优惠券的分配方法、装置、电子设备及可读存储介质与流程

本公开的实施例涉及网络销售技术领域，尤其涉及一种优惠券的分配方法、装置、电子设备及可读存储介质。

背景技术：

为了提高营业额，网络销售平台经常向用户推送优惠券，以提高营业额。

现有技术中，申请号为cn2017110717067的专利申请提出了一种优惠券投放方法。主要步骤包括：首先，商家根据营销策略制定优惠券清单并保存之后，在用户进行结算时，从系统中获取消费者的用户信息和购物信息并保存；然后，通过对消费者的历史购物数据以及本次购物信息的分析得出一种或多种该消费者近期最需要购买的商品；最后，根据该消费者近期最需要购买的商品从优惠券库中匹配优惠券清单，筛选出匹配度最高的若干优惠券，以发送至收银系统。

可以看出，上述方法仅通过用户的历史购物数据匹配优惠券，分配的准确性较低。

技术实现要素：

本公开的实施例提供一种优惠券的分配方法、装置、电子设备及可读存储介质，用以提高优惠券的分配准确性。

根据本公开的实施例的第一方面，提供了一种优惠券的分配方法，所述方法包括：

获取各目标商家的优惠券配置信息，并根据所述优惠券配置信息生成至少一个优惠券；

针对每个目标用户、每个目标商家，获取所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征；

针对每个目标用户、每个目标商家的每个优惠券，根据所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征，预测所述目标用户对所述优惠券的使用参数；

根据所述使用参数将各优惠券分配给各目标用户。

根据本公开的实施例的第二方面，提供了一种优惠券的分配装置，所述装置包括：

优惠券生成模块，用于获取各目标商家的优惠券配置信息，并根据所述优惠券配置信息生成至少一个优惠券；

特征获取模块，用于针对每个目标用户、每个目标商家，获取所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征；

使用参数确定模块，用于针对每个目标用户、每个目标商家的每个优惠券，根据所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征，预测所述目标用户对所述优惠券的使用参数；

优惠券分配模块，用于根据所述使用参数将各优惠券分配给各目标用户。

根据本公开的实施例的第三方面，提供了一种电子设备，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述优惠券的分配方法。

根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述优惠券的分配方法。

本公开的实施例提供了一种优惠券的分配方法、装置、电子设备及可读存储介质，所述方法包括：获取各目标商家的优惠券配置信息，并根据所述优惠券配置信息生成至少一个优惠券；针对每个目标用户、每个目标商家，获取所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征；针对每个目标用户、每个目标商家的每个优惠券，根据所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征，预测所述目标用户对所述优惠券的使用参数；根据所述使用参数将各优惠券分配给各目标用户。能够根据用户特征、用户与商家的交互特征确定用户对券的使用参数，并依据使用参数进行优惠券的分配，有助于提高优惠券的分配准确度。

附图说明

为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了在本公开的一个实施例中的优惠券的分配方法的步骤流程图；

图2示出了在本公开的另一个实施例中的优惠券的分配方法的步骤流程图；

图3示出了使用参数矩阵的示意图；

图4示出了在本公开的一个实施例中的优惠券的分配装置的结构图；

图5示出了在本公开的另一个实施例中的优惠券的分配装置的结构图；

图6示出了本公开的一个实施例提供的电子设备的结构图。

具体实施方式

下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开的实施例保护的范围。

实施例一

参照图1，其示出了在本公开的一个实施例中的优惠券的分配方法的步骤流程图，包括：

步骤101，获取各目标商家的优惠券配置信息，并根据所述优惠券配置信息生成至少一个优惠券。

其中，目标商家在应用平台上付费并注册，之后可以通过平台出售商品或其他服务。

优惠券为应用平台或商家为了刺激消费，向用户提供的优惠策略，往往通过优惠券实现。从而用户在商家进行消费时，可以使用该优惠券减免消费金额。

优惠券配置信息包括但不限于：商家信息、优惠券的门槛、优惠券的优惠程度。可以理解，商家信息可以为商家标识和/或商家名称信息，优惠券的门槛为优惠券在使用时必须满足的最小单均价，优惠程度可以为减免的面额。例如，对于优惠券“满100减20”，门槛为100，优惠程度为20。

可以理解，优惠券配置信息可以在目标商家注册时设定，也可以在注册之后设定或修改。此外，对于同一个目标商家，可以设定一种或多种类型的优惠券配置信息，且每种优惠券配置信息均可以对应生成至少一个优惠券。

在实际应用中，优惠券配置信息可以基于商家信息保存在应用平台对应的数据库中。

步骤102，针对每个目标用户、每个目标商家，获取所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征。

其中，目标用户可以为应用平台的活跃用户，即通过注册应用平台、登录应用平台购买商品或进行其他服务的用户。

在实际应用中，可以建立目标商家和目标用户之间的对应关系，即：目标商家可以为目标用户常驻位置附近一定范围内的所有商家，其中，常驻位置可以为目标用户的当前位置，若当前位置定位失败，则从用户的历史订单信息中获取出现次数最多的位置作为常驻位置。例如，对于即时配送商品，由于即时配送的商品往往需要在一定时间内送到用户手中，从而目标商家会设定配送范围，即仅接受在该配送范围内的用户的订单。

用户特征包括但不限于：用户发起订单的渠道信息、优惠券的渠道信息、在最近历史时间段内的订单数目、平均每周的订单数目、平均每月的订单数目、最近历史订单内的单均价、用户类型。

