推广对象确定方法、关联关系确定方法、装置及电子设备与流程

1.本技术涉及人工智能技术领域，具体而言，涉及一种推广对象确定方法、关联关系确定方法、装置及电子设备。


背景技术：

2.推广活动成本较高，为了降低成本，提高推广精准度，目前常用的技术为针对具体一个业务场景构建推广意愿模型。推广活动的目标是实现推广敏感人群的转化，但推广意愿模型无法区分转化的人群是推广敏感人群还是自然转化人群。先关技术中的增益模型虽然能够发现推广敏感人群，但目前的增益模型大多都是在单场景的应用，样本较为单一，且样本量较少，无法实现多场景数据和模型共享，会降低推广模型预测精准度。
3.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：

4.本技术实施例提供了一种推广对象确定方法、关联关系确定方法、装置及电子设备，以至少解决由于相关技术中增益模型仅在单场景应用，样本较为单一，且样本量较少，造成模型预测精准度差的技术问题。
5.根据本技术实施例的一个方面，提供了一种推广对象确定方法，包括：采集样本数据，其中，样本数据中包括多个目标场景下的推广数据，每个目标场景下的推广数据中均包括：样本对象的特征数据，以及样本对象对应的第一标识，第一标识用于表征样本对象是否参与目标场景下的业务活动；依据样本数据，确定目标关联关系，其中，目标关联关系用于指示在不同目标场景下，特征数据与第一标识之间的关联关系；依据目标关联关系和候选推广对象的特征数据，预测候选推广对象对应的目标概率，其中，目标概率为候选推广对象参与业务活动的概率；在目标概率满足预设概率条件的情况下，确定候选推广对象为目标推广对象。
6.可选地，特征数据中包括：样本对象的共用特征数据、场景特征数据、以及第二标识，其中，共用特征数据为样本对象在每个目标场景下均具有的信息特征，第二标识用于表征是否对样本对象进行过推广干预；采集样本数据包括：确定每个样本对象对应的共用特征数据和场景特征数据，其中，场景特征数据中包括：第三标识和场景明细数据，第三标识用于指示样本对象所对应的目标场景，场景明细数据为样本对象在对应的目标场景下所对应的业务数据；对于每一个目标场景下的样本对象，随机划分为两组，并向其中一组的样本对象进行推广干预，以及确定样本对象对应的第二标识；监测样本对象对推广干预的响应情况，依据样本对象是否参与目标场景下的业务活动的情况，确定样本数据对应的第一标识。
7.可选地，依据样本数据，确定目标关联关系包括：依据样本对象的第三标识，清空样本对象的场景特征数据中除与第三标识对应的场景明细数据外，其余的场景明细数据；依据预设处理规则，对共用特征数据进行归一化处理，其中，共用特征数据包括以下至少之
一：基础信息、资产数据、流水数据；在经过清空和归一化处理之后，依据样本数据进行训练，确定目标关联关系。
8.可选地，预设处理规则中至少包括：各项共用特征数据对应的数值区间范围，以及每个数值区间范围所对应的目标取值；依据预设处理规则，对共用特征数据进行归一化处理包括：确定各项共用特征数据的数值所对应的数值区间范围；依据预设处理规则，确定数值区间范围对应的目标取值，并将共用特征数据的数值替换为目标取值。
9.可选地，目标概率包括：第一概率和第二概率，其中，第一概率为在第二标识指示未对候选推广对象进行推广干预的情况下，第一标识指示候选推广对象参与目标场景下的业务活动的概率，第二概率为在第二标识指示对候选推广对象进行推广干预的情况下，第一标识指示候选推广对象参与目标场景下的业务活动的概率；依据目标关联关系和候选推广对象的特征数据，预测候选推广对象对应的目标概率包括：确定候选推广对象的共用特征数据；并，依据候选推广对象对应的目标场景，确定候选推广对象的第三标识，以及与第三标识对应的场景明细数据；在假设候选推广对象的第二标识指示未对候选推广对象进行推广干预的情况下，依据目标关联关系、共用特征数据、第三标识，以及与第三标识对应的场景明细数据，预测候选推广对象对应的第一概率；以及，在假设候选推广对象的第二标识指示对候选推广对象进行推广干预的情况下，依据目标关联关系、共用特征数据、第三标识，以及与第三标识对应的场景明细数据，预测候选推广对象对应的第二概率。
10.可选地，在目标概率满足预设概率条件的情况下，确定候选推广对象为目标推广对象包括：确定第二概率和第一概率的目标差值；在目标差值不小于预设差值阈值的情况下，将候选推广对象确定为目标推广对象。
11.可选地，将候选推广对象确定为目标推广对象之后，方法还包括：依据目标推广对象的第三标识，确定与第三标识对应的预设推广策略；依据预设推广策略，对目标推广对象进行推广干预。
12.根据本技术实施例的另一个方面，还提供了一种关联关系确定方法，包括：采集样本数据，其中，样本数据中包括多个目标场景下的推广数据，每个目标场景下的推广数据中均包括：样本对象的特征数据，以及样本对象对应的第一标识，第一标识用于表征样本对象是否参与目标场景下的业务活动；依据样本数据，确定目标关联关系，其中，目标关联关系用于指示在不同目标场景下，特征数据与第一标识之间的关联关系，以及目标关联关系用于通过预测候选推广对象对应的目标概率，来在候选推广对象中确定目标推广对象，其中，目标概率为候选推广对象参与业务活动的概率。
