基于用户匹配度的团实例对象获取方法及装置与流程

本发明涉及数据处理技术领域，具体涉及一种基于用户匹配度的团实例对象获取方法及装置。

背景技术：

随着科技及社会的不断发展，团购以其性价比高的特性越来越受到人们的青睐。目前，各平台在为用户投放拼团信息时，通常采用的是无差别的投放方式，即将同一拼团信息无差别地推送给所有平台用户。

然而，发明人在实施过程中发现，现有技术中存在如下缺陷：采用现有技术中的拼团信息投放方式，会使得投放的拼团信息与用户不匹配，从而不仅造成投放资源的浪费，还进一步地降低用户体验。

技术实现要素：

鉴于上述问题，提出了本发明实施例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基于用户匹配度的团实例对象获取方法及装置。

根据本发明实施例的一个方面，提供了一种基于用户匹配度的团实例对象获取方法，包括：

从目标用户的用户属性数据中提取出所述目标用户的用户特征；获取当前状态为运行状态的至少一个团实例对象的团实例数据，并从所述团实例数据中提取出所述至少一个团实例对象的团实例特征；将所述目标用户的用户特征以及任一团实例对象的团实例特征输入至预先训练好的机器学习模型中；其中，所述预先训练好的机器学习模型为基于多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据训练获得；获取所述机器学习模型输出的所述目标用户与任一团实例对象的匹配度；根据所述匹配度获取与所述目标用户匹配的团实例对象。

可选的，所述用户属性数据包括以下数据中的至少一种：基本属性数据、偏好属性数据、消费能力属性数据、以及参团次数属性数据。

可选的，所述团实例数据包括以下数据中的至少一种：优惠程度数据、团人数数据、以及成团率数据。

可选的，所述多个历史用户与多个历史团实例对象的交互数据包括以下数据中的至少一种：用户对团实例对象的参与行为数据、用户对参与的团实例对象的成团结果数据、用户对成团成功的团实例对象的消费数据、以及用户对未参与的团实例对象对应的商品的收藏行为数据。

可选的，在所述将所述目标用户的用户特征以及任一团实例对象的团实例特征输入至预先训练好的机器学习模型中之前，所述方法还包括：从多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据中提取出多个历史用户的用户特征、多个历史团实例对象的团实例特征以及多个历史用户与多个历史团实例对象的交互特征；针对于任一历史用户与任一历史团实例对象的组合，根据该历史用户的用户特征，该历史团实例对象的团实例特征，以及该历史用户与该历史团实例对象的交互特征，生成与该组合对应的样本数据；利用所述样本数据对生成的机器学习模型进行训练，以获得所述训练好的机器学习模型。

可选的，所述利用所述样本数据对构建的机器学习模型进行训练，以获得所述训练好的机器学习模型进一步包括：基于所述样本数据，生成正样本数据以及负样本数据；其中，所述正样本数据与所述负样本数据的比例满足预设比例；利用所述正样本数据以及负样本数据对构建的机器学习模型进行训练，以获得所述训练好的机器学习模型。

可选的，在所述针对于任一历史用户与任一历史团实例对象的组合，根据该历史用户的用户特征，该历史团实例对象的团实例特征，以及该历史用户与该历史团实例对象的交互特征，生成与该组合对应的样本数据之前，所述方法还包括：获取历史用户集合以及历史团实例对象集合；其中，所述历史用户集合中的任一集合元素对应于一个历史用户，所述历史团实例对象集合中的任一集合元素对应于一个历史团实例对象；将所述历史用户集合与所述历史团实例对象集合进行笛卡尔积运算，并获得笛卡尔集合；根据所述笛卡尔集合获取任一历史用户与任一历史团实例对象的组合；其中，所述笛卡尔集合中的任一集合元素对应于一个历史用户与一个历史团实例对象的组合。

可选的，在所述获取所述机器学习模型输出的所述目标用户与任一团实例对象的匹配度之后，所述方法还包括：计算所述任一团实例对象的成团成功率；利用所述任一团实例对象的成团成功率，对所述目标用户与任一团实例对象的匹配度进行修正，以获得所述目标用户与任一团实例对象的匹配度修正值；则所述根据所述匹配度获取与所述用户匹配的团实例对象进一步包括：根据所述目标用户与任一团实例对象的匹配度修正值，获取与所述目标用户匹配的团实例对象。

可选的，所述计算所述任一团实例对象的成团成功率进一步包括：获取任一团实例对象的成团目标人数以及当前参团人数；根据所述任一团实例对象的成团目标人数以及当前参团人数，计算所述任一团实例对象的成团成功率。

可选的，所述根据所述匹配度获取与所述用户匹配的团实例对象进一步包括：根据所述匹配度，对所述至少一个团实例对象进行排序；根据排序结果，获取与所述目标用户匹配的团实例对象。