其中，发起订单的渠道信息可以为用户发起订单的方式。例如，他人推荐、应用平台等。

优惠券的渠道信息可以为优惠券的来源方式，包括但不限于：分享的红包、天降红包、领券中心。

单均价为用户每个订单的平均消费金额，可以分为原价单均价和实付单均价，原价单均价为优惠之前的平均消费金额，实付单均价为优惠之后实际的平均消费金额。

用户类型可以按照年龄划分、职业特点划分。例如，按照职业特点划分为学生、工作人员等。

目标用户与目标商家的交互特征包括但不限于：目标用户对目标商家的访问、下单、成交、收藏等操作的特征。其中，访问为用户进入目标商家进行商品浏览的行为，下单是用户在目标商家中购买商品的行为，成交为用户下单的商品完成交易的行为，收藏是指用户将商品加入收藏列表的行为，表明用户对该商品有购买意向。

可以理解，用户特征中的渠道信息、订单数目、单均价以及交互特征可以从平台日志中获取，用户类型可以从应用平台的配置数据库中获取，当用户在注册时写入配置数据库中。

步骤103，针对每个目标用户、每个目标商家的每个优惠券，根据所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征，预测所述目标用户对所述优惠券的使用参数。

其中，目标用户对优惠券的使用参数可以表示用户使用优惠券的可能性大小。例如，使用参数越大，使用可能性越大；使用参数越小，使用可能性越小。

在本公开的实施例中，使用参数不仅与目标用户发起订单的渠道信息、在最近历史时间段内的订单数目、平均每周的订单数目、平均每月的订单数目、最近历史订单内的单均价、用户类型相关，也与目标用户对目标商家的访问、下单、成交、收藏等操作的特征相关，从而得到的使用参数更加准确。

可以理解，与目标用户发起订单的渠道信息可以体现目标用户经常使用何种渠道进行下单，对经常使用的渠道使用参数通常较大。

在最近历史时间段内的订单数目越大，平均每周的订单数目越大，平均每月的订单数目越大，则使用参数通常较大；在最近历史时间段内的订单数目越小，平均每周的订单数目越小，平均每月的订单数目越小，则使用参数通常较小。

最近历史订单内的单均价决定了用户对哪种优惠券的使用可能性较大。例如，单均价为50时，则仅能使用门槛小于50的优惠券，而不能使用门槛大于或等于50的优惠券。

用户类型可以分析出用户的消费能力以及偏好商品，从而可以确定对哪种优惠券的使用可能性较大。例如，对于学生而言，由于经济能力较弱，从而对低门槛的优惠券使用可能性较大；对于高端商务人员，由于经济能力较强，从而对消费能力较强，从而对高门槛的优惠券使用可能性较大。

目标用户对目标商家的访问操作的特征可以用访问时间和访问次数综合确定，例如，访问时间越接近当前时间，访问次数越多，使用可能性越大；访问时间越早，访问次数越少，使用可能性越小。

目标用户对目标商家的下单操作的特征可以用下单时间和下单次数综合确定，例如，下单时间越接近当前时间，下单次数越多，使用可能性越大；下单时间越早，下单次数越少，使用可能性越小。

目标用户对目标商家的成交操作的特征可以用成交时间和成交次数综合确定，例如，成交时间越接近当前时间，成交次数越多，使用可能性越大；成交时间越早，成交次数越少，使用可能性越小。

目标用户对目标商家的收藏操作的特征可以用收藏时间和收藏次数综合确定，例如，收藏时间越接近当前时间，收藏次数越多，使用可能性越大；收藏时间越早，收藏次数越少，使用可能性越小。

步骤104，根据所述使用参数将各优惠券分配给各目标用户。

具体地，若目标用户对优惠券的使用参数越大，则优先将该优惠券分配给目标用户；若目标用户对优惠券的使用参数越小，则在将该优惠券进行分配时，该目标用户的优先级较低。

在实际应用中，可以将优惠券发送至目标用户所在的账户。该账户可以为目标用户在应用平台上注册并登录的账户。

在本发明实施例中，可以优先将优惠券分配给最优可能使用该优惠券的用户，从而可以有效提高优惠券的使用率，以提高商家收益。

综上所述，本公开的实施例提供了一种优惠券的分配方法，所述方法包括：获取各目标商家的优惠券配置信息，并根据所述优惠券配置信息生成至少一个优惠券；针对每个目标用户、每个目标商家，获取所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征；针对每个目标用户、每个目标商家的每个优惠券，根据所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征，预测所述目标用户对所述优惠券的使用参数；根据所述使用参数将各优惠券分配给各目标用户。能够根据用户特征、用户与商家的交互特征确定用户对券的使用参数，并依据使用参数进行优惠券的分配，有助于提高优惠券的分配准确度。

实施例二

参照图2，其示出了在本公开的另一个实施例中的优惠券的分配方法的步骤流程图，具体如下。

步骤201，获取各目标商家的优惠券配置信息，并根据所述优惠券配置信息生成至少一个优惠券。

该步骤可以参照步骤101的详细说明，在此不再赘述。

步骤202，针对每个目标用户、每个目标商家，获取所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征。

该步骤可以参照步骤102的详细说明，在此不再赘述。

步骤203，针对每个目标用户、每个目标商家的每个优惠券，计算所述目标用户的单均价与所述优惠券的门槛值的比值，得到第一匹配子参数。

具体地，对于目标用户ui，优惠券cj，第一匹配子参数mat1i,j的公式如下：

其中，prci为目标用户ui的单均价，thsj为优惠券cj的门槛值。

从上述公式可以得出，若单均价越大，门槛值越小，则第一匹配子参数越大；若单均价越小，门槛值越大，则第一匹配子参数越小。

可以理解，在实际应用中，还可以对单均价与门槛值的比值取对数，或指数，或做线性变换，得到第一匹配子参数，本发明实施例对第一匹配子参数和单均价与门槛值的比值的具体关系不加以限制。

