电子券的质量评价方法及装置与流程

本发明涉及电子信息领域，具体涉及一种电子券的质量评价方法及装置。

背景技术：

随着互联网及移动终端的普及，电子券的应用范围也日益广泛。例如，网上的打折券、购物券、就餐券、电影券以及游泳券等都属于电子券的范畴。电子券具有便于携带、便于消费等诸多优势，因此得到了众多用户的青睐。另外，电子券还能够实现传统货币无法实现的附加功能。例如，各类网上平台的店铺都能够根据营销策略而选择性地发行若干能够为顾客提供折扣信息的电子券(例如打折券)，用户通过该类电子券能够便捷地享受折扣优惠或者其他促销活动。除此之外，电子券还能够帮助门店实现宣传效果，具有较好的引流作用。

正是由于电子券具有传统货币无法比拟的优势，因此，电子券的种类和数量得到了空前的增长。相应地，为了从众多电子券中筛选出高质量的电子券，需要对各个电子券的质量进行评估，最终被用户在购买行为中使用(例如在o2o场景中，线上领取或购买优惠券，线下到店消费过程中使用电子券打折或抵现，也称为核销)的电子券才是高质量。现有的电子券评估方法主要通过下述方式实现：预先通过人工方式定义电子券的若干特征属性，并人为设定各个特征属性的属性值确定规则和权重设置规则；然后，基于上述规则评估电子券的质量。举例而言，首先，将电子券的使用门槛以及折扣率定义为电子券的特征属性。然后，设定使用门槛越低，与门槛特征属性对应的属性值越高；折扣率越高，与折扣特征属性对应的属性值越高。并且，分别为使用门槛和折扣率设置不同的权重。最后，根据各个特征属性的属性值以及该属性的权重计算电子券的得分，并根据得分情况评估各张电子券的质量。

但是，发明人在实现本发明的过程中，发现在现有技术中至少存在如下问题：评估电子券质量的规则完全通过人工方式设定，人为设置特征属性的属性值以及权重值时，必然存在较大的主观性，从而导致设置结果不够合理，进而致使最终评估的电子券质量不够准确。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种电子券的质量评价方法及装置。

根据本发明的一个方面，提供了一种电子券的质量评价方法，包括：对预设电子券集合中包含的各个电子券进行标注，从已标注的电子券中选取标注结果符合预设样本规则的电子券作为电子券样本；设置与电子券的质量相关的特征属性，根据所述特征属性确定各个电子券样本的属性信息；根据各个电子券样本的标注结果以及各个电子券样本的属性信息进行训练，得到训练后的评分卡模型；通过所述训练后的评分卡模型确定待评价电子券的质量。

可选地，所述通过所述训练后的评分卡模型确定待评价电子券的质量的步骤具体包括：

根据所述特征属性确定所述待评价电子券的属性信息，将所述待评价电子券的属性信息输入所述训练后的评分卡模型，根据输出结果确定所述待评价电子券的质量。

可选地，所述设置与电子券的质量相关的特征属性的步骤具体包括：

根据电子券的类型，设置与该类型的电子券的质量相关的特征属性。

可选地，所述设置与电子券的质量相关的特征属性的步骤具体包括：设置与电子券的质量相关的多个维度的特征属性；

其中，所述多个维度的特征属性包括：券维度的特征属性、门店维度的特征属性、和/或活动维度的特征属性。

可选地，所述券维度的特征属性包括：使用门槛、优惠力度、和/或有效期；所述门店维度的特征属性包括：门店笔单价、订单数、门店复购率、门店复购周期、门店类目、和/或门店类型；活动维度的特征属性包括：该活动的在线天数、该活动的券发放量、券类型、和/或所在城市。

