一种基于用户智能推荐算法的发劵方法与流程

1.本发明涉及sass平台发劵技术领域，尤其涉及一种基于用户智能推荐算法的批量发劵方法。


背景技术：

2.当前主流的基于互联网应用的发券技术构架，主要前端接受发券请求，进行相应的业务规则校验，生成发券任务，即时返回相应的券码，然后异步的进行后续发券任务的处理。这样的方案，可以保证较高的请求并发性能，提供持续且平稳的发券服务。
3.传统发券方案，在技术选型上，通常采用基于springboot/spring cloud的开源框架, mysql数据库系统，mybatis数据存储框架，redis缓存框架，rocketmq消息队列实现。
4.基于上面的传统发券技术方案，虽然可以实现正常的发券业务场景。但在营销节日几千个商家同时对几亿用户群体的几十亿级营销发券需求就无法实现即时到账。例如双11、520等营销活动日，都需要在很短时间内发出几十亿的优惠券。商家需要实时把券发送到客户手中，方便用户进行消费。不确定的、突发性的，大量发券任务叠加也会影响实时业务场景的发券速度。
5.概括来说，上面传统方案，存在如下两个缺点：1.当插入了大批量发券任务，任务混在一起，则影响了实时性发券的到帐速度；2.对于大批量的发券任务，不能实现根据用户的近期消费行为、活跃度、其他标签等信息来选择优先投放目标的发券效果。


技术实现要素：

6.本发明要解决的技术问题是克服现有技术存在的缺陷，本发明提出了一种能够依据用户活跃度对应发劵优先级的基于用户智能推荐算法的批量发劵方法。
7.为解决上述技术问题，本发明采用的技术方案是：一种基于用户智能推荐算法的发劵方法包括如下步骤：s1、发劵上游依据不同使用场景对卡劵进行打标分类，所述使用场景包括实时性特定用户发劵场景与大批量海量用户发劵场景；s2、通过大数据平台构建用户活跃预测模型，模型相关因素包括用户卡劵消费偏好、近一个月活跃度与消费频次，设置每个因素权重值为0～1的浮点数，模型权重值为所有因素权重值之和；s3、对实时性特定用户的发劵场景通过实时任务队列实时发劵，对大批量海量用户发劵场景依据每一用户模型权重值大小对应选择不同批量任务队列，每一任务队列下游服务器单独部署。
8.进一步的，所述s3中批量任务队列包括优先批量任务队列与普通批量任务队列。
9.进一步的，所述s3中任务队列选择依据如下，所述用户活跃预测模型统计前三天内所有用户核销优惠券权数量，对数量大于等于2的用户进行统计并求平均值为,对数量大于等于1且小于2的用户进行统计并求平均值为,当模型权重值时，进入到实时队列优先发送；当模型权重值时，进入优先批量任务队列发送；当模型权重值时，进入普通批量任务队列发送。
10.进一步的，所述s3中每一任务队列下游服务器单独部署。
11.进一步的，所述批量任务队列能够依据不同大批量场景对应扩容。
12.与现有技术相比，本发明的有益效果包括：1.同一套发券服务可满足实时场景和千万级到亿级的批量场景的发券需求，系统可以稳定运行，并在批量发券中，会把根据用户活跃度和行为标签信息智能选择优先投放目标用户；2.较少的部署运行就可以满足日常的实时发券场景需求，如果有大批量的发券任务，则会自动扩容处理批量发券服务，能实现发券场景的动态自适应。
附图说明
13.参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制。在附图中，相同的附图标记用于指代相同的部件。其中：图1示意性显示了根据本发明一个实施方式提出的总体流程示意图。
具体实施方式
14.容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
15.根据本发明的一实施方式结合图1示出。
16.在本实施例中，本方案基于“冷热分离、智能推荐、目标匹配、灵活高效”的原则，同一个发券服务，从接收用户按活跃度、按用户近期消费行为、按用户标签信息等进行分层投递、发券任务同时进行冷热隔离处理这两个方面进行优化，解决传统发券技术存在的缺陷，对正常的业务场景也不受到影响，也能实现价值用户优先投放的目标。
17.按如下三个方面在技术架构实现方法上进行具体的优化处理，具体如图1所示，用户活跃预测模型借助于大数据平台，对用户的卡券消费偏好、最近一个月活跃情况、消费频次来综合预测用户新的活跃模型，以便在投放时进行用户智能推荐和筛选。每个选项的权重值为0-1的浮点数。卡券的消费偏好为f(x),最近一个月活跃度为f(y),消费频次为f(z)。用户活
跃度预测权重值为s,s值在0-3之间的浮点权重。
18.s=f(x)+f(y)+f(z)s的权重值越大说明这个客户越有可能对券感兴趣，会拉动消费频率，需要优先发放，s的权重值越小说明券对用过的意义并不大可以在普通队列发放。
19.投递目标用户的智能推荐和筛选上游业务在发券时，会根据业务场景对发券请求进行打标分类，标识出实时性特定用户的发券场景和大批量海量用户的发券场景。卡券中心在接收到发券请求时，根据请求标识，如果是实时性发券业务，则投放到实时任务队列。如果是大批量的海量用户发券任务，则请求用户中心和大数据平台，根据用户近期消费行为，活跃度，价值标签等维度构建的活跃预测模型，来获取智能推荐的优先目标用户人群，再根据这些信息，选择投放到优先批量任务队列，还是投放到普通批量任务队列。
20.整体模型对任务队列选择判读依据如下：用户活跃预测模型统计前三天内所有用户核销优惠券权数量，对数量大于等于2的用户进行统计并求平均值为,对数量大于等于1且小于2的用户进行统计并求平均值为,计算公式如下，当模型权重值时，进入到实时队列优先发送；当模型权重值时，进入优先批量任务队列发送；当模型权重值时，进入普通批量任务队列发送。
21.冷热任务隔离把发券任务队列由一个队列分成3个队列，一个为实时任务队列，一个为优先批量任务队列，一个为普通批量任务队列。每个队列，对应一组独立部署的处理服务，当发券任务到达时，3组处理服务互不影响。
22.实时任务队列，用于实时业务场景的发券，这种发券任务通常比较平稳，任务数量也相对有限，任务一旦到达，就能立即消费处理，实时性很高。
23.优先批量任务队列，用以接受千万级的大批量任务，但是这个队列，只保存相应数量较少，用户活跃度最高，价值最高的那些用户，由于数量相对有限，任务处理也相对较快。
24.普通批量任务列表，用于处理大量的非推荐目标的用户，允许任务堆积，正常处理即可，对发券的实时性没有过高要求。
25.本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。


