确定用于商户的策略的方法、装置、电子设备及存储介质与流程
本公开涉及互联网技术领域，具体涉及一种确定用于商户的策略的方法、装置、电子设备及可读存储介质。
背景技术：
新客立减活动作为电子商务中非常重要的产品形态之一，其重要性对电商平台的长期发展不言而喻。因此，采用适当的新客立减策略，把钱有效率地花出去，即“少花钱，多拉新”，是智能营销策略的重要目标。相比商户满减活动，新客立减活动是一个更棘手的问题，原因在于平台新客的浏览行为和购买行为不容易统计，难以在用户维度制定差异化策略。
一种可能的差异化立减补贴定价策略是基于商户的新客复购率和新客平均客单价等多维特征，利用最小错误率训练算法智能确定商户各特征的权重，为商户打分，利用商户得分对商户进行差异化新客立减补贴定价。例如，可以计算商户的新客复购率和新客平均客单价等多维特征值，对商户各特征进行归一化，得到商户对应的各特征的特征得分，利用最小错误率算法智能确定商户各特征的权重，从而得到每个商户最终的商户得分，依靠商户得分来进行商户的差异化新客立减补贴定价。
然而，利用最小错误率来确定权重时，确定商户各特征所依赖的标注数据来自产品经理和运营人员的经验，他们认为“肯德基应该比田老师有更多的补贴”，“麦当劳不应该比肯德基少”等。这种方法的缺陷是用于计算商户得分的多维特征主要来自人的经验和感觉，筛选特征工作量大且并且不够客观。
技术实现要素：
为了解决相关技术中的问题，本公开实施例提供一种确定用于商户的策略的方法、装置、电子设备及可读存储介质。
第一方面，本公开实施例中提供了一种确定用于商户的策略的方法，其特征在于，包括：
针对多个商户中的每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值，所述第t日是历史上的一天，所述多个预定特征是从多个样本商户的商户画像得到的，并且包括与所述策略有关的特征，所述策略用于改变相应商户的目标特征值；以及
根据所述多个商户的估计参数值，确定每个商户的策略。
结合第一方面，本公开实施例在第一方面的第一种实现方式中，通过以下方式从多个样本商户的商户画像得到所述多个预定特征：
对于所述商户画像的多个特征中的每个特征，对多个样本商户在第t-2日的多个特征值求方差，将方差大于第一预设阈值的特征作为候选特征，其中，所述商户画像是根据订单数据、访问数据、评价数据、配送数据和商户基础数据中的至少一种数据得到的；
对于每个候选特征，计算所述多个样本商户在第t-2日的多个特征值与第t-1日的目标特征值的相关系数，将相关系数大于第二预设阈值的候选特征作为所述多个预定特征。
结合第一方面，本公开实施例在第一方面的第二种实现方式中：
所述第一模型是使用所述多个商户的样本数据进行机器学习得到的；
每个商户的样本数据包括该商户在第t-1日的目标特征值和该商户在第t-2日的所述多个预定特征的特征值。
结合第一方面，本公开实施例在第一方面的第三种实现方式中，所述第一模型是基于gbdt模型、逻辑回归模型和xgboost模型之一训练得到的。
结合第一方面，本公开实施例在第一方面的第四种实现方式中，针对多个商户中的每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值包括：
增大所述第t日特征值中与所述策略有关的特征值得到第一假设特征值；
减小所述与所述策略有关的特征值得到第二假设特征值；
基于所述第一假设特征值和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第一假设结果；
基于所述第二假设特征值和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第二假设结果；
基于所述第一假设结果、第二假设结果、第一假设特征值和第二假设特征值，计算该商户的估计参数值。
结合第一方面，本公开实施例在第一方面的第五种实现方式中，根据所述多个商户的估计参数值，确定每个商户的策略包括：
根据每个商户的估计参数值的大小，为每个商户确定相应的策略。
结合第一方面、第一方面的第五种实现方式，本公开实施例在第一方面的第六种实现方式中，根据每个商户的估计参数值的大小，为每个商户确定相应的策略包括：
将所述多个商户按照估计参数值大小进行排序；
将排序后的所述多个商户分组；
针对每个商户分组确定相应的策略。
结合第一方面，本公开实施例在第一方面的第七种实现方式中，每个商户的所述多个预定特征中至少一个预定特征的特征值是该商户的订单数据、访问数据、评价数据和商户基础数据中的至少一种数据的多日平均值。