可选地，所述对预设电子券集合中包含的各个电子券进行标注的步骤具体包括：

分别确定所述预设电子券集合中包含的各个电子券的核销率，根据核销率确定各个电子券的标注结果；其中，所述标注结果包括：样本属性、排序序号、和/或标注分值；

并且，所述从已标注的电子券中选取标注结果符合预设样本规则的电子券作为电子券样本的步骤具体包括：

将标注结果中的样本属性的属性值为正和/或属性值为负的电子券作为电子券样本；或者，

将标注结果中的排序序号属于预设排序区间的电子券作为电子券样本；或者，

将标注结果中的标注分值属于预设分值区间的电子券作为电子券样本。

可选地，所述分别确定所述预设电子券集合中包含的各个电子券的核销率的步骤具体包括：

分别针对每个电子券，判断该电子券是否符合预设的滤除规则；若是，则从所述预设电子券集合中滤除该电子券；若否，则计算该电子券的核销率。

可选地，所述预设的滤除规则包括以下中的至少一个：

电子券的核销率高于预设核销阈值、电子券的领券时间与核销时间之间的时间差小于预设时间阈值、以及电子券的领券地点与核销地点之间的地域间隔小于预设地域阈值。

可选地，所述得到训练后的评分卡模型的步骤之后，进一步包括：根据预设的修正规则对所述训练后的评分卡模型进行修正；

其中，所述预设的修正规则包括：从所述预设的特征属性中选择至少一个特征属性作为约束属性，按照预设的约束规则对所述约束属性对应的属性信息进行约束；其中，所述约束规则包括正负约束规则。

可选地，所述预设电子券集合通过下述方式确定：

将应用中的预设活动专区内的电子券添加到所述预设电子券集合中；和/或，将发行量大于预设发行阈值的电子券添加到所述预设电子券集合中。

可选地，所述通过所述训练后的评分卡模型确定待评价电子券的质量的步骤之后，进一步包括：

根据各个待评价电子券的质量，对各个待评价电子券进行排序或推送。

根据本发明的另一方面，提供了一种电子券的质量评价装置，包括：标注模块，适于对预设电子券集合中包含的各个电子券进行标注，从已标注的电子券中选取标注结果符合预设样本规则的电子券作为电子券样本；属性确定模块，适于设置与电子券的质量相关的特征属性，根据所述特征属性确定各个电子券样本的属性信息；训练模块，适于根据各个电子券样本的标注结果以及各个电子券样本的属性信息进行训练，得到训练后的评分卡模型；评价模块，适于通过所述训练后的评分卡模型确定待评价电子券的质量。

可选地，所述评价模块具体适于：

根据所述特征属性确定所述待评价电子券的属性信息，将所述待评价电子券的属性信息输入所述训练后的评分卡模型，根据输出结果确定所述待评价电子券的质量。

可选地，所述属性确定模块具体适于：

根据电子券的类型，设置与该类型的电子券的质量相关的特征属性。

可选地，所述属性确定模块具体适于：

设置与电子券的质量相关的多个维度的特征属性；

其中，所述多个维度的特征属性包括：券维度的特征属性、门店维度的特征属性、和/或活动维度的特征属性。

可选地，所述券维度的特征属性包括：使用门槛、优惠力度、和/或有效期；

所述门店维度的特征属性包括：门店笔单价、订单数、门店复购率、门店复购周期、门店类目、和/或门店类型；

活动维度的特征属性包括：该活动的在线天数、该活动的券发放量、券类型、和/或所在城市。

可选地，所述标注模块具体用于：

分别确定所述预设电子券集合中包含的各个电子券的核销率，根据核销率确定各个电子券的标注结果；其中，所述标注结果包括：样本属性、排序序号、和/或标注分值；

将标注结果中的样本属性的属性值为正和/或属性值为负的电子券作为电子券样本；或者，

将标注结果中的排序序号属于预设排序区间的电子券作为电子券样本；或者，

将标注结果中的标注分值属于预设分值区间的电子券作为电子券样本。

可选地，所述标注模块进一步用于：

分别针对每个电子券，判断该电子券是否符合预设的滤除规则；若是，则从所述预设电子券集合中滤除该电子券；若否，则计算该电子券的核销率。

可选地，所述预设的滤除规则包括以下中的至少一个：

电子券的核销率高于预设核销阈值、电子券的领券时间与核销时间之间的时间差小于预设时间阈值、以及电子券的领券地点与核销地点之间的地域间隔小于预设地域阈值。

可选地，所述训练模块进一步用于：根据预设的修正规则对所述训练后的评分卡模型进行修正；

其中，所述预设的修正规则包括：从所述预设的特征属性中选择至少一个特征属性作为约束属性，按照预设的约束规则对所述约束属性对应的属性信息进行约束；其中，所述约束规则包括正负约束规则。