可选的，所述获取当前状态为运行状态的至少一个团实例对象的团实例数据进一步包括：根据所述目标用户的用户属性数据，获取与所述目标用户匹配的至少一个商品的商品信息；获取与所述商品信息对应的当前状态为运行状态的至少一个团实例对象的团实例数据。

可选的，在所述根据所述匹配度获取与所述目标用户匹配的团实例对象之后，所述方法还包括：在所述目标用户的用户终端投放所述团实例对象。

根据本发明实施例的另一个方面，提供了一种基于用户匹配度的团实例对象获取装置，包括：用户特征提取模块，适于从目标用户的用户属性数据中提取出所述目标用户的用户特征；团实例数据获取模块，适于获取当前状态为运行状态的至少一个团实例对象的团实例数据；团实例特征提取模块，适于从所述团实例数据中提取出所述至少一个团实例对象的团实例特征；输入模块，适于将所述目标用户的用户特征以及任一团实例对象的团实例特征输入至预先训练好的机器学习模型中；其中，所述预先训练好的机器学习模型为基于多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据训练获得；匹配度获取模块，适于获取所述机器学习模型输出的所述目标用户与任一团实例对象的匹配度；团实例对象获取模块，适于根据所述匹配度获取与所述目标用户匹配的团实例对象。

可选的，所述用户属性数据包括以下数据中的至少一种：基本属性数据、偏好属性数据、消费能力属性数据、以及参团次数属性数据。

可选的，所述团实例数据包括以下数据中的至少一种：优惠程度数据、团人数数据、以及成团率数据。

可选的，所述多个历史用户与多个历史团实例对象的交互数据包括以下数据中的至少一种：用户对团实例对象的参与行为数据、用户对参与的团实例对象的成团结果数据、用户对成团成功的团实例对象的消费数据、以及用户对未参与的团实例对象对应的商品的收藏行为数据。

可选的，所述装置还包括：历史特征提取模块，适于从多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据中提取出多个历史用户的用户特征、多个历史团实例对象的团实例特征以及多个历史用户与多个历史团实例对象的交互特征；样本数据生成模块，适于针对于任一历史用户与任一历史团实例对象的组合，根据该历史用户的用户特征，该历史团实例对象的团实例特征，以及该历史用户与该历史团实例对象的交互特征，生成与该组合对应的样本数据；训练模块，适于利用所述样本数据对生成的机器学习模型进行训练，以获得所述训练好的机器学习模型。

可选的，所述训练模块进一步适于：基于所述样本数据，生成正样本数据以及负样本数据；其中，所述正样本数据与所述负样本数据的比例满足预设比例；利用所述正样本数据以及负样本数据对构建的机器学习模型进行训练，以获得所述训练好的机器学习模型。

可选的，所述装置还包括：笛卡尔运算模块，适于获取历史用户集合以及历史团实例对象集合；其中，所述历史用户集合中的任一集合元素对应于一个历史用户，所述历史团实例对象集合中的任一集合元素对应于一个历史团实例对象；将所述历史用户集合与所述历史团实例对象集合进行笛卡尔积运算，并获得笛卡尔集合；根据所述笛卡尔集合获取任一历史用户与任一历史团实例对象的组合；其中，所述笛卡尔集合中的任一集合元素对应于一个历史用户与一个历史团实例对象的组合。

可选的，所述装置还包括：修正模块，适于计算所述任一团实例对象的成团成功率；利用所述任一团实例对象的成团成功率，对所述目标用户与任一团实例对象的匹配度进行修正，以获得所述目标用户与任一团实例对象的匹配度修正值；则所述团实例对象获取模块进一步适于：根据所述目标用户与任一团实例对象的匹配度修正值，获取与所述目标用户匹配的团实例对象。

可选的，所述修正模块进一步适于：获取任一团实例对象的成团目标人数以及当前参团人数；根据所述任一团实例对象的成团目标人数以及当前参团人数，计算所述任一团实例对象的成团成功率。

可选的，所述装置还包括：排序模块，适于根据所述匹配度，对所述至少一个团实例对象进行排序；所述团实例对象获取模块进一步适于：根据排序结果，获取与所述目标用户匹配的团实例对象。

可选的，所述团实例数据获取模块进一步适于：根据所述目标用户的用户属性数据，获取与所述目标用户匹配的至少一个商品的商品信息；获取与所述商品信息对应的当前状态为运行状态的至少一个团实例对象的团实例数据。

可选的，所述装置还包括：投放模块，适于在所述目标用户的用户终端投放所述团实例对象。

根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于用户匹配度的团实例对象获取方法对应的操作。

根据本发明实施例的再又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行上述基于用户匹配度的团实例对象获取方法对应的操作。

根据本发明实施例提供的基于用户匹配度的团实例对象获取方法及装置，提取出目标用户的用户特征以及提取团实例对象的团实例特征；并将目标用户的用户特征以及任一团实例对象的团实例特征输入至预先训练好的机器学习模型中；其中，预先训练好的机器学习模型为基于多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据训练获得；获取机器学习模型输出的目标用户与任一团实例对象的匹配度；根据匹配度获取与目标用户匹配的团实例对象。本方案能够准确地获取与目标用户对应的团实例对象，便于实现团实例对象的精准化投放，从而节约投放资源，提升用户体验。