第二方面，本公开实施例中提供了一种确定用于商户的策略的装置，其特征在于，包括：
计算模块，被配置为针对多个商户中的每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值，所述第t日是历史上的一天，所述多个预定特征是从多个样本商户的商户画像得到的，并且包括与所述策略有关的特征，所述策略用于改变相应商户的目标特征值；以及
确定模块，被配置为根据所述多个商户的估计参数值，确定用于每个商户的策略。
结合第二方面，本公开实施例在第二方面的第一种实现方式中，通过以下方式从多个样本商户的商户画像得到所述多个预定特征：
对于所述商户画像的多个特征中的每个特征，对多个样本商户在第t-2日的多个特征值求方差，将方差大于第一预设阈值的特征作为候选特征，其中，所述商户画像是根据订单数据、访问数据、评价数据、配送数据和商户基础数据中的至少一种数据得到的；
对于每个候选特征，计算所述多个样本商户在第t-2日的多个特征值与第t-1日的目标特征值的相关系数，将相关系数大于第二预设阈值的候选特征作为所述多个预定特征。
结合第二方面，本公开实施例在第二方面的第二种实现方式中：
所述第一模型是使用所述多个商户的样本数据进行机器学习得到的；
每个商户的样本数据包括该商户在第t-1日的目标特征值和该商户在第t-2日的所述多个预定特征的特征值。
结合第二方面，本公开实施例在第二方面的第三种实现方式中，所述第一模型是基于gbdt模型、逻辑回归模型和xgboost模型之一训练得到的。
结合第二方面，本公开实施例在第二方面的第四种实现方式中，针对多个商户中的每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值包括：
增大所述第t日特征值中与所述策略有关的特征值得到第一假设特征值；
减小所述与所述策略有关的特征值得到第二假设特征值；
基于所述第一假设特征值和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第一假设结果；
基于所述第二假设特征值和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第二假设结果；
基于所述第一假设结果、第二假设结果、第一假设特征值和第二假设特征值，计算该商户的估计参数值。
结合第二方面，本公开实施例在第二方面的第五种实现方式中，根据所述多个商户的估计参数值，确定每个商户的策略包括：
根据每个商户的估计参数值的大小，为每个商户确定相应的策略。
结合第二方面、第二方面的第五种实现方式，本公开实施例在第二方面的第六种实现方式中，根据每个商户的估计参数值的大小，为每个商户确定相应的策略包括：
将所述多个商户按照估计参数值大小进行排序；
将排序后的所述多个商户分组；
针对每个商户分组确定相应的策略。
结合第二方面，本公开实施例在第二方面的第七种实现方式中，每个商户的所述多个预定特征中至少一个预定特征的特征值是该商户的订单数据、访问数据、评价数据和商户基础数据中的至少一种数据的多日平均值。
第三方面，本公开实施例中提供了一种电子设备，包括存储器和处理器，其中，
所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现以下步骤：
针对多个商户中的每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值，所述第t日是历史上的一天，所述多个预定特征是从多个样本商户的商户画像得到的，并且包括与所述策略有关的特征，所述策略用于改变相应商户的目标特征值；以及
根据所述多个商户的估计参数值，确定用于每个商户的策略。
结合第三方面，本公开实施例在第三方面的第一种实现方式中，通过以下方式从多个样本商户的商户画像得到所述多个预定特征：
对于所述商户画像的多个特征中的每个特征，对多个样本商户在第t-2日的多个特征值求方差，将方差大于第一预设阈值的特征作为候选特征，其中，所述商户画像是根据订单数据、访问数据、评价数据、配送数据和商户基础数据中的至少一种数据得到的；
对于每个候选特征，计算所述多个样本商户在第t-2日的多个特征值与第t-1日的目标特征值的相关系数，将相关系数大于第二预设阈值的候选特征作为所述多个预定特征。
结合第三方面，本公开实施例在第三方面的第二种实现方式中：
所述第一模型是使用所述多个商户的样本数据进行机器学习得到的；