步骤204，针对每个目标用户、每个目标商家的每个优惠券，根据所述第一匹配子参数确定所述目标用户与所述优惠券的匹配参数。

可以理解，第一匹配参数越大，匹配参数越大；第一匹配参数越小，匹配参数越小。

具体地，匹配参数可以为第一匹配子参数的线性、对数、指数等，本发明实施例对具体关系式不加以限制。

可选地，在本公开的另一种实施例中，所述用户特征包括优惠敏感参数，所述券特征包括优惠程度参数，上述步骤204包括子步骤2041至2042：

子步骤2041，针对每个目标用户、每个目标商家的每个优惠券，计算所述优惠券的优惠程度参数与所述目标用户的优惠敏感参数的比值，得到第二匹配子参数。

其中，优惠程度参数用于表示优惠券的优惠力度，可以采用比值表示，也可以用减免数额表示。例如，对于优惠券“满100减20”，优惠程度参数可以为20，也可以为20与100的比值0.2。可以理解，优惠程度参数越大，优惠力度越大；优惠程度参数越小，优惠力度越小。

优惠敏感参数表示用户对使用优惠券的喜好程度，可以采用用户对优惠券的使用频率表示。可以理解，使用频率越高，用户对使用优惠券的喜好程度越高；使用频率越低，用户对使用优惠券的喜好程度越低。

具体地，对于目标用户ui，优惠券cj，第二匹配子参数mat2i,j的计算公式如下：

其中，frlvlj为优惠券cj的优惠程度参数，frssti为目标用户ui的优惠敏感参数。

从上述公式可以看出，优惠程度参数越大，优惠敏感参数越小，则第二匹配子参数越大；优惠程度参数越小，优惠敏感参数越大，则第二匹配子参数越小。

可以理解，在实际应用中，还可以对优惠程度参数与优惠敏感参数的比值取对数，或指数，或做线性变换，得到第二匹配子参数，本发明实施例对第二匹配子参数和优惠程度参数与优惠敏感参数的比值的具体关系不加以限制。

子步骤2042，针对每个目标用户、每个目标商家的每个优惠券，根据所述第一匹配子参数、第二匹配子参数确定所述目标用户与所述优惠券的匹配参数。

可以理解，基于步骤204中对第一匹配子参数与匹配参数的关系，第二匹配参数越大，匹配参数越大；第二匹配参数越小，匹配参数越小。

具体地，匹配参数可以为第一、第二匹配子参数的线性加权、或乘积等，本发明实施例对具体关系式不加以限制。

可选地，在本公开的另一种实施例中，上述子步骤2042包括子步骤20421至20424：

子步骤20421，针对每个目标用户、每个目标商家的每个优惠券，计算所述第一匹配子参数与预设第一匹配权重的乘积，得到第一匹配数值。

具体地，对于目标用户ui，优惠券cj，第一匹配子参数matvu1i,j的计算公式如下：

其中，w1为第一匹配权重，可以根据实际应用场景设定，本公开的实施例对其不加以限制。

可以理解，w1越大，表明第一匹配子参数对匹配参数的影响越大；w1越小，表明第一匹配子参数对匹配参数的影响越小。

子步骤20422，针对每个目标用户、每个目标商家的每个优惠券，计算所述第二匹配子参数与预设第二匹配权重的乘积，得到第二匹配数值。

具体地，对于目标用户ui，优惠券cj，第二匹配数值matvu2i,j的计算公式如下：

其中，w2为第二匹配权重，可以根据实际应用场景设定，本公开的实施例对其不加以限制。

可以理解，w2越大，表明第二匹配子参数对匹配参数的影响越大；w2越小，表明第二匹配子参数对匹配参数的影响越小。

子步骤20423，针对每个目标用户、每个目标商家的每个优惠券，计算所述优惠券的优惠程度参数与预设第三匹配权重的乘积，得到第三匹配数值。

具体地，对于优惠券cj，第三匹配数值matvu3j的计算公式如下：

matvu3j＝w3·frlvlj(5)

其中，w3为第三匹配权重，可以根据实际应用场景设定，本公开的实施例对其不加以限制。

可以理解，w3越大，表明优惠程度参数对匹配参数的影响越大；w3越小，表明优惠程度参数对匹配参数的影响越小。

子步骤20424，针对每个目标用户、每个目标商家的每个优惠券，计算所述第一匹配数值、第二匹配数值以及第三匹配数值之和，得到所述目标用户与所述优惠券的匹配参数。

具体地，对于目标用户ui，优惠券cj，匹配参数mati,j的计算公式如下：

步骤205，针对每个目标用户，禁止将所述匹配参数小于预设匹配阈值的优惠券分配给所述目标用户。

其中，匹配阈值可以根据匹配参数的公式以及公式中所采用数据的取值、实际应用场景设定，本公开的实施例对其不加以限制。

具体地，可以将匹配参数小于匹配阈值的优惠券进行标记，从而在分配时，避免将优惠券分配给该目标用户，还可以直接将针对该目标用户的该优惠券删除。

从公式(6)可知，本公开的实施例具有如下优点：首先，将单均价和门槛相当的优惠券分配给目标用户，避免低单均价的目标用户分配高门槛的优惠券；然后，将优惠程度参数较大的优惠券分配给优惠敏感度较高的目标用户，避免高优惠敏感度的目标用户分配低优惠程度的优惠券，以及低优惠敏感度的目标用户分配高优惠程度的优惠券；最后，优先分配优惠程度参数越高的优惠券。

