[发明专利]分品类电子券使用预测方法、装置及电子设备

说明书

技术领域

本申请涉及数据建模技术领域，具体而言，涉及分品类电子券使用预测方法、装置及电子设备。

背景技术

电子商务网站中，电子券的使用较为频繁，随着电子商务的蓬勃发展，电子券的使用量也越来越多。但是目前的精准营销中，电子券的使用比例较低。如何更精准的提高电子券的使用率至关重要，其不仅可以为网站带来一定的新用户，而且能够有效地提升网站的GMV(Gross Merchandise Volume,商品交易总额)，也能够唤醒沉睡的用户。

现有的技术方案是基于GBDT(Gradient Boosting Decision Tree,基于决策树实现的分类回归算法)分类模型进行全分品类电子券使用预测。通过用户的购物特征、浏览特征、搜索特征、加购特征和关注特征等，采用GBDT模型进行预测用户的全品类电子券使用概率，然后根据模型的准确率与召回率发放相应的电子券。

上述技术方案仅能针对全品类电子券进行预测，但是目前基于GBDT单模型的全品类电子券预AUC(Area Under roc Curve,一个度量分类模型好坏的一个标准度量分类模型好坏的标准)较低，而且全品类电子券的使用场景有限，更多的电子券均属于限品类的电子券，导致全品类电子券使用率更低，不能满足日益精细化的品类运营与营销。

发明内容

本申请公开分品类电子券使用预测方法，使得能预测指定用户对指定分品类电子券的使用概率。本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的第一方面，提供一种分品类电子券使用预测方法，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(例如堆集分类模型)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。

根据一些实施例，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。

根据一些实施例，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。

根据一些实施例，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。

根据一些实施例，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。

根据一些实施例，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。

根据一些实施例，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。

根据一些实施例，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。

根据一些实施例，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。

根据一些实施例，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。

根据一些实施例，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。

根据一些实施例，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。

根据一些实施例，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。

根据一些实施例，所述设定分类模型包括stacking堆集分类模型。