13.根据本技术实施例的另一个方面，还提供了一种推广对象确定装置，包括：数据采集模块，用于采集样本数据，其中，样本数据中包括多个目标场景下的推广数据，每个目标场景下的推广数据中均包括：样本对象的特征数据，以及样本对象对应的第一标识，第一标识用于表征样本对象是否参与目标场景下的业务活动；模型训练模块，用于依据样本数据，确定目标关联关系，其中，目标关联关系用于指示在不同目标场景下，特征数据与第一标识之间的关联关系；概率预测模块，用于依据目标关联关系和候选推广对象的特征数据，预测候选推广对象对应的目标概率，其中，目标概率为候选推广对象参与业务活动的概率；对象确定模块，用于在目标概率满足预设概率条件的情况下，确定候选推广对象为目标推广对象。
14.根据本技术实施例的又一方面，还提供了一种电子设备，包括：存储器和处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行推广对象确定方法或关联关系确定方法。
15.根据本技术实施例的再一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的计算机程序，其中，非易失性存储介质所在设备通过运行计算机程序执行推广对象确定方法或关联关系确定方法。
16.在本技术实施例中，采用采集样本数据，其中，样本数据中包括多个目标场景下的推广数据，每个目标场景下的推广数据中均包括：样本对象的特征数据，以及样本对象对应的第一标识，第一标识用于表征样本对象是否参与目标场景下的业务活动；依据样本数据，确定目标关联关系，其中，目标关联关系用于指示在不同目标场景下，特征数据与第一标识之间的关联关系；依据目标关联关系和候选推广对象的特征数据，预测候选推广对象对应的目标概率，其中，目标概率为候选推广对象参与业务活动的概率；在目标概率满足预设概率条件的情况下，确定候选推广对象为目标推广对象的方式，通过将多场景的特征融合并将场景标识作为特征来扩充样本数量，达到了提升分类器的准确率和泛化能力的目的，进而解决了由于相关技术中增益模型仅在单场景应用，样本较为单一，且样本量较少，造成模型预测精准度差技术问题。
附图说明
17.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1是根据本技术实施例提供的一种推广对象确定的方法流程的示意图；
19.图2是根据本技术实施例提供的一种联合多场景推广增益模型训练的流程示意图；
20.图3是根据本技术实施例提供的一种联合多场景推广增益模型预测的流程示意图；
21.图4是根据本技术实施例提供的一种关联关系确定的方法流程的示意图；
22.图5是根据本技术实施例提供的一种推广对象确定装置的结构示意图；
23.图6是根据本技术实施例提供的一种用于实现推广对象确定的方法或关联关系确定方法的电子设备的结构示意图。
具体实施方式
24.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
25.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
26.需要说明的是，本技术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，以便这里描述的本技术的实施例。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。
27.为了方便本领域技术人员更好地理解本技术实施例，现将本技术实施例涉及的部分技术术语或者名词解释如下：
28.推广敏感人群：没有推广活动就不产生行为，有推广活动后才会产生行为的人群。
29.自然转化人群：无论有无推广活动，都会产生行为的人群。
30.无动于衷人群：无论有无推广活动，都不会产生行为的人群。
31.反作用：对推广活动反感，无推广活动有行为，有推广活动后没有行为的人群。
32.干预：举办推广活动，如发放优惠券，红包等方式给用户。
33.转化：产生行为的动作，如客户下单，客户进行了缴费，客户用了第三方快捷支付。
34.需要说明的是，本公开所涉及的相关信息(包括但不限于推广数据、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
35.推广活动成本较高，为了降低成本，提高推广精准度，目前的相关技术为针对具体一个业务场景构建推广意愿模型。即通过此场景历史推广活动数据，将参与推广活动并成功转化的用户标记为正样本，即通过此场景历史推广活动数据，训练模型，以实现推广的降本增效。例如，分别针对某金融机构应用缴费场景(简称：缴费场景)，和第三方快捷支付场景，为了促活，两个场景有多次推广活动，某金融机构应用缴费场景通过发送代扣红包，快捷场景通过发放支付满减优惠券，两种场景的推广活动通过站外广告，短信和智能外呼等方式实现，推广成本较高。故为了提供推广精准度，针对缴费场景和第三方快捷支付场景按上述建模方式构建推广意愿模型。
