权益发放方法、装置、电子设备及可读存储介质

技术领域

本发明涉及人工智能技术，尤其涉及一种权益发放方法、装置、电子设备及可读存储介质。

背景技术

随着人们需求的逐渐增加，市场上产品之间的差异性逐渐降低，因此，企业或公司等产品供应商为了增加用户的黏着度，会定期向用户发送一些产品之外的权益，例如，优惠券、现金券等。

现有的权益发放方法多为基于产品热度的权益发放，即通过统计当前多个产品的使用热度，根据该使用热度对所有用户进行统一的权益发放。该方法中，没有考虑到不同用户的需求存在较大差异，仅利用产品的热度来决定如何对权益进行发放，进而导致权益发放的精确度较低，将用户不需要的权益发放至用户手中，降低用户的体验感，减少用户的黏着度。因此，如何提高权益发放的准确度，成为了亟待解决的问题。

发明内容

本发明提供一种权益发放方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高权益发放的准确度。

为实现上述目的，本发明提供的一种权益发放方法，包括：

获取用户的历史权益使用数据，其中，所述历史权益使用数据，包括：不同权益的获取次数及实际使用次数；

根据所述历史权益使用数据中权益的数量构建空白矩阵；

根据所述获取次数及所述实际使用次数计算所述历史权益使用数据中每个权益的权益使用率，利用所述权益使用率对所述空白矩阵进行矩阵填充，得到权益使用率矩阵；

按照预设数量对所述权益使用率矩阵中的元素进行多次随机采样，得到所述权益使用率矩阵的多个子集矩阵；

利用预构建的用户分类模型对所述多个子集矩阵中每一个子集矩阵进行矩阵特征提取，得到矩阵特征值；

利用所述矩阵特征值对所有所述子集矩阵进行筛选，得到目标子集矩阵；

根据所述目标子集矩阵对所述历史权益使用数据中的所有权益进行筛选，并将筛选的权益发放给所述用户。

可选地，所述根据所述历史权益使用数据中权益的数量构建空白矩阵，包括：

根据所述历史权益使用数据中权益的数量构建相同元素数量的空白矩阵；

利用所述历史权益使用数据中的所有权益依次为所述空白矩阵中的每个元素标记一种权益。

可选地，所述根据所述获取次数及所述实际使用次数计算所述历史权益使用数据中每个权益的权益使用率，利用所述权益使用率对所述空白矩阵进行矩阵填充，得到权益使用率矩阵，包括：

根据每种所述权益对应的所述获取次数及所述使用次数进行计算，得到对应的权益使用率；

将所述用户对应的所有权益使用率依次替换所述空白矩阵中标记有相同权益的元素，得到权益使用率矩阵。

可选地，所述按照预设数量对所述权益使用率矩阵中的元素进行多次随机采样，得到所述权益使用率矩阵的多个子集矩阵，包括：

按照预设数量对所述权益使用率矩阵中的元素进行随机采样，并将采样得到的元素汇集为所述权益使用率矩阵的子集矩阵；

判断所述子集矩阵的数量是否等于预设阈值；

若所述采样元素的数量不等于预设阈值，则返回按照预设数量对所述权益使用率矩阵中的元素进行随机采样的步骤；

若所述采样元素的数量等于预设数量，则将所有子集矩阵汇集为所述权益使用率矩阵的多个子集矩阵。

可选地，所述利用预构建的用户分类模型对所述多个子集矩阵中每一个子集矩阵进行矩阵特征提取，得到矩阵特征值，包括：

从所述多个子集矩阵中逐个选取其中一个矩阵为目标矩阵；

将所述目标矩阵输入所述用户分类模型；

获取所述用户分类模型中最后一层全连接层所有节点的输出值进行计算，得到所述矩阵特征值。

可选地，所述利用所述矩阵特征值对所有所述子集矩阵进行筛选，得到目标子集矩阵，包括：

判断所有所述矩阵特征值中最大值的个数；

当所述最大值的个数大于1，则选取每个所述最大值对应的所述子集矩阵中的权益使用率的最大值，得到子集矩阵最大值；

选取所有所述子集矩阵最大值中最大值对应的子集矩阵，得到所述目标子集矩阵；

当所述最大值的个数等于1，选取所述最大值对应的子集矩阵，得到所述目标子集矩阵。

可选地，所述根据所述目标子集矩阵对所述历史权益使用数据中的所有权益进行筛选，并将筛选的权益发放给所述用户，包括：

选取所述目标子集矩阵中最大的权益使用率，得到目标权益使用率；

将所述目标权益使用率对应的权益发放给所述用户。

为了解决上述问题，本发明还提供一种权益发放装置，所述装置包括：

矩阵构建模块，用于获取用户的历史权益使用数据，其中，所述历史权益使用数据，包括：不同权益的获取次数及实际使用次数；根据所述历史权益使用数据中权益的数量构建空白矩阵；根据所述获取次数及所述实际使用次数计算所述历史权益使用数据中每个权益的权益使用率，利用所述权益使用率对所述空白矩阵进行矩阵填充，得到权益使用率矩阵；按照预设数量对所述权益使用率矩阵中的元素进行多次随机采样，得到所述权益使用率矩阵的多个子集矩阵；

