[發(fā)明專利]補貼資源確定方法、裝置、設備及存儲介質在審
| 申請?zhí)枺?/td> | 202310362613.9 | 申請日: | 2023-03-31 |
| 公開(公告)號: | CN116385065A | 公開(公告)日: | 2023-07-04 |
| 發(fā)明(設計)人: | 陳康宇;吳艷 | 申請(專利權)人: | 深圳依時貨拉拉科技有限公司 |
| 主分類號: | G06Q30/0207 | 分類號: | G06Q30/0207;G06Q30/0645;G06Q50/30 |
| 代理公司: | 深圳瑞天謹誠知識產(chǎn)權代理有限公司 44340 | 代理人: | 溫青玲 |
| 地址: | 518000 廣東省深圳市福田區(qū)梅林街*** | 國省代碼: | 廣東;44 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 補貼 資源 確定 方法 裝置 設備 存儲 介質 | ||
1.一種補貼資源確定方法,其特征在于,包括:
獲取當天的補貼資源發(fā)放信息及流水信息,根據(jù)所述補貼資源發(fā)放信息及流水信息計算截止當前第一時刻的累計補貼資源和累計流水;
獲取當天從所述第一時刻至下一個第二時刻的第一歷史流量樣本,根據(jù)所述第一歷史流量樣本、累計補貼資源和累計流水構建第一整數(shù)規(guī)劃問題;
利用拉格朗日對偶法將所述第一整數(shù)規(guī)劃問題轉化為對偶問題,并計算得到最優(yōu)解作為線上實時折扣決策參數(shù)的更新值;
響應于用戶的估價請求,獲取用戶的用戶特征和當前可選補貼資源,將所述用戶特征和當前可選補貼資源輸入預先訓練好的預測模型,得到所述用戶在不同補貼資源下的下單概率;
根據(jù)所述用戶在不同補貼資源下的下單概率、下一個第二時刻的目標補貼率和線上實時折扣決策參數(shù)的最新值,將計算使得第一優(yōu)化目標值最小的補貼資源確定為最優(yōu)補貼資源。
2.根據(jù)權利要求1所述的方法,其特征在于,所述根據(jù)所述用戶在不同補貼資源下的下單概率、下一個第二時刻的目標補貼率和線上實時折扣決策參數(shù)的最新值之前,還包括:
獲取預設的當日補貼率目標值、當日可選補貼資源及補貼發(fā)放時段,并獲取當日之前的第二歷史流量樣本,根據(jù)當日補貼率目標值、當日可選補貼資源、補貼發(fā)放時段及所述第二歷史流量樣本及預設的第二優(yōu)化目標值構建相應的第二整數(shù)規(guī)劃問題;
采用拉格朗日對偶法將所述第二整數(shù)規(guī)劃問題轉化為對偶問題,并使用二分法求解得到最優(yōu)解,作為線上實時折扣決策參數(shù)的初始值;
根據(jù)線上實時折扣決策參數(shù)的初始值、補貼發(fā)放時段及所述第二歷史流量樣本計算每條第二歷史流量樣本的補貼發(fā)放策略;
根據(jù)所述補貼發(fā)放策略和第二歷史流量樣本的訂單價格,計算出線上每小時的目標補貼率初始值;
計算出線上截止當前第一時刻的實際補貼率,根據(jù)所述目標補貼率初始值中截止當前第一時刻的目標補貼率,計算當前第一時刻的補貼率偏差;
根據(jù)當前第一時刻的補貼率偏差及PID算法更新得到下一個第二時刻的目標補貼率。
3.根據(jù)權利要求2所述的方法,其特征在于,所述第二優(yōu)化目標值包括最大化訂單量和最大化流水。
4.根據(jù)權利要求3所述的方法,其特征在于,所述根據(jù)所述第二歷史流量樣本及預設的第二優(yōu)化目標值構建相應的第二整數(shù)規(guī)劃問題,包括:
∑ijxij=1;
xij∈{0,1};
其中,xij為決策變量,xij當且僅當給用戶i發(fā)放補貼資源j時為1,否則為0,Pij為用戶i在補貼資源j下的下單概率,wij為給用戶i發(fā)放補貼資源j時的補貼成本,Gij為給用戶i發(fā)放補貼資源j時的流水,θ為當日補貼率目標值。
5.根據(jù)權利要求4所述的方法,其特征在于,所述根據(jù)所述第一歷史流量樣本、累計補貼資源和累計流水構建第一整數(shù)規(guī)劃問題,包括:
∑ijxij=1;
xij∈{0,1};
其中,所述wt為累計補貼資源,所述Gt為累計流水,所述θt′+1為下一個第二時刻的目標補貼率。
6.根據(jù)權利要求1所述的方法,其特征在于,所述將所述用戶特征和當前可選補貼資源輸入預先訓練好的預測模型,得到所述用戶在不同補貼資源下的下單概率之前,還包括:
獲取用戶估價行為數(shù)據(jù)作為訓練樣本;
將所述訓練樣本輸入預先構建的神經(jīng)網(wǎng)絡模型進行訓練;其中,所述用戶估價行為數(shù)據(jù)以用戶歷史行為數(shù)據(jù)為特征,以用戶估價后是否下單為標簽;
獲取神經(jīng)網(wǎng)絡模型訓練結束后的訓練結果,在確定訓練結果滿足要求后,得到預測模型;其中,所述預測模型用于預測用戶從估價到下單的轉化概率。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于深圳依時貨拉拉科技有限公司,未經(jīng)深圳依時貨拉拉科技有限公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202310362613.9/1.html,轉載請聲明來源鉆瓜專利網(wǎng)。