可选地，所述标注模块具体用于：

将应用中的预设活动专区内的电子券添加到所述预设电子券集合中；和/或，将发行量大于预设发行阈值的电子券添加到所述预设电子券集合中。

可选地，所述装置进一步包括：

排序模块，适于根据各个待评价电子券的质量，对各个待评价电子券进行排序或推送。

综上所述，在本发明提供的电子券的质量评价方法及装置中，预先对电子券进行标注并根据标注结果选取电子券样本，设置与电子券的质量相关的特征属性，根据特征属性确定各个电子券样本的属性信息；然后，根据各个电子券样本的标注结果以及各个电子券样本的属性信息进行训练，得到训练后的评分卡模型；最后，基于该评分卡模型评价电子券的质量。由此可见，本发明通过机器学习的方式训练评分卡模型，经过学习的模型参数更加合理，能够更加准确地评价电子券的质量，从而避免了人工设置权重时所造成的主观性缺陷。而且，评分卡模型的可解释性强，能够为用户提供明确的评价理由，便于用户根据评价结果改进电子券的质量。并且，本发明根据预设的与电子券的质量相关的特征属性来确定电子券样本的属性信息并据此进行训练，能够进一步提升质量评价的准确性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例一提供的一种电子券的质量评价方法的流程图；

图2示出了本发明实施例二提供的一种电子券的质量评价方法的流程图；

图3示出了通过本发明中的方式进行质量评估并排序后向用户推送的电子券的示意图；

图4示出了本发明实施例三提供的一种电子券的质量评价装置的结构示意图；

图5示出了根据本发明实施例五提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

图1示出了本发明实施例一提供的一种电子券的质量评价方法的流程图。如图1所示，该方法包括：

步骤s110：对预设电子券集合中包含的各个电子券进行标注，从已标注的电子券中选取标注结果符合预设样本规则的电子券作为电子券样本。

其中，预设电子券集合主要用于选取电子券样本，具体可以通过多种方式确定。例如，可以将应用中的预设活动专区内的电子券添加到预设电子券集合中，从而便于针对该活动专区内的电子券进行评价；又如，还可以将发行量大于预设发行阈值的电子券添加到预设电子券集合中，从而仅针对发行量较大、用户较多的电子券进行评价。

首先，对预设电子券集合中包含的各个电子券进行标注，具体过程可通过多种方式实现。在本实施例中，主要通过机器标注的方式实现。在机器标注时，可通过预设的标注指标确定电子券的标注结果。其中，标注指标可由本领域技术人员灵活设定，以能够反映电子券的畅销度为宜。例如，在本实施例中，可以将标注指标设定为电子券的核销率。所谓核销是指：用户到电子券对应的门店内使用该电子券进行消费。相应地，核销率是指：在已发行或已领取的全部电子券中，被核销的电子券所占的比例。由此可见，核销率能够反映电子券的实用程度，核销率越高的电子券，其实用程度越高，用户的认可度越好。当然，除核销率外，本领域技术人员还可以选择其他类型的标注指标，例如，领取率等。具体实施时，分别确定预设电子券集合中包含的各个电子券的核销率，根据核销率确定各个电子券的标注结果。其中，标注结果包括但不限于：样本属性、排序序号、和/或标注分值等。

然后，从已标注的电子券中选取标注结果符合预设样本规则的电子券作为电子券样本。具体地，预设样本规则可以包括多种，例如，可以将标注结果中的样本属性的属性值为正和/或属性值为负的电子券作为电子券样本；或者，还可以将标注结果中的排序序号属于预设排序区间的电子券作为电子券样本；或者，也可以将标注结果中的标注分值属于预设分值区间的电子券作为电子券样本。总之，选取样本的原则为：尽量挑选特征明显且区分度较高的电子券作为样本，本发明并不限定样本选取的具体实现方式。

步骤s120：设置与电子券的质量相关的特征属性，根据特征属性确定各个电子券样本的属性信息。

其中，与电子券的质量相关的特征属性主要是指：能够用于评价电子券的质量的特征属性。该特征属性可以根据电子券的类型进行设置，例如，预先将电子券划分为多种行业类型，比如电影类电子券、餐饮类电子券、健身类电子券等。相应地，针对每种行业类型的电子券，根据该电子券的类型，设置与该类型的电子券的质量相关的特征属性。按类型设置特征属性的方式能够更加精准地确定与电子券的质量相关的特征属性。另外，特征属性可以是单一维度的特征属性，也可以是多个维度的特征属性。在本实施例中，优选多个维度的特征属性，以便更加全面地反映电子券的质量。例如，以门店中采用的电子券为例，可以选取如下三个维度的特征属性：券维度的特征属性、门店维度的特征属性以及活动维度的特征属性。

