[发明专利]一种优惠券推送方法及装置

权利要求书

1.一种优惠券推送方法，其特征在于，包括：

根据目标用户的历史行为数据，确定所述目标用户的用户特征；

针对各待推送优惠券，根据所述目标用户的用户特征以及该待推送优惠券的优惠券特征，通过预先训练的模型，确定所述目标用户在对该待推送优惠券的不同使用情况下执行购买行为的概率；

根据所述概率以及该待推送优惠券的成本，确定将该待推送优惠券推送给所述目标用户的回报值；

根据针对各待推送优惠券分别确定出的回报值，从各待推送优惠券中，确定目标优惠券并推送给所述目标用户。

2.如权利要1所述的方法，其特征在于，预先训练模型，具体包括：

根据各用户的用户信息，确定若干用户类型；

针对确定出的每个用户类型，根据各优惠券以及该用户类型的各用户，确定训练样本，并训练用于预测该用户类型的用户在对优惠券的不同使用情况下执行购买行为的概率的模型；

其中，针对每个训练样本，该训练样本包含一个用户和一个优惠券，若该训练样本中包含的用户持有该训练样本中包含的优惠券，则该训练样本为正例，若该训练样本中包含的用户未持有该训练样本中包含的优惠券，则该训练样本为反例。

3.如权利要求2所述的方法，其特征在于，预先训练模型，具体包括：

根据所述训练样本中的反例，训练得到用于预测用户未持有优惠券时执行购买行为的概率的第一模型；

根据所述训练样本中的正例以及各正例通过所述第一模型计算得到的第一概率，训练得到用于预测用户持有优惠券时执行购买行为的概率的第二模型；

根据所述训练样本中正例，训练得到用于预测用户使用优惠券执行购买行为的概率的第三模型。

4.如权利要求3所述的方法，其特征在于，根据所述训练样本中的反例，训练得到用于预测用户未持有优惠券时执行购买行为的概率的第一模型，具体包括：

根据所述训练样本中的反例以及梯度增强决策树GBDT，训练用于处理用户特征的GBDT决策树模型；

根据训练完成的GBDT决策树模型，处理反例中各用户的用户特征，并将处理结果作为线性回归LR模型的输入，以训练用于预测用户未持有优惠券时执行购买行为的概率的LR模型，作为所述第一模型。

5.如权利要求3所述的方法，其特征在于，根据所述训练样本中的正例以及各正例通过所述第一模型计算得到的第一概率，训练得到用于预测用户持有优惠券时执行购买行为的概率的第二模型，具体包括：

针对所述训练样本中的每个正例，根据训练完成的所述第一模型计算该正例中包含的用户未持有优惠券时执行购买行为的概率，作为正例的第一概率；

根据所述训练样本中的正例以及正例的第一概率，训练用于预测用户持有优惠券时执行购买行为的概率的LR模型，作为所述第二模型。

6.如权利要求3所述的方法，其特征在于，根据所述训练样本中正例，训练得到用于预测用户使用优惠券执行购买行为的概率的第三模型，具体包括：

根据所述训练样本中的正例以及梯度增强决策树GBDT，训练用于处理用户特征以及优惠券特征的GBDT决策树模型；

根据训练完成的GBDT决策树模型，处理各正例中用户的用户特征以及优惠券的优惠券特征，并将处理结果作为线性回归LR模型的输入，以训练用于预测用户使用优惠券执行购买行为的概率的LR模型，作为所述第三模型。