每个商户的样本数据包括该商户在第t-1日的目标特征值和该商户在第t-2日的所述多个预定特征的特征值。
结合第三方面，本公开实施例在第三方面的第三种实现方式中，所述第一模型是基于gbdt模型、逻辑回归模型和xgboost模型之一训练得到的。
结合第三方面，本公开实施例在第三方面的第四种实现方式中，针对多个商户中的每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值包括：
增大所述第t日特征值中与所述策略有关的特征值得到第一假设特征值；
减小所述与所述策略有关的特征值得到第二假设特征值；
基于所述第一假设特征值和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第一假设结果；
基于所述第二假设特征值和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第二假设结果；
基于所述第一假设结果、第二假设结果、第一假设特征值和第二假设特征值，计算该商户的估计参数值。
结合第三方面，本公开实施例在第三方面的第五种实现方式中，根据所述多个商户的估计参数值，确定每个商户的策略包括：
根据每个商户的估计参数值的大小，为每个商户确定相应的策略。
结合第三方面、第三方面的第五种实现方式，本公开实施例在第三方面的第六种实现方式中，根据每个商户的估计参数值的大小，为每个商户确定相应的策略包括：
将所述多个商户按照估计参数值大小进行排序；
将排序后的所述多个商户分组；
针对每个商户分组确定相应的策略。
结合第三方面，本公开实施例在第三方面的第七种实现方式中，每个商户的所述多个预定特征中至少一个预定特征的特征值是该商户的订单数据、访问数据、评价数据和商户基础数据中的至少一种数据的多日平均值。
第四方面，本公开实施例中提供了一种可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面、第一方面的第一种实现方式至第七种实现方式任一项所述的方法。
本公开实施例提供的技术方案可以包括以下有益效果：
根据本公开实施例提供的技术方案，可以使用从客观的商户画像得到的预定特征，使用机器学习模型计算商户的估计参数值，基于商户的估计参数值确定用于商户的策略，不依赖人工标注，节约大量人力成本，决策更加客观可靠，节省营销资源，提升拉新效率。
根据本公开实施例提供的技术方案，通过方差选择法和相关系数法结合，筛选商户特征，大大减少人工筛选特征的工作量，同时达到减少特征个数，提高模型精确度，减少运行时间和简化模型的目的。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它标签、目的和优点将变得更加明显。在附图中：
图1示出根据本公开一实施方式的确定用于商户的策略的方法的流程图；
图2示出根据本公开一实施方式选择多个预定特征的流程图；
图3示出根据本公开一实施方式使用第一模型计算该商户的估计参数值的流程图；
图4示出根据本公开一实施方式为每个商户确定相应的策略的流程图；
图5示出根据本公开一实施方式的确定用于商户的策略的装置的结构框图；
图6示出根据本公开一实施方式的电子设备的结构框图；
图7示出根据本公开一实施方式适于用来实现确定用于商户的策略的方法的计算机系统的结构框图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的标签、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他标签、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的标签可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出根据本公开一实施方式的确定用于商户的策略的方法的流程图。
如图1所示，所述确定用于商户的策略的方法包括以下步骤s101-s102：
在步骤s101中，针对多个商户中的每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值，所述第t日是历史上的一天，所述多个预定特征是从多个样本商户的商户画像得到的，并且包括与所述策略有关的特征，所述策略用于改变相应商户的目标特征值。
在步骤s102中，根据所述多个商户的估计参数值，确定用于每个商户的策略。
在本公开的一个实施例中，多个商户例如可以是电商平台代理的多个商户。例如，在外卖平台上代理的多个饭店。