步骤206，针对每个目标用户、每个目标商家的每个优惠券，获取所述目标商家的商家特征，以及所述优惠券的券特征。

其中，商家特征包括但不限于：商家在最近一段时间内的历史订单数目、用户对商家的点击率、转化率等。

其中，点击率为在一个时间段内用户对商家的点击次数与商家的展现次数的比值。例如，对于一商家，在平台的推荐下被展示了m次，其中有n次被点击，则点击率为n/m。

转化率为在一个时间段内用户对商家的生效操作次数与点击次数的比值。例如，对于一商家，被点击了n次，其中有l次的下订单操作，则转化率为l/n。

可以理解，历史订单数目、用户对商家的点击率、转化率均可以从用户对商家的历史访问记录中获取。

券特征包括但不限于：历史使用率、库存量、减免数额、优惠率。

其中，历史使用率为券在历史时间段内被用户使用的数目与分配总数目的比值。

库存量为券的最大分配数目，随着优惠券的分配而减少。

优惠率可以为减免数额和门槛的比值。例如，对于优惠券“满100减20”，由于减免数额为20，门槛为100，则优惠率为0.2。

可以理解，历史使用率可以从用户对券的历史使用记录中统计，库存量可以从指定数据库中获取，减免数额、优惠率均可以从对应的优惠券中获取或统计。

步骤207，将所述目标用户的用户特征、所述目标用户与所述目标商家的交互特征、所述目标商家的商家特征、所述优惠券的券特征输入至预先训练得到的使用概率预测模型中，得到所述目标用户对所述优惠券的使用概率。

其中，使用概率为目标用户对优惠券的使用可能性大小，使用概率越大，用户越有可能使用该优惠券；使用概率越小，用户越不可能使用该优惠券。从而使用概率可以用于指导优惠券的分配，将优惠券分配给最有可能使用该优惠券的用户。

使用概率模型可以采用xgboost模型进行训练得到。xgboost模型为二分类模型，在本公开的实施例中，将用户特征、交互特征、商家特征、券特征的样本标注为用户是否使用优惠券。

其中，用户特征为该用户的用户特征，交互特征为该用户与该优惠券所属商家的交互特征，商家特征为该优惠券所属商家的特征，券特征为该优惠券的特征。

步骤208，所述券特征包括优惠程度参数，针对每个目标商家的每个优惠券，根据预设增加量对所述优惠券的优惠程度参数进行增加。

其中，增加量可以在一定范围内逐步增加，例如，若优惠程度参数用减免面额表示时，增加量可以在100至150的范围内按照步长10逐步增加；若优惠程度参数用比值表示时，增加量可以在10％至50％的范围内按照步长为5％逐步增加。

可以理解，增加范围和增加量可以根据实际应用场景设定，本公开的实施例对其不加以限制。

可选地，在本公开的另一种实施例中，上述步骤208包括子步骤2081至2087：

子步骤2081，针对每个目标商家的每个优惠券，计算预设增加量与所述优惠券的优惠程度参数之和，得到增加后的优惠程度参数。

具体地，对于优惠券cj，增加后的优惠程度参数frlvl′j可以根据如下公式计算得到：

frlvl′j＝incre+frlvlj(7)

其中，incre为增加量，frlvlj为原优惠程度参数。

子步骤2082，针对每个目标用户，将所述目标用户的用户特征、所述目标用户与所述目标商家的交互特征、所述目标商家的商家特征、变更后的券特征输入至所述使用概率预测模型中，得到所述目标用户对所述优惠券的第二使用概率，所述变更后的券特征包括增加之后的优惠程度参数。

可以理解，优惠程度参数为优惠券的券特征，优惠程度参数增加，从而需要重新预估用户对优惠券的使用参数或使用概率。

子步骤2083，针对每个目标用户，计算所述第二使用概率与第一使用概率的差值，所述第一使用概率为所述目标用户对优惠程度参数增加之前的优惠券的使用概率。

具体地，针对目标用户ui，优惠券cj，对于第二使用参数与第一使用参数的差值disj可以采用如下公式计算：

disi,j＝usepar′i,j-usepari,j(8)

其中，usepar′i,j为第二使用参数，usepari,j为第一使用参数。

子步骤2084，针对每个目标用户，计算所述目标用户的单均价与所述差值的乘积，得到收益参数。

其中，收益参数用于代表增大的使用概率带来的利益程度。收益参数越大，利益程度越大；收益参数越小，利益程度越小。

具体地，对于目标用户ui，优惠券cj，收益参数bfti,j可以根据如下公式计算：

bfti,j＝prci·disi,j＝prci·(usepar′i,j-usepari,j)(9)

子步骤2085，针对每个目标用户，计算所述增加量与所述第二使用概率的乘积，得到成本参数。

其中，成本参数用于表示追加优惠程度参数带来的成本增加，成本参数越大，成本增加越大；成本参数越小，成本增加越小。

具体地，对于目标用户ui，优惠券cj，成本参数csti,j可以根据如下公式计算：

csti,j＝incre·usepar′i,j(10)

子步骤2086，针对每个目标用户，计算所述收益参数与所述成本参数的比值，得到收益指数。

其中，收益指数用于判断是否值得进行优惠程度参数的增加。收益指数越大，越值得进行优惠程度参数的增加；收益指数越小，越不值得进行优惠程度参数的增加。

具体地，对于目标用户ui，优惠券cj，收益指数bfini,j可以根据如下公式计算：

子步骤2087，针对每个目标用户，在所述收益指数大于预设收益指数阈值的情况下，更新所述优惠券的优惠程度参数为所述增加后的优惠程度参数。

其中，收益指数阈值用于确定是否增加优惠程度参数，收益指数阈值越大，则增加优惠程度参数的券数目越少；收益指数阈值越少，则增加优惠程度参数的券数目越多。可以理解，收益指数阈值可以根据实际应用场景设定，本公开的实施例对其不加以限制。

