数据处理方法、装置、存储介质及电子装置与流程

1.本发明涉及计算机技术领域，具体而言，涉及一种数据处理方法、装置、存储介质及电子装置。


背景技术：

2.随着移动互联网技术的高速发展，智能营销成为电子交易平台一种越来越重要的运营手段。当下流行的智能营销场景，比如电商外卖平台的满减优惠券，电商购物平台的购物红包等，智能营销模型的本质是组合优化问题，需要形成系统化的营销决策，即对组合优化模型求出全局最优解。基于此类场景，需要针对不同用户实施个性化的营销决策。但是，由于电子交易平台的用户量巨大，当前算法计算速度慢，模型计算结果不佳，所以需要更好的资源分配并行算法，做出高效智能的营销决策。
3.智能营销资源分配策略转化为数学模型后属于整数规划问题，可以采用整数规划问题来求解除营销策略收益最大化的营销方案。虽然整数规划问题的解在结构上比连续问题好确定，但是其求解计算却十分困难，由于整数规划的可行解区域为离散点，故一般不能用连续区域的求解算法，如今应用较多的方法例如分支定界法、割平面法、隐枚举法、匈牙利法和蒙特卡罗法。
4.然而当前的相关算法仅仅针对小规模整数规划问题求解效果较佳，而当求解问题的规模较大时，其计算量将极大地增加，甚至无法求解问题；同时，求解整数规划的精确解存在指数级算法复杂度，即当每增加一个变量，最坏情况下，求解其精确解的运行速度可能就要增加一倍，当变量数大于100后，每增加一个变量，计算时间将指数增长。
5.本技术主要解决目前相关技术存在的以下问题：
6.1、现有技术求解最优解速度缓慢，在数据量大时所需耗时较长；
7.2、现有技术得到的求解结果不准确，可能是局部最优解，而不是全局最优解；
8.3、现有技术计算某些整数规划问题时，可能由于数据量巨大，计算需要时间过长，而无法得到最优解。
9.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

10.本发明实施例提供了一种数据处理方法、装置、存储介质及电子装置，以至少解决相关技术在智能营销场景下对大规模整数规划问题进行求解时的运算效率低下、运算结果不准确的技术问题。
11.根据本发明实施例的一个方面，提供了一种数据处理方法，包括：获取目标需求信息，其中，目标需求信息用于表示对于预设活动资源的分配需求；基于目标需求信息确定第一模型对应的目标函数，其中，第一模型用于对目标需求信息进行建模处理，目标函数用于确定目标需求信息与多个目标对象对应的多个决策变量之间的关联关系；将第一模型映射至第二模型，并基于第二模型对目标函数进行分析处理，得到目标求解结果，其中，第二模
型用于确定符合目标需求信息的多个决策变量，目标求解结果用于表示多个目标对象对应的目标决策变量组合；基于目标求解结果确定目标分配策略，其中，目标分配策略用于为多个目标对象分配预设活动资源。
12.可选地，在基于目标需求信息确定第一模型对应的目标函数之后，数据处理方法还包括：基于目标需求信息确定第一模型对应的第一约束条件和第二约束条件，其中，第一约束条件用于约束对于目标对象的资源分配数量，第二约束条件用于约束预设活动资源对应的投入成本。
13.可选地，将第一模型映射至第二模型包括：将第一模型的第一模型参数映射为第三模型的第二模型参数，其中，第三模型用于对多个决策变量进行组合规划；基于第二模型参数进行转换处理，得到第二模型，第二模型为二次无约束二元优化模型。
14.可选地，基于第二模型对目标函数进行分析处理，得到目标求解结果包括：基于第一模型的约束条件类型确定对于目标函数的目标求解方式；基于目标求解方式对目标函数进行分析处理，得到目标求解结果。
15.可选地，当约束条件类型为无约束类型，基于目标求解方式对目标函数进行分析处理，得到目标求解结果包括：对目标函数进行转换处理，得到转换结果；利用矩阵形式对转换结果进行表示，得到第一表示结果；利用预设求解算法对第一表示结果进行分析处理，得到目标求解结果。
16.可选地，当约束条件类型为等式约束类型，基于目标求解方式对目标函数进行分析处理，得到目标求解结果包括：对目标函数进行转换处理，得到转换结果；在转换结果中添加惩罚项，得到第一处理结果；利用矩阵形式对第一处理结果进行表示，得到第二表示结果；利用预设求解算法对第二表示结果进行分析处理，得到目标求解结果。
17.可选地，当约束条件类型为不等式约束类型，基于目标求解方式对目标函数进行分析处理，得到目标求解结果包括：对目标函数进行转换处理，得到转换结果；利用松弛变量对将约束条件的类型进行调整处理，得到调整结果；基于调整结果在转换结果中添加惩罚项，得到第二处理结果；利用矩阵形式对第二处理结果进行表示，得到第三表示结果；利用预设求解算法对第三表示结果进行分析处理，得到目标求解结果。
18.根据本发明实施例的另一方面，还提供了一种数据处理装置，包括：获取模块，用于获取目标需求信息，其中，目标需求信息用于表示对于预设活动资源的分配需求；第一确定模块，用于基于目标需求信息确定第一模型对应的目标函数，其中，第一模型用于对目标需求信息进行建模处理，目标函数用于确定目标需求信息与多个目标对象对应的多个决策变量之间的关联关系；处理模块，用于将第一模型映射至第二模型，并基于第二模型对目标函数进行分析处理，得到目标求解结果，其中，第二模型用于确定符合目标需求信息的多个决策变量，目标求解结果用于表示多个目标对象对应的目标决策变量组合；第二确定模块，用于基于目标求解结果确定目标分配策略，其中，目标分配策略用于为多个目标对象分配预设活动资源。