在本公开的一个实施例中，用于商户的策略可以是商户要采用的新客立减策略，例如对于每个新客户的订单立减一定数额的策略。
在本公开的一个实施例中，所述第一模型可以是利用所述多个商户的样本数据训练得到的模型。例如，所述第一模型可以是利用多个商户在同一天的样本数据训练得到的模型。
在本公开的一个实施例中，与所述策略有关的特征可以是与新客立减补贴数额有关的特征。
在本公开的一个实施例，估计参数值可以反映商户对于所采用的策略的敏感程度。例如，当要采用的策略是新客立减补贴策略时，估计参数值是可以反映商户对新客立减补贴策略的敏感程度的补贴敏感度。商户的敏感程度越高，表明改变新客立减补贴策略对其拉新的影响越明显。
在本公开的一个实施例中，目标特征值例如是日拉新客户数，即一天中在商户下单的新客户数量。
在本公开的一个实施例中，所述多个预定特征可以是从多个样本商户的商户画像得到的。在本公开的一个实施例中，样本商户可以是所述多个商户中的一些或全部商户，所述商户画像是根据订单数据、访问数据、评价数据、配送数据和商户基础数据中的至少一种数据得到的，并且包括多个特征。例如，订单数据可以包括客户在商户所下订单的日期、金额、新客立减补贴数额、商户的订单数量等，访问数据可以包括新客户访问商户的次数等，评价数据可以包括商户收到的客户差评数等，配送数据可以包括商户的配送费、是否支持全城送等，商户基础数据可以包括商户是否是连锁商户、是否为电商平台独家代理、商户所在城市的级别，等等。
在本公开的一个实施例中，每个商户的所述多个预定特征中至少一个预定特征的特征值是该商户的订单数据、访问数据、评价数据和商户基础数据中的至少一种数据的多日平均值。采用数据的多日平均值，可以减小偶然或突发因素对模型精确度的影响。
在本公开的一个实施例中，可以针对每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值。例如，如果要预测各商户明天要采用的策略，则可以将今天作为第t日，但这并非是限制性的。在本公开的一个实施例中，所使用的特征的日期与要预测的日期之间也可以有一天或多天的间隔。
在本公开的一个实施例中，任一商户(例如，商户a)的多个预定特征的第t日特征值可以如下表1所示。
表1
在本公开的一个实施例中，第一模型可以是使用所述多个商户的样本数据进行机器学习得到的。
在本公开的一个实施例中，可以针对所述多个商户中的每个商户形成一个样本数据。每个商户的样本数据可以包括该商户在第t-1日的目标特征值和该商户在第t-2日的所述多个预定特征的特征值，例如，第t-1日的目标特征值是第t-1日在该商户下单的新客户数量。例如，如果要预测各商户明天要采用的策略，则可以将今天作为第t日，使用昨天(即，第t-1日)的目标特征值和前天(即，第t-2日)的多个预定特征的特征值作为样本数据来进行机器学习。
在本公开的一个实施例中，可以使用所述多个商户的样本数据对gbdt模型、逻辑回归模型和xgboost模型之一训练得到第一模型。
下面以gbdt模型为例说明本公开实施例的机器学习过程。
在本公开的一个实施例中，可以利用python机器学习包scikit-learn中的gradientboostingregressor，基于样本数据训练gbdt的回归模型，对商户的模型参数如下：
learning_rate：学习率，取0.1；
n_estimators：弱学习器，即cart树的数目，取300；
max_depth：每一棵树的最大深度，取6；
subsample：控制每棵树随机采样的比例，取0.8。
通过训练可以得到第一模型。当向该模型输入某个商户的某一日的上述多个预定特征的特征值时，该模型将计算得到一个结果，例如一个拉新客户数。该模型的输入包括与该商户要采用的策略有关的特征，例如与该商户的新客立减补贴数额有关的特征，其输出为拉新客户数，因此能够反映该商户的拉新客户数对于新客立减补贴数额的敏感度。于是，可以基于该模型计算每个商户的估计参数值，该估计参数值可以反映商户对于所采用的策略的敏感程度。然后，根据所述多个商户的估计参数值大小，确定每个商户的策略，例如每个商户的新客立减补贴数额。例如，对估计参数值高的商户，改变新客立减补贴数额对拉新的影响较大，则可以给予较高的新客立减补贴数额，而对于估计参数值低的商户，改变新客立减补贴数额对拉新的影响较小，可以给予较低的新客立减补贴数额。这样，可以提高资金利用率，减少新客立减补贴总额并且/或者提高拉新效率。
图2示出根据本公开一实施方式选择多个预定特征的流程图。