相应地，分别根据各个维度的特征属性确定每个电子券样本的属性信息。例如，假设券维度的特征属性包括：使用门槛、优惠力度、以及有效期。相应地，电子券的属性信息包括：与券维度的特征属性相对应的使用门槛属性信息、优惠力度属性信息、以及有效期属性信息。其他维度的属性信息与之类似，此处不再赘述。

步骤s130：根据各个电子券样本的标注结果以及各个电子券样本的属性信息进行训练，得到训练后的评分卡模型。

具体地，通过预设的机器学习算法，针对各个电子券样本的标注结果以及各个电子券样本的属性信息进行训练。具体训练时，可以首先将各个电子券样本的标注结果以及各个电子券样本的属性信息转换为算法要求的数据格式；然后，将转换后的各个电子券样本的标注结果以及各个电子券样本的属性信息加入训练数据集中进行训练，根据训练结果确定评分卡模型的模型参数，进而得到训练后的评分卡模型。

步骤s140：通过训练后的评分卡模型确定待评价电子券的质量。

其中，待评价电子券既可以是单张、也可以是多张，其来源包括但不限于：来自应用中的预设专区内的电子券、来自商家近期提供的电子券等。具体地，首先，根据预设的特征属性确定待评价电子券的属性信息；然后，将待评价电子券的属性信息输入上述训练后的评分卡模型；最后，根据模型的输出结果确定待评价电子券的质量。

由此可见，本发明通过机器学习的方式训练评分卡模型，经过学习的模型参数更加合理，能够更加准确地评价电子券的质量，从而避免了人工设置权重时所造成的主观性缺陷。而且，评分卡模型的可解释性强，能够为用户提供明确的评价理由，便于用户根据评价结果改进电子券的质量。并且，本发明根据预设的与电子券的质量相关的特征属性来确定电子券样本的属性信息并据此进行训练，能够进一步提升质量评价的准确性。

实施例二

图2示出了本发明实施例二提供的一种电子券的质量评价方法的流程图。如图2所示，该方法包括：

步骤s200：预先设置电子券的多维特征属性。

其中，该多维特征属性是指：与电子券的质量相关的多个维度的特征属性。在本实施例中，以门店中采用的电子券为例，为了更加准确地衡量电子券的质量，设置如下三个维度的特征属性：券维度的特征属性、门店维度的特征属性以及活动维度的特征属性。

具体地，券维度的特征属性主要根据电子券本身的一些参数设置，具体包括：使用门槛、优惠力度、和/或有效期。例如，以阿三烧烤店的券为例，其使用门槛为100元，优惠力度为50元，有效期为30天；一品煲的券，其使用门槛为150元，优惠力度为50元，有效期为45天。另外，券维度的特征属性还可以进一步包括其他属性信息。比如，可以获取在预设lbs半径内的所有相同类目门店的电子券，并根据使用门槛和优惠力度对这些门店的电子券进行百分比排名，将百分比排名信息作为一个券维度的特征属性。门店维度的特征属性包括：门店笔单价(即门店的单笔订单的平均消费金额)、券门槛/笔单价、券面额/笔单价、近三个月订单数、门店复购率、门店复购周期、门店类目(如日料，中餐等)、和/或门店类型(如正餐，轻餐，快消店等)。通过门店维度的特征属性能够全面反映门店本身的信息。发明人在实现本发明的过程中发现：一家受欢迎的门店的9折券往往比一家不受欢迎的门店的8折券更受用户青睐。由此可见，电子券与其发行的门店密切相关，门店的口味、服务质量、该品牌在当地的影响力等门店因素都能够间接反映电子券的质量。活动维度的特征属性包括：该活动的在线天数、该活动的券发放量、券类型(包括业务类型，如全场券，折扣券，新人券等)、和/或所在城市等。由此可见，通过活动维度的特征属性能够更加全面地衡量电子券的适用场景，进而为质量评估提供参考。

其中，设置电子券的多维特征属性的步骤为本发明中的核心步骤之一，本领域技术人员也可以灵活调整该步骤的执行时机，例如，也可以与步骤s210互换顺序，本发明对具体的实现细节不做限定。