19.可选地，数据处理装置还包括：第三确定模块，用于基于目标需求信息确定第一模型对应的第一约束条件和第二约束条件，其中，第一约束条件用于约束对于目标对象的资源分配数量，第二约束条件用于约束预设活动资源对应的投入成本。
20.可选地，处理模块还用于：将第一模型的第一模型参数映射为第三模型的第二模
型参数，其中，第三模型用于对多个决策变量进行组合规划；基于第二模型参数进行转换处理，得到第二模型，第二模型为二次无约束二元优化模型。
21.可选地，处理模块还用于：基于第一模型的约束条件类型确定对于目标函数的目标求解方式；
22.基于目标求解方式对目标函数进行分析处理，得到目标求解结果。
23.可选地，处理模块还用于：对目标函数进行转换处理，得到转换结果；利用矩阵形式对转换结果进行表示，得到第一表示结果；利用预设求解算法对第一表示结果进行分析处理，得到目标求解结果。
24.可选地，处理模块还用于：对目标函数进行转换处理，得到转换结果；在转换结果中添加惩罚项，得到第一处理结果；利用矩阵形式对第一处理结果进行表示，得到第二表示结果；利用预设求解算法对第二表示结果进行分析处理，得到目标求解结果。
25.可选地，处理模块还用于：对目标函数进行转换处理，得到转换结果；利用松弛变量对将约束条件的类型进行调整处理，得到调整结果；基于调整结果在转换结果中添加惩罚项，得到第二处理结果；利用矩阵形式对第二处理结果进行表示，得到第三表示结果；利用预设求解算法对第三表示结果进行分析处理，得到目标求解结果。
26.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的数据处理方法。
27.根据本发明实施例的另一方面，还提供了一种电子装置，包括：存储器，存储有可执行程序；处理器，用于运行程序，其中，程序运行时执行上述任意一项的数据处理方法。
28.在本发明实施例中，通过获取目标需求信息，进而基于目标需求信息确定第一模型对应的目标函数，随后将第一模型映射至第二模型，并基于第二模型对目标函数进行分析处理，得到目标求解结果，最后基于目标求解结果确定目标分配策略，达到了高效制定合理的营销资源分配策略的目的，从而实现了提升对大规模整数规划问题的运算效率和运算准确性的技术效果，进而解决了相关技术在智能营销场景下对大规模整数规划问题进行求解时的运算效率低下、运算结果不准确的技术问题。
附图说明
29.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
30.图1为相关技术中的一种模拟退火算法的过程示意图；
31.图2是根据本技术实施例的一种数据处理方法的流程图；
32.图3是根据本技术实施例的一种数据处理装置的结构框图。
具体实施方式
33.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范
围。
34.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
35.首先，在对本技术实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
36.量子退火算法是一类新的量子优化算法，利用热波动来搜寻问题的最优解，量子退火算法利用量子波动产生的量子隧穿效应来使算法摆脱局部最优解，而实现全局最优化。同时，量子退火算法具有经典计算无法比拟的信息携带和并行处理能力，能够在特定计算困难问题上提供指数级加速。
37.量子退火是用于通过使用量子波动的过程在给定的一组候选解(候选状态)上找到给定目标函数的全局最小值的元启发式。量子退火主要用于搜索空间是离散的(组合优化问题)与许多局部最小值的问题，例如找到旋转玻璃的基态。简单来讲，量子退火就是利用量子物理寻找问题的低能态，从而找到最优或接近最优的元素组合。
38.在解决营销资源分配策略的方法中，当前采取的方法为模拟退火算法，但该方法存在一些不足。
39.模拟退火算法是基于蒙特卡罗(monte-carlo)迭代求解策略的一种随机寻找方法，其出发点事基于物理中固体物质的退火过程与一般组合优化问题的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性的跳出并最终趋于全局最优解。
40.模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。
41.假设前一状态为x(n)，系统受到一定扰动，状态变为x(n+1)，相应地，系统能量由e(n)变为e(n+1)，定义系统由x(n)变为x(n+1)的接收概率为p。
[0042][0043]
模拟退火算法实质分两层循环，在任一温度水平下，随机扰动产生新解，并计算目标函数值的变化，决定是否被接受。由于算法初始温度比较高，使系统能量e增大的新解在初始时也可能被接受，因而能跳出局部极小值，然后通过缓慢地降低温度，算法就最终可能收敛到全局最优解。图1为相关技术中的一种模拟退火算法的过程示意图，如图1所述，具体流程为：
[0044]
步骤1：初始温度t0，令t＝t0，随机产生一个初始解x0，并计算对应的目标函数值e(x0)；
[0045]
步骤2：令t＝λt，其中，λ的取值范围为0到1之间，λ用于表示温度下降速度；
[0046]
步骤3：对当前解x
t
施加随机扰动，在其邻域内产生一个新解x
t+1
，并计算对应的目标函数值e(x
t+1
)，计算e(x
t+1
)-e(x
t
)；
[0047]
步骤4：按照接受新状态的准则(metropolis准则)判断是否接受新解，若δ＜0，接受新解作为当前解，否则按照概率判断是否接受；
[0048]
步骤5：在温度t下，重复l次扰动和接受过程，即执行步骤3和4；
[0049]
步骤6：判断温度是否达到终止温度水平，若是则终止算法，否则返回步骤2。
[0050]
然而上述模拟退火算法还存在以下不足：
[0051]
首先，模拟退火算法只是有一定概率得到全局最优解，并非可以得到全局最优解；其次，模拟退火算法的实现过程所需的温度条件较高，实际实验过程中的高温比较难达到，实验的物理条件要求较高；再次，模拟退火算法的最优解受迭代次数的影响，若k值越大，则搜索实际越长，获得的最优解更可靠；若k值小，则搜索时间短，有可能跳过了最优解，只能求出局部最优解；最后，模拟退火算法受温度冷却速率的影响，若冷却速率较慢，则搜索时间长，可以获得更优解，但是会花费大量时间；如果冷却速度过快，则可能直接跳过全局最优解。
[0052]
根据本发明实施例，提供了一种数据处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0053]
该方法实施例可以在包含存储器和处理器的电子装置或者类似的运算装置中执行。以运行在计算机终端上为例，计算机终端可以包括一个或多个处理器(处理器可以包括但不限于中央处理器(central processing unit，cpu)、图形处理器(graphics processing unit，gpu)、数字信号处理(digital signal processing，dsp)芯片、微处理器(microcontroller unit，mcu)、可编程逻辑器件(field programmable gate array，fpga)、神经网络处理器(neural-network processor unit，npu)、张量处理器(tensor processing unit，tpu)、人工智能(artificial intelligence，ai)和用于存储数据的存储器。和用于存储数据的存储器。可选地，上述计算机终端还可以包括用于通信功能的传输设备、输入输出设备以及显示设备。本领域普通技术人员可以理解，上述结构描述仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比上述结构描述更多或者更少的组件，或者具有与上述结构描述不同的配置。
[0054]
存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的数据处理方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的数据处理方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0055]
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器
(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
[0056]
显示设备可以例如触摸屏式的液晶显示器(liquid crustal display，lcd)和触摸显示器(也被称为“触摸屏”或“触摸显示屏”)。该液晶显示器可使得用户能够与移动终端的用户界面进行交互。在一些实施例中，上述移动终端具有图形用户界面(graphical user interface，gui)，用户可以通过触摸触敏表面上的手指接触和/或手势来与gui进行人机交互，此处的人机交互功能可选的包括如下交互：创建网页、绘图、文字处理、制作电子文档、游戏、视频会议、即时通信、收发电子邮件、通话界面、播放数字视频、播放数字音乐和/或网络浏览等、用于执行上述人机交互功能的可执行指令被配置/存储在一个或多个处理器可执行的计算机程序产品或可读存储介质中。
[0057]
在本发明实施例中提供了一种运行于上述计算机终端的数据处理方法，图2是根据本技术实施例的一种数据处理方法的流程图，如图2所示，该方法包括如下步骤：
[0058]
步骤s21，获取目标需求信息，其中，目标需求信息用于表示对于预设活动资源的分配需求；
[0059]
具体的，上述预设活动资源可以为营销活动资源，例如，营销活动资源可以为多中不同金额的活动优惠券。上述目标需求信息可以最大化的营销收益。
[0060]
步骤s22，基于目标需求信息确定第一模型对应的目标函数，其中，第一模型用于对目标需求信息进行建模处理，目标函数用于确定目标需求信息与多个目标对象对应的多个决策变量之间的关联关系；
[0061]
具体的，上述第一模型为整数规划模型，对目标需求信息进行建模可以得到整数规划模型的目标函数。例如，某网购平台将要进行营销活动，用户量大约为五百万，针对所有客户有四种不同金额的满减券，每个用户只能分发某种类型的一张券，发放的满减券会有一定的成本，并且发放满减券的成本需要小于预算成本，这就是一个大型的营销活动，将此营销活动转化为整数规划问题来帮助决策者制定营销策略。在这个营销活动中，目标函数即为营销活动的收益，目标需求信息是让营销收益最大化，由此可以将营销活动的收益转化为整数规划的目标函数y，xi代表不同的客户，如下：
[0062]
y＝max(x
1,1
t
1,1
+x
1,2
t
1,2
+x
1,3
t
1,3
+x
1,4
t
1,4
+...+x
n,2
t
n,2
+x
n,3
t
n,3
+x
n,4
t
n,4
)
[0063]
其中，x
ij
表示是否对用户i发j券，为二元决策变量，0为不发券，1为发券；t
ij
是指用户i使用j券的情况下所预估的收益增量。
[0064]
步骤s23，将第一模型映射至第二模型，并基于第二模型对目标函数进行分析处理，得到目标求解结果，其中，第二模型用于确定符合目标需求信息的多个决策变量，目标求解结果用于表示多个目标对象对应的目标决策变量组合；
[0065]
上述第二模型为二次无约束二元优化(quadratic unconstrained binary optimization，qubo)模型，qubo模型目前是电子计算领域最广泛的模型，可以用于解决各种组合优化问题，同时qubo模型也是量子退火的量子计算领域的基础。本技术实施例采用量子退火算法获取整数优化模型的最优解，即上述目标求解结果。
[0066]
步骤s24，基于目标求解结果确定目标分配策略，其中，目标分配策略用于为多个目标对象分配预设活动资源。
[0067]
通过上述步骤s21至步骤s24，通过获取目标需求信息，进而基于目标需求信息确定第一模型对应的目标函数，随后将第一模型映射至第二模型，并基于第二模型对目标函数进行分析处理，得到目标求解结果，最后基于目标求解结果确定目标分配策略，达到了高效制定合理的营销资源分配策略的目的，从而实现了提升对大规模整数规划问题的运算效率和运算准确性的技术效果，进而解决了相关技术在智能营销场景下对大规模整数规划问题进行求解时的运算效率低下、运算结果不准确的技术问题。
[0068]
下面对上述实施例中的数据处理方法进行进一步介绍。
[0069]
可选地，在基于目标需求信息确定第一模型对应的目标函数之后，数据处理方法还包括：基于目标需求信息确定第一模型对应的第一约束条件和第二约束条件，其中，第一约束条件用于约束对于目标对象的资源分配数量，第二约束条件用于约束预设活动资源对应的投入成本。
[0070]
具体的，继续以上述某网购平台的营销活动为例，由于该营销活动中每个用户只能使用一张券，将其转化为整数规划模型中的第一约束条件：
[0071]
x
1,1
+x
1,2
+x
1,3
+x
1,4
＝1
[0072]
x
2,1
+x
2,2
+x
2,3
+x
2,4
＝1
[0073]
...
[0074]
x
n,1
+x
n,2
+x
n,3
+x
n,4
＝1
[0075]
同时还需要控制该营销活动的投入成本，将其转化为整数规划模型的第二约束条件：
[0076]
x
1,1
p
1,1c1,1
+x
1,2
p
1,2c1,2
+x
1,3
p
1,3c1,3
+x
1,4
p
1,4c1,4
+...+x
n,1
p
n,1cn,1
+x
n,2
p
n,2cn,2
+x
n,3
p
n,3cn,3
+x
n,4
p
n,4cn,4
≤b
[0077]
其中：p
ij
用于表示用户i在使用j券时的转化率，c
ij
用于表示用户i使用j券的成本，b用于表示营销活动的投入最大成本。
[0078]
基于上述可选实施例，能够将营销活动收益最大化问题转化为整数规划问题，从而可以采用量子退火算法来求解该问题的最优解，以制定合理的营销策略。
[0079]
可选地，在步骤s23，将第一模型映射至第二模型包括：
[0080]
步骤s231，将第一模型的第一模型参数映射为第三模型的第二模型参数，其中，第三模型用于对多个决策变量进行组合规划；
[0081]
步骤s232，基于第二模型参数进行转换处理，得到第二模型，第二模型为无约束的二次无约束二元优化模型。
[0082]
上述第三模型可以为伊辛(ising)模型，横向场随机ising模型作为量子退火算法的测试模型而得到广泛的应用，并且许多组合优化问题也是先映射到这一模型，然后再用量子退火算法进行求解。ising模型用于描述物质的铁磁性，该模型中包含了可以用来描述单个原子磁矩的参数σi，其值只能为+1或-1，分别代表自旋向上或向下，这些磁矩通常会按照某种规则排列，形成晶格，并且在模型中会引入特定交互作用的参数，使得相邻的自旋互相影响。
[0083]
在伊辛模型下，整个系统的哈密顿量为：
[0084]
[0085]
其中，h用于表示哈密顿量，δi∈{-1,+1}，δj∈{-1,+1}，δ代表一个晶格点的量子自旋，hi用于表示外磁场在该晶格点的强度，j
ij
用于表示能量耦合常数。
[0086]
ising模型哈密顿量的求解是一个组合规划问题，表1用于表示整数规划模型中的第一模型参数与ising模型的第二模型参数之间的映射关系，如表1所示，ising模型中各点的相互作用，即组合优化问题中的约束条件，ising模型的能量函数即为优化问题中的目标函数，ising模型中的能量极小值即为优化问题中目标函数的最优解，所以求解ising模型本质上也为求解整数规划问题。因此，求解整数规划问题中最优解，也可以用ising模型来求解。
[0087]
表1第一模型参数与第二模型参数之间的映射关系
[0088][0089]
由于本技术实施例采用量子退火算法对整数优化模型最优解求解，因而进一步的，需要将ising模型转化为qubo模型，进而再进行最优化求解。
[0090]
qubo模型的定义为：
[0091]
minimize/maximize y＝x
t
qx
[0092]
其中，x中的xi是二元决策变量，xi∈{0,1}，q用于表示常数方阵。
[0093]
将ising模型转为qubo模型时，令δi＝2x
i-1，进而通过简单转换，可以将ising模型中变量变为二元决策变量，使得ising模型与qubo模型一一对应。
[0094]
基于上述可选实施例，通过将整数规划模型转化为ising模型，并将ising模型转化为qubo模型，从而可以利用量子退火算法进行快速求解，能够有效提升对于大规模数据的求解效率。
[0095]
可选地，在步骤s23，基于第二模型对目标函数进行分析处理，得到目标求解结果包括：
[0096]
步骤s233，基于第一模型的约束条件类型确定对于目标函数的目标求解方式；
[0097]
步骤s234，基于目标求解方式对目标函数进行分析处理，得到目标求解结果。
[0098]
具体的，在将整数规划模型转化为qubo模型的过程中，由于整数规划模型中会存在不同类型的约束条件，例如，无约束的整数规划、带等式约束的整数规划、带不等式约束的整数规划和混合约束的整数规划，因此需要根据整数规划模型的约束条件类型确定对于目标函数的目标求解方式，进而能够进行快速求解，从而提升模型整体的求解效率。其中，整数规划模型的约束条件类型具体可以划分为以下三种：无约束类型、等式约束类型和不等式约束类型。
[0099]
针对以上三种类型的约束条件，可以通过转化为qubo问题，再转化为无约束的
qubo问题，最后得到qubo模型，采用相干伊辛机(coherent ising machine，cim)得到最优解，即为整数规划模型的最优解。
[0100]
可选地，在步骤s234，当约束条件类型为无约束类型，基于目标求解方式对目标函数进行分析处理，得到目标求解结果包括：对目标函数进行转换处理，得到转换结果；利用矩阵形式对转换结果进行表示，得到第一表示结果；利用预设求解算法对第一表示结果进行分析处理，得到目标求解结果。
[0101]
具体的，针对整数规划问题，可以划分为无约束和有约束的整数规划问题。针对无约束的整数规划问题，可以直接采用无约束的qubo模型求解，求解过程具体为：
[0102]
首先，将整数规划问题映射到ising模型，由于xi为二元决策变量，将目标函数通过xi＝x
i2
转化为二次型函数，目标函数系数换为等比例的整数系数。
[0103]
其次，将目标函数可以写为矩阵形式：
[0104]
minimize/maximize y＝x
t
qx
[0105]
其中，x是二元变量的列向量，目标函数的系数线性项出现在q的对角线上，在此种情况下q是关于主对角线对称的矩阵。
[0106]
最后，将得到的qubo模型通过相干伊辛机来求解，得到目标函数y的最优解。
[0107]
针对qubo模型，经典计算机上精确求解方法复杂和缓慢，而基于光量子的cim使用光纤中的激光脉冲作为量子比特进行计算，可以在可接受时间内快速求解qubo问题。
[0108]
利用cim可以得到ising模型的最低能量态，相干伊辛机可以在室温条件下实现较高的全连接自旋量子比特，利用从激光器振荡出的光的偏振态对应于ising模型的自旋，多个输入之间的耦合对应于伊辛模型的相互作用，并利用激光振荡发光的能量性质，通过光学测量获得ising模型的最低能量态(即哈密顿量最小)，即可得出整数规划的最优解，此方法尤其可以解决经典计算机难以在有效时间内求解的组合优化问题。
[0109]
基于上述可选实施例，能够快速针对无约束的整数规划问题进行求解，从而获得准确的目标求解结果，进一步提升运算过程中的准确性。
[0110]
可选地，在步骤s234，当约束条件类型为等式约束类型，基于目标求解方式对目标函数进行分析处理，得到目标求解结果包括：对目标函数进行转换处理，得到转换结果；在转换结果中添加惩罚项，得到第一处理结果；利用矩阵形式对第一处理结果进行表示，得到第二表示结果；利用预设求解算法对第二表示结果进行分析处理，得到目标求解结果。
[0111]
具体的，针对带等式约束条件的整数规划问题，依旧可以把整数规划模型转化为qubo模型进行求解，通过添加惩罚项来得到无约束的qubo模型，从而通过相干伊辛机进行求解。
[0112]
例如，目标函数为：
[0113]
min y＝x
t
cx
[0114]
约束条件为：
[0115]
ax＝b x∈{0,1}
[0116]
首先，由于xi为二元决策变量，将目标函数通过xi＝x
i2
转化为二次型函数，目标函数系数换为等比例的整数系数。
[0117]
其次，对目标函数添加惩罚项p(ax-b)
t
(ax-b)，可以得到：
[0118]
y＝x
t
cx+p(ax-b)
t
(ax-b)
[0119]
再次，将目标函数转化为二次型函数：
[0120]
y＝x
t
cx+p(x
tat-b
t
)(ax-b)＝x
t
cx+p(x
tat
ax-x
tat
b-b
t
ax+b
t
b)＝x
t
qx+c
[0121]
随后，经过以上转换，可以将带等式约束的qubo模型转为无约束的qubo模型：
[0122]
qubo：min x
t
qx,x∈{0,1}
[0123]
最后，通过相干伊辛机进行求解。
[0124]
基于上述可选实施例，能够针对带等式约束条件的整数规划问题，通过添加惩罚项来得到无约束的qubo模型，进而通过相干伊辛机进行快速求解，从而获得准确的目标求解结果，进一步提升运算过程中的准确性。
[0125]
可选地，在步骤s234，当约束条件类型为不等式约束类型，基于目标求解方式对目标函数进行分析处理，得到目标求解结果包括：对目标函数进行转换处理，得到转换结果；利用松弛变量对将约束条件的类型进行调整处理，得到调整结果；基于调整结果在转换结果中添加惩罚项，得到第二处理结果；利用矩阵形式对第二处理结果进行表示，得到第三表示结果；利用预设求解算法对第三表示结果进行分析处理，得到目标求解结果。
[0126]
具体的，针对带不等式约束的整数规划问题，同样可以转化为带不等式约束的qubo模型，再转化为带惩罚项的无约束qubo模型，最后通过相干伊辛机求解。
[0127]
在不等式的约束中，面对一些特殊的约束条件，已经有了对应的惩罚项，如表2所示，如果出现下表2的中相应的约束，可以直接将目标函数转化为带惩罚项的无约束qubo问题进行求解。
[0128]
表2典型约束对应的惩罚项
[0129]
典型约束条件惩罚项x+y≤1p(xy)x+y≥1p(1-x-y+xy)x+y＝1p(1-x-y+2xy)x≤yp(x-xy)x1+x2+x3≤1p(x1x2+x1x3+x2x3)x＝yp(x+y-2xy)
[0130]
针对一般的不等式约束的整数规划问题，依旧要转化为qubo问题，然后进行求解。具体计算过程如下：
[0131]
首先，由于xi为二元决策变量，将目标函数通过xi＝xi2转化为二次型函数，目标函数系数换为等比例的整数系数。
[0132]
其次，面对不等式类型的约束条件，需要对每一个不等式引入一个松弛变量si，从而将不等式转为等式。
[0133]
例如，不等式约束条件为：2x1+2x2+3x3≤7，加入松弛变量s1，从而获得等式约束条件：2x1+2x2+3x3+s1＝7。
[0134]
由于xi∈{0,1}，因而可以大致推断出松弛变量s的整数上限，上述松弛变量s1的上下限范围为：0≤s1≤7。
[0135]
再次，通过二进制扩展来表示松弛变量，并且尽可能采用最少的新二进制变量，并确定所需最少的二进制变量xi个数。
[0136]
例如，针对松弛变量s1的上下限范围0≤s1≤7，进而二进制展开后最少需要三个进
制变量表示，即：s1＝x4+2x5+4x6，需要新增三个二进制变量xi，且最少个数为3个。
[0137]
随后，将带有松弛变量的等式约束，转化为带有二进制变量xi表示的等式约束，由此可以将不等式约束的qubo模型转化为带等式约束的qubo模型；
[0138]
最后，通过相干伊辛机求解出最优解。
[0139]
基于上述可选实施例，能够针对带不等式约束的整数规划问题，先转化为带不等式约束的qubo模型，再转化为带惩罚项的无约束qubo模型，最后通过相干伊辛机求解，从而获得准确的目标求解结果，进一步提升运算过程中的准确性。
[0140]
在本技术实施例的智能营销场景中，核心问题是如何在有限的成本下，营销方案可以将收益最大化，通过将把整个营销过程转化为整数规划模型，然后运用量子退火算法对营销方案进行计算，得到预测收益最大化的营销方案，采用量子退火算法可以在较短的时间内得到在该营销中全局最优的营销方案。
[0141]
具体的，针对上述举例的营销活动使用相干伊辛机求解的计算过程如下：
[0142]
首先，由于xi为二元决策变量(0为不发券，1为发券)，将目标函数通过转化为二次型函数；其次，针对整数规划模型的等式约束条件，将惩罚项添加在目标函数中，得到目标函数y2；针对整数规划模型的不等式约束条件，将惩罚项添加目标函数y2中，得到目标函数y3，即求y3的最大值；随后，该整数规划模型通过求maxy，转化为qubo模型，再转化为无约束的qubo模型，即求max y3＝x
t
qx；最后，通过相干伊辛机求解出最优解，此解即为该营销活动中的投资收益最大化的营销方案。
[0143]
本技术实施例采用基于光量子的相干伊辛机上的量子退火算法求解整数规划问题，具体可以应用在智能营销场景下的营销决策中，比如电商外卖平台的满减优惠券、电商购物活动的购物红包等百万千万甚至上亿级别用户量的大型营销活动，在有限的资源约束下实现最优分配，能够将智能营销中的资源分配问题建模成有约束的整数规划数学模型，通过量子退火算法帮助决策者在营销前进行制定营销策略，使得收益效果最大化。此外，本技术实施例能够在营销前针对此次营销活动制定不同用户对应的营销策略，从而在可控的成本内提高用户参与度。
[0144]
本技术实施例所提出的数据处理方法具有以下优点：
[0145]
1、在用户数量级大的营销活动中，针对营销模型可以快速求出最优解，并且求解效率高；
[0146]
2、相比较其他方法求解整数规划问题，量子退火算法可以直接得到全局最优解，
[0147]
3、相比较模拟退火算法需要满足高温条件，量子退火算法的实验温度条件为常温即可。
[0148]
4、本技术将营销模型中的整数规划问题转化为qubo问题，采用基于光量子的相干伊辛机求qubo模型，得到最优解，可以有效加快计算速度，减少计算时间。
[0149]
5、量子退火是一种元启发式算法，用于使用量子涨落得过程在给定的一组候选解上找到给定目标的全局最小值，从而可以加速解决组合优化问题。
[0150]
6、本技术采用cim模型，利用从激光器振荡出的光的偏振态对应于伊辛模型的自旋，多个输入之间的耦合对应于ising模型的相互作用，并利用激光振荡发光的能量性质，通过光学测量获得ising模型最低能量态，可以直接得到全局最优解。
[0151]
7、采用cim的测量实验，只需要在室温下即可完成，实验条件简单，而模拟退火算
法需要有足够的高温才可以结果准确一些。
[0152]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0153]
在本实施例中还提供了一种数据处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0154]
图3是根据本技术实施例的一种数据处理装置的结构框图，如图3所示，该数据处理装置300包括：
[0155]
获取模块301，用于获取目标需求信息，其中，所述目标需求信息用于表示对于预设活动资源的分配需求；
[0156]
第一确定模块302，用于基于目标需求信息确定第一模型对应的目标函数，其中，第一模型用于对目标需求信息进行建模处理，目标函数用于确定目标需求信息与多个目标对象对应的多个决策变量之间的关联关系；
[0157]
处理模块303，用于将第一模型映射至第二模型，并基于第二模型对目标函数进行分析处理，得到目标求解结果，其中，第二模型用于确定符合目标需求信息的多个决策变量，目标求解结果用于表示多个目标对象对应的目标决策变量组合；
[0158]
第二确定模块304，用于基于目标求解结果确定目标分配策略，其中，目标分配策略用于为多个目标对象分配预设活动资源。
[0159]
可选地，数据处理装置300还包括：第三确定模块305，用于基于目标需求信息确定第一模型对应的第一约束条件和第二约束条件，其中，第一约束条件用于约束对于目标对象的资源分配数量，第二约束条件用于约束预设活动资源对应的投入成本。
[0160]
可选地，处理模块303还用于：将第一模型的第一模型参数映射为第三模型的第二模型参数，其中，第三模型用于对多个决策变量进行组合规划；基于第二模型参数进行转换处理，得到第二模型，第二模型为二次无约束二元优化模型。
[0161]
可选地，处理模块303还用于：基于第一模型的约束条件类型确定对于目标函数的目标求解方式；基于目标求解方式对目标函数进行分析处理，得到目标求解结果。
[0162]
可选地，处理模块303还用于：对目标函数进行转换处理，得到转换结果；利用矩阵形式对转换结果进行表示，得到第一表示结果；利用预设求解算法对第一表示结果进行分析处理，得到目标求解结果。
[0163]
可选地，处理模块303还用于：对目标函数进行转换处理，得到转换结果；在转换结果中添加惩罚项，得到第一处理结果；利用矩阵形式对第一处理结果进行表示，得到第二表示结果；利用预设求解算法对第二表示结果进行分析处理，得到目标求解结果。
[0164]
可选地，处理模块303还用于：对目标函数进行转换处理，得到转换结果；利用松弛变量对将约束条件的类型进行调整处理，得到调整结果；基于调整结果在转换结果中添加
惩罚项，得到第二处理结果；利用矩阵形式对第二处理结果进行表示，得到第三表示结果；利用预设求解算法对第三表示结果进行分析处理，得到目标求解结果。
[0165]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0166]
本技术的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0167]
可选地，在本实施例中，上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序：
[0168]
s1，获取目标需求信息，其中，目标需求信息用于表示对于预设活动资源的分配需求；
[0169]
s2，基于目标需求信息确定第一模型对应的目标函数，其中，第一模型用于对目标需求信息进行建模处理，目标函数用于确定目标需求信息与多个目标对象对应的多个决策变量之间的关联关系；
[0170]
s3，将第一模型映射至第二模型，并基于第二模型对目标函数进行分析处理，得到目标求解结果，其中，第二模型用于确定符合目标需求信息的多个决策变量，目标求解结果用于表示多个目标对象对应的目标决策变量组合；
[0171]
s4，基于目标求解结果确定目标分配策略，其中，目标分配策略用于为多个目标对象分配预设活动资源。
[0172]
可选地，在本实施例中，上述计算机可读存储介质可以包括但不限于：u盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
[0173]
本技术的实施例还提供了一种电子装置，包括存储器、处理器，存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0174]
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
[0175]
s1，获取目标需求信息，其中，目标需求信息用于表示对于预设活动资源的分配需求；
[0176]
s2，基于目标需求信息确定第一模型对应的目标函数，其中，第一模型用于对目标需求信息进行建模处理，目标函数用于确定目标需求信息与多个目标对象对应的多个决策变量之间的关联关系；
[0177]
s3，将第一模型映射至第二模型，并基于第二模型对目标函数进行分析处理，得到目标求解结果，其中，第二模型用于确定符合目标需求信息的多个决策变量，目标求解结果用于表示多个目标对象对应的目标决策变量组合；
[0178]
s4，基于目标求解结果确定目标分配策略，其中，目标分配策略用于为多个目标对象分配预设活动资源。
[0179]
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0180]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0181]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0182]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0183]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0184]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0185]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0186]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种数据处理方法，其特征在于，包括：获取目标需求信息，其中，所述目标需求信息用于表示对于预设活动资源的分配需求；基于所述目标需求信息确定第一模型对应的目标函数，其中，所述第一模型用于对所述目标需求信息进行建模处理，所述目标函数用于确定所述目标需求信息与多个目标对象对应的多个决策变量之间的关联关系；将所述第一模型映射至第二模型，并基于所述第二模型对所述目标函数进行分析处理，得到目标求解结果，其中，所述第二模型用于确定符合所述目标需求信息的所述多个决策变量，所述目标求解结果用于表示所述多个目标对象对应的目标决策变量组合；基于所述目标求解结果确定目标分配策略，其中，所述目标分配策略用于为所述多个目标对象分配所述预设活动资源。2.根据权利要求1所述的数据处理方法，其特征在于，在基于所述目标需求信息确定所述第一模型对应的所述目标函数之后，所述方法还包括：基于所述目标需求信息确定所述第一模型对应的第一约束条件和第二约束条件，其中，所述第一约束条件用于约束对于所述目标对象的资源分配数量，所述第二约束条件用于约束所述预设活动资源对应的投入成本。3.根据权利要求1所述的数据处理方法，其特征在于，将所述第一模型映射至所述第二模型包括：将所述第一模型的第一模型参数映射为第三模型的第二模型参数，其中，所述第三模型用于对所述多个决策变量进行组合规划；基于所述第二模型参数进行转换处理，得到所述第二模型，所述第二模型为二次无约束二元优化模型。4.根据权利要求3所述的数据处理方法，其特征在于，基于所述第二模型对所述目标函数进行分析处理，得到所述目标求解结果包括：基于所述第一模型的约束条件类型确定对于所述目标函数的目标求解方式；基于所述目标求解方式对所述目标函数进行分析处理，得到所述目标求解结果。5.根据权利要求4所述的数据处理方法，其特征在于，当所述约束条件类型为无约束类型，基于所述目标求解方式对所述目标函数进行分析处理，得到所述目标求解结果包括：对所述目标函数进行转换处理，得到转换结果；利用矩阵形式对所述转换结果进行表示，得到第一表示结果；利用预设求解算法对所述第一表示结果进行分析处理，得到所述目标求解结果。6.根据权利要求5所述的数据处理方法，其特征在于，当所述约束条件类型为等式约束类型，基于所述目标求解方式对所述目标函数进行分析处理，得到所述目标求解结果包括：对所述目标函数进行转换处理，得到所述转换结果；在所述转换结果中添加惩罚项，得到第一处理结果；利用矩阵形式对所述第一处理结果进行表示，得到第二表示结果；利用所述预设求解算法对所述第二表示结果进行分析处理，得到所述目标求解结果。7.根据权利要求6所述的数据处理方法，其特征在于，当所述约束条件类型为不等式约束类型，基于所述目标求解方式对所述目标函数进行分析处理，得到所述目标求解结果包括：
对所述目标函数进行转换处理，得到所述转换结果；利用松弛变量对将所述约束条件的类型进行调整处理，得到调整结果；基于所述调整结果在所述转换结果中添加所述惩罚项，得到第二处理结果；利用矩阵形式对所述第二处理结果进行表示，得到第三表示结果；利用所述预设求解算法对所述第三表示结果进行分析处理，得到所述目标求解结果。8.一种数据处理装置，其特征在于，包括：获取模块，用于获取目标需求信息，其中，所述目标需求信息用于表示对于预设活动资源的分配需求；第一确定模块，用于基于所述目标需求信息确定第一模型对应的目标函数，其中，所述第一模型用于对所述目标需求信息进行建模处理，所述目标函数用于确定所述目标需求信息与多个目标对象对应的多个决策变量之间的关联关系；处理模块，用于将所述第一模型映射至第二模型，并基于所述第二模型对所述目标函数进行分析处理，得到目标求解结果，其中，所述第二模型用于确定符合所述目标需求信息的所述多个决策变量，所述目标求解结果用于表示所述多个目标对象对应的目标决策变量组合；第二确定模块，用于基于所述目标求解结果确定目标分配策略，其中，所述目标分配策略用于为所述多个目标对象分配所述预设活动资源。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的数据处理方法。10.一种电子装置，其特征在于，包括：存储器，存储有可执行程序；处理器，用于运行所述程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的数据处理方法。

技术总结
本发明公开了一种数据处理方法、装置、存储介质及电子装置。其中，该方法包括：获取目标需求信息；基于目标需求信息确定第一模型对应的目标函数；将第一模型映射至第二模型，并基于第二模型对目标函数进行分析处理，得到目标求解结果；基于目标求解结果确定目标分配策略。本发明解决了相关技术在智能营销场景下对大规模整数规划问题进行求解时的运算效率低下、运算结果不准确的技术问题。运算结果不准确的技术问题。运算结果不准确的技术问题。


技术研发人员：李少泉 李琨 张明锐 田江 向小佳 丁永建 李璠
受保护的技术使用者：光大科技有限公司
技术研发日：2023.01.03
技术公布日：2023/7/25