如图2所示，可以通过步骤s201-s202从多个样本商户的商户画像得到所述多个预定特征。
在步骤s201中，对于商户画像的多个特征中的每个特征，对多个样本商户在第t-2日的多个特征值求方差，将方差大于第一预设阈值的特征作为候选特征，其中，所述商户画像是根据订单数据、访问数据、评价数据、配送数据和商户基础数据中的至少一种数据得到的。
在步骤s202中，对于每个候选特征，计算所述多个样本商户在第t-2日的多个特征值与第t-1日的目标特征值的相关系数，将相关系数大于第二预设阈值的候选特征作为所述多个预定特征。
在本公开的一个实施例中，所述多个特征可以是从所述多个样本商户的商户画像得到的。样本商户可以是所述多个商户中的一些或全部商户。在本公开的一个实施例中，样本商户可以是拉新客户数较多的商户。
例如，针对任一样本商户i，可以构造其在某一天(例如第t-2日)的m个特征的标签向量
首先，针对样本向量中每一列特征x，求其方差，将方差大于第一预设阈值的特征作为候选特征。然后，对每一列候选特征，计算其与lable值的皮尔森相关系数r。皮尔森相关系数r衡量的是两个变量间线性相关强弱的程度。取值r∈[-1,1]，若r>0，表明两个变量是正相关；若r<0，表明两个变量是负相关。若r＝0，表明两个变量间线性不相关，即r的绝对值越大表明相关性越强。取|r|大于第二预设阈值的候选特征作为预定特征。
本公开的实施例通过方差选择法和相关系数法结合，筛选商户属性特征，大大减少人工筛选特征的工作量，改善了特征筛选的客观程度，同时达到减少特征个数，提高模型精确度，减少运行时间和简化模型的目的。
图3示出根据本公开一实施方式使用第一模型计算该商户的估计参数值的流程图。
如图3所示，可以通过步骤s301-s305，针对多个商户中的每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值。
在步骤s301中，增大所述第t日特征值中与所述策略有关的特征值得到第一假设特征值。例如，对于商户i，可以将表1中单均新客补贴增大δbutie1得到第一假设特征值h。在本公开的一实施例中，δbutie1可以为1元钱。
在步骤s302中，减小所述与所述策略有关的特征值得到第二假设特征值。例如，对于商户i，可以将表1中单均新客补贴减小δbutie2得到第二假设特征值l。在本公开的一实施例中，δbutie2可以为1元钱。
在步骤s303中，基于所述第一假设特征值和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第一假设结果。例如，对于商户i，可以基于所述第一假设特征值h和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第一假设结果label1。
在步骤s304中，基于所述第二假设特征值和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第二假设结果。例如，对于商户i，可以基于所述第二假设特征值l和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第二假设结果label2。
在步骤s305中，基于所述第一假设结果、第二假设结果、第一假设特征值和第二假设特征值，计算该商户的估计参数值。例如，对于商户i，可以基于所述第一假设结果label1、第二假设结果label2、第一假设特征值h和第二假设特征值l，计算该商户的估计参数值
图4示出根据本公开一实施方式为每个商户确定相应的新客立减补贴数额的流程图。
如图4所示，可以通过步骤s401-s403，根据每个商户的估计参数值的大小，为每个商户确定相应的新客立减补贴数额。
在步骤s401，将所述多个商户按照估计参数值大小进行排序。
在步骤s402，将排序后的所述多个商户分组。
在步骤s403，针对每个商户分组确定相应的策略。
在本公开的一个实施例中，可以使用分位数对所述多个商户进行分组处理。具体地，先将所有商户的估计参数值按照从小到大的顺序排列，然后按照新客立减补贴区间的大小划分分位数，然后选取所定的分位数为节点，将排序后的所有商户进行分组，从小到大依次取对应的新客立减补贴区间中的补贴数额。例如，假设新客立减补贴区间为[3,7]，则补贴区间大小为5，分位数分别为0.20，0.40，0.60，0.80，1.00。将所有商户的估计参数值按照指定从小到大排列，分别找到20％分位点、40％分位点、60％分位点和80％分位点，然后将排序位置小于20％分位点的商户的新客立减补贴数额全部取值为3，将排序位置为20％至40％的商户的新客立减补贴数额取值为4，将排序位置为40％至60％的商户的新客立减补贴数额取值为5，将排序位置为60％至80％的商户的新客立减补贴数额取值为6，将排序位置大于80％的商户的新客立减补贴数额取值为7。