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基于用户匹配度的团实例对象获取方法的流程示意图；

图2示出了本发明实施例二提供的基于用户匹配度的团实例对象获取方法的流程示意图；

图3示出了本发明实施例三提供的基于用户匹配度的团实例对象获取方法的流程示意图；

图4示出了本发明实施例四提供的基于用户匹配度的团实例对象获取装置的结构示意图；

图5示出了本发明实施例六提供的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明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发明，并且能够将本发明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基于用户匹配度的团实例对象获取方法的流程示意图。其中，本实施例所提供的团实例对象获取方法能够应用于多种行业的服务平台中，例如，可应用于本地生活服务平台、线上电子商务平台、以及外卖平台等等。具体地，本实施例所提供的团实例对象获取方法能够由具有相应计算能力的计算设备执行，本实施例对计算设备的具体类型等不作限定。

如图1所示，该方法包括：

步骤s110：从目标用户的用户属性数据中提取出目标用户的用户特征。

为了能够为用户投放相匹配的团实例对象，本实施例获取有目标用户的用户属性数据。其中，用户属性数据包括以下数据中的至少一种：基本属性数据、偏好属性数据、消费能力属性数据、以及参团次数属性数据。具体地，该基本属性数据可以包括年龄、职业、和/或性别等数据，该基本属性数据可通过用户在注册平台时所输入的基本信息等获得；该偏好属性数据具体为反映用户偏好习惯的数据，该数据可由用户历史的消费及浏览数据获得，例如，根据用户历史消费最多的商品类目信息，确定用户的商品类目偏好等等；而消费能力属性数据可以包括用户历史的消费能力数据和/或用户当前的消费能力数据，其中用户历史的消费能力数据可根据用户历史的消费记录等数据获得，而用户当前的消费能力数据可根据用户在预设平台中的账户信息获得；另外，用户的参团次数属性数据可根据历史记录的用户参与拼团活动的次数信息获得。总之，本实施例对用户属性数据的具体获取方式等不作限定。

进一步地，在获取到目标用户的用户属性数据之后，从该用户属性数据中提取出目标用户的用户特征，该用户特征能够集中体现目标用户的相关特性。其中，本实施例对具体的特征提取方法不作限定。例如，若获取到的用户属性数据包含结构化数据，则可根据结构化数据表的相关属性信息，直接提取出目标用户特征，如从包含用户id及性别属性的数据表中，通过相关查询语句直接提取出目标用户的性别数据；若获取到的用户属性数据包含非结构化数据(如长文本数据等)，可首先对该非结构化数据进行分词处理，从而获得多个文本分词；并进一步地从该多个文本分词中提取出特征词，并将该特征词作为目标用户的用户特征。

步骤s120：获取当前状态为运行状态的至少一个团实例对象的团实例数据，并从团实例数据中提取出至少一个团实例对象的团实例特征。

本步骤中获取的团实例对象具体为当前处于运行状态的团实例对象。在具体实施过程中，可获取至少一个团实例对象的有效运行时间段以及当前时间，并判断任一团实例对象的有效运行时间段是否包含当前时间，若是，则获取该团实例对象的团实例数据。

具体地，团实例数据包括以下数据中的至少一种：优惠程度数据、团人数数据、以及成团率数据。其中，优惠程度数据进一步包含有团实例对象的优惠比例和/或优惠数额；团人数数据包括团实例对象所对应的目标参团人数(其中，当参团人数达到目标参团人数时，则表明成团)以及当前参团人数；成团率数据包括，当前该团实例对象所对应的成团比例。

进一步地，从获取到的团实例数据中提取出至少一个团实例对象的团实例特征，该团实例特征能够体现团实例对象的具体特性。其中，本实施例对具体的特征提取方式不作限定，例如，可参照步骤s110中相应部分的描述，本步骤在此不做赘述。

步骤s130，将目标用户的用户特征以及任一团实例对象的团实例特征输入至预先训练好的机器学习模型中；其中，预先训练好的机器学习模型为基于多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据训练获得。

本实施例中预先构建有机器学习模型，并利用获取到的历史数据对构建的机器学习模型进行训练，以获得训练好的机器学习模型。其中，该历史数据具体包括：多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据。可选的，多个历史用户与多个历史团实例对象的交互数据包括以下数据中的至少一种：用户对团实例对象的参与行为数据(该数据包括参与团实例对象或未参与团实例对象)、用户对参与的团实例对象的成团结果数据(该数据包括参与的团实例对象成团成功或参与的团实例对象成团失败)、用户对成团成功的团实例对象的消费数据(该数据包括对成团成功的团实例对象成功进行了消费，未成团成功的团实例对象成功未进行成功消费)、以及用户对未参与的团实例对象对应的商品的收藏行为数据(对未参与的团实例对象对应的商品具有收藏行为或对未参与的团实例对象对应的商品未具有收藏行为)。其中，用户对团实例对象的参与行为数据可以为该历史用户已参与该团实例对象，或者未参与该团实例对象；用户对参与的团实例对象的拼团结果数据可以用户对参与过的团实例对象进行了消费行为，或者未进行消费行为。

