[發明專利]確定用于商戶的策略的方法、裝置、電子設備及存儲介質

在審

• 申請號: 201910100536.3
• 申請日: 2019-01-31
• 公開（公告）號: CN109816454A
• 公開（公告）日: 2019-05-28
• 發明（設計）人: 郁延書
• 申請（專利權）人: 拉扎斯網絡科技（上海）有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06K9/62
• 代理公司: 北京智信四方知識產權代理有限公司 11519
• 代理人: 呂雁葭;宋海龍

本公開實施例公開了一種確定用于商戶的策略的方法、裝置、電子設備及可讀存儲介質，該方法包括：針對多個商戶中的每個商戶，基于該商戶的多個預定特征的第T日特征值，使用第一模型計算該商戶的估計參數值，所述第T日是歷史上的一天，所述多個預定特征是從多個樣本商戶的商戶畫像得到的，并且包括與所述策略有關的特征；以及根據所述多個商戶的估計參數值，確定用于每個商戶的策略，所述策略用于改變相應商戶的目標特征值。根據本公開實施例提供的技術方案，可以使用客觀數據通過機器學習模型計算商戶的估計參數值，基于估計參數值確定用于商戶的策略，不依賴人工標注，節約大量人力成本，決策更加客觀可靠，提升決策效率。

技術領域

本公開涉及互聯網技術領域，具體涉及一種確定用于商戶的策略的方法、裝置、電子設備及可讀存儲介質。

背景技術

新客立減活動作為電子商務中非常重要的產品形態之一，其重要性對電商平臺的長期發展不言而喻。因此，采用適當的新客立減策略，把錢有效率地花出去，即“少花錢，多拉新”，是智能營銷策略的重要目標。相比商戶滿減活動，新客立減活動是一個更棘手的問題，原因在于平臺新客的瀏覽行為和購買行為不容易統計，難以在用戶維度制定差異化策略。

一種可能的差異化立減補貼定價策略是基于商戶的新客復購率和新客平均客單價等多維特征，利用最小錯誤率訓練算法智能確定商戶各特征的權重，為商戶打分，利用商戶得分對商戶進行差異化新客立減補貼定價。例如，可以計算商戶的新客復購率和新客平均客單價等多維特征值，對商戶各特征進行歸一化，得到商戶對應的各特征的特征得分，利用最小錯誤率算法智能確定商戶各特征的權重，從而得到每個商戶最終的商戶得分，依靠商戶得分來進行商戶的差異化新客立減補貼定價。

然而，利用最小錯誤率來確定權重時，確定商戶各特征所依賴的標注數據來自產品經理和運營人員的經驗，他們認為“肯德基應該比田老師有更多的補貼”，“麥當勞不應該比肯德基少”等。這種方法的缺陷是用于計算商戶得分的多維特征主要來自人的經驗和感覺，篩選特征工作量大且并且不夠客觀。

發明內容

為了解決相關技術中的問題，本公開實施例提供一種確定用于商戶的策略的方法、裝置、電子設備及可讀存儲介質。

第一方面，本公開實施例中提供了一種確定用于商戶的策略的方法，其特征在于，包括：

針對多個商戶中的每個商戶，基于該商戶的多個預定特征的第T日特征值，使用第一模型計算該商戶的估計參數值，所述第T日是歷史上的一天，所述多個預定特征是從多個樣本商戶的商戶畫像得到的，并且包括與所述策略有關的特征，所述策略用于改變相應商戶的目標特征值；以及

根據所述多個商戶的估計參數值，確定每個商戶的策略。

結合第一方面，本公開實施例在第一方面的第一種實現方式中，通過以下方式從多個樣本商戶的商戶畫像得到所述多個預定特征：

對于所述商戶畫像的多個特征中的每個特征，對多個樣本商戶在第T-2日的多個特征值求方差，將方差大于第一預設閾值的特征作為候選特征，其中，所述商戶畫像是根據訂單數據、訪問數據、評價數據、配送數據和商戶基礎數據中的至少一種數據得到的；

對于每個候選特征，計算所述多個樣本商戶在第T-2日的多個特征值與第T-1日的目標特征值的相關系數，將相關系數大于第二預設閾值的候選特征作為所述多個預定特征。

結合第一方面，本公開實施例在第一方面的第二種實現方式中：

所述第一模型是使用所述多個商戶的樣本數據進行機器學習得到的；

每個商戶的樣本數據包括該商戶在第T-1日的目標特征值和該商戶在第T-2日的所述多個預定特征的特征值。

結合第一方面，本公開實施例在第一方面的第三種實現方式中，所述第一模型是基于GBDT模型、邏輯回歸模型和XGBOOST模型之一訓練得到的。