商品推荐及定价方法、装置、计算机设备和存储介质制造方法及图纸

本申请提出了一种商品推荐及定价方法、装置、计算机设备和存储介质，其中方法包括：获取用户特征数据和多个待推荐商品，所述待推荐商品包括商品券包；基于用户特征数据和商品券包，计算每个用户对各个待推荐商品的预估原价；按照预设排序规则对每个用户对应的待推荐商品进行排序后，根据预设推荐数量确定各个用户对应的推荐商品；基于用户特征数据和预先构建的用户购买概率模型构建目标优化函数，以基于目标优化函数确定各个用户对应的折扣率及推荐商品的定价。本申请能够解决现有技术通过人工推荐商品时缺乏合理逻辑推荐适合不同用户的商品的问题，并避免人工定价导致定价单一和无法准确控制补贴率的情况，从而实现补贴效益最大化。益最大化。益最大化。

【技术实现步骤摘要】
商品推荐及定价方法、装置、计算机设备和存储介质


[0001]本申请涉及互联网
，具体涉及一种商品推荐及定价方法、装置、计算机设备和存储介质。

技术介绍

[0002]近年来，随着互联网经济的迅速发展，带动了线上货运服务的迅速发展。为了吸引更多用户，不同的线上货运服务平台推出了各种不同的付费补贴策略，主要包括付费补贴策略和非付费补贴策略。其中，付费补贴策略指的是用户需要花费一定的金钱成本，才能获得对应的货运订单优惠，主要是通过推荐商品以及定价的形式给用户提供相应补贴；而非付费补贴策略指的是用户不需要额外付出金钱成本，即可享受一定的订单折扣。
[0003]但是，在对现有技术的研究与实践的过程中，本申请的专利技术人发现，目前的付费补贴策略在前期商品推荐和定价均由人工方式配置，缺乏合理的逻辑推荐适合不同用户的商品，且针对每种商品的定价单一，无法准确控制补贴率，难以实现补贴效益最大化。
[0004]前面的叙述在于提供一般的背景信息，并不一定构成现有技术。