本实施例利用历史用户的用户属性数据、历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据来训练机器学习模型，使得机器学习模型能够获取不同的用户特征与团实例特征的组合所对应的参团成果，通过参团成果来准确地获取不同的用户对不同的团实例的偏好程度，进而能够准确地预测目标用户与任一团实例对象的匹配度。

在一种可选的实施方式中，当当前状态为运行状态的团实例对象数量较多时，为避免遗漏向机器学习模型输入的数据。本实施例中可生成当前团实例对象集合，并将包含目标用户的用户集合与该当前团实例对象集合进行笛卡尔积运算，从而获得笛卡尔集合，并根据生成的笛卡尔集合来确定出目标用户与任一团实例对象的组合，其中，该笛卡尔集合中的每个集合元素对应于目标用户与一个团实例对象的组合。采用该种方式，能够准确地获得目标用户与当前状态为运行状态的团实例对象的组合，从而避免遗漏向机器学习模型输入数据；并且，仅通过单次运算即可快速地确定目标用户与当前状态为运行状态的团实例对象的所有组合，从而能够有效提升目标用户与不同的团实例对象构成的组合的获取效率，有利于本方法整体实施效率的提升。

步骤s140，获取机器学习模型输出的目标用户与任一团实例对象的匹配度。

通过机器学习模型能够准确地获得目标用户与任一团实例对象的匹配度。其中，目标用户与团实例对象的匹配度越高，则表明该目标用户对该团实例对象的偏好程度越高，进而该目标用户越易参与或消费该团实例对象。

步骤s150，根据匹配度获取与目标用户匹配的团实例对象。

在获取了目标用户与任一团实例对象的匹配度之后，可进一步地基于获取到的匹配度确定与目标用户匹配的团实例对象。例如，可根据匹配度，对至少一个团实例对象进行排序，根据排序结果，获取与目标用户匹配的团实例对象(例如，将排序位列前n位的团实例对象作为与目标用户匹配的团实例对象)；又或者，将匹配度大于预设匹配度的团实例对象作为与目标用户匹配的团实例对象。

可选的，在根据匹配度获取与目标用户匹配的团实例对象之后，可进一步地在目标用户的用户终端投放该团实例对象，本实施例对具体的投放形式不作限定。

由此可见，本实施例中利用历史数据，具体是利用历史用户的用户属性数据、历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据来训练机器学习模型，从而使得训练好的机器学习模型能够精准地获得目标用户与团实例对象的匹配度；进而根据匹配度来确定与目标用户相匹配的团实例对象，从而便于实现团实例对象的精准化投放，并且，避免了现有技术中将用户不感兴趣的团实例对象投放给用户所带来的用户体验下降及系统传输等投放资源浪费的弊端，进而有利于用户体验的提升及节约投放资源。

实施例二

图2示出了本发明实施例二提供的基于用户匹配度的团实例对象获取方法的流程示意图。其中，本实施例所提供的团实例对象获取方法是针对于实施例一中团实例对象获取方法的进一步优化。

如图2所示，该方法包括：

步骤s210：生成机器学习模型。

其中，本实施例对机器学习模型的具体类型等不作限定。例如，可采用多神经网络层的机器学习模型，该机器学习模型中包含有输入层、至少一层全连接层以及输出层。其中，输入层用户接收输入数据，全连接层用户对接收到的输入数据进行处理，输出层用于输出结果。

步骤s220：根据多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据，生成样本数据。

本实施例中，具体是利用历史数据，即根据多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据，来生成相应的样本数据。

具体地，首先获取多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据。其中，本实施例对历史数据的获取方式不作限定。

进一步地，从上述获取到的历史数据中提取出多个历史用户的用户特征、多个历史团实例对象的团实例特征以及多个历史用户与多个历史团实例对象的交互特征。其中，本实施例对具体的提取方式可参照实施例一中相应部分的描述，本实施例在此不做赘述。在一种可选的实施方式中，为了便于后续对机器学习模型的训练，本实施例中提取出的交互特征具体为不同的交互程度标识，例如，标识2对应于用户对成团成功的团实例对象成功进行了消费，其表明用户对该团实例对象的偏好程度最高；标识1对应于用户对成团成功的团实例对象未成功消费、或者用户参与的团实例对象未成功成团、又或者用户收藏有团实例对象对应的商品，其表明用户对该团实例对象的偏好程度较高；标识0对应于用户未参与团实例对象，以及未收藏有团实例对象对应的商品，其表明用户对该团实例对象的偏好程度最弱。

