针对多种关联产品联合确定对等资源量的方法和装置制造方法及图纸

本说明书实施例提供一种针对多种关联产品联合确定对等资源量的方法和装置，方法包括：将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、目标用户的用户画像特征和场景特征作为预先训练的神经网络模型的输入，通过神经网络模型的输出得到每种对等资源量组合下各种关联产品的预估转化率；根据每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；将预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量，能够实现多种关联产品整体利益最大化。

Methods and devices for jointly determining peer resources for multiple related products

The embodiment of the specification provides a method and device for jointly determining the peer-to-peer resource amount for a variety of related products. The method includes: Taking the peer-to-peer resource amount characteristics under each peer-to-peer resource amount combination among N kinds of peer-to-peer resource amount combinations of a variety of related products, user image characteristics and scene characteristics of the target user as the input of the pre trained neural network model, and using the neural network model The estimated conversion rate of various related products under each peer-to-peer resource combination is obtained from the output of type B; the estimated resource income under each peer-to-peer resource combination is determined according to the estimated conversion rate of various related products under each peer-to-peer resource combination, the equivalent resource amount of various related products under each peer-to-peer resource combination and the cost resource amount of various related products; the estimated resource income is estimated The peer-to-peer resource combination with maximum benefit is determined as the peer resource amount finally determined jointly by the multiple related products for the target user, which can realize the overall benefit maximization of the multiple related products.

【技术实现步骤摘要】
针对多种关联产品联合确定对等资源量的方法和装置
本说明书一个或多个实施例涉及计算机领域，尤其涉及针对多种关联产品联合确定对等资源量的方法和装置。
技术介绍
在许多场景下，产品需求者可以利用某种资源交换特定的产品，例如在蚂蚁森林中用“能量”交换树苗，在商品销售中用货币交换商品。结合商品销售场景，常常需要将多种关联商品一并展示进行售卖，以满足不同客户的不同需求，来增加整体客户的购买转化率。但同时展示多种商品及每种商品售价的过程中，单种商品的售价变化不仅影响该商品的购买转化率，还会影响其他一并展示的关联商品的购买转化率，因此多种关联商品的售价会相互影响各自的购买转化率。商家在售卖场景中追求利益最大化，但是当前并没有一种好的商品定价方法，因此急需一种针对多种关联产品联合确定对等资源量的方法，以实现多种关联产品整体利益最大化。
技术实现思路
本说明书一个或多个实施例描述了一种针对多种关联产品联合确定对等资源量的方法和装置，能够实现多种关联产品整体利益最大化。第一方面，提供了一种针对多种关联产品联合确定对等资源量的方法，方法包括：获取目标用户的用户画像特征和所述目标用户的场景特征；将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率；根据每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。在一种可能的实施方式中，所述多种关联产品为同一服务的多个不同时长的周期卡。在一种可能的实施方式中，所述n种对等资源量组合通过如下方式确定：根据每种关联产品对应的对等资源量区间，采用随机采样的方法进行n次采样，每次采样获取该种关联产品对应的一种可选对等资源量，多种关联产品的一种可选对等资源量组成一种对等资源量组合；其中，n的取值为预先设定的数值。在一种可能的实施方式中，所述多种关联产品同时作为待转换产品时允许用户同时转换其中的多种关联产品，所述神经网络模型为多标签分类模型。在一种可能的实施方式中，所述多种关联产品同时作为待转换产品时用户只能转换一种关联产品，所述神经网络模型为多分类模型。在一种可能的实施方式中，所述神经网络模型通过如下方式训练：获取训练样本集，其中每条训练样本包括潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征，该潜在用户对每种关联产品的转换情况；将至少一部分训练样本中每条训练样本的潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征作为样本特征，将该条训练样本中的该潜在用户对每种关联产品的转换情况作为样本标签，对所述神经网络模型进行训练。进一步地，所述获取训练样本集包括：在预先设定的样本采集周期内，对于潜在用户，根据每种关联产品对应的对等资源量区间，随机确定该潜在用户面对的每种关联产品的对等资源量；根据该潜在用户面对的每种关联产品对应的对等资源量、以及该潜在用户在该对等资源量下对每种关联产品的转换情况，生成所述训练样本集的一条训练样本。进一步地，所述对所述神经网络模型进行训练之后，所述方法还包括：根据另一部分训练样本中每条训练样本的潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征作为样本特征，将该条训练样本中的该潜在用户对每种关联产品的转换情况作为样本标签，对训练后的所述神经网络模型进行交叉验证。在一种可能的实施方式中，所述用户画像特征包括如下至少一种特征：性别、年龄、学历、消费情况。在一种可能的实施方式中，所述场景特征包括如下至少一种特征：当前城市、应用停留时长。第二方面，提供了一种针对多种关联产品联合确定对等资源量的装置，装置包括：获取单元，用于获取目标用户的用户画像特征和所述目标用户的场景特征；第一预估单元，用于将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述获取单元获取的所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率；第二预估单元，用于根据所述第一预估单元得到的每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；确定单元，用于将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。通过本说明书实施例提供的方法和装置，首先获取目标用户的用户画像特征和所述目标用户的场景特征；然后将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率；接着根据每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；最后将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。由上可见，本说明书实施例可以联合考虑多种关联产品的对等资源量对其转化率的相互影响，从而能够实现多种关联产品整体利益最大化。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本说明书披露的一个实施例的实施场景示意图；图2示出根据一个实施例的针对多种关联产品联合确定对等资源量的方法流程图；图3示出根据一个实施例的多标签分类模型结构示意图；图4示出根据一个实施例的针对多种关联产品联合确定对等资源量的装置的示意性框图。具体实施方式下面结合附图，对本说明书提供的方案进行描述。图1为本说明书披露的一个实施例的实施场景示意图。该实施场景涉及针对多种关联产品联合确定对等资源量。可以理解的是，本说明书实施例中，关联产品可以为商品销售场景中的同时展示的多个商品，或者还可以为可以与其他资源进行交换的其他类型的多个产品。当与关联产品进行交换的资源为货币时，对等资源量可以理解为商品价格。以图1所示的商品销售场景为例，常常会涉及到对商品的动态定价，也就是说对不同的用户可以有不本文档来自技高网...

