益数值；向上述目标对象推送上述第二目标权益数值对应的权益信息。
[0051]
进一步的，上述基于上述预算信息和上述投资回报率信息计算上述第一目标权益数值中的第二目标权益数值，包括：基于上述预算信息和投资回报率信息确定上述第二阈值；从上述第一目标权益数值中的选取小于上述第二阈值的权益数值，得到上述第二目标权益数值。
[0052]
在本技术中，通过将目标对象(即目标用户)的画像数据输入到权益增益模型中得到目标用户对权益的敏感度曲线，然后基于敏感曲线以及待推送的权益的折算数值判断是否对目标用户进行权益推送。由于上述敏感曲线为上述目标对象针对上述至少一条权益信息触发上述目标事件的概率增益曲线。该曲线反应了权益折算后的数值与增益概率的关系；该增益概率为目标用户在被推送权益后触发目标事件的概率，以及目标用户在没有被推送权益触发目标事件的概率的差值。换句话说，上述敏感曲线反应了推送权益之后促使目标用户触发目标事件的增益概率。因此通过本技术的方案，可以更加精确地将权益信息推送给用户，促使用户触发目标事件，例如促使用户下单；另外，由于本技术的方案中，将权益信息按照预定的规则进行了数值折算，即将权益转换为等价的金额，因此本方案可以适应实际情况中各种复杂的权益推送。
[0053]
见图2，图2是本技术实施例提供的另一种数据处理方法的示意流程图，如图所示，该方法可包括：
[0054]
201：获取目标对象的画像数据和至少一条权益信息，上述至少一条权益信息是用于激励上述目标对象触发目标事件的信息。
[0055]
在本技术实施例中，上述对象的画像数据可以是用于描述对象的数据，对象的画像数据所包括的类型可以多种，例如，可以包括以下至少之一：对象的性别，对象的年龄，对象的职业，对象所使用设备的型号，对象所使用设备的操作系统，对象所使用设备的价格，对象的长驻地，对象的粉丝数，对象注册/安装预定应用的状态，历史消费额、历史转账、贷款金额等等。
[0056]
在一个或多个可选实施例中，上述对象的画像数据还可以包括上述对象的行为数据，具体的行为数据是用于描述对象不断变换的行为的数据，属于对象的动态数据。比如，对象为具体的用户时，对象的行为数据可以是用户各种行为的数据，例如，一个用户打开网页，买了一个杯子；与该用户傍晚溜了趟狗，白天取了一次钱，打了一个哈欠等等都是用户行为。当用户使用上述业务时，在上述业务上的各种动态的行为数据都可以被记录下来。举例来说，当对象为用户，当对象使用的业务为基于互联网的互联网应用时，用户的行为数据可以包括以上至少之一：用户在预定时间内访问互联网应用的次数，用户访问互联网应用时停留的时长，用户访问互联网应用后再次访问互联网应用的间隔时长，用户在互联网应用上所执行的操作等。比如，当该互联网应用为用于交互的视频类应用时，用户的行为数据可以是：用户在预定时间内(一个月)访问该视频类应用的次数，用户在访问该视频类应用时停留的时长，用户访问视频类应用后再次访问该视频类应用的间隔时长，用户在该视频类应用上所执行的操作(比如，对该视频类应用上功能控件的操作：对视频类应用中视频的评论，转发，点赞，收藏等)，等等。应当理解，用户的上述行为可通过该用户的用户帐户登录的设备实现，例如，用户通过用户帐户登录的设备在一天内多次访问视频类应用程序。
[0057]
在本技术实施例中，上述权益信息是指在营销活动中针对用户(即上述对象)提供的各种优惠信息，用于激励上述目标对象触发目标事件的信息。例如针对某种待销售产品的折扣信息、针对产品的优惠券或红包、购买某产品的赠品等等；可以理解的是上述权益信息可以是单独的一种优惠，例如返红包，也可以是多种优惠的组合，例如优惠券加赠品。
[0058]
在本技术实施例中，上述触发目标事件是指上述目标对象(即用户)在接收到权益信息后，针对收到的权益信息的响应；上述触发目标事件包括但不限于购买、响应营销活动，具体视营销内容而定；其中，对象对收到的权益信息的响应结果可以理解为用户是否被转化，转化结果包括：转化及未转化，其中，具体实施时，可用1表示转化，用0表示未转化。例如，若某一用户转化成功(例如购买、响应了营销活动关联的产品)，则将该用户的转化结果设置为1，反之，若某一用户未转化(例如未购买、未响应营销活动关联的产品)，则将该用户的转化结果设置为0。
[0059]