再进一步地，针对于任一历史用户与任一历史团实例对象的组合，根据该历史用户的用户特征，该历史团实例对象的团实例特征，以及该历史用户与该历史团实例对象的交互特征，生成与该组合对应的样本数据。即本实施例中一个历史用户与一个历史团实例对象的组合对应于一条样本数据，该样本数据中包含该历史用户的用户特征，该历史团实例对象的团实例特征以及该历史用户与该历史团实例对象的交互特征。

在一种可选的实施方式中，为了提升机器学习模型的预测精度，可采用大量样本数据对该机器学习模型进行训练。在利用大量样本数据进行模型训练时，需先确定大量的历史用户与历史团实例对象的组合。本实施例中，可获取历史用户集合以及历史团实例对象集合；其中，历史用户集合中的任一集合元素对应于一个历史用户，历史团实例对象集合中的任一集合元素对应于一个历史团实例对象；将历史用户集合与历史团实例对象集合进行笛卡尔积运算，并获得笛卡尔集合；根据笛卡尔集合获取历史用户与历史团实例对象的组合；其中，笛卡尔集合中的任一集合元素对应于一个历史用户与一个历史团实例对象的组合。采用该种实施方式，能够从大量的数据中快速且准确地获得历史用户与历史团实例对象的组合，从而提升本方法的执行效率。

在一种可选的实施方式中，在生成与各个历史用户及历史团实例对象组合对应的样本数据之后，可进一步地对获得的样本数据进行样本平衡处理。具体地，在实际的实施过程中，由于不同的历史团实例对象投放的用户数量存在较大差别(如历史团实例对象a投放的用户数量为100000个，而历史团实例对象b投放的用户数量为100个)，从而导致生成的样本数据中，不同的历史团实例对象对应的样本数据量存在较大差别，从而易导致后续的机器学习模型对不同的历史团实例对象的预测精度存在较大差别，尤其易导致对小容量样本数据的历史团实例对象的预测精度较低的弊端。本实施例为避免该弊端，对获得的样本数据进行样本平衡处理。即针对于大样本数据的历史团实例对象，采用较低的采样频率进行采样；而针对于小样本数据的历史团实例对象，采用较高采样频率进行采样，从而使得平衡处理之后的样本数据中，不同的历史团实例对象对应的样本数据量相同或相差较少。

其中，本实施例对步骤s210与步骤s220的执行顺序不做限定，两者可并行或依次顺序执行。

步骤s230：利用样本数据对生成的机器学习模型进行训练，以获得训练好的机器学习模型。

具体地，可基于样本数据，生成正样本数据以及负样本数据；其中，正样本数据与负样本数据的比例满足预设比例(如正样本数据与负样本数据的比例为3：1)；进而利用正样本数据以及负样本数据对构建的机器学习模型进行训练，以获得训练好的机器学习模型。

其中，本实施例对具体的机器学习模型训练方法不作限定。例如，可采用xgboost(extremegradientboosting，极端梯度提升)算法，或者randomforeast(随机森林)算法来进行机器学习模型的训练等等。

步骤s240：从目标用户的用户属性数据中提取出目标用户的用户特征。

步骤s250：获取当前状态为运行状态的至少一个团实例对象的团实例数据，并从团实例数据中提取出至少一个团实例对象的团实例特征。

步骤s260：将目标用户的用户特征以及任一团实例对象的团实例特征输入至预先训练好的机器学习模型中。

步骤s270：获取机器学习模型输出的目标用户与任一团实例对象的匹配度，根据匹配度获取与目标用户匹配的团实例对象。

其中，步骤s240-s270的具体实施过程可参照实施例一中相应部分的描述，本实施例在此不做赘述。

由此可见，本实施例利用历史用户的用户属性数据、历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据来训练机器学习模型，使得机器学习模型能够获取不同的用户特征与团实例特征的组合所对应的参团成果，通过参团成果来准确地获取不同的用户对不同的团实例的偏好程度，进而能够准确地预测目标用户与任一团实例对象的匹配度；而且，本实施例在对样本数据处理过程中，采用笛卡尔积的运算方式，能够快速准确地确定出各个历史用户与各个历史团实例对象的组合，从而有利于本方法执行效率的提升；再者，本实施例通过样本数据的平衡处理，进一步地保障了机器学习模型对不同的团实例对象的预测精度的一致性。

实施例三

图3示出了本发明实施例三提供的基于用户匹配度的团实例对象获取方法的流程示意图。其中，本实施例所提供的团实例对象获取方法是针对于实施例一和/或实施例二中团实例对象获取方法的进一步优化。

如图3所示，该方法包括：

步骤s310：从目标用户的用户属性数据中提取出目标用户的用户特征。

步骤s320：获取当前状态为运行状态的至少一个团实例对象的团实例数据，并从团实例数据中提取出至少一个团实例对象的团实例特征。

在一种可选的实施方式中，可根据目标用户的用户属性数据，获取与目标用户匹配的至少一个商品的商品信息；进而获取与商品信息对应的当前状态为运行状态的至少一个团实例对象的团实例数据。从而本实施例仅获取用户感兴趣的商品的团实例对象的团实例数据，从而减少后续步骤的数据处理量，进而避免系统资源的浪费；并且使得最终获得的与目标用户匹配的团实例对象与目标用户的实际偏好程度相对应。