36.然而，推广活动的目标是实现推广敏感人群的转化。相关技术中的推广意愿模型(又称为响应模型)无法区分转化的人群是推广敏感人群还是自然转化人群，对于自然转化人群，不发放红包或者优惠券，这部分人都会发现转化行为，对其推广是没有作用又消耗成本的，而推广敏感人群才是推广活动的目标人群。故响应模型无法真正实现推广活动的目的。而相关技术中的增益模型，可以通过学习用户在干预前后转化的差值，能够发现推广敏感人群。但目前的增益模型大多都是在单场景的应用，样本较为单一，且样本量较少，无法实现多场景数据和模型共享，会降低推广模型预测精准度。
37.为了解决上述问题，本技术实施例中提供了相关的解决方案，以下详细说明。
38.下面结合优选的实施步骤对本技术进行说明，图1是根据本技术实施例提供的一种推广对象确定的方法流程的示意图，如图1所示，该方法包括如下步骤：
39.步骤s102，采集样本数据，其中，样本数据中包括多个目标场景下的推广数据，每个目标场景下的推广数据中均包括：样本对象的特征数据，以及样本对象对应的第一标识，第一标识用于表征样本对象是否参与目标场景下的业务活动；
40.上述目标场景可以为实际生产生活中的各类推广场景，为便于理解，在本实施例中以两个目标场景(某金融机构应用缴费场景和第三方快捷支付场景)为例对本技术方案进行说明，其中某金融机构应用缴费场景通过发送代扣红包的方式进行推广干预，第三方快捷支付场景通过发放支付满减优惠券的方式进行推广干预。
41.在步骤s102所提供的技术方案中，特征数据中包括：样本对象的共用特征数据、场景特征数据、以及第二标识，其中，共用特征数据为样本对象在每个目标场景下均具有的信息特征，第二标识用于表征是否对样本对象进行过推广干预；
42.在本技术的一些实施例中，采集样本数据包括以下步骤：确定每个样本对象对应的共用特征数据和场景特征数据，其中，场景特征数据中包括：第三标识和场景明细数据，第三标识用于指示样本对象所对应的目标场景，场景明细数据为样本对象在对应的目标场景下所对应的业务数据；对于每一个目标场景下的样本对象，随机划分为两组，并向其中一组的样本对象进行推广干预，以及确定样本对象对应的第二标识；监测样本对象对推广干预的响应情况，依据样本对象是否参与目标场景下的业务活动的情况，确定样本数据对应的第一标识。
43.举例说明，针对缴费红包代扣推广活动人群客户数量为a和快捷动卡促活推广活动人群客户数量为b(一个客户即为一个样本对象)，a随机切分30％人群a1投放红包(其中10％投放2元红包，10％投放3元红包，10％投放5元红包)，70％人群a2不投放优惠；b随机切分30％人群b1投放红包(10％投放1元红包，10％投放3元红包，10％投放5元红包)，70％人群b2不投放红包，按上述策略实施投放活动(即上述进行推广干预)。
44.在推广干预结束后，针对a和b人群构建训练样本：对a1及a2人群，将参与代扣活动的标识(flag)(即上述第一标识)为正样本1，未参与标识(flag)为0，同样方式对b1和b2人群进行打标。
45.以及对样本对象进行特征构建，针对第一标识已打标的样本，构建特征，特征共包含三大类：场景共用特征部分(即上述共用特征数据)、场景个性化部分(即上述场景特征数据)和干预推广标识(即上述第二标识)。
46.其中，场景共用特征部分(即上述共用特征数据)，至少包括：基本信息类型(即上述基本信息)、个人资产类型(即上述资产数据)、流水类型(即上述流水数据)等；场景个性化部分(即上述场景特征数据)，至少包括：场景类型标识(即上述第三标识)(例如，缴费场景：1和快捷场景：2)，场景明细数据(例如，与缴费场景对应的缴费明细数据和与快捷场景对应的快捷支付明细数据)；干预推广标识(即上述第二标识，例如，投放红包特征为1，未投放红包特征为0)。具体如下表举例所示。
[0047][0048]
步骤s104，依据样本数据，确定目标关联关系，其中，目标关联关系用于指示在不同目标场景下，特征数据与第一标识之间的关联关系；
[0049]
在本实施例中，以模型的形式来表述上述目标关联关系。
[0050]
在本技术的一些实施例中，依据样本数据，确定目标关联关系包括以下步骤：依据样本对象的第三标识，清空样本对象的场景特征数据中除与第三标识对应的场景明细数据外，其余的场景明细数据；依据预设处理规则，对共用特征数据进行归一化处理，其中，共用特征数据包括以下至少之一：基础信息、资产数据、流水数据；在经过清空和归一化处理之后，依据样本数据进行训练，确定目标关联关系。
[0051]
在本技术的一些实施例中，预设处理规则中至少包括：各项共用特征数据对应的数值区间范围，以及每个数值区间范围所对应的目标取值；
[0052]
为了提升模型训练的效率，依据预设处理规则，对共用特征数据进行归一化处理包括以下步骤：确定各项共用特征数据的数值所对应的数值区间范围；依据预设处理规则，确定数值区间范围对应的目标取值，并将共用特征数据的数值替换为目标取值。
[0053]
下面进行举例说明，图2是根据本技术实施例提供的一种联合多场景推广增益模型训练的流程示意图，如图2所示，具体地，对a1，a2，b1，b2样本计算共用特征数据；对a1，a2样本场景类特征中，场景标识(即上述第三标识)赋值为1，计算缴费明细特征数据(即上述与第三标识1对应的场景明细数据)，将快捷支付特征数据置为空(即其余的场景明细数据)，将a1干预标识(即上述第二标识)置为1，将a2的干预标识(即上述第二标识)置为0。同理，对b1，b2样本场景类特征中，场景标识(即上述第三标识)赋值为2，计算缴费明细特征数据置为空，计算快捷支付特征数据(即上述与第三标识2对应的场景明细数据)，将b1干预标识(即上述第二标识)置为1，b2干预标识置(即上述第二标识)为0；