202：基于权益折算规则对上述至少一条权益信息进行权益折算，得到上述至少一条权益数据对应的至少一个权益数值。
[0060]
其中，上述权益数值是指权益折算后的等价金额。在一些可能的情况中，上述权益信息中包含一些非金额数值类的信息，例如折扣、赠品、抽奖、积分等等。针对这些非金额数值类的权益信息，本技术的实施方案通过预先设置的权益折算规则对这些非金额数值类的权益信息进行折算，从而得到可以直接使用的金额数值。例如，可以根据赠品的价值进行折算，也可以通过积分兑换规则进行金额折算，又或者根据抽奖的奖品价值以及中奖概率进行折算。
[0061]
203：提取上述至少一条权益信息对应的权益特征信息。
[0062]
在实际营销中，同一个用户可能对不同场景或不同类别的折算后金额相同的权益(例如红包、打折、优惠券、礼品，不同场景如外卖、打车、购物等)会有不同的增益概率；因此在本技术实施方式中，还将益信息的特征也作为权益增益模型的输入，从而使得得到的目标用户的敏感曲线更加精确。
[0063]
其中，上述权益特征信息包括但不限于权益信息对应的产品或活动类型、权益信息对应的场景、权益信息对应的时间、权益信息对应的平台等。
[0064]
204：将上述画像数据和上述权益特征信息输入上述权益增益模型，得到上述目标对象的敏感曲线。
[0065]
在本技术实施例中，上述权益增益模型为事先训练好的模型，模型的具体构建以及训练过程可以参考图3对应的实施方式，上述权益增益模型具体为：
[0066]
uplift＝g(y|x,m,n*t＝t)
‑
g(y|x,m,t＝0)；
[0067]
其中，x即为对象(即用户)的画像数据；t表示折算后的权益数值，y表示触发目标事件，m表示权益特征信息，n表示权益信息的权重值；
[0068]
g(y|x,t＝t)表示折算后的折算后的权益数值为t(t>0)时，上述对象触发上述目标事件的概率；
[0069]
g(y|x,t＝0)表示折算后的折算后的权益数值为0(t>0)时，上述对象触发上述目标事件的概率；
[0070]
uplift表示权益信息对上述目标对象(即用户)触发目标事件带来的增益概率。
[0071]
在一些可选的实施方式中，可以将上述权益特征进行分类，然后在上述权益增益
模型中对上述对象的敏感度进行计算时，给每个折算后的权益数值进行加权，且加权的权重取决于输入的对象的画像数据和权益特征信息的特征信息；即通过上述目标对象的画像数据和权益特征信息来确定上述权重的取值。例如，在一个服装营销的场景中，上述画像数据中包括目标对象的性别男，年龄40岁；权益特征信息中包含类别女童装；则可以将上述权重的取值匹配为0或接近于0。可以理解的是，上述例子中仅用于举例说明，实际情况中，上述权重值是通过用户画像数据中的多个数据和多个权益特征信息进行匹配的。
[0072]
在本技术实施例中，通过将权益特征信息引入到模型的特征层面，使得权益增益模型输出的敏感曲线更加准确。
[0073]
上述敏感曲线则为uplift和折算后的权益数值t之间的关系曲线。在本技术的实施例中，上述权益增益模型输出的敏感曲线可以是如图6所示的单个权益信息对应的敏感曲线，也可以使如图7所示的多个权益信息对应的敏感曲线。可以理解的是，图7中权益1、权益2或权益3可以是单独的一种优惠，例如返红包，也可以是多种优惠的组合，例如优惠券加赠品。
[0074]
205：基于上述敏感曲线和上述至少一个权益数值向上述目标对象推送目标权益信息，上述目标权益信息为上述至少一条权益信息中的至少一条。
[0075]
在一种可选的实施方式中，上述基于上述敏感曲线和上述至少一个权益数值向上述目标对象推送目标权益信息，具体可以包括：基于上述敏感曲线得到上述至少一个权益数值对应的至少一个敏感度；选取上述至少一个敏感度中大于第一阈值对应的第一目标权益数值；向上述目标对象推送上述第一目标权益数值对应的权益信息。
[0076]
其中，上述第一阈值为预先设置的值，例如该第一阈值可以为1％。
[0077]
进一步的，上述向上述目标对象推送上述第一目标权益数值对应的权益信息，具体可以包括：获取触发上述目标事件的预算信息和投资回报率信息；基于上述预算信息和上述投资回报率信息计算上述第一目标权益数值中的第二目标权益数值，上述第二目标权益数值为触发上述目标事件投资回报率最高的权益数值；向上述目标对象推送上述第二目标权益数值对应的权益信息。