步骤s330：将目标用户的用户特征以及任一团实例对象的团实例特征输入至预先训练好的机器学习模型中。

其中，预先训练好的机器学习模型为基于多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据训练获得。

步骤s340：获取机器学习模型输出的目标用户与任一团实例对象的匹配度。

其中，步骤s310-步骤s320的具体实施过程可参照实施例一中相应部分的描述，本实施例在此不做赘述。

步骤s350：计算任一团实例对象的成团成功率，并利用任一团实例对象的成团成功率，对目标用户与任一团实例对象的匹配度进行修正，以获得目标用户与任一团实例对象的匹配度修正值。

本实施例在获得机器学习模型输出的目标用户与任一团实例对象的匹配度之后，为进一步地提升最终确定的团实例对象与目标用户的实际匹配程度，通过本步骤对目标用户与任一团实例对象的匹配度进行修正。

在具体的修正过程中，首先计算任一团实例对象的成团成功率。其中，计算任一团实例对象的成团成功率具体为：获取任一团实例对象的成团目标人数以及当前参团人数；根据任一团实例对象的成团目标人数以及当前参团人数，计算任一团实例对象的成团成功率，例如可根据成团目标人数以及当前参团人数的差值与成团目标人数的比值计算团实例对象的成团成功率等等，该比值越高成团成功率越低。

进一步地，利用任一团实例对象的成团成功率，对目标用户与任一团实例对象的匹配度进行修正，以获得目标用户与任一团实例对象的匹配度修正值。其中，目标用户与任一团实例对象的匹配度修正值正相关于团实例对象的成团成功率。例如，可采用如下公式计算目标用户与任一团实例对象的匹配度修正值：

其中，p′为匹配度修正值；p为修正前的匹配度；α为成团目标人数与当前参团人数的差值与成团目标人数的比值。

步骤s360：根据目标用户与任一团实例对象的匹配度修正值，获取与目标用户匹配的团实例对象。

由此可见，本实施例在获得机器学习模型输出的目标用户与任一团实例对象的匹配度之后，进一步地对目标用户与任一团实例对象的匹配度进行修正，从而使得修正后的匹配度能够更加真实地反映目标用户对团实例对象的偏好程度，并有利于成团率的提升；此外，本实施例中获取的目标用户对应的团实例对象为用户感兴趣的商品的团实例对象，从而在减少本方法计算量的同时，还能够有效节约系统资源，并使得最终获得的团实例对象与目标用户的实际偏好程度相匹配。

实施例四

图4示出了本发明实施例四提供的基于用户匹配度的团实例对象获取装置的结构示意图。如图4所示，该装置包括：用户特征提取模块41，团实例数据获取模块42，团实例特征提取模块43，输入模块44，匹配度获取模块45以及团实例对象获取模块46。

用户特征提取模块41，适于从目标用户的用户属性数据中提、取出所述目标用户的用户特征；团实例数据获取模块42，适于获取当前状态为运行状态的至少一个团实例对象的团实例数据；团实例特征提取模块43，适于从所述团实例数据中提取出所述至少一个团实例对象的团实例特征；输入模块44，适于将所述目标用户的用户特征以及任一团实例对象的团实例特征输入至预先训练好的机器学习模型中；其中，所述预先训练好的机器学习模型为基于多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据训练获得；匹配度获取模块45，适于获取所述机器学习模型输出的所述目标用户与任一团实例对象的匹配度；团实例对象获取模块46，适于根据所述匹配度获取与所述目标用户匹配的团实例对象。

可选的，所述用户属性数据包括以下数据中的至少一种：基本属性数据、偏好属性数据、消费能力属性数据、以及参团次数属性数据。

可选的，所述团实例数据包括以下数据中的至少一种：优惠程度数据、团人数数据、以及成团率数据。

可选的，所述多个历史用户与多个历史团实例对象的交互数据包括以下数据中的至少一种：用户对团实例对象的参与行为数据、用户对参与的团实例对象的成团结果数据、用户对成团成功的团实例对象的消费数据、以及用户对未参与的团实例对象对应的商品的收藏行为数据。

可选的，所述装置还包括：历史特征提取模块，适于从多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据中提取出多个历史用户的用户特征、多个历史团实例对象的团实例特征以及多个历史用户与多个历史团实例对象的交互特征；样本数据生成模块，适于针对于任一历史用户与任一历史团实例对象的组合，根据该历史用户的用户特征，该历史团实例对象的团实例特征，以及该历史用户与该历史团实例对象的交互特征，生成与该组合对应的样本数据；训练模块，适于利用所述样本数据对生成的机器学习模型进行训练，以获得所述训练好的机器学习模型。