技术实现思路

[0005]针对上述技术问题，本申请提供一种商品推荐及定价方法、装置、计算机设备和存储介质，能够解决现有技术通过人工推荐商品时缺乏合理逻辑推荐适合不同用户的商品的问题，并避免人工定价导致定价单一和无法准确控制补贴率的情况，实现补贴效益最大化。
[0006]为解决上述技术问题，本申请提供了一种商品推荐及定价方法，包括如下步骤：获取用户特征数据和多个待推荐商品，所述待推荐商品包括商品券包；基于所述用户特征数据和所述商品券包，计算每个用户对各个待推荐商品的预估原价；按照预设排序规则对每个用户对应的待推荐商品进行排序后，根据预设推荐数量确定各个用户对应的推荐商品；基于所述用户特征数据和预先构建的用户购买概率模型构建目标优化函数，以基于所述目标优化函数确定各个用户对应的折扣率及推荐商品的定价。
[0007]可选地，所述基于所述用户特征数据和预先构建的用户购买概率模型构建目标优化函数，以基于所述目标优化函数确定各个用户对应的折扣率及推荐商品的定价，包括：根据所述用户特征数据构建用户购买概率模型；基于所述用户购买概率模型，预测同一物理网格的用户在不同折扣率下对所述推荐商品的预估购买概率；基于预设折扣率和所述预估购买概率，拟合得到对应的折扣率弹性；根据用户单均价、所述折扣率弹性和所述预估购买概率，将用户划分到不同的虚拟网格内；基于所述虚拟网格内用户的各项指标的均值进行组合优化后，确定各个虚拟网格
内对应的折扣率及对应的推荐商品定价。
[0008]可选地，在所述根据所述用户特征数据构建用户购买概率模型之前，还包括：根据获取的每个用户所在地理位置，将全国各个区域划分为多个物理网格，并对同一物理网格内的用户进行统一定价。
[0009]可选地，所述根据所述用户特征数据构建用户购买概率模型，包括：获取原始数据，所述原始数据包括历史付费策略和同一物理网格内的用户特征数据；采用特征工程方式从所述原始数据筛选出对应的数据特征，所述数据特征包括离线特征和实时特征；基于所述离线特征和实时特征构建用户购买概率的预训练模型；对所述预训练模型进行训练和评估后，得到用户购买概率模型。
[0010]可选地，所述基于预设折扣率和所述预估购买概率，拟合得到对应的折扣率弹性，包括：采用最小二乘法根据预设折扣率和所述预估购买概率进行最小二乘拟合，并将拟合后得到的直线的斜率作为对应的折扣率弹性。
[0011]可选地，所述根据用户单均价、所述折扣率弹性和所述预估购买概率，将用户划分到不同的虚拟网格内，包括：以所述用户单均价、所述折扣率弹性和所述预估购买概率分别作为维度进行分桶，将用户划分到不同的虚拟网格内；其中，所述虚拟网格的数量为所述用户单均价、所述折扣率弹性和所述预估购买概率各自对应的分桶数量的乘积。
[0012]可选地，所述基于所述虚拟网格内用户的各项指标的均值进行组合优化后，确定各个虚拟网格内对应的折扣率及对应的推荐商品定价，包括：基于所述虚拟网格内用户的各项指标的均值，构建得到对应的目标函数和约束条件；基于所述目标函数和所述约束条件进行组合优化，确定各个所述虚拟网格内对应的折扣率及对应的推荐商品定价。
[0013]相应地，本申请还提供了一种商品推荐及定价装置，包括：数据获取模块，用于获取用户特征数据和多个待推荐商品，所述待推荐商品包括商品券包；预估原价模块，用于基于所述用户特征数据和所述商品券包，计算每个用户对各个待推荐商品的预估原价；商品推荐模块，用于按照预设排序规则对每个用户对应的待推荐商品进行排序后，根据预设推荐数量确定各个用户对应的推荐商品；商品定价模块，用于基于所述用户特征数据和预先构建的用户购买概率模型构建目标优化函数，以基于所述目标优化函数确定各个用户对应的折扣率及推荐商品的定价。
[0014]本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的商品推荐及定价方法的步骤。
[0015]本申请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，所述计算机程序被处理器执行时实现如上所述的商品推荐及定价方法的步骤。
[0016]实施本专利技术实施例，具有如下有益效果：如上所述，本申请提供的一种商品推荐及定价方法、装置、计算机设备和存储介质，其中方法包括：获取用户特征数据和多个待推荐商品，所述待推荐商品包括商品券包；基于用户特征数据和商品券包，计算每个用户对各个待推荐商品的预估原价；按照预设排序规则对每个用户对应的待推荐商品进行排序后，根据预设推荐数量确定各个用户对应的推荐商品；基于用户特征数据和预先构建的用户购买概率模型构建目标优化函数，以基于目标优化函数确定各个用户对应的折扣率及推荐商品的定价。本申请提供的一种商品推荐及定价方案，根据用户特征数据和商品券包数据来计算每个用户对不同商品的预估原价，从而按照预设推荐规则推荐适合不同用户的商品，解决现有技术通过人工推荐商品时缺乏合理逻辑的问题；通过预先构建的用户购买概率模型预估网格内的用户在不同折扣率下的购买概率，并对构建的目标函数进行组合优化，最终确定不同网格内的各个用户对应的折扣率和推荐商品对应的定价，避免人工定价导致定价单一和无法准确控制补贴率的情况，在同样的预算成本下提高补贴效益，从而实现补贴效益最大化。
附图说明
[0017]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请实施例的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本申请实施例提供的商品推荐及定价方法的流程示意图；图2是本申请实施例提供的步骤S4的流程示意图；图3是本申请实施例提供的步骤S41的流程示意图；图4是本申请实施例提供的最小二乘拟合的示意图；图5是本申请实施例提供的虚拟网格本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种商品推荐及定价方法，其特征在于，包括如下步骤：获取用户特征数据和多个待推荐商品，所述待推荐商品包括商品券包；基于所述用户特征数据和所述商品券包，计算每个用户对各个待推荐商品的预估原价；按照预设排序规则对每个用户对应的待推荐商品进行排序后，根据预设推荐数量确定各个用户对应的推荐商品；基于所述用户特征数据和预先构建的用户购买概率模型构建目标优化函数，以基于所述目标优化函数确定各个用户对应的折扣率及推荐商品的定价。2.根据权利要求1所述的商品推荐及定价方法，其特征在于，所述基于所述用户特征数据和预先构建的用户购买概率模型构建目标优化函数，以基于所述目标优化函数确定各个用户对应的折扣率及推荐商品的定价，包括：根据所述用户特征数据构建用户购买概率模型；基于所述用户购买概率模型，预测同一物理网格的用户在不同折扣率下对所述推荐商品的预估购买概率；基于预设折扣率和所述预估购买概率，拟合得到对应的折扣率弹性；根据用户单均价、所述折扣率弹性和所述预估购买概率，将用户划分到不同的虚拟网格内；基于所述虚拟网格内用户的各项指标的均值进行组合优化后，确定各个虚拟网格内对应的折扣率及对应的推荐商品定价。3.根据权利要求2所述的商品推荐及定价方法，其特征在于，在所述根据所述用户特征数据构建用户购买概率模型之前，还包括：根据获取的每个用户所在地理位置，将全国各个区域划分为多个物理网格，并对同一物理网格内的用户进行统一定价。4.根据权利要求2所述的商品推荐及定价方法，其特征在于，所述根据所述用户特征数据构建用户购买概率模型，包括：获取原始数据，所述原始数据包括历史付费策略和同一物理网格内的用户特征数据；采用特征工程方式从所述原始数据筛选出对应的数据特征，所述数据特征包括离线特征和实时特征；基于所述离线特征和实时特征构建用户购买概率的预训练模型；对所述预训练模型进行训练和评估后，得到用户购买概率模型。5.根据权利要求2所述的商品推荐及定价方法，其特征在于，所述基于预设折扣率和所述预估...

【专利技术属性】
技术研发人员：张梦冉，张洪龙，杜敏，
申请(专利权)人：深圳依时货拉拉科技有限公司，
类型：发明
国别省市：