本公开的实施例为了提高平台的竞争力，在商家券的原优惠程度参数基础上进行追加，该增加量对应的成本由平台提供。

步骤209，对于每个目标用户，根据增加后的优惠程度参数调整所述目标用户对所述优惠券的使用概率。

可以理解，由于优惠程度参数为优惠券的券特征，而券特征对使用概率具有影响，从而在增加优惠程度参数之后重新预测使用概率。

可选地，在本公开的另一种实施例中，上述步骤209包括子步骤2091：

子步骤2091，更新所述目标用户对所述优惠券的使用概率为所述第二使用概率。

可以理解，在子步骤2085中计算过第二使用概率，从而直接将该使用概率替换原使用概率。

步骤210，针对每个目标用户，根据所述增加量确定所述目标用户对所述优惠券的惩罚因子。

其中，惩罚因子用于对增加后的使用概率进行适当的降低。

在本公开的实施例中，由于平台向优惠券增加了优惠程度参数，导致成本增大，为了适当保持成本，在增加优惠程度参数之后，通过惩罚因子对使用参数进行调整。可以理解，惩罚因子小于或等于1。

可以理解，对于未增加优惠程度参数的优惠券，惩罚因子为0。此外，增加量越大，优惠程度参数越大，门槛值越大，则惩罚因子越大；增加量越大，优惠程度参数越小，门槛值越小，则惩罚因子越小。

可选地，在本公开的另一种实施例中，上述步骤210包括子步骤2101：

子步骤2101，将所述增加量、所述目标商家的商家特征、以及所述优惠券的券特征输入至预先训练得到的惩罚预测模型，得到所述目标用户对所述优惠券的惩罚因子，所述券特征为优惠程度参数增加之后的券特征。

其中，惩罚预测模型可以通过训练得到，训练的样本可以为标注了惩罚因子的优惠券以及所述优惠券的优惠程度参数的增加量、优惠券所属的目标商家的商家特征、优惠券的券特征。惩罚因子可以根据步骤210中的说明进行标注。

在本公开的实施例中，可以采用sigmoid函数作为训练过程的激活函数。

步骤211，针对每个目标用户，计算调整因子与所述第二使用概率的乘积，得到惩罚之后的使用概率，所述调整因子与所述惩罚因子之和为1。

具体地，对于目标用户ui，优惠券cj，惩罚之后的使用参数usepar″i,j可以根据如下公式计算得到：

usepar″i,j＝usepar′i,j·(1-linj)(12)

其中，linj为优惠券cj的惩罚因子，usepar′i,j为第二使用参数。

步骤212，针对每个目标商家，预估所述目标商家在当前发券周期内的最大发券数目。

其中，发券周期可以为天、周、月等，本公开的实施例对发券周期的具体时长不加以限制。

具体地，可以根据历史发券周期的实际发券数目、使用数目估计当前发券周期的最大发券数目，在商家的已发券数目达到最大发券数目时，停止分配优惠券。

可选地，在本公开的另一种实施例中，上述步骤212包括子步骤2121至2124：

子步骤2121，针对每个目标商家，统计所述目标商家在上一发券周期内的发券总数目以及券使用数目。

其中，发券总数目为目标商家分配给各目标用户的优惠券的总数目；券使用数目为各目标用户使用目标商家分配的优惠券的总数目。

子步骤2122，针对每个目标商家，计算所述券使用数目与所述发券总数目的比值，得到使用占比。

具体地，对于目标商家sk，使用占比useppk可以根据如下公式计算得到：

其中，numusek为目标商家sk的券使用数目，numttlk为目标商家sk的发券总数目。

子步骤2123，针对每个目标商家，计算所述目标商家的使用占比与总使用占比的比值，得到估计发券占比，所述总使用占比为各目标商家的使用占比之和。

具体地，对于目标商家sk，估计发券占比esppk可以根据如下公式计算得到：

其中，k为目标商家的总数目，目标商家sl为一个变量商家，useppl为目标商家sl的的使用占比，numusel、numttll分别为目标商家sl的券使用数目与发券总数目。

子步骤2124，针对每个目标商家，计算所述估计发券占比与预设的蜂窝发券总数目的乘积，得到所述目标商家在当前发券周期内的最大发券数目。

具体地，对于目标商家sk，目标商家在当前发券周期内的最大发券数目nummaxk可以根据如下公式计算得到：

其中，num为蜂窝发券总数目，可以根据实际应用场景设定，本公开的实施例对其不加以限制。

在实际应用中，以蜂窝区域为单位进行优惠券的分配，该蜂窝设置一个发券总数目，将处于该蜂窝区域内的目标商家的优惠券分配给处于该蜂窝区域内的目标用户，直至发送的优惠券总数目达到蜂窝发券总数目。可以理解，蜂窝发券总数目越大，各目标商家在当前发券周期内的最大发券数目越大；蜂窝发券总数目越小，各目标商家在当前发券周期内的最大发券数目越小。此外，在蜂窝发券总数目一定的情况下，目标商家在上一发券周期内的使用占比越大，则该目标商家在当前发券周期内的最大发券数目越大；目标商家在上一发券周期内的使用占比越小，则该目标商家在当前发券周期内的最大发券数目越小。

步骤213，根据所述最大发券数目、所述使用参数将各优惠券分配给各目标用户。

其中，最大发券数目用于控制目标商家的已发券数目，当已发券数目达到该值时，停止向目标用户继续分配优惠券。

该步骤可以参照步骤104的详细说明，在此不再赘述。

可选地，在本公开的另一种实施例中，上述步骤213包括子步骤2131至2132：

子步骤2131，从使用参数矩阵中选取使用参数最大的元素得到发券元素，所述使用参数矩阵中的每个元素包含目标用户、目标商家、优惠券以及所述目标用户对所述优惠券的使用参数。