[0078]
进一步的，上述基于上述预算信息和上述投资回报率信息计算上述第一目标权益数值中的第二目标权益数值，包括：基于上述预算信息和投资回报率信息确定上述第二阈值；从上述第一目标权益数值中的选取小于上述第二阈值的权益数值，得到上述第二目标权益数值。
[0079]
在本技术中，通过将目标对象(即目标用户)的画像数据输入到权益增益模型中得到目标用户对权益的敏感度曲线，然后基于敏感曲线以及待推送的权益的折算数值判断是否对目标用户进行权益推送。由于上述敏感曲线为上述目标对象针对上述至少一条权益信息触发上述目标事件的概率增益曲线。该曲线反应了权益折算后的数值与增益概率的关系；该增益概率为目标用户在被推送权益后触发目标事件的概率，以及目标用户在没有被推送权益触发目标事件的概率的差值。换句话说，上述敏感曲线反应了推送权益之后促使目标用户触发目标事件的增益概率。因此通过本技术的方案，可以更加精确地将权益信息推送给用户，促使用户触发目标事件，例如促使用户下单；另外，由于本技术的方案中，将权益信息按照预定的规则进行了数值折算，即将权益转换为等价的金额，因此本方案可以适应实际情况中各种复杂的权益推送。
[0080]
见图3，图3是本技术实施例提供的另一种权益增益模型训练方法的示意流程图，如图所示，该方法可包括：
[0081]
301：获取训练样本和至少一条权益信息，上述训练样本包括基准组和实验组，上述基准组中包括第一训练对象的画像数据以及上述第一训练对象对上述目标事件的触发结果，上述实验组包括第二训练对象的画像数据以及上述第二训练对象对上述目标事件的触发结果。
[0082]
在本技术实施例中，上述权益信息、画像数据、目标事件等信息可以参考图1或图2对应的实施例，此处不再赘述。
[0083]
本技术中所述的营销活动可根据所应用业务场景而定，营销活动具体内容与应用业务场景不同而不同，以银行领域为例，涉及的营销活动例如为保险业务、理财产品推荐、线上线下消费活动等等，本文对营销活动具体为何不做限定。
[0084]
302：基于上述权益折算规则对上述至少一条权益信息进行权益折算，得到上述至少一条权益数据对应的至少一个权益数值。
[0085]
具体参考图1或图2对应的实施例，此处不再赘述。
[0086]
303：提取上述至少一条权益信息对应的权益特征信息。
[0087]
具体参考图1或图2对应的实施例，此处不再赘述。
[0088]
304：将上述第一训练对象的画像数据作为输入，上述第一训练对象对上述目标事件的触发结果作为输出，以及将上述第二训练对象的画像数据、上述至少一个权益数值和权益特征信息作为输入，上述第二训练对象对上述目标事件的触发结果作为输出，采用深度学习的方法训练得到权益增益模型。
[0089]
具体的，上述权益增益模型为：uplift＝g(y|x,m,n*t＝t)
‑
g(y|x,m,t＝0)；
[0090]
其中，x即为对象(即用户)的画像数据；t表示折算后的权益数值，y表示触发目标事件，m表示权益特征信息，n表示权益信息的权重值；
[0091]
g(y|x,t＝t)表示折算后的折算后的权益数值为t(t>0)时，上述对象触发上述目标事件的概率；
[0092]
g(y|x,t＝0)表示折算后的折算后的权益数值为0(t>0)时，上述对象触发上述目标事件的概率；
[0093]
uplift表示权益信息对上述目标对象(即用户)触发目标事件带来的增益概率。
[0094]
在一些可选的实施方式中，可以将上述权益特征进行分类，然后在上述权益增益模型中对上述对象的敏感度进行计算时，给每个折算后的权益数值进行加权，且加权的权重取决于输入的对象的画像数据和权益特征信息的特征信息；即通过上述目标对象的画像数据和权益特征信息来确定上述权重的取值。例如，在一个服装营销的场景中，上述画像数据中包括目标对象的性别男，年龄40岁；权益特征信息中包含类别女童装；则可以将上述权重的取值匹配为0或接近于0。可以理解的是，上述例子中仅用于举例说明，实际情况中，上述权重值是通过用户画像数据中的多个数据和多个权益特征信息进行匹配的。
[0095]
在本技术实施例中，通过将权益特征信息引入到模型的特征层面，使得权益增益模型输出的敏感曲线更加准确。
[0096]
在一些可选的实施方式中，上述采用深度学习的方法训练得到权益增益模型具体可以包括：建立n层神经网络模型，其中，前n