通过根据商户的估计参数值为每个商户确定相应的策略，例如相应的新客立减补贴数额。对于估计参数值高的商户，新客立减补贴对拉新效果明显，可以增加其新客立减补贴数额。另一方面，对于估计参数值低的商户，新客立减补贴对拉新效果不明显，可以减少其新客立减补贴数额。这样，可以有效提高资金利用率，节省营销资源，提升拉新效率。
图5示出根据本公开一实施方式的确定用于商户的策略的装置的结构框图。
如图5所示，确定用于商户的策略的装置500包括计算模块501和确定模块502。该确定用于商户的策略的装置500及其中的各个模块可以通过计算机软件来实现，也可以通过可编程硬件来实现。
计算模块501被配置为针对多个商户中的每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值，所述第t日是历史上的一天，所述多个预定特征是从多个样本商户的商户画像得到的，并且包括与所述策略有关的特征，所述策略用于改变相应商户的目标特征值。
确定模块502被配置为根据所述多个商户的估计参数值，确定用于每个商户的策略。
在本公开的一个实施例中，用于商户的策略可以是商户要采用的新客立减策略，例如对于每个新客户的订单立减一定数额的策略。
在本公开的一个实施例中，所述第一模型可以是利用所述多个商户的样本数据训练得到的模型。例如，所述第一模型可以是利用多个商户在同一天的样本数据训练得到的模型。
在本公开的一个实施例中，与所述策略有关的特征可以是与新客立减补贴数额有关的特征。
在本公开的一个实施例，估计参数值可以反映商户对于所采用的策略的敏感程度。例如，当要采用的策略是新客立减补贴策略时，估计参数值可以反映商户对新客立减补贴策略的敏感程度。商户的敏感程度越高，表明改变新客立减补贴策略对其拉新的影响越明显。
在本公开的一个实施例中，通过以下方式从多个样本商户的商户画像得到所述多个预定特征。首先，对于所述商户画像的多个特征中的每个特征，对多个样本商户在第t-2日的多个特征值求方差，将方差大于第一预设阈值的特征作为候选特征，其中，所述商户画像是根据订单数据、访问数据、评价数据、配送数据和商户基础数据中的至少一种数据得到的。然后，对于每个候选特征，计算所述多个样本商户在第t-2日的多个特征值与第t-1日的目标特征值的相关系数，将相关系数大于第二预设阈值的候选特征作为所述多个预定特征。
在本公开的一个实施例中，所述第一模型是使用所述多个商户的样本数据进行机器学习得到的。每个商户的样本数据包括该商户在第t-1日的目标特征值和该商户在第t-2日的所述多个预定特征的特征值。
在本公开的一个实施例中，所述第一模型是基于gbdt模型、逻辑回归模型和xgboost模型之一训练得到的。
在本公开的一个实施例中，针对多个商户中的每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值包括增大所述第t日特征值中与所述策略有关的特征值得到第一假设特征值，减小所述与所述策略有关的特征值得到第二假设特征值，基于所述第一假设特征值和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第一假设结果，基于所述第二假设特征值和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第二假设结果，基于所述第一假设结果、第二假设结果、第一假设特征值和第二假设特征值，计算该商户的估计参数值。
在本公开的一个实施例中，根据所述多个商户的估计参数值，确定每个商户的策略包括根据每个商户的估计参数值的大小，为每个商户确定相应的策略，例如相应的新客立减补贴数额。
在本公开的一个实施例中，根据每个商户的估计参数值的大小，为每个商户确定相应的策略包括将所述多个商户按照估计参数值大小进行排序，将排序后的所述多个商户分组，针对每个商户分组确定相应的策略。
在本公开的一个实施例中，每个商户的所述多个预定特征中至少一个预定特征的特征值是该商户的订单数据、访问数据、评价数据和商户基础数据中的至少一种数据的多日平均值。
以上描述了确定用于商户的策略的装置的内部功能和结构，在一个可能的设计中，该确定用于商户的策略的装置的结构可实现为电子设备。