可选的，所述训练模块进一步适于：基于所述样本数据，生成正样本数据以及负样本数据；其中，所述正样本数据与所述负样本数据的比例满足预设比例；利用所述正样本数据以及负样本数据对构建的机器学习模型进行训练，以获得所述训练好的机器学习模型。

可选的，所述装置还包括：笛卡尔运算模块，适于获取历史用户集合以及历史团实例对象集合；其中，所述历史用户集合中的任一集合元素对应于一个历史用户，所述历史团实例对象集合中的任一集合元素对应于一个历史团实例对象；将所述历史用户集合与所述历史团实例对象集合进行笛卡尔积运算，并获得笛卡尔集合；根据所述笛卡尔集合获取历史用户与历史团实例对象的组合；其中，所述笛卡尔集合中的任一集合元素对应于一个历史用户与一个历史团实例对象的组合。

可选的，所述装置还包括：修正模块，适于计算所述任一团实例对象的成团成功率；利用所述任一团实例对象的成团成功率，对所述目标用户与任一团实例对象的匹配度进行修正，以获得所述目标用户与任一团实例对象的匹配度修正值；

则所述团实例对象获取模块匹配进一步适于：根据所述目标用户与任一团实例对象的匹配度修正值，获取与所述目标用户匹配的团实例对象。

可选的，所述修正模块进一步适于：获取任一团实例对象的成团目标人数以及当前参团人数；

根据所述任一团实例对象的成团目标人数以及当前参团人数，计算所述任一团实例对象的成团成功率。

可选的，所述装置还包括：

排序模块，适于根据所述匹配度，对所述至少一个团实例对象进行排序；

所述团实例对象获取模块进一步适于：根据排序结果，获取与所述目标用户匹配的团实例对象。

可选的，所述团实例数据获取模块进一步适于：根据所述目标用户的用户属性数据，获取与所述目标用户匹配的至少一个商品的商品信息；获取与所述商品信息对应的当前状态为运行状态的至少一个团实例对象的团实例数据。

可选的，所述装置还包括：投放模块，适于在所述目标用户的用户终端投放所述团实例对象。

其中，本实施例中各模块的具体实施过程可参照相应方法实施例中的描述，本实施例在此不做赘述。

由此可见，本方案能够准确地获取与目标用户对应的团实例对象，便于实现团实例对象的精准化投放，从而节约投放资源，提升用户体验。

实施例五

本发明实施例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方法。

可执行指令具体可以用于使得处理器执行以下操作：从目标用户的用户属性数据中提取出所述目标用户的用户特征；获取当前状态为运行状态的至少一个团实例对象的团实例数据，并从所述团实例数据中提取出所述至少一个团实例对象的团实例特征；将所述目标用户的用户特征以及任一团实例对象的团实例特征输入至预先训练好的机器学习模型中；其中，所述预先训练好的机器学习模型为基于多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据训练获得；获取所述机器学习模型输出的所述目标用户与任一团实例对象的匹配度；根据所述匹配度获取与所述目标用户匹配的团实例对象。

在一种可选的实施方式中，所述用户属性数据包括以下数据中的至少一种：基本属性数据、偏好属性数据、消费能力属性数据、以及参团次数属性数据。

在一种可选的实施方式中，所述团实例数据包括以下数据中的至少一种：优惠程度数据、团人数数据、以及成团率数据。

在一种可选的实施方式中，所述多个历史用户与多个历史团实例对象的交互数据包括以下数据中的至少一种：用户对团实例对象的参与行为数据、用户对参与的团实例对象的成团结果数据、用户对成团成功的团实例对象的消费数据、以及用户对未参与的团实例对象对应的商品的收藏行为数据。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：从多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据中提取出多个历史用户的用户特征、多个历史团实例对象的团实例特征以及多个历史用户与多个历史团实例对象的交互特征；针对于任一历史用户与任一历史团实例对象的组合，根据该历史用户的用户特征，该历史团实例对象的团实例特征，以及该历史用户与该历史团实例对象的交互特征，生成与该组合对应的样本数据；利用所述样本数据对生成的机器学习模型进行训练，以获得所述训练好的机器学习模型。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：基于所述样本数据，生成正样本数据以及负样本数据；其中，所述正样本数据与所述负样本数据的比例满足预设比例；利用所述正样本数据以及负样本数据对构建的机器学习模型进行训练，以获得所述训练好的机器学习模型。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：获取历史用户集合以及历史团实例对象集合；其中，所述历史用户集合中的任一集合元素对应于一个历史用户，所述历史团实例对象集合中的任一集合元素对应于一个历史团实例对象；将所述历史用户集合与所述历史团实例对象集合进行笛卡尔积运算，并获得笛卡尔集合；根据所述笛卡尔集合获取任一历史用户与任一历史团实例对象的组合；其中，所述笛卡尔集合中的任一集合元素对应于一个历史用户与一个历史团实例对象的组合。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：计算所述任一团实例对象的成团成功率；利用所述任一团实例对象的成团成功率，对所述目标用户与任一团实例对象的匹配度进行修正，以获得所述目标用户与任一团实例对象的匹配度修正值；根据所述目标用户与任一团实例对象的匹配度修正值，获取与所述目标用户匹配的团实例对象。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：获取任一团实例对象的成团目标人数以及当前参团人数；根据所述任一团实例对象的成团目标人数以及当前参团人数，计算所述任一团实例对象的成团成功率。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：根据所述匹配度，对所述至少一个团实例对象进行排序；根据排序结果，获取与所述目标用户匹配的团实例对象。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：根据所述目标用户的用户属性数据，获取与所述目标用户匹配的至少一个商品的商品信息；获取与所述商品信息对应的当前状态为运行状态的至少一个团实例对象的团实例数据。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：在所述目标用户的用户终端投放所述团实例对象。

