[发明专利]激励结果的预测方法、装置、电子设备及可读存储介质

权利要求书

1.一种激励结果的预测方法，其特征在于，所述方法包括：

获取目标信息，所述目标信息至少包括：商户特征、激励程度参数、用户特征，所述用户特征包括用户消费特征；

将所述商户特征、所述用户特征输入至无激励结果预测模型，得到无激励结果参数；

将所述用户消费特征输入至激励敏感度预测模型，得到激励敏感参数；

根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数。

2.根据权利要求1所述的方法，其特征在于，所述根据所述无激励结果参数、所述激励程度参数、所述激励敏感参数确定有激励结果参数的步骤，包括：

将所述激励程度参数、所述激励敏感参数输入至预设函数，得到结果调整参数，所述预设函数为单调递增函数，且所述预设函数的值域存在最大值；

根据所述结果调整参数和所述无激励结果参数确定有激励结果参数。

3.根据权利要求2所述的方法，其特征在于，所述预设函数为Sigmoid函数，将所述激励程度参数、所述激励敏感参数输入至预设函数，得到结果调整参数的步骤，包括：

计算所述激励程度参数、所述激励敏感参数的乘积；

将所述乘积输入至所述Sigmoid函数得到结果调整参数；

根据所述Sigmoid函数对应的预设常数对所述结果调整参数进行调整。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述无激励结果预测模型和所述激励敏感度预测模型通过如下步骤训练得到：

以联合训练过程对所述无激励结果预测模型和所述激励敏感度预测模型至少一次的训练；

其中，所述联合训练过程包括：

通过第一样本集对所述无激励结果预测模型进行第一训练，所述第一样本集包括至少一个第一样本，所述第一样本包括：第一样本商户特征、第一样本用户特征和作为标注信息的样本无激励结果；

通过第二样本集对所述激励敏感度预测模型和所述第一训练得到的无激励结果预测模型进行第二训练，所述第二样本集包括至少一个第二样本，所述第二样本包括：第二样本商户特征、第二样本用户特征、样本激励程度和作为标注信息的样本有激励结果，所述第二样本用户特征包括：样本消费特征。

5.根据权利要求4所述的方法，其特征在于，所述通过第一样本集对所述无激励结果预测模型进行第一训练的步骤，包括：

针对每个所述第一样本，将所述第一样本中的所述第一样本商户特征、所述第一样本用户特征输入至所述无激励结果预测模型，得到所述第一样本对应的第一训练无激励结果；

根据所述样本无激励结果和所述第一训练无激励结果确定第一收敛指标；

若所述第一收敛指标不满足预设条件，则调整所述无激励结果预测模型的参数，直至所述第一收敛指标满足预设条件。

6.根据权利要求4所述的方法，其特征在于，所述通过第二样本集对所述激励敏感度预测模型和所述第一训练得到的无激励结果预测模型进行第二训练的步骤，包括：

针对每个所述第二样本，将所述第二样本中的所述第二样本商户特征、所述第二样本用户特征输入至所述第一训练得到的无激励结果预测模型，得到所述第二样本对应的第二训练无激励结果，以及，将所述第二样本中的所述样本消费特征输入至所述激励敏感度预测模型，得到所述第二样本对应的训练敏感度参数；

针对每个所述第二样本，根据所述第二样本中的所述样本激励程度、对应的所述第二训练无激励结果和对应的所述训练敏感度参数，确定所述第二样本对应的训练有激励结果；

根据所述样本有激励结果和所述训练有激励结果确定第二收敛指标；

若所述第二收敛指标不满足预设条件，则调整所述无激励结果预测模型、所述激励敏感度预测模型的参数，直至所述第二收敛指标满足预设条件。

7.根据权利要求1至3中任一项所述的方法，其特征在于，所述无激励结果预测模型、所述激励敏感度预测模型均是基于DNN模型训练得到的。