[发明专利]分品类电子券使用预测方法、装置及电子设备

权利要求书

1.一种分品类电子券使用预测方法，其特征在于，包括：

根据用户领取分品类电子券的历史信息确定模型训练样本；

获取所述模型训练样本中所述用户的特征和所述分品类电子券的特征作为所述模型训练样本的样本信息；

基于设定分类模型对所述模型训练样本根据所述样本信息进行模型训练；

基于训练后的所述设定分类模型预测给定用户对给定分品类电子券的使用概率。

2.如权利要求1所述的方法，其特征在于，所述用户的特征包括所述用户在所述分品类电子券所对应品类下的购买特征、浏览特征、搜索特征、加购特征、以及关注特征中的至少一种。

3.如权利要求2所述的方法，其特征在于，所述购买特征包括购买SKU数、购买订单量、购买单价、使用电子券购买订单量、使用电子券购买金额、以及使用电子券购买单价中的至少一种。

4.如权利要求2所述的方法，其特征在于：

所述浏览特征包括浏览总量、预设时长的浏览量中的至少一种；

所述加购特征包括加购SKU量、预设时长的加购量中的至少一种；和/或

所述关注特征包括关注SKU数、预设时长的关注量中的至少一种。

5.如权利要求1所述的方法，其特征在于，所述分品类电子券的特征包括所述分品类电子券的明细特征、所述分品类电子券与商品的关联特征。

6.如权利要求5所述的方法，其特征在于，所述分品类电子券的明细特征包括所述分品类电子券的限额、面额、折扣中的至少一种。

7.如权利要求5所述的方法，其特征在于，所述分品类电子券与商品的关联特征包括：所述商品的价格与所述分品类电子券的限额的比值、所述商品的价格与所述分品类电子券的面额的比值、以及所述商品的价格与所述商品的当前折扣相乘后减去所述分品类电子券的面额三者中的至少一种。

8.如权利要求1所述的方法，其特征在于，所述设定分类模型包括两层分类模型，所述设定分类模型采用GBDT分类器进行迭代。

9.如权利要求1所述的方法，其特征在于，在获取所述样本信息之后还包括：根据所述样本信息对所述模型训练样本进行清洗。

10.如权利要求9所述的方法，其特征在于，根据所述样本信息对所述模型训练样本进行清洗包括：根据所述样本信息从所述模型训练样本中剔除异常用户、将所述样本信息进行标准化处理、以及对所述样本信息中的异常值和缺失值进行处理至少一种操作；

其中所述异常用户包括风险用户、企业用户、以及刷单用户中的至少一种。

11.如权利要求1所述的方法，其特征在于，在预测给定用户对给定分品类电子券的使用概率之后还包括：根据所述使用概率确定营销方案。

12.如权利要求1所述的方法，其特征在于，在基于训练后的所述设定分类模型预测给定用户对给定分品类电子券的使用概率之前还包括：

对训练后的所述设定分类模型进行评价，根据评价结果对所述设定分类模型进行修正。

13.如权利要求12所述的方法，其特征在于，对训练后的所述设定分类模型进行评价包括：采用曲线下面积AUC对训练后的所述设定分类模型进行评价。

14.如权利要求1所述的方法，其特征在于，所述设定分类模型包括stacking堆集分类模型。

15.一种分品类电子券使用预测装置，其特征在于，包括：

训练样本确定单元，用于根据用户领取分品类电子券的历史信息确定模型训练样本；

样本信息获取单元，用于获取所述模型训练样本中所述用户的特征和所述分品类电子券的特征作为所述模型训练样本的样本信息；

模型训练单元，用于基于设定分类模型对所述模型训练样本根据所述样本信息进行模型训练；

概率预测单元，用于基于训练后的所述设定分类模型预测给定用户对给定分品类电子券的使用概率。

16.一种电子设备，其特征在于，包括：处理器；存储器，存储用于所述处理器控制如权利要求1-14任一项所述操作的指令。

17.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-14任一项所述操作的步骤。