【技术保护点】
1.一种针对多种关联产品联合确定对等资源量的方法，所述方法包括：获取目标用户的用户画像特征和所述目标用户的场景特征；将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率；根据每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。

【技术特征摘要】
1.一种针对多种关联产品联合确定对等资源量的方法，所述方法包括：获取目标用户的用户画像特征和所述目标用户的场景特征；将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量特征、所述用户画像特征和所述场景特征作为预先训练的神经网络模型的输入，通过所述神经网络模型的输出得到所述n种对等资源量组合中每种对等资源量组合下各种关联产品的预估转化率；根据每种对等资源量组合下各种关联产品的预估转化率、每种对等资源量组合下各种关联产品的对等资源量、各种关联产品的成本资源量，确定每种对等资源量组合下的预估资源收益；将所述n种对等资源量组合中预估资源收益最大的对等资源量组合，确定为所述多种关联产品针对所述目标用户的最终联合确定的对等资源量。2.如权利要求1所述的方法，其中，所述多种关联产品为同一服务的多个不同时长的周期卡。3.如权利要求1所述的方法，其中，所述n种对等资源量组合通过如下方式确定：根据每种关联产品对应的对等资源量区间，采用随机采样的方法进行n次采样，每次采样获取该种关联产品对应的一种可选对等资源量，多种关联产品的一种可选对等资源量组成一种对等资源量组合；其中，n的取值为预先设定的数值。4.如权利要求1所述的方法，其中，所述多种关联产品同时作为待转换产品时允许用户同时转换其中的多种关联产品，所述神经网络模型为多标签分类模型。5.如权利要求1所述的方法，其中，所述多种关联产品同时作为待转换产品时用户只能转换一种关联产品，所述神经网络模型为多分类模型。6.如权利要求1所述的方法，其中，所述神经网络模型通过如下方式训练：获取训练样本集，其中每条训练样本包括潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征，该潜在用户对每种关联产品的转换情况；将至少一部分训练样本中每条训练样本的潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征作为样本特征，将该条训练样本中的该潜在用户对每种关联产品的转换情况作为样本标签，对所述神经网络模型进行训练。7.如权利要求6所述的方法，其中，所述获取训练样本集包括：在预先设定的样本采集周期内，对于潜在用户，根据每种关联产品对应的对等资源量区间，随机确定该潜在用户面对的每种关联产品的对等资源量；根据该潜在用户面对的每种关联产品对应的对等资源量、以及该潜在用户在该对等资源量下对每种关联产品的转换情况，生成所述训练样本集的一条训练样本。8.如权利要求6所述的方法，其中，所述对所述神经网络模型进行训练之后，所述方法还包括：根据另一部分训练样本中每条训练样本的潜在用户面对的每种关联产品的对等资源量，以及该潜在用户的用户画像特征和场景特征作为样本特征，将该条训练样本中的该潜在用户对每种关联产品的转换情况作为样本标签，对训练后的所述神经网络模型进行交叉验证。9.如权利要求1所述的方法，其中，所述用户画像特征包括如下至少一种特征：性别、年龄、学历、消费情况。10.如权利要求1所述的方法，其中，所述场景特征包括如下至少一种特征：当前城市、应用停留时长。11.一种针对多种关联产品联合确定对等资源量的装置，所述装置包括：获取单元，用于获取目标用户的用户画像特征和所述目标用户的场景特征；第一预估单元，用于将多种关联产品的n种对等资源量组合中每种对等资源量组合下的对等资源量...

【专利技术属性】
技术研发人员：丁珂，李夫收，张亮，林亮荣，何明珊，苏千秋，张雪，李成烨，陈天，李军飞，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY