[发明专利]电子券推送方法、装置

说明书

本申请的实施例提供了一种电子券推送方法、装置，涉及计算机及人工智能技术领域。该方法包括：获取与待推送用户相关联的特征数据；基于所述特征数据，通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券；在向所述待推送用户推送所述至少一类电子券之后，获取所述待推送用户根据推送的电子券而产生的消费数据；基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练，得到训练后的电子券推荐模型，所述训练后的电子券推荐模型用于进行下一次电子券推荐。本申请实施例的技术方案可以提高对用户进行电子券推送的准确性。

技术领域

本申请涉及计算机及人工智能技术领域，具体而言，涉及一种电子券推送方法、装置。

背景技术

在电子券推送场景中，比如在为用户推送电子优惠券的应用场景中，通常会在多种类别(例如多种面额的电子优惠券)的电子券中选择一种类别的电子券推荐给用户，现有技术中，一般由经过训练的机器学习模型确定用户针对不同类别电子券的购买概率，再确定针对不同类别电子券的收益，根据不同类别电子券的收益的对比为用户推送电子券。但是，如何能够提高对用户进行电子券推送的准确性是亟待解决的技术问题。

发明内容

本申请的实施例提供了一种电子券推送方法、装置、计算机程序产品或计算机程序、计算机可读介质及电子设备，进而至少在一定程度上可以提高对用户进行电子券推送的准确性。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供了一种电子券推送方法，包括：获取与待推送用户相关联的特征数据；基于所述特征数据，通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券；在向所述待推送用户推送所述至少一类电子券之后，获取所述待推送用户根据推送的电子券而产生的消费数据；基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练，得到训练后的电子券推荐模型，所述训练后的电子券推荐模型用于进行下一次电子券推荐。

根据本申请实施例的一个方面，提供了一种电子券推送装置，包括：第一获取单元，被用于获取与待推送用户相关联的特征数据；推荐单元，被用于基于所述特征数据，通过预先训练的电子券推荐模型为所述待推送用户推荐至少一类电子券；第二获取单元，被用于在向所述待推送用户推送所述至少一类电子券之后，获取所述待推送用户根据推送的电子券而产生的消费数据；训练单元，被用于基于所述特征数据与所述消费数据对所述电子券推荐模型进行训练，得到训练后的电子券推荐模型，所述训练后的电子券推荐模型用于进行下一次电子券推荐。

在本申请的一些实施例中，基于前述方案，所述电子券推荐模型包括归一化层和多个隐藏层，所述推荐单元配置为：通过所述归一化层对与待推送用户相关联的特征数据进行归一化处理，得到归一化处理后的数据；将所述归一化处理后的数据输入至所述多个隐藏层中的首层隐藏层，并通过所述多个隐藏层中的尾层隐藏层分别输出与各类电子券一一对应的尾层节点数据；通过映射函数分别对各尾层节点数据进行映射，以映射得到针对每一类电子券的推荐概率值；根据所述推荐概率值，为所述待推送用户推荐至少一类电子券。

在本申请的一些实施例中，基于前述方案，所述推荐单元配置为：通过Softmax函数分别对各尾层节点数据进行映射，以映射得到针对每一类电子券的推荐概率值。

在本申请的一些实施例中，基于前述方案，所述推荐单元配置为：

按照各类电子券所对应的推荐概率值，，在各个类别的电子券中依概率随机选择至少一类推荐给待推送用户。。

在本申请的一些实施例中，基于前述方案，所述训练单元包括：确定单元，被用于根据所述消费数据，确定用于训练所述电子券推荐模型的尾层节点期望数据；输入输出单元，被用于将所述特征数据输入至所述电子券推荐模型，以输出得到与各类电子券一一对应的尾层节点输出数据；校正单元，被用于通过所述尾层节点输出数据与所述尾层节点期望数据的对比，通过梯度反向传递对所述电子券推荐模型中的隐层参数进行校正。