另外，在本发明其他的实施例中，本领域技术人员还可以灵活设置其他维度或类型的特征属性，只要能够反映电子券的相关信息即可。由此可见，本发明实施例通过设置与电子券的质量相关的多个维度的特征属性，能够更加全面、更加准确地反映电子券的质量。

步骤s210：对预设电子券集合中包含的各个电子券进行标注。

其中，预设电子券集合主要用于选取电子券样本，具体可以通过多种方式确定。在本实施例中，将应用中的预设活动专区(例如“专属优惠”专区)内的电子券添加到预设电子券集合中，从而便于针对该活动专区内的电子券进行评价。通常，在“专属优惠”专区渠道里高核销率的券证明该券是在线上领取然后去线下核销的，因此，这部分券反映了应用的引流价值。另外，在本实施例中，将发行量小于预设发行阈值(例如发行量小于100张)的电子券从预设电子券集合中删除，即：不对发行量小于预设发行阈值的电子券进行标注，从而仅针对发行量较大、用户较多的电子券进行评价，以提升样本的普适性。

具体地，对预设电子券集合中包含的各个电子券进行标注时，可通过多种方式实现。在本实施例中，主要通过机器标注的方式实现。在机器标注时，可通过预设的标注指标确定电子券的标注结果。其中，标注指标可由本领域技术人员灵活设定，以能够反映电子券的畅销度为宜。例如，在本实施例中，可以将标注指标设定为电子券的核销率。所谓核销是指：用户到电子券对应的门店内使用该电子券进行消费。相应地，核销率是指：在已发行或已领取的全部电子券中，被核销的电子券所占的比例。由此可见，核销率能够反映电子券的实用程度，核销率越高的电子券，其实用程度越高，用户的认可度越好。当然，除核销率外，本领域技术人员还可以选择其他类型的标注指标，例如，领取率等。具体实施时，分别确定预设电子券集合中包含的各个电子券的核销率，根据核销率确定各个电子券的标注结果。其中，标注结果包括但不限于：样本属性、排序序号、和/或标注分值等。

例如，当标注结果为样本属性时，可以将核销率高于第一预设核销阈值的样本的属性值标记为“正”，将核销率低于第二预设核销阈值的样本的属性值标记为“负”，将核销率介于第一预设核销阈值与第二预设核销阈值之间的样本的属性值标记为“中”。排序序号通过对多个电子券进行排序确定，标注分值可以根据排序结果或结合其他因素确定。

另外，发明人在实现本发明的过程中发现：当客人进店就餐完毕并进行支付时，顾客可能会在餐厅服务人员的引导下，进入应用中的预设活动专区，领取与该餐厅相对应的电子券并凭券结账。然而，该种情况中，电子券一开始对于用户而言是无感知的，用户也绝不是受到电子券的引导而前去就餐，因此，这种电子券并未反映出应用的引流价值。因此，可选地，在本实施例中，为了从应用的角度，更加准确地评价电子券的质量，以使引流作用显著的电子券得分较高，本步骤具体包括：分别针对每个电子券，判断该电子券是否符合预设的滤除规则；若是，则从预设电子券集合中滤除该电子券；若否，则计算该电子券的核销率。通过该种方式能够滤除上述情况中提到的对应用的引流价值意义不大的电子券。具体地，预设的滤除规则可以包括以下中的至少一个：电子券的核销率高于预设核销阈值(例如高于70％)、电子券的领券时间与核销时间之间的时间差小于预设时间阈值(例如平均领券到核销的时间在一小时内)、以及电子券的领券地点与核销地点之间的地域间隔小于预设地域阈值(例如领券地点到核销地点平均小于500m等)。优选地，在本实施例中，将上述的三种滤除规则结合使用，仅在电子券同时满足上述三个滤除规则时，才对其进行滤除。

步骤s220：从已标注的电子券中选取标注结果符合预设样本规则的电子券作为电子券样本。

具体地，预设样本规则可以包括多种，例如，可以将标注结果中的样本属性的属性值为正和/或属性值为负的电子券作为电子券样本；或者，还可以将标注结果中的排序序号属于预设排序区间的电子券作为电子券样本；或者，也可以将标注结果中的标注分值属于预设分值区间的电子券作为电子券样本。总之，选取样本的原则为：尽量挑选特征明显且区分度较高的电子券作为样本，本发明并不限定样本选取的具体实现方式。例如，可以将样本属性的属性值为正以及属性值为负的电子券作为电子券样本。又如，可以将核销率排名属于前20％的电子券确定为正样本，将排名属于后40％的电子券确定为负样本。

步骤s230：根据预设的多维特征属性确定各个电子券样本的属性信息。

由于本实施例中的多维特征属性包括如下三个维度：券维度、门店维度以及活动维度，相应地，分别根据各个维度的特征属性确定每个电子券样本的属性信息。例如，券维度的特征属性包括：使用门槛、优惠力度、以及有效期。相应地，电子券的属性信息包括：与券维度的特征属性相对应的使用门槛属性信息、优惠力度属性信息、以及有效期属性信息。其他维度的属性信息与之类似，此处不再赘述。由此可见，在本步骤中，需要分别确定每张电子券的各个维度的属性信息：由于券维度的特征属性包括使用门槛、优惠力度、以及有效期这3个属性；门店维度的特征属性包括：门店笔单价、券门槛/笔单价、券面额/笔单价、近三个月订单数、门店复购率、门店复购周期、门店类目、和门店类型这8个属性；活动维度的特征属性包括：该活动的在线天数、该活动的券发放量、券类型、和所在城市这4个属性；相应地，最终计算出的电子券样本的属性信息共包括15种信息。由此可见，本发明通过多个维度的多种特征，能够全面反映电子券的质量。

步骤s240：根据各个电子券样本的标注结果以及各个电子券样本的属性信息进行训练，得到训练后的评分卡模型。

具体地，通过预设的机器学习算法，针对各个电子券样本的标注结果以及各个电子券样本的属性信息进行训练。具体训练时，可以首先将各个电子券样本的标注结果以及各个电子券样本的属性信息转换为算法要求的数据格式；然后，将转换后的各个电子券样本的标注结果以及各个电子券样本的属性信息加入训练数据集中进行训练，根据训练结果确定评分卡模型的模型参数，进而得到训练后的评分卡模型。

在本实施例中，为了能够为客户端更好地分发高质量的电子券，也为了能够让商家明确何种电子券的质量较高，以利于商家提升发行的电子券质量，因此，选用评分卡模型实现机器学习过程。评分卡模型的可解释性较强，能够为用户提供明确的计分规则。下面介绍本步骤的详细实现细节：

首先，模型会对上一步骤中得到的各个属性信息进行woe变换，具体如下：

其中，pgoodsample表示好样本的比例，pbadsample表示坏样本的比例。可见woe越大，对应的特征属性的属性信息的取值对好坏样本的区分度就越大。由此可见，在本步骤中，需要分别针对每个特征属性对应的属性信息计算对应的woe值。

然后，做完woe变换后，就可以对其进行通常意义下的逻辑回归，对应的决策函数为：

其中，x表示对应的特征属性的向量，θ表示表示该向量的权重，上述公式给出了一个电子券样本为正样本的概率。其中，y＝1表示为正样本，y＝0表示为负样本。假设学习出来的逻辑回归模型参数为βi(i＝1…n)和α，其中，β、α为根据θ确定的值。然后，可利用lr的参数产出最后的评分卡。首先，要定义评分的尺度标准，假设好坏比为5是600分，好坏比为10是700分，则构建方程组：

600＝log(5)^*factor+offset

700＝log(10)^*factor+offset

反解factor和offset变量，得到最终的评分卡模型。最后对于某一特定样本，其最后的评分公式为：

在上述公式中，i表示各个属性信息所对应的下标，例如在本例中共包含15种属性信息，相应地，i的取值范围为1-15。由此可见，在本实施例中，计算电子券的得分时，充分利用了各个维度的属性信息，并且，各个属性信息对应的权重值以及模型中的参数值均是通过训练得出的，与人工设定的方式相比，精确度更高，输出结果更为准确。

为了便于理解，表1给出了最后产出的评分卡举例，其中，数据经人工修改，并非模型产出的真实数据：

表1

其中，评分卡模型本身可以看做lr(逻辑回归模型)的一种包装。并且，评分卡可以看成是一系列规则的集合，可解释性强。在本实施例中，由于数据集或各方面原因，如果学习得到的某些评分规则不太合理，就通过预设的修正规则删除或修正，从而使模型更加简洁优化，同时能够减少潜在的错误实例，防止模型过拟合。相应地，本发明进一步包括下述的步骤s250。

