[發(fā)明專利]用于對象分發(fā)的方法和裝置

在審

• 申請?zhí)枺?/td>: 202010090176.6
• 申請日: 2020-02-13
• 公開（公告）號: CN111311419A
• 公開（公告）日: 2020-06-19
• 發(fā)明（設(shè)計）人: 杜榮
• 申請（專利權(quán)）人: 支付寶（杭州）信息技術(shù)有限公司
• 主分類號: G06Q40/06
• 分類號: G06Q40/06;G06K9/62
• 代理公司: 北京永新同創(chuàng)知識產(chǎn)權(quán)代理有限公司 11376
• 代理人: 楊錫勱;趙磊

1.一種用于對象分發(fā)的方法，包括：

獲取已經(jīng)被分發(fā)的m個歷史對象各自的特征數(shù)據(jù)以及尚未被分發(fā)的新對象的特征數(shù)據(jù)，其中，m為正整數(shù)；

基于所述m個歷史對象各自的特征數(shù)據(jù)和所述新對象的特征數(shù)據(jù)，確定所述m個歷史對象中的與所述新對象具有相似性的n個歷史對象，其中，n為小于或等于m的正整數(shù)；

基于所述n個歷史對象的分發(fā)規(guī)則信息和用戶信息，確定所述新對象的預(yù)期分發(fā)時長，其中，所述n個歷史對象中的每個歷史對象的分發(fā)規(guī)則信息至少包括該歷史對象的分發(fā)數(shù)量和分發(fā)時長；

向?qū)ο筇峁┓桨l(fā)送所述新對象的預(yù)期分發(fā)時長，以便由所述對象提供方基于所述預(yù)期分發(fā)時長來確定所述新對象的最終分發(fā)時長；

基于所述新對象的最終分發(fā)時長，對所述新對象進(jìn)行分發(fā)。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述n個歷史對象的用戶信息用于指示所述n個歷史對象的用戶數(shù)量；

確定所述新對象的預(yù)期分發(fā)時長，包括：

基于所述n個歷史對象的用戶數(shù)量，確定所述新對象的目標(biāo)用戶數(shù)量；

基于所述n個歷史對象的分發(fā)數(shù)量和分發(fā)時長、以及所述新對象的目標(biāo)用戶數(shù)量，確定所述新對象的預(yù)期分發(fā)時長。

3.根據(jù)權(quán)利要求1或2所述的方法，其中，所述n個歷史對象的用戶信息用于指示所述n個歷史對象的用戶；

所述方法還包括：

基于所述n個歷史對象的用戶，確定所述新對象的目標(biāo)用戶；

向所述目標(biāo)用戶發(fā)送所述新對象的分發(fā)規(guī)則信息，其中，所述新對象的分發(fā)規(guī)則信息至少包括所述新對象的最終分發(fā)時長和所述新對象的分發(fā)數(shù)量。

4.根據(jù)權(quán)利要求1至3中任一項(xiàng)所述的方法，其中，所述m個歷史對象和所述新對象均為資本類對象；

所述m個歷史對象中的每個歷史對象的特征數(shù)據(jù)包括以下各項(xiàng)中的至少一項(xiàng)：該歷史對象的目標(biāo)用途、該歷史對象的風(fēng)險水平、預(yù)期收益率、該歷史對象在被分發(fā)時的宏觀經(jīng)濟(jì)指標(biāo)、該歷史對象在被分發(fā)時的競爭對象數(shù)量；

所述新對象的特征數(shù)據(jù)包括以下各項(xiàng)中的至少一項(xiàng)：所述新對象的目標(biāo)用途、所述新對象的預(yù)期風(fēng)險水平、預(yù)期收益率、與所述新對象相關(guān)的預(yù)期宏觀經(jīng)濟(jì)指標(biāo)、所述新對象的預(yù)期競爭對象數(shù)量。

5.根據(jù)權(quán)利要求1至4中任一項(xiàng)所述的方法，其中，確定所述m個歷史對象中的與所述新對象具有相似性的n個歷史對象，包括：

利用k維向量化模型將所述m個歷史對象各自的特征數(shù)據(jù)分別映射為所述m個歷史對象所對應(yīng)的m個k維向量，其中k為正整數(shù)；

利用所述k維向量化模型將所述新對象的特征數(shù)據(jù)映射為所述新對象所對應(yīng)的k維向量；

確定所述m個k維向量與所述新對象所對應(yīng)的k維向量之間的相似性；

基于所述m個k維向量與所述新對象所對應(yīng)的k維向量之間的相似性，確定所述n個歷史對象。

6.根據(jù)權(quán)利要求5所述的方法，其中，確定所述n個歷史對象，包括：

按照所述m個k維向量與所述新對象所對應(yīng)的k維向量之間的相似性從高到低，對所述m個歷史對象進(jìn)行排序；

從排序后的m個歷史對象中選擇前n個歷史對象。

7.根據(jù)權(quán)利要求5或6所述的方法，其中，所述k維向量化模型是自動編碼器神經(jīng)網(wǎng)絡(luò)模型。