[发明专利]一种构建电子券敏感度识别模型的方法和装置

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种构建电子券敏感度识别模型的方法和装置。

背景技术

在市场营销中，经常需要通过各种促销方式来刺激用户的消费心理，比如买一赠一、满减、折扣、直降、团购、发放电子券等各种促销方式。在电商领域，电子券是一种常见的营销手段，通过电子券的发放，可以提升用户的活跃度，维护健康、稳固的用户群体，还可以促进特定品类商品的销售。虽然发放电子券会带来经济效益，但同时也要承担一定的成本，为了节约成本，就需要做到电子券的精准投放，这样可以在最大限度节约成本的同时创造收益价值。

在实现本发明过程中，发明人发现现有技术中并没有一种有效确定电子券投放条件的方法，通常仅仅以用户的消费额度或消费频率作为条件进行电子券的投放，难以满足精确投放的需求，不利于商家的成本控制，且难以达到预期效果。

发明内容

有鉴于此，本发明实施例提供一种构建电子券敏感度识别模型的方法和装置，能够准确地建立电子券敏感度识别模型，以更加精确地判断用户对电子券的敏感度，从而降低商家成本并提高电子券的使用效果。

为实现上述目的，根据本发明实施例的一个方面，提供了一种构建电子券敏感度识别模型的方法，包括：

根据电子券的应用场景获取用户样本数据；

根据电子券的电子券信息对电子券进行归类以得到电子券种类；

根据电子券的应用场景确定行为特征；

根据所述用户样本数据、电子券种类和行为特征训练电子券敏感度识别模型。

可选的，根据所述用户样本数据、电子券种类和行为特征训练电子券敏感度识别模型的步骤包括：

从所述用户样本数据中选取出训练集；

根据所述训练集、电子券种类和行为特征，使用有监督的分类算法训练所述电子券敏感度识别模型。

可选的，所述方法还包括：

在根据所述训练集、电子券种类和行为特征，使用有监督的分类算法训练所述电子券敏感度识别模型的步骤后，

从除所述训练集外的所述用户样本数据中选取出验证集，使用所述电子券敏感度识别模型对所述验证集进行预测，判断预测结果是否达到预期要求；

若达到，则保存所述电子券敏感度识别模型；若未达到，则选择新的行为特征，以及根据所述新的行为特征重新训练所述电子券敏感度识别模型。

可选的，所述有监督的分类算法包括K-近邻算法、决策树算法、朴素贝叶斯算法、Logistic回归算法、SVM算法或AdaBoost元算法中的至少一种。

可选的，所述有监督的分类算法为梯度迭代决策树算法。

可选的，所述方法还包括：

在根据电子券的应用场景获取用户样本数据的步骤后，

根据所述用户样本数据中用户对电子券的使用情况，在所述用户样本数据中添加用户的电子券使用标记。

可选的，所述电子券信息包括面额、限额或折扣率中的至少一种。

为实现上述目的，根据本发明实施例的另一个方面，提供了一种构建电子券敏感度识别模型的装置，包括：

样本选取模块，用于根据电子券的应用场景获取用户样本数据；

电子券归类模块，用于根据电子券的电子券信息对电子券进行归类以得到电子券种类；

特征确定模块，用于根据电子券的应用场景确定行为特征；

训练模块，根据所述用户样本数据、电子券种类和行为特征训练电子券敏感度识别模型。

可选的，所述训练模块还用于：

从所述用户样本数据中选取出训练集；

根据所述训练集、电子券种类和行为特征，使用有监督的分类算法训练所述电子券敏感度识别模型。

可选的，所述装置还包括：

效果评估模块，用于从除所述训练集外的所述用户样本数据中选取出验证集，使用所述电子券敏感度识别模型对所述验证集进行预测，判断预测结果是否达到预期要求；若达到，则保存所述电子券敏感度识别模型；若未达到，则选择新的行为特征，以及根据所述新的行为特征重新训练所述电子券敏感度识别模型。

可选的，所述有监督的分类算法包括K-近邻算法、决策树算法、朴素贝叶斯算法、Logistic回归算法、SVM算法或AdaBoost元算法中的至少一种。

可选的，所述有监督的分类算法为梯度迭代决策树算法。

可选的，所述装置还包括：