步骤s250：根据预设的修正规则对训练后的评分卡模型进行修正。

其中，预设的修正规则可由本领域技术人员灵活设置，只要能够提升模型的精度即可。例如，修正规则包括：从预设的特征属性中选择至少一个特征属性作为约束属性，按照预设的约束规则对该约束属性对应的属性信息进行约束；其中，约束规则包括正负约束规则。举例而言，可以将特征属性中与时间相关的属性作为约束属性。比如，将有效期作为约束属性，正常情况下，有效期越长，质量评分越高；有效期越短，质量评分越低。因此，在计算各个电子券的最终得分时，可以将与有效期相对应的属性信息的中间结果强制约束为正数，以满足实际情况。

其中，步骤s250是一个可选的步骤，在本发明其他的实施例中，也可以省略本步骤。

步骤s260：通过训练后的评分卡模型确定待评价电子券的质量。

其中，待评价电子券既可以是单张、也可以是多张，其来源包括但不限于：来自应用中的预设专区内的电子券、来自商家近期提供的电子券等。具体地，首先，根据预设的特征属性确定待评价电子券的属性信息；然后，将待评价电子券的属性信息输入上述训练后的评分卡模型；最后，根据模型的输出结果确定待评价电子券的质量。在本实施例中，可以针对全量样本进行打分，例如，把因各种原因未被标记的电子券、被标记阶段中因各种原因而剔除的电子券都放进模型中进行打分。评分卡模型应该能对所有类型的券进行打分，不存在无法打分的券。

步骤s270：根据各个待评价电子券的质量，对各个待评价电子券进行排序或推送。

通过本步骤，能够使各个电子券按照质量高低进行排序，以使质量高的电子券优先出现在用户的视线内。另外，还能够向用户推送高质量的电子券，以提升用户体验。在具体应用中，可以将专属优惠渠道中质量分大于某个阈值的券召回，并参与后续的精排序模型。实践证明该方式具有显著的业务效果，能够使专属优惠渠道的流量转化显著提高。另外，还可以对店铺详情页的多种券按照券质量分排序，让最好的券排在前面，给用户以更好的体验。

另外，图3示出了通过本发明中的方式进行质量评估并排序后向用户推送的电子券的示意图。发明人通过实践发现，图3中推送的电子券的质量得到了显著提升。

综上可知，本实施例提供的方法至少具备如下优势：首先，特征属性的设定更加合理和全面，具体包括了券维度，门店维度，活动维度等多个特征维度，从而显著提升了后续的评价精度。其次，在样本标注及样本筛选阶段更加适应业务的实际需求。比如，根据核销率进行标注能够更好地反映电子券的引流效果，而且，通过预设的滤除规则能够滤除不具备引流效果的电子券，提升结果的准确性。再次，本实施例利用评分卡模型做券质量分模型更能适应业务需求。由于评分卡模型具有强解释性，因此能够为用户提供有价值的参考信息，同时也结合业务对模型的输出进行了规则上的删减，进一步提升了结果的准确性。最后，在券的投放渠道上只给用户分发评分卡模型输出大于某个阈值的券，给用户以更好的体验，提高了渠道流量的转化效率。

实施例三

图4示出了本发明实施例三提供的一种电子券的质量评价装置400的结构示意图，该装置包括：标注模块41、属性确定模块42、训练模块43以及评价模块44。

标注模块41，适于对预设电子券集合中包含的各个电子券进行标注，从已标注的电子券中选取标注结果符合预设样本规则的电子券作为电子券样本；属性确定模块42，适于设置与电子券的质量相关的特征属性，根据所述特征属性确定各个电子券样本的属性信息；训练模块43，适于根据各个电子券样本的标注结果以及各个电子券样本的属性信息进行训练，得到训练后的评分卡模型；评价模块44，适于通过所述训练后的评分卡模型确定待评价电子券的质量。

可选地，所述评价模块44具体适于：根据所述特征属性确定所述待评价电子券的属性信息，将所述待评价电子券的属性信息输入所述训练后的评分卡模型，根据输出结果确定所述待评价电子券的质量。