‑
1层采用relu函数，最后一层采用sigmod激活
函数；初始化神经网络模型；将上述第一训练对象的画像数据作为输入，上述第一训练对象对上述目标事件的触发结果作为输出，以及将上述第二训练对象的画像数据、上述至少一个权益数值和权益特征信息作为输入，上述第二训练对象对上述目标事件的触发结果作为输出；根据输入、输出及神经网络模型，构建损失函数(sigmoid crossentropy)；根据损失函数，优化神经网络模型；优化得到的神经网络模型即为上述权益增益模型。
[0097]
在本技术中，通过将目标对象(即目标用户)的画像数据输入到权益增益模型中得到目标用户对权益的敏感度曲线，然后基于敏感曲线以及待推送的权益的折算数值判断是否对目标用户进行权益推送。由于上述敏感曲线为上述目标对象针对上述至少一条权益信息触发上述目标事件的概率增益曲线。该曲线反应了权益折算后的数值与增益概率的关系；该增益概率为目标用户在被推送权益后触发目标事件的概率，以及目标用户在没有被推送权益触发目标事件的概率的差值。换句话说，上述敏感曲线反应了推送权益之后促使目标用户触发目标事件的增益概率。因此通过本技术的方案，可以更加精确地将权益信息推送给用户，促使用户触发目标事件，例如促使用户下单；另外，由于本技术的方案中，将权益信息按照预定的规则进行了数值折算，即将权益转换为等价的金额，因此本方案可以适应实际情况中各种复杂的权益推送。
[0098]
本技术实施例还提供一种数据处理装置，该装置用于执行前述任一项上述的方法的单元。具体地，参见图4，是本技术实施例提供的一种数据处理装置的示意框图。本实施例的装置包括：获取单元410、折算单元420、输入单元430以及推送单元440；其中，
[0099]
获取单元410，用于获取目标应用的样本数据和应用属性特征，其中，上述样本数据包括样本对象的对象画像特征、以及上述样本对象在至少一个特征维度上的对象行为特征；
[0100]
折算单元420，用于基于权益折算规则对上述至少一条权益信息进行权益折算，得到上述至少一条权益数据对应的至少一个权益数值；
[0101]
输入单元430，用于将上述画像数据输入权益增益模型，得到上述目标对象的敏感曲线，上述敏感曲线为上述目标对象针对上述至少一条权益信息触发上述目标事件的概率增益曲线；
[0102]
推送单元440，用于基于上述敏感曲线和上述至少一个权益数值向上述目标对象推送目标权益信息，上述目标权益信息为上述至少一条权益信息中的至少一条。
[0103]
在本技术中，通过将目标对象(即目标用户)的画像数据输入到权益增益模型中得到目标用户对权益的敏感度曲线，然后基于敏感曲线以及待推送的权益的折算数值判断是否对目标用户进行权益推送。由于上述敏感曲线为上述目标对象针对上述至少一条权益信息触发上述目标事件的概率增益曲线。该曲线反应了权益折算后的数值与增益概率的关系；该增益概率为目标用户在被推送权益后触发目标事件的概率，以及目标用户在没有被推送权益触发目标事件的概率的差值。换句话说，上述敏感曲线反应了推送权益之后促使目标用户触发目标事件的增益概率。因此通过本技术的方案，可以更加精确地将权益信息推送给用户，促使用户触发目标事件，例如促使用户下单；另外，由于本技术的方案中，将权益信息按照预定的规则进行了数值折算，即将权益转换为等价的金额，因此本方案可以适应实际情况中各种复杂的权益推送。
[0104]
图5为本技术实施例提供的一种数据处理装置的结构示意图。该视频图像处理装
memory，rom)，或随机存储存储器(random access memory，ram)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，dvd)、或者半导体介质，例如，固态硬盘(solid state disk，ssd)等。
[0115]
本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0116]
以上上述，仅为本技术的具体实施方式，但本技术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技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。