在本公开的实施例中，使用参数矩阵的行对应目标用户、列对应各目标商家的各优惠券，如图3所示，i、j分别为目标用户的数目和优惠券的数目，第一行为用户u1对j个优惠券的使用参数，第二行为用户u2对j个优惠券的使用参数，以此类推。从而，子步骤2121即可以理解为从每行中选取使用参数最大的元素，例如对于第一行，若使用参数最大的元素为usepar1,2，则表示对于目标用户u1，该目标用户对优惠券cj的使用参数最大。

子步骤2132，在所述发券元素包含的目标商家的已发券数目小于所述目标商家的最大发券数目的情况下，将所述发券元素包含的优惠券分配给所述发券元素包含的目标用户，所述已发券数目在每次发券之后进行更新。

其中，已发券数目在初始时设定为0，并在每分配一次优惠券时更新，即：加上该次分配的优惠券的数目。

具体地，可以将优惠券发送至目标用户所在的账号，从而目标用户通过账号登录时即可以使用优惠券。

在实际应用中，由于每张优惠券仅分配一次，目标用户仅分配一张优惠券，从而在每次将一个优惠券分配给一个目标用户之后，从所述使用参数矩阵删除所述发券元素所在的行和列。

在本公开的实施例中，在对一个目标用户分配了一个目标商家的一个优惠券之后，从使用参数矩阵删除发券元素所在的行和列，即：该优惠券和该目标用户失效。

本公开的实施例可以针对每个目标用户，从所有商家的所有优惠券中选择一个使用参数最大的优惠券，从而可以尽可能的保证优惠券被使用。

可选地，在本公开的另一种实施例中，上述步骤213包括子步骤2133至2135：

子步骤2133，针对每个目标商家，根据所述使用参数、所述最大发券数目确定使用参数阈值。

其中，使用参数阈值用于判断是否分配优惠券。

具体地，首先，对于每个商家的各优惠券，将各目标用户对各优惠券的使用参数按照降序排列；然后，获取排序位置的序号为最大发券数目的使用参数作为第一参考使用参数，以及下一位置的使用参数的使用参数作为第二参考使用参数；最后，取小于或等于第一参考使用参数，且大于第二参考使用参数的数值作为使用参数阈值。例如，若目标用户u1对优惠券c1、c2、c3的分别为0.5、0.3、0.1，目标用户u2对优惠券c1、c2、c3的分别为0.4、0.2、0.1，则排序之后的使用参数为0.5、0.4、0.3、0.2、0.1、0.1，此时当最大发券数目为2时，第一使用参数为0.4，第二使用参数为0.3，则使用参数阈值可以选取小于或等于0.4且大于0.3的数值。

可以理解，在实际应用中，可以直接选取第一参考使用参数作为使用参数阈值。

子步骤2134，从使用参数矩阵中选取使用参数最大的元素得到发券元素，所述使用参数矩阵中的每个元素包括目标用户、目标商家以及优惠券以及所述目标用户对所述优惠券的使用参数。

如图3所述，若第一列至第2列为目标商家s1的优惠券，则发券元素从第一列至第二列中获取。

子步骤2135，在所述使用参数大于或等于所述目标商家对应的使用参数阈值的情况下，将所述发券元素包含的优惠券分配给所述目标元素包含的目标用户。

可以理解，在使用参数小于使用参数阈值时，停止将该目标商家的优惠券分配给任何目标用户，该目标商家的优惠券分配结束。

同理，从所述使用参数矩阵删除所述发券元素所在的行和列。

可选地，在本公开的另一种实施例中，针对上述使用参数阈值，可以根据如下步骤a1至a4进行调整：

步骤a1，针对每个目标商家，统计所述目标商家在上一调整周期内的实际发券数目，所述上一调整周期为所述当前发券周期内的子周期。

在目标商家的优惠券分配结束时，已发券数目为实际发券数目。

在本公开的实施例中，将一个发券周期分为若干调整周期，在每个调整周期结束之后，根据实际发券数目调整使用参数阈值，从而使得发圈周期的实际发券数目与预估的最大发券数目接近或相同。

步骤a2，针对每个目标商家，计算所述实际发券数目与蜂窝实际发券数目的比值，得到实际发券占比，所述蜂窝实际发券数目为各目标商家在上一调整周期内的实际发券数目之和。

具体地，对于目标商家sk，实际发券占比actppk可以根据如下公式计算得到：

其中，numactk为目标商家sk的实际发券数目，numactl为任意商家sl的实际发券数目。

步骤a3，针对每个目标商家，计算所述实际发券占比与所述估计发券占比的比值，得到阈值调整参数。

具体地，对于目标商家sk，阈值调整参数tpark可以根据如下公式计算得到：

步骤a4，针对每个目标商家，计算所述阈值调整参数与所述使用参数阈值的乘积，得到调整后的使用参数阈值。

具体地，对于目标商家sk，调整后的使用参数阈值thr′k可以根据如下公式计算得到：

其中，thrk为目标商家sk调整前的使用参数阈值。

可以理解，步骤a1至a4的动态调整使用参数阈值可以在每个调整周期结束时进行，从而可以保证使用参数阈值的准确性。

综上所述，本公开的实施例提供了一种优惠券的分配方法，所述方法包括：获取各目标商家的优惠券配置信息，并根据所述优惠券配置信息生成至少一个优惠券；针对每个目标用户、每个目标商家，获取所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征；针对每个目标用户、每个目标商家的每个优惠券，根据所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征，预测所述目标用户对所述优惠券的使用参数；根据所述使用参数将各优惠券分配给各目标用户。能够根据用户特征、用户与商家的交互特征确定用户对券的使用参数，并依据使用参数进行优惠券的分配，有助于提高优惠券的分配准确度。