可选地，所述属性确定模块具体适于：根据电子券的类型，设置与该类型的电子券的质量相关的特征属性。

可选地，所述属性确定模块具体适于：

设置与电子券的质量相关的多个维度的特征属性；

其中，所述多个维度的特征属性包括：券维度的特征属性、门店维度的特征属性、和/或活动维度的特征属性。

可选地，所述券维度的特征属性包括：使用门槛、优惠力度、和/或有效期；

所述门店维度的特征属性包括：门店笔单价、订单数、门店复购率、门店复购周期、门店类目、和/或门店类型；

活动维度的特征属性包括：该活动的在线天数、该活动的券发放量、券类型、和/或所在城市。

可选地，所述标注模块41具体用于：分别确定所述预设电子券集合中包含的各个电子券的核销率，根据核销率确定各个电子券的标注结果；其中，所述标注结果包括：样本属性、排序序号、和/或标注分值；将标注结果中的样本属性的属性值为正和/或属性值为负的电子券作为电子券样本；或者，将标注结果中的排序序号属于预设排序区间的电子券作为电子券样本；或者，将标注结果中的标注分值属于预设分值区间的电子券作为电子券样本。

可选地，所述标注模块41进一步用于：分别针对每个电子券，判断该电子券是否符合预设的滤除规则；若是，则从所述预设电子券集合中滤除该电子券；若否，则计算该电子券的核销率。

可选地，所述预设的滤除规则包括以下中的至少一个：电子券的核销率高于预设核销阈值、电子券的领券时间与核销时间之间的时间差小于预设时间阈值、以及电子券的领券地点与核销地点之间的地域间隔小于预设地域阈值。

可选地，所述训练模块43进一步用于：根据预设的修正规则对所述训练后的评分卡模型进行修正；其中，所述预设的修正规则包括：从所述预设的特征属性中选择至少一个特征属性作为约束属性，按照预设的约束规则对所述约束属性对应的属性信息进行约束；其中，所述约束规则包括正负约束规则。

可选地，所述标注模块41具体用于：将应用中的预设活动专区内的电子券添加到所述预设电子券集合中；和/或，将发行量大于预设发行阈值的电子券添加到所述预设电子券集合中。

可选地，所述装置进一步包括：排序模块45，适于根据各个待评价电子券的质量，对各个待评价电子券进行排序或推送。

由此可见，在本发明提供的电子券的质量评价装置中，预先对电子券进行标注并根据标注结果选取电子券样本，根据预设的特征属性确定各个电子券样本的属性信息；然后，根据各个电子券样本的标注结果以及各个电子券样本的属性信息进行训练，得到训练后的评分卡模型；最后，基于该评分卡模型评价电子券的质量。由此可见，本发明通过机器学习的方式训练评分卡模型，经过学习的模型参数更加合理，能够更加准确地评价电子券的质量，从而避免了人工设置权重时所造成的主观性缺陷。而且，评分卡模型的可解释性强，能够为用户提供明确的评价理由，便于用户根据评价结果改进电子券的质量。

实施例四

本申请实施例四提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的电子券的质量评价方法。

可执行指令具体可以用于使得处理器执行以下操作：

对预设电子券集合中包含的各个电子券进行标注，从已标注的电子券中选取标注结果符合预设样本规则的电子券作为电子券样本；

根据预设的特征属性确定各个电子券样本的属性信息；

根据各个电子券样本的标注结果以及各个电子券样本的属性信息进行训练，得到训练后的评分卡模型；

通过所述训练后的评分卡模型确定待评价电子券的质量。

实施例五

图5示出了根据本发明实施例五的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。

如图5所示，该电子设备可以包括：处理器(processor)502、通信接口(communicationsinterface)504、存储器(memory)506、以及通信总线508。

其中：

处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。

通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器502，用于执行程序510，具体可以执行上述电子券的质量评价方法实施例中的相关步骤。

具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。

处理器502可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。

存储器506，用于存放程序510。存储器506可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行以下操作：

对预设电子券集合中包含的各个电子券进行标注，从已标注的电子券中选取标注结果符合预设样本规则的电子券作为电子券样本；

根据预设的特征属性确定各个电子券样本的属性信息；

根据各个电子券样本的标注结果以及各个电子券样本的属性信息进行训练，得到训练后的评分卡模型；

通过所述训练后的评分卡模型确定待评价电子券的质量。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的定向广告的展示装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。