图6示出根据本公开另一实施方式的电子设备的结构框图。
如图6中所示，该电子设备600可以包括处理器601以及存储器602。所述存储器602用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器601执行以实现以下步骤：
针对多个商户中的每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值，所述第t日是历史上的一天，所述多个预定特征是从多个样本商户的商户画像得到的，并且包括与所述策略有关的特征，所述策略用于改变相应商户的目标特征值；以及
根据所述多个商户的估计参数值，确定用于每个商户的策略。
在本公开的一个实施例中，用于商户的策略可以是商户要采用的新客立减策略，例如对于每个新客户的订单立减一定数额的策略。
在本公开的一个实施例中，所述第一模型可以是利用所述多个商户的样本数据训练得到的模型。例如，所述第一模型可以是利用多个商户在同一天的样本数据训练得到的模型。
在本公开的一个实施例中，与所述策略有关的特征可以是与新客立减补贴数额有关的特征。
在本公开的一个实施例，估计参数值可以反映商户对于所采用的策略的敏感程度。例如，当要采用的策略是新客立减补贴策略时，估计参数值可以反映商户对新客立减补贴策略的敏感程度。商户的敏感程度越高，表明改变新客立减补贴策略对其拉新的影响越明显。
在本公开的一个实施例中，通过以下方式从多个样本商户的商户画像得到所述多个预定特征。首先，对于所述商户画像的多个特征中的每个特征，对多个样本商户在第t-2日的多个特征值求方差，将方差大于第一预设阈值的特征作为候选特征，其中，所述商户画像是根据订单数据、访问数据、评价数据、配送数据和商户基础数据中的至少一种数据得到的。然后，对于每个候选特征，计算所述多个样本商户在第t-2日的多个特征值与第t-1日的目标特征值的相关系数，将相关系数大于第二预设阈值的候选特征作为所述多个预定特征。
在本公开的一个实施例中，所述第一模型是使用所述多个商户的样本数据进行机器学习得到的。每个商户的样本数据包括该商户在第t-1日的目标特征值和该商户在第t-2日的所述多个预定特征的特征值。
在本公开的一个实施例中，所述第一模型是基于gbdt模型、逻辑回归模型和xgboost模型之一训练得到的。
在本公开的一个实施例中，针对多个商户中的每个商户，基于该商户的多个预定特征的第t日特征值，使用第一模型计算该商户的估计参数值包括增大所述第t日特征值中与所述策略有关的特征值得到第一假设特征值，减小所述与所述策略有关的特征值得到第二假设特征值，基于所述第一假设特征值和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第一假设结果，基于所述第二假设特征值和所述第t日特征值中除与所述策略有关的特征值之外的其他特征值，使用第一模型计算该商户的第二假设结果，基于所述第一假设结果、第二假设结果、第一假设特征值和第二假设特征值，计算该商户的估计参数值。
在本公开的一个实施例中，根据所述多个商户的估计参数值，确定每个商户的策略包括根据每个商户的估计参数值的大小，为每个商户确定相应的策略，例如相应的新客立减补贴数额。
在本公开的一个实施例中，根据每个商户的估计参数值的大小，为每个商户确定相应的新客立减补贴数额包括将所述多个商户按照估计参数值大小进行排序，将排序后的所述多个商户分组，针对每个商户分组确定相应的策略。
在本公开的一个实施例中，每个商户的所述多个预定特征中至少一个预定特征的特征值是该商户的订单数据、访问数据、评价数据和商户基础数据中的至少一种数据的多日平均值。
图7示出根据本公开一实施方式适于用来实现确定用于商户的策略的方法的计算机系统的结构框图。
如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行上述方法。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施方式，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行上述方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。
附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
- 还没有人留言评论。精彩留言会获得点赞！