[0054]
然后，对上述特征进行归一化操作，下面以共用特征数据中基础信息的年龄数据
为例对归一化操作进行举例说明，具体地，对于确定当前年龄数据所对应的年龄数值取值区间，再将该数值取值区间对应的目标取值替换当前的年龄数据，例如，小于18岁为0，18-25为1等，最后，使用模型(例如xgboost模型)对上述数据进行二分类训练，得到二分类模型g(即上述目标关联关系)。
[0055]
通过联合两种场景推广活动数据，构建多场景推广增量模型。通过ab实验实现干预组和对照对人群划分，将场景信息和是否干预信息以及用户在两个场景历史行为作为特征，采用xgboost作为分类器，构建两个场景共用的推广意愿增量模型，丰富样本数据及特征数据，实现两个场景模型共享，提升模型精准度，节省模型计算资源。
[0056]
步骤s106，依据目标关联关系和候选推广对象的特征数据，预测候选推广对象对应的目标概率，其中，目标概率为候选推广对象参与业务活动的概率；
[0057]
在本技术的一些实施例中，目标概率包括：第一概率和第二概率，其中，第一概率为在第二标识指示未对候选推广对象进行推广干预的情况下，第一标识指示候选推广对象参与目标场景下的业务活动的概率，第二概率为在第二标识指示对候选推广对象进行推广干预的情况下，第一标识指示候选推广对象参与目标场景下的业务活动的概率；
[0058]
在本技术的一些实施例中，依据目标关联关系和候选推广对象的特征数据，预测候选推广对象对应的目标概率包括以下步骤：确定候选推广对象的共用特征数据；并依据候选推广对象对应的目标场景，确定候选推广对象的第三标识，以及与第三标识对应的场景明细数据；在假设候选推广对象的第二标识指示未对候选推广对象进行推广干预的情况下，依据目标关联关系、共用特征数据、第三标识，以及与第三标识对应的场景明细数据，预测候选推广对象对应的第一概率；以及，在假设候选推广对象的第二标识指示对候选推广对象进行推广干预的情况下，依据目标关联关系、共用特征数据、第三标识，以及与第三标识对应的场景明细数据，预测候选推广对象对应的第二概率。
[0059]
具体地，基于步骤s104得到的二分类模型g(即上述目标关联关系)，对待推广客群(即上述候选推广对象)进行预测，根据预测结果进行推广干预，例如，实施红包投放，举例说明，将缴费场景待推广客群记录为c，将快捷支付待推广客群记录为d，确定c、d的共用特征数据，
[0060]
以及，对客群c中的客户，将场景标识(即上述第三标识)置为1，计算缴费明细相关特征(即上述与第三标识对应的场景明细数据)，将快捷明细特征置为空，将干预标识(即上述第二标识)置为0，送入模型g(即上述目标关联关系)，得到概率proj1(即上述第一概率)；再将干预标识(即上述第二标识)置为1，送入模型g(即上述目标关联关系)，得到概率proj2(即上述第二概率)。
[0061]
对客群d中的客户，将场景标识(即上述第三标识)置为2，计算快捷明细相关特征(即上述与第三标识对应的场景明细数据)，将缴费明细特征置为空，将干预标识(即上述第二标识)置为0，送入模型g(即上述目标关联关系)，得到概率prok1(即上述第一概率)；在将干预标识(即上述第二标识)置为1，送入模型g(即上述目标关联关系)，得到概率prok2(即上述第一概率)。
[0062]
步骤s108，在目标概率满足预设概率条件的情况下，确定候选推广对象为目标推广对象。
[0063]
在本技术的一些实施例中，在目标概率满足预设概率条件的情况下，确定候选推
广对象为目标推广对象包括以下步骤：确定第二概率和第一概率的目标差值；在目标差值不小于预设差值阈值的情况下，将候选推广对象确定为目标推广对象。
[0064]
图3是根据本技术实施例提供的一种联合多场景推广增益模型预测的流程示意图，如图3所示，对于缴费场景下的客群c中的客户，计算a＝proj2(即上述第二概率)-proj1(即上述第一概率)，若a(即上述目标差值)》＝f(即上述预设差值阈值)(在本实施例中，f置为0.2，可根据场景情况调整)，则将该客群c中的客户确定为目标推广对象，进行红包投放，若a《f，则不进行红包投放。以及，对于快捷支付场景下的客群d中的客户，计算a＝prok2(即上述第二概率)-prok1(即上述第一概率)，若a(即上述目标差值)》＝f(即上述预设差值阈值)(在本实施例中，置为0.2，可根据场景情况调整)，则将客群d中的客户确定为目标推广对象，进行红包投放，若a《f,则不进行红包投放。
[0065]
作为一种可选的实施方式，将候选推广对象确定为目标推广对象之后，方法还包括以下步骤：依据目标推广对象的第三标识，确定与第三标识对应的预设推广策略；依据预设推广策略，对目标推广对象进行推广干预。
[0066]
