[发明专利]一种优惠券发放方法、装置、终端设备及存储介质

说明书

本发明公开了一种优惠券发放方法、装置、终端设备及存储介质。方法包括：获取用户特征信息、用户点击物品行为信息和用户点击的物品特征信息；将所述用户特征信息、用户点击物品行为信息和用户点击的物品特征信息输入至多任务学习模型中，得到用户偏好和用户的价格敏感度，其中，所述多任务学习模型根据用户特征信息样本、用户点击物品行为序列样本和用户点击的物品特征信息样本训练得到；根据所述用户偏好和用户的价格敏感度将用户下一个点击的商品对应的优惠券发放至用户终端。利用该方法能够计算出针对每一用户最偏好商品的最优惠价格的商品优惠券，以刺激用户变现达到提升商品销售额的目标。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种优惠券发放方法、装置、终端设备及存储介质。

背景技术

不同用户对商品的价格敏感度不同，不同商品其需求对价格的敏感程度不同，经营者需要采取不同的定价策略来提高收入。目前的技术方案包括：向消费者用户发放调查问卷以及通过模型去预测价格敏感度。基础方法包括：KANO模型，机器学习与深度学习方法，从商品属性或者用户属性提取特征构造模型进行预测。

1.KANO模型定义了三个层次的用户需求：基本型需求、期望型需求和兴奋型需求。基本型需求是顾客对企业提供的产品或者服务因素的基本要求。这是顾客认为产品或者服务“必须有”的属性或功能。期望型需求是指顾客的满意状况与需求的满足程度成比例关系的需求。魅力型需求是指不会被顾客过分期望的需求。经营者通过这三种层次的需求进行问卷设计，实施有效的问卷调查，问卷回收后将调查结果分类汇总并建立质量原型，最后通过分析质量原型来识别具体测量指标的敏感性。

2.基于商品属性的机器学习与深度学习方法：根据所述对应类型的门店以及所述门店中对应类型的商品相关信息构建销量预测模型，通过促销商品的销量计算得到所述参与促销商品的促销价格，通过预测销量对对应商家的促销商品进行定价。

3.基于用户属性的机器学习与深度学习方法：获取用于表征用户对多个推送优惠中的每个优惠进行选择和使用的多个历史行为特征的特征值，预测用户对于优惠选择的概率，并确定优惠发放的数量、价格以及使用概率。

现有技术的方案存在如下问题：

1.KANO模型实施成本高，互联网移动APP用户较为分散，实施起来较为困难；

2.基于商品属性的机器学习与深度学习方法是单从商品属性构建特征输入模型，会忽略很多用户个性化信息，结果输出后只能通过用户基础属性如地区与年龄等做简单的用户分类，进行粗粒度个性化推荐，不利于完全自动化对APP大量的用户进行差异化优惠，削减了销量提升效果以及盈利效果；

3.基于用户属性的机器学习与深度学习方法是单从用户使用优惠序列构建特征输入模型，首先，模型忽略了用户对不同商品类型的偏好存在差异，某个用户的整体价格敏感度非常高，并不说明该用户对我们要推送的特定商品的敏感度就高，其次，在部分移动APP上，用户的付费行为较为稀疏，由于优惠曝光较为隐秘，用户使用优惠进行付费更为稀疏，在训练集构建上存在一定困难。

发明内容

本发明实施例提供了一种优惠券发放方法、装置、终端设备及存储介质，能够计算出针对每一用户最偏好商品的最优惠价格的商品优惠券，以刺激用户变现达到提升商品销售额的目标。

第一方面，本发明实施例提供了一种优惠券发放方法，包括：

获取用户特征信息、用户点击商品行为信息和用户点击的商品特征信息；

将所述用户特征信息、用户点击商品行为信息和用户点击的商品特征信息输入至多任务学习模型中，得到用户偏好和用户的价格敏感度，其中，所述多任务学习模型根据用户特征信息样本、用户点击商品行为序列样本和用户点击的商品特征信息样本训练得到；

根据所述用户偏好和用户的价格敏感度将用户下一个点击的商品对应的优惠券发放至用户终端。