实施例三

参照图4，其示出了在本公开的一个实施例中的优惠券的分配装置的结构图，具体如下。

优惠券生成模块301，用于获取各目标商家的优惠券配置信息，并根据所述优惠券配置信息生成至少一个优惠券。

特征获取模块302，用于针对每个目标用户、每个目标商家，获取所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征。

使用参数确定模块303，用于针对每个目标用户、每个目标商家的每个优惠券，根据所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征，预测所述目标用户对所述优惠券的使用参数。

优惠券分配模块304，用于根据所述使用参数将各优惠券分配给各目标用户。

综上所述，本公开的实施例提供了一种优惠券的分配装置，所述装置包括：优惠券生成模块，用于获取各目标商家的优惠券配置信息，并根据所述优惠券配置信息生成至少一个优惠券；特征获取模块，用于针对每个目标用户、每个目标商家，获取所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征；使用参数确定模块，用于针对每个目标用户、每个目标商家的每个优惠券，根据所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征，预测所述目标用户对所述优惠券的使用参数；优惠券分配模块，用于根据所述使用参数将各优惠券分配给各目标用户。能够根据用户特征、用户与商家的交互特征确定用户对券的使用参数，并依据使用参数进行优惠券的分配，有助于提高优惠券的分配准确度。

装置实施例三对应方法实施例一，详细说明可以参照实施例一，在此不再赘述。

实施例四

参照图5，其示出了本公开的另一个实施例中的优惠券的分配装置的结构图，具体如下。

优惠券生成模块401，用于获取各目标商家的优惠券配置信息，并根据所述优惠券配置信息生成至少一个优惠券。

特征获取模块402，用于针对每个目标用户、每个目标商家，获取所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征。

第一匹配子参数确定模块403，用于针对每个目标用户、每个目标商家的每个优惠券，计算所述目标用户的单均价与所述优惠券的门槛值的比值，得到第一匹配子参数。

第一匹配参数确定模块404，用于针对每个目标用户、每个目标商家的每个优惠券，根据所述第一匹配子参数确定所述目标用户与所述优惠券的匹配参数。

可选地，在本公开的另一种实施例中，所述用户特征包括优惠敏感参数，所述券特征包括优惠程度参数，上述第一匹配参数确定模块404包括：

第二匹配子参数确定子模块，用于针对每个目标用户、每个目标商家的每个优惠券，计算所述优惠券的优惠程度参数与所述目标用户的优惠敏感参数的比值，得到第二匹配子参数。

第二匹配参数确定子模块，用于针对每个目标用户、每个目标商家的每个优惠券，根据所述第一匹配子参数、第二匹配子参数确定所述目标用户与所述优惠券的匹配参数。

可选地，在本公开的另一种实施例中，上述第二匹配参数确定子模块包括：

第一匹配数值计算单元，用于针对每个目标用户、每个目标商家的每个优惠券，计算所述第一匹配子参数与预设第一匹配权重的乘积，得到第一匹配数值。

第二匹配数值计算单元，用于针对每个目标用户、每个目标商家的每个优惠券，计算所述第二匹配子参数与预设第二匹配权重的乘积，得到第二匹配数值。

第三匹配数值计算单元，用于针对每个目标用户、每个目标商家的每个优惠券，计算所述优惠券的优惠程度参数与预设第三匹配权重的乘积，得到第三匹配数值。

第三匹配参数计算单元，用于针对每个目标用户、每个目标商家的每个优惠券，计算所述第一匹配数值、第二匹配数值以及第三匹配数值之和，得到所述目标用户与所述优惠券的匹配参数。

禁止分配模块405，用于针对每个目标用户，禁止将所述匹配参数小于预设匹配阈值的优惠券分配给所述目标用户。

使用参数确定模块406，用于针对每个目标用户、每个目标商家的每个优惠券，根据所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征，预测所述目标用户对所述优惠券的使用参数。可选地，在本公开的实施例中，上述使用参数确定模块406，包括：

商家券特征获取子模块4061，用于获取所述目标商家的商家特征，以及所述优惠券的券特征。

使用概率确定子模块4062，用于将所述目标用户的用户特征、所述目标用户与所述目标商家的交互特征、所述目标商家的商家特征、所述优惠券的券特征输入至预先训练得到的使用概率预测模型中，得到所述目标用户对所述优惠券的使用概率。

优惠程度增加模块407，用于针对每个目标商家的每个优惠券，根据预设增加量对所述优惠券的优惠程度参数进行增加。

可选地，在本公开的另一种实施例中，上述优惠程度增加模块407包括：

增加后参数计算子模块，用于计算预设增加量与所述优惠券的优惠程度参数之和，得到增加后的优惠程度参数。

第二使用参数确定子模块，用于将所述目标用户的用户特征、所述目标用户与所述目标商家的交互特征、所述目标商家的商家特征、变更后的券特征输入至所述使用概率预测模型中，得到所述目标用户对所述优惠券的第二使用概率，所述变更后的券特征包括增加之后的优惠程度参数。

使用概率增加确定子模块，用于针对每个目标用户，计算所述第二使用概率与第一使用概率的差值，所述第一使用概率为所述目标用户对优惠程度参数增加之前的优惠券的使用概率。

收益确定子模块，用于针对每个目标用户，计算所述目标用户的单均价与所述差值的乘积，得到收益参数。

成本确定子模块，用于针对每个目标用户，计算所述增加量与所述第二使用概率的乘积，得到成本参数。

收益指数确定子模块，用于针对每个目标用户，计算所述收益参数与所述成本参数的比值，得到收益指数。

优惠程度增加子模块，用于针对每个目标用户，在所述收益指数大于预设收益指数阈值的情况下，更新所述优惠券的优惠程度参数为所述增加后的优惠程度参数。

第一使用概率调整模块408，由于对于每个目标用户，根据增加后的优惠程度参数调整所述目标用户对所述优惠券的使用概率。

可选地，在本公开的另一种实施例中，上述第一使用概率调整模块408，包括：

第一使用概率调整子模块，用于更新所述目标用户对所述优惠券的使用概率为所述第二使用概率。

惩罚因子确定模块409，用于针对每个目标用户，根据所述增加量确定所述目标用户对所述优惠券的惩罚因子。

可选地，在本公开的另一种实施例中，上述惩罚因子确定模块408，包括：

惩罚因子确定子模块，用于将所述增加量、所述目标商家的商家特征、以及所述优惠券的券特征输入至预先训练得到的惩罚预测模型，得到所述目标用户对所述优惠券的惩罚因子，所述券特征为优惠程度参数增加之后的券特征。