本技术提出了一种联合多场景精准推广增益模型，适用于精准推广场景，将多场景的特征融合并将场景标识作为特征来扩充样本数量，提升分类器的准确率和泛化能力。其实引入增益模型，能够较准确评估出推广敏感人群，避免推广费用对自然转化人群的投放，节约推广费用的使用，达到降本增效的作用。
[0067]
通过上述步骤，通过将多场景的特征融合并将场景标识作为特征来扩充样本数量，达到了提升分类器的准确率和泛化能力的目的，进而解决了由于相关技术中增益模型仅在单场景应用，样本较为单一，且样本量较少，造成模型预测精准度差技术问题。
[0068]
根据本技术实施例，还提供了一种关联关系确定方法的实施例。图4是根据本技术实施例提供的一种关联关系确定的方法流程的示意图，如图4所示，该方法包括如下步骤：
[0069]
步骤s402，采集样本数据，其中，样本数据中包括多个目标场景下的推广数据，每个目标场景下的推广数据中均包括：样本对象的特征数据，以及样本对象对应的第一标识，第一标识用于表征样本对象是否参与目标场景下的业务活动；
[0070]
步骤s404，依据样本数据，确定目标关联关系，其中，目标关联关系用于指示在不同目标场景下，特征数据与第一标识之间的关联关系，以及目标关联关系用于通过预测候选推广对象对应的目标概率，来在候选推广对象中确定目标推广对象，其中，目标概率为候选推广对象参与业务活动的概率。
[0071]
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。
[0072]
根据本技术实施例，还提供了一种推广对象确定装置的实施例。需要说明的是，本技术实施例的推广对象确定装置可以用于执行本技术实施例所提供的推广对象确定方法。以下对本技术实施例提供的推广对象确定装置进行介绍。
[0073]
图5是根据本技术实施例提供的一种推广对象确定装置的结构示意图。如图5所示，该装置包括：
[0074]
数据采集模块50，用于采集样本数据，其中，样本数据中包括多个目标场景下的推广数据，每个目标场景下的推广数据中均包括：样本对象的特征数据，以及样本对象对应的
第一标识，第一标识用于表征样本对象是否参与目标场景下的业务活动；
[0075]
模型训练模块52，用于依据样本数据，确定目标关联关系，其中，目标关联关系用于指示在不同目标场景下，特征数据与第一标识之间的关联关系；
[0076]
概率预测模块54，用于依据目标关联关系和候选推广对象的特征数据，预测候选推广对象对应的目标概率，其中，目标概率为候选推广对象参与业务活动的概率；
[0077]
对象确定模块56，用于在目标概率满足预设概率条件的情况下，确定候选推广对象为目标推广对象。
[0078]
本技术实施例提供的推广对象确定装置，通过将多场景的特征融合并将场景标识作为特征来扩充样本数量，达到了提升分类器的准确率和泛化能力的目的，进而解决了由于相关技术中增益模型仅在单场景应用，样本较为单一，且样本量较少，造成模型预测精准度差技术问题。
[0079]
所述推广对象确定装置包括处理器和存储器，上述数据采集模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0080]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决了由于相关技术中增益模型仅在单场景应用，样本较为单一，且样本量较少，造成模型预测精准度差技术问题。
[0081]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0082]
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述推广对象确定方法。
[0083]
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述推广对象确定方法。
[0084]
如图6所示，本发明实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
[0085]
步骤1，采集样本数据，其中，样本数据中包括多个目标场景下的推广数据，每个目标场景下的推广数据中均包括：样本对象的特征数据，以及样本对象对应的第一标识，第一标识用于表征样本对象是否参与目标场景下的业务活动；
[0086]
在本技术的一些实施例中，特征数据中包括：样本对象的共用特征数据、场景特征数据、以及第二标识，其中，共用特征数据为样本对象在每个目标场景下均具有的信息特征，第二标识用于表征是否对样本对象进行过推广干预；采集样本数据包括：确定每个样本对象对应的共用特征数据和场景特征数据，其中，场景特征数据中包括：第三标识和场景明细数据，第三标识用于指示样本对象所对应的目标场景，场景明细数据为样本对象在对应的目标场景下所对应的业务数据；对于每一个目标场景下的样本对象，随机划分为两组，并向其中一组的样本对象进行推广干预，以及确定样本对象对应的第二标识；监测样本对象对推广干预的响应情况，依据样本对象是否参与目标场景下的业务活动的情况，确定样本数据对应的第一标识。
[0087]
步骤2，依据样本数据，确定目标关联关系，其中，目标关联关系用于指示在不同目标场景下，特征数据与第一标识之间的关联关系；
[0088]
在本技术的一些实施例中，依据样本数据，确定目标关联关系包括：依据样本对象的第三标识，清空样本对象的场景特征数据中除与第三标识对应的场景明细数据外，其余的场景明细数据；依据预设处理规则，对共用特征数据进行归一化处理，其中，共用特征数据包括以下至少之一：基础信息、资产数据、流水数据；在经过清空和归一化处理之后，依据样本数据进行训练，确定目标关联关系。
[0089]
在本技术的一些实施例中，预设处理规则中至少包括：各项共用特征数据对应的数值区间范围，以及每个数值区间范围所对应的目标取值；依据预设处理规则，对共用特征数据进行归一化处理包括：确定各项共用特征数据的数值所对应的数值区间范围；依据预设处理规则，确定数值区间范围对应的目标取值，并将共用特征数据的数值替换为目标取值。
[0090]
步骤3，依据目标关联关系和候选推广对象的特征数据，预测候选推广对象对应的目标概率，其中，目标概率为候选推广对象参与业务活动的概率；
[0091]
在本技术的一些实施例中，目标概率包括：第一概率和第二概率，其中，第一概率为在第二标识指示未对候选推广对象进行推广干预的情况下，第一标识指示候选推广对象参与目标场景下的业务活动的概率，第二概率为在第二标识指示对候选推广对象进行推广干预的情况下，第一标识指示候选推广对象参与目标场景下的业务活动的概率；依据目标关联关系和候选推广对象的特征数据，预测候选推广对象对应的目标概率包括：确定候选推广对象的共用特征数据；并依据候选推广对象对应的目标场景，确定候选推广对象的第三标识，以及与第三标识对应的场景明细数据；在假设候选推广对象的第二标识指示未对候选推广对象进行推广干预的情况下，依据目标关联关系、共用特征数据、第三标识，以及与第三标识对应的场景明细数据，预测候选推广对象对应的第一概率；以及，在假设候选推广对象的第二标识指示对候选推广对象进行推广干预的情况下，依据目标关联关系、共用特征数据、第三标识，以及与第三标识对应的场景明细数据，预测候选推广对象对应的第二概率。
[0092]
步骤4，在目标概率满足预设概率条件的情况下，确定候选推广对象为目标推广对象。
[0093]
在本技术的一些实施例中，在目标概率满足预设概率条件的情况下，确定候选推广对象为目标推广对象包括：确定第二概率和第一概率的目标差值；在目标差值不小于预设差值阈值的情况下，将候选推广对象确定为目标推广对象。
[0094]
在本技术的一些实施例中，将候选推广对象确定为目标推广对象之后，方法还包括：依据目标推广对象的第三标识，确定与第三标识对应的预设推广策略；依据预设推广策略，对目标推广对象进行推广干预。
[0095]
本文中的设备可以是服务器、pc、pad、手机等。
[0096]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
[0097]
步骤1，采集样本数据，其中，样本数据中包括多个目标场景下的推广数据，每个目标场景下的推广数据中均包括：样本对象的特征数据，以及样本对象对应的第一标识，第一标识用于表征样本对象是否参与目标场景下的业务活动；
[0098]
在本技术的一些实施例中，特征数据中包括：样本对象的共用特征数据、场景特征
数据、以及第二标识，其中，共用特征数据为样本对象在每个目标场景下均具有的信息特征，第二标识用于表征是否对样本对象进行过推广干预；采集样本数据包括：确定每个样本对象对应的共用特征数据和场景特征数据，其中，场景特征数据中包括：第三标识和场景明细数据，第三标识用于指示样本对象所对应的目标场景，场景明细数据为样本对象在对应的目标场景下所对应的业务数据；对于每一个目标场景下的样本对象，随机划分为两组，并向其中一组的样本对象进行推广干预，以及确定样本对象对应的第二标识；监测样本对象对推广干预的响应情况，依据样本对象是否参与目标场景下的业务活动的情况，确定样本数据对应的第一标识。
[0099]
步骤2，依据样本数据，确定目标关联关系，其中，目标关联关系用于指示在不同目标场景下，特征数据与第一标识之间的关联关系；
[0100]
在本技术的一些实施例中，依据样本数据，确定目标关联关系包括：依据样本对象的第三标识，清空样本对象的场景特征数据中除与第三标识对应的场景明细数据外，其余的场景明细数据；依据预设处理规则，对共用特征数据进行归一化处理，其中，共用特征数据包括以下至少之一：基础信息、资产数据、流水数据；在经过清空和归一化处理之后，依据样本数据进行训练，确定目标关联关系。
[0101]
在本技术的一些实施例中，预设处理规则中至少包括：各项共用特征数据对应的数值区间范围，以及每个数值区间范围所对应的目标取值；依据预设处理规则，对共用特征数据进行归一化处理包括：确定各项共用特征数据的数值所对应的数值区间范围；依据预设处理规则，确定数值区间范围对应的目标取值，并将共用特征数据的数值替换为目标取值。
[0102]
步骤3，依据目标关联关系和候选推广对象的特征数据，预测候选推广对象对应的目标概率，其中，目标概率为候选推广对象参与业务活动的概率；
[0103]
在本技术的一些实施例中，目标概率包括：第一概率和第二概率，其中，第一概率为在第二标识指示未对候选推广对象进行推广干预的情况下，第一标识指示候选推广对象参与目标场景下的业务活动的概率，第二概率为在第二标识指示对候选推广对象进行推广干预的情况下，第一标识指示候选推广对象参与目标场景下的业务活动的概率；依据目标关联关系和候选推广对象的特征数据，预测候选推广对象对应的目标概率包括：确定候选推广对象的共用特征数据；并依据候选推广对象对应的目标场景，确定候选推广对象的第三标识，以及与第三标识对应的场景明细数据；在假设候选推广对象的第二标识指示未对候选推广对象进行推广干预的情况下，依据目标关联关系、共用特征数据、第三标识，以及与第三标识对应的场景明细数据，预测候选推广对象对应的第一概率；以及，在假设候选推广对象的第二标识指示对候选推广对象进行推广干预的情况下，依据目标关联关系、共用特征数据、第三标识，以及与第三标识对应的场景明细数据，预测候选推广对象对应的第二概率。
[0104]
步骤4，在目标概率满足预设概率条件的情况下，确定候选推广对象为目标推广对象。
[0105]
在本技术的一些实施例中，在目标概率满足预设概率条件的情况下，确定候选推广对象为目标推广对象包括：确定第二概率和第一概率的目标差值；在目标差值不小于预设差值阈值的情况下，将候选推广对象确定为目标推广对象。
[0106]
在本技术的一些实施例中，将候选推广对象确定为目标推广对象之后，方法还包括：依据目标推广对象的第三标识，确定与第三标识对应的预设推广策略；依据预设推广策略，对目标推广对象进行推广干预。
[0107]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0108]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0109]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0110]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0111]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0112]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0113]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0114]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的
过程、方法、商品或者设备中还存在另外的相同要素。
[0115]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0116]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种推广对象确定方法，其特征在于，包括：采集样本数据，其中，所述样本数据中包括多个目标场景下的推广数据，每个所述目标场景下的所述推广数据中均包括：样本对象的特征数据，以及所述样本对象对应的第一标识，所述第一标识用于表征所述样本对象是否参与所述目标场景下的业务活动；依据所述样本数据，确定目标关联关系，其中，所述目标关联关系用于指示在不同所述目标场景下，所述特征数据与所述第一标识之间的关联关系；依据所述目标关联关系和候选推广对象的所述特征数据，预测所述候选推广对象对应的目标概率，其中，所述目标概率为所述候选推广对象参与所述业务活动的概率；在所述目标概率满足预设概率条件的情况下，确定所述候选推广对象为目标推广对象。2.根据权利要求1所述的推广对象确定方法，其特征在于，所述特征数据中包括：所述样本对象的共用特征数据、场景特征数据、以及第二标识，其中，所述共用特征数据为所述样本对象在每个所述目标场景下均具有的信息特征，所述第二标识用于表征是否对所述样本对象进行过推广干预；采集样本数据包括：确定每个所述样本对象对应的所述共用特征数据和所述场景特征数据，其中，所述场景特征数据中包括：第三标识和场景明细数据，所述第三标识用于指示所述样本对象所对应的所述目标场景，所述场景明细数据为所述样本对象在对应的所述目标场景下所对应的业务数据；对于每一个所述目标场景下的所述样本对象，随机划分为两组，并向其中一组的所述样本对象进行推广干预，以及确定所述样本对象对应的所述第二标识；监测所述样本对象对所述推广干预的响应情况，依据所述样本对象是否参与所述目标场景下的业务活动的情况，确定所述样本数据对应的所述第一标识。3.根据权利要求2所述的推广对象确定方法，其特征在于，依据所述样本数据，确定目标关联关系包括：依据所述样本对象的所述第三标识，清空所述样本对象的所述场景特征数据中除与所述第三标识对应的所述场景明细数据外，其余的所述场景明细数据；依据预设处理规则，对所述共用特征数据进行归一化处理，其中，所述共用特征数据包括以下至少之一：基础信息、资产数据、流水数据；在经过所述清空和归一化处理之后，依据所述样本数据进行训练，确定所述目标关联关系。4.根据权利要求3所述的推广对象确定方法，其特征在于，所述预设处理规则中至少包括：各项所述共用特征数据对应的数值区间范围，以及每个所述数值区间范围所对应的目标取值；依据预设处理规则，对所述共用特征数据进行归一化处理包括：确定各项所述共用特征数据的数值所对应的所述数值区间范围；依据所述预设处理规则，确定所述数值区间范围对应的所述目标取值，并将所述共用特征数据的数值替换为所述目标取值。5.根据权利要求2所述的推广对象确定方法，其特征在于，所述目标概率包括：第一概率和第二概率，其中，所述第一概率为在所述第二标识指示未对所述候选推广对象进行推广干预的情况下，所述第一标识指示所述候选推广对象参与所述目标场景下的业务活动的
概率，所述第二概率为在所述第二标识指示对所述候选推广对象进行推广干预的情况下，所述第一标识指示所述候选推广对象参与所述目标场景下的业务活动的概率；依据所述目标关联关系和候选推广对象的所述特征数据，预测所述候选推广对象对应的目标概率包括：确定所述候选推广对象的所述共用特征数据；并，依据所述候选推广对象对应的所述目标场景，确定所述候选推广对象的所述第三标识，以及与所述第三标识对应的所述场景明细数据；在假设所述候选推广对象的所述第二标识指示未对所述候选推广对象进行推广干预的情况下，依据所述目标关联关系、所述共用特征数据、所述第三标识，以及与所述第三标识对应的所述场景明细数据，预测所述候选推广对象对应的所述第一概率；以及，在假设所述候选推广对象的所述第二标识指示对所述候选推广对象进行推广干预的情况下，依据所述目标关联关系、所述共用特征数据、所述第三标识，以及与所述第三标识对应的所述场景明细数据，预测所述候选推广对象对应的所述第二概率。6.根据权利要求5所述的推广对象确定方法，其特征在于，在所述目标概率满足预设概率条件的情况下，确定所述候选推广对象为目标推广对象包括：确定所述第二概率和所述第一概率的目标差值；在所述目标差值不小于预设差值阈值的情况下，将所述候选推广对象确定为所述目标推广对象。7.根据权利要求6所述的推广对象确定方法，其特征在于，将所述候选推广对象确定为所述目标推广对象之后，所述方法还包括：依据所述目标推广对象的所述第三标识，确定与所述第三标识对应的预设推广策略；依据所述预设推广策略，对所述目标推广对象进行推广干预。8.一种关联关系确定方法，其特征在于，包括：采集样本数据，其中，所述样本数据中包括多个目标场景下的推广数据，每个所述目标场景下的所述推广数据中均包括：样本对象的特征数据，以及所述样本对象对应的第一标识，所述第一标识用于表征所述样本对象是否参与所述目标场景下的业务活动；依据所述样本数据，确定目标关联关系，其中，所述目标关联关系用于指示在不同所述目标场景下，所述特征数据与所述第一标识之间的关联关系，以及所述目标关联关系用于通过预测候选推广对象对应的目标概率，来在所述候选推广对象中确定目标推广对象，其中，所述目标概率为所述候选推广对象参与所述业务活动的概率。9.一种推广对象确定装置，其特征在于，包括：数据采集模块，用于采集样本数据，其中，所述样本数据中包括多个目标场景下的推广数据，每个所述目标场景下的所述推广数据中均包括：样本对象的特征数据，以及所述样本对象对应的第一标识，所述第一标识用于表征所述样本对象是否参与所述目标场景下的业务活动；模型训练模块，用于依据所述样本数据，确定目标关联关系，其中，所述目标关联关系用于指示在不同所述目标场景下，所述特征数据与所述第一标识之间的关联关系；概率预测模块，用于依据所述目标关联关系和候选推广对象的所述特征数据，预测所述候选推广对象对应的目标概率，其中，所述目标概率为所述候选推广对象参与所述业务
活动的概率；对象确定模块，用于在所述目标概率满足预设概率条件的情况下，确定所述候选推广对象为目标推广对象。10.一种电子设备，其特征在于，包括：存储器和处理器，所述处理器用于运行存储在所述存储器中的程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的推广对象确定方法或权利要求8中所述的关联关系确定方法。11.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的计算机程序，其中，所述非易失性存储介质所在设备通过运行所述计算机程序执行权利要求1至7中任意一项所述推广对象确定方法或权利要求8中所述的关联关系确定方法。

技术总结
本申请公开了一种推广对象确定方法、关联关系确定方法、装置及电子设备。涉及人工智能领域，其中，该方法包括：采集样本数据，其中，样本数据中包括多个目标场景下的推广数据，每个目标场景下的推广数据中均包括：样本对象的特征数据，以及样本对象对应的第一标识，第一标识用于表征样本对象是否参与目标场景下的业务活动；依据样本数据，确定目标关联关系；依据目标关联关系和候选推广对象的特征数据，预测候选推广对象对应的目标概率；在目标概率满足预设概率条件的情况下，确定候选推广对象为目标推广对象。本申请解决了由于相关技术中增益模型仅在单场景应用，样本较为单一，且样本量较少，造成模型预测精准度差的技术问题。造成模型预测精准度差的技术问题。造成模型预测精准度差的技术问题。


技术研发人员：贾小茹 韩奇城 文弘扬 李国琪
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.05.26
技术公布日：2023/8/9