由此可见，本方案能够准确地获取与目标用户对应的团实例对象，便于实现团实例对象的精准化投放，从而节约投放资源，提升用户体验。

实施例六

图5示出了本发明实施例六提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图5所示，该计算设备可以包括：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。计算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：从目标用户的用户属性数据中提取出所述目标用户的用户特征；获取当前状态为运行状态的至少一个团实例对象的团实例数据，并从所述团实例数据中提取出所述至少一个团实例对象的团实例特征；将所述目标用户的用户特征以及任一团实例对象的团实例特征输入至预先训练好的机器学习模型中；其中，所述预先训练好的机器学习模型为基于多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据训练获得；获取所述机器学习模型输出的所述目标用户与任一团实例对象的匹配度；根据所述匹配度获取与所述目标用户匹配的团实例对象。

在一种可选的实施方式中，所述用户属性数据包括以下数据中的至少一种：基本属性数据、偏好属性数据、消费能力属性数据、以及参团次数属性数据。

在一种可选的实施方式中，所述团实例数据包括以下数据中的至少一种：优惠程度数据、团人数数据、以及成团率数据。

在一种可选的实施方式中，所述多个历史用户与多个历史团实例对象的交互数据包括以下数据中的至少一种：用户对团实例对象的参与行为数据、用户对参与的团实例对象的成团结果数据、用户对成团成功的团实例对象的消费数据、以及用户对未参与的团实例对象对应的商品的收藏行为数据。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：从多个历史用户的用户属性数据、预设历史时间段内状态为运行状态的多个历史团实例对象的团实例数据以及多个历史用户与多个历史团实例对象的交互数据中提取出多个历史用户的用户特征、多个历史团实例对象的团实例特征以及多个历史用户与多个历史团实例对象的交互特征；针对于任一历史用户与任一历史团实例对象的组合，根据该历史用户的用户特征，该历史团实例对象的团实例特征，以及该历史用户与该历史团实例对象的交互特征，生成与该组合对应的样本数据；利用所述样本数据对生成的机器学习模型进行训练，以获得所述训练好的机器学习模型。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：基于所述样本数据，生成正样本数据以及负样本数据；其中，所述正样本数据与所述负样本数据的比例满足预设比例；利用所述正样本数据以及负样本数据对构建的机器学习模型进行训练，以获得所述训练好的机器学习模型。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：获取历史用户集合以及历史团实例对象集合；其中，所述历史用户集合中的任一集合元素对应于一个历史用户，所述历史团实例对象集合中的任一集合元素对应于一个历史团实例对象；将所述历史用户集合与所述历史团实例对象集合进行笛卡尔积运算，并获得笛卡尔集合；根据所述笛卡尔集合获取任一历史用户与任一历史团实例对象的组合；其中，所述笛卡尔集合中的任一集合元素对应于一个历史用户与一个历史团实例对象的组合。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：计算所述任一团实例对象的成团成功率；利用所述任一团实例对象的成团成功率，对所述目标用户与任一团实例对象的匹配度进行修正，以获得所述目标用户与任一团实例对象的匹配度修正值；根据所述目标用户与任一团实例对象的匹配度修正值，获取与所述目标用户匹配的团实例对象。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：获取任一团实例对象的成团目标人数以及当前参团人数；根据所述任一团实例对象的成团目标人数以及当前参团人数，计算所述任一团实例对象的成团成功率。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：根据所述匹配度，对所述至少一个团实例对象进行排序；根据排序结果，获取与所述目标用户匹配的团实例对象。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：根据所述目标用户的用户属性数据，获取与所述目标用户匹配的至少一个商品的商品信息；获取与所述商品信息对应的当前状态为运行状态的至少一个团实例对象的团实例数据。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：在所述目标用户的用户终端投放所述团实例对象。

由此可见，本方案能够准确地获取与目标用户对应的团实例对象，便于实现团实例对象的精准化投放，从而节约投放资源，提升用户体验。

在此提供的算法或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，为了精简本发明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。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。