第二使用概率调整模块410，用于针对每个目标用户，计算调整因子与所述第二使用概率的乘积，得到惩罚之后的使用概率，所述调整因子与所述惩罚因子之和为1。

优惠券分配模块411，用于根据所述使用参数将各优惠券分配给各目标用户。可选地，在本公开的另一种实施例中，上述优惠券分配模块411，包括：

最大发券数目预估子模块4111，用于针对每个目标商家，预估所述目标商家在当前发券周期内的最大发券数目。

可选地，在本公开的另一种实施例中，上述最大发券数目预估子模块4111包括：

历史券信息计算单元，用于针对每个目标商家，统计所述目标商家在上一发券周期内的发券总数目以及券使用数目。

生效率计算单元，用于针对每个目标商家，计算所述券使用数目与所述发券总数目的比值，得到使用占比。

发券占比计算单元，用于针对每个目标商家，计算所述目标商家的使用占比与总使用占比的比值，得到估计发券占比，所述总使用占比为各目标商家的使用占比之和。

最大发券数目计算单元，用于针对每个目标商家，计算所述估计发券占比与预设的蜂窝发券总数目的乘积，得到所述目标商家在当前发券周期内的最大发券数目。

优惠券分配子模块4112，用于根据所述最大发券数目、所述使用参数将各优惠券分配给各目标用户。

可选地，在本公开的另一种实施例中，上述优惠券分配子模块4112包括：

第一发券元素选取单元，用于从使用参数矩阵中选取使用参数最大的元素得到发券元素，所述使用参数矩阵中的每个元素包含目标用户、目标商家、优惠券以及所述目标用户对所述优惠券的使用参数。

第一发券单元，用于在所述发券元素包含的目标商家的已发券数目小于所述目标商家的最大发券数目的情况下，将所述发券元素包含的优惠券分配给所述发券元素包含的目标用户，所述已发券数目在每次发券之后进行更新。

可选地，在本公开的另一种实施例中，上述优惠券分配子模块4112包括：

使用参数阈值确定单元，用于针对每个目标商家，根据所述使用参数、所述最大发券数目确定使用参数阈值。

第二发券元素选取单元，用于从使用参数矩阵中选取使用参数最大的元素得到发券元素，所述使用参数矩阵中的每个元素包括目标用户、目标商家以及优惠券以及所述目标用户对所述优惠券的使用参数。

第一发券单元，用于在所述使用参数大于或等于所述目标商家的使用参数阈值的情况下，将所述发券元素包含的优惠券分配给所述目标元素包含的目标用户。

可选地，在本公开的另一种实施例中，针对上述使用参数阈值，可以根据如下模块进行调整：

实际发券数目统计模块，用于针对每个目标商家，统计所述目标商家在上一调整周期内的实际发券数目，所述上一调整周期为所述当前发券周期内的子周期。

实际发券占比计算模块，用于针对每个目标商家，计算所述实际发券数目与蜂窝实际发券数目的比值，得到实际发券占比，所述蜂窝实际发券数目为各目标商家在上一调整周期内的实际发券数目之和。

阈值调整参数计算模块，用于针对每个目标商家，计算所述实际发券占比与所述估计发券占比的比值，得到阈值调整参数。

使用参数阈值调整模块，用于针对每个目标商家，计算所述阈值调整参数与所述使用参数阈值的乘积，得到调整后的使用参数阈值。

综上所述，本公开的实施例提供了一种优惠券的分配装置，所述装置包括：优惠券生成模块，用于获取各目标商家的优惠券配置信息，并根据所述优惠券配置信息生成至少一个优惠券；特征获取模块，用于针对每个目标用户、每个目标商家，获取所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征；使用参数确定模块，用于针对每个目标用户、每个目标商家的每个优惠券，根据所述目标用户的用户特征、以及所述目标用户与所述目标商家的交互特征，预测所述目标用户对所述优惠券的使用参数；优惠券分配模块，用于根据所述使用参数将各优惠券分配给各目标用户。能够根据用户特征、用户与商家的交互特征确定用户对券的使用参数，并依据使用参数进行优惠券的分配，有助于提高优惠券的分配准确度。

装置实施例四对应方法实施例二，详细说明可以参照实施例二，在此不再赘述。

本公开的实施例还提供了一种电子设备，参见图6，包括：处理器501、存储器502以及存储在所述存储器502上并可在所述处理器501上运行的计算机程序5021，所述处理器执行所述程序时实现前述实施例的优惠券的分配方法。

本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的优惠券的分配方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

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，本公开的实施例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公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。

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，本公开的实施例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，在上面对本公开的实施例的示例性实施例的描述中，本公开的实施例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：即所要求保护的本公开的实施例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公开的实施例的单独实施例。

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。

本公开的实施例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)来实现根据本公开的实施例的优惠券的分配设备中的一些或者全部部件的一些或者全部功能。本公开的实施例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。这样的实现本公开的实施例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公开的实施例进行说明而不是对本公开的实施例进行限制，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。本公开的实施例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。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。

以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。