技术特征：
1.一种基于用户智能推荐算法的批量发劵方法，其特征在于包括如下步骤：s1、发劵上游依据不同使用场景对卡劵进行打标分类，所述使用场景包括实时性特定用户发劵场景与大批量海量用户发劵场景；s2、通过大数据平台构建用户活跃预测模型，模型相关因素包括用户卡劵消费偏好、近一个月活跃度与消费频次，设置每个因素权重值为0～1的浮点数，模型权重值为所有因素权重值之和；s3、对实时性特定用户的发劵场景通过实时任务队列实时发劵，对大批量海量用户发劵场景依据每一用户模型权重值大小对应选择不同批量任务队列。2.根据权利要求1所述的一种基于用户智能推荐算法的批量发劵方法，其特征在于：所述s3中批量任务队列包括优先批量任务队列与普通批量任务队列。3.根据权利要求1所述的一种基于用户智能推荐算法的批量发劵方法，其特征在于：所述s3中任务队列选择依据如下，所述用户活跃预测模型统计前三天内所有用户核销优惠券权数量，对数量大于等于2的用户进行统计并求平均值为,对数量大于等于1且小于2的用户进行统计并求平均值为,当模型权重值时，进入到实时队列优先发送；当模型权重值时，进入优先批量任务队列发送；当模型权重值时，进入普通批量任务队列发送。4.根据权利要求1所述的一种基于用户智能推荐算法的批量发劵方法，其特征在于：所述s3中每一任务队列下游服务器单独部署。5.根据权利要求1所述的一种基于用户智能推荐算法的批量发劵方法，其特征在于：所述批量任务队列能够依据不同大批量场景对应扩容。

技术总结
本发明提出了一种基于用户智能推荐算法的批量发劵方法，解决了常规发劵方式在对大批量发劵场景下，发劵效率低，难以满足用户需求等问题，其主要技术方案包括：S1、发劵上游依据不同使用场景对卡劵进行打标分类，所述使用场景包括实时性特定用户发劵场景与大批量海量用户发劵场景；S2、通过大数据平台构建用户活跃预测模型，模型相关因素包括用户卡劵消费偏好、近一个月活跃度与消费频次，设置每个因素权重值为0～1的浮点数，模型权重值为所有因素权重值之和；S3、对实时性特定用户的发劵场景通过实时任务队列实时发劵，对大批量海量用户发劵场景依据每一用户模型权重值大小对应选择不同批量任务队列。择不同批量任务队列。择不同批量任务队列。


技术研发人员：王友运
受保护的技术使用者：企迈科技有限公司
技术研发日：2022.08.08
技术公布日：2022/10/13