特征提取模块，用于利用预构建的用户分类模型对所述多个子集矩阵中每一个子集矩阵进行矩阵特征提取，得到矩阵特征值；利用所述矩阵特征值对所有所述子集矩阵进行筛选，得到目标子集矩阵；

权益发放模块，用于根据所述目标子集矩阵对所述历史权益使用数据中的所有权益进行筛选，并将筛选的权益发放给所述用户。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个计算机程序；及

处理器，执行所述存储器中存储的计算机程序以实现上述所述的权益发放方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的权益发放方法。

本发明实施例利用所述矩阵特征值对所有所述子集矩阵进行筛选，得到目标子集矩阵；根据所述目标子集矩阵对所述历史权益使用数据中的所有权益进行筛选，并将筛选的权益发放给所述用户，利用矩阵特征值判断权益对用户的影响程度，进而选取对用户影响最大的子集矩阵，进一步地在对用户影响最大的子集矩阵中选取用户最喜欢的权益发放给用户，权益发放的准确度更高，因此本发明实施例提出的权益发放方法、装置、电子设备及可读存储介质提高了权益发放的准确度。

附图说明

图1为本发明一实施例提供的权益发放方法的流程示意图；

图2为本发明一实施例提供的权益发放装置的模块示意图；

图3为本发明一实施例提供的实现权益发放方法的电子设备的内部结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种权益发放方法。所述权益发放方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述权益发放方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示的本发明一实施例提供的权益发放方法的流程示意图，在本发明实施例中，所述权益发放方法包括：

S1、获取用户的历史权益使用数据，其中，所述历史权益使用数据，包括：不同权益的获取次数及实际使用次数；

本发明实施例中，所述历史权益使用数据包括：所述用户获取的权益的种类、获取次数、使用次数、时间等信息，所述权益包括但不限于优惠券、折扣券、抵用券等，其中，所述权益可由可提供权益相应服务的公司、企业等主动发放给用户。

详细地，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先构建的用于存储所述权益获取记录的存取区域获取所述权益获取记录，其中，所述存储区域包括但不限于数据库、区块链节点、网络缓存。

S2、根据所述历史权益使用数据中权益的数量构建空白矩阵；

本发明实施例中由于用户并不一定会对获取到的每一个权益进行使用，而是根据自身需求或偏好等因素从获取的多种权益中选取部分权益进行使用，因此可根据所述获取次数以及所述使用次数计算所述用户对每一种权益的权益使用率，并生成权益使用率矩阵，有利于提高后续利用所述权益使用率矩阵对所述用户对不同预设权益的偏好程度，进而提高权益发放的精确度。

详细地，本发明实施例中，根据所述历史权益使用数据中权益的数量构建相同元素数量的空白矩阵；利用所述历史权益使用数据中的所有权益依次为所述空白矩阵中的每个元素标记一种权益。如：所述历史权益使用数据共有3种权益为权益A、权益B，空白矩阵为1*2矩阵，那么将所述空白矩阵中第一行的元素标记为权益A，将所述空白矩阵中第二行元素标记为权益B。

进一步地，一般情况下所述空白矩阵中元素全部为0，本发明实施例中为了避免后续权益使用率为0与所述空白矩阵中的元素造成混淆所述空白矩阵即元素全部为-1的矩阵，可通过R语言库中的B＝zeros(m,n)函数创建m行n列的空白矩阵。

S3、根据所述获取次数及所述实际使用次数计算所述历史权益使用数据中每个权益的权益使用率，利用所述权益使用率对所述空白矩阵进行矩阵填充，得到权益使用率矩阵；

详细地，本发明实施例中利用如下权益使用率函数计算每个所述权益的权益使用率：

其中，x为所述用户获取的权益i的权益使用率，Use

进一步地，本发明实施例中将所述用户对应的所有权益使用率依次替换所述空白矩阵中标记有相同权益的元素，得到权益使用率矩阵，其中，替换过程不会影响该位置元素对应的权益标记。

S4、按照预设数量对所述权益使用率矩阵中的元素进行多次随机采样，得到所述权益使用率矩阵的多个子集矩阵；

本发明其中一个实际应用场景中，由于所述权益使用率矩阵中包含了所述历史权益使用数据每一个权益对应的权益使用率，若直接根据该权益使用率矩阵分析所述用户对所述多种预设权益中每一种预设权益的偏好，矩阵中某些权益使用率较高的权益会对分析结果产生较大影响，导致分析的结果不够全面，进而造成依据该分析结果对用户进行权益推荐发放的精确度较低。

因此，本发明实施例可按照预设数量对所述权益使用率矩阵中的元素进行多次随机采样，获取所述权益使用率矩阵的多个子集矩阵，避免部分预设权益由于计算得到的权益使用率过高而导致的对矩阵中其他预设权益的影响。

本发明实施例中，所述按照预设数量对所述权益使用率矩阵中的元素进行多次随机采样，得到所述权益使用率矩阵的多个子集矩阵，包括：

按照预设数量对所述权益使用率矩阵中的元素进行随机采样，并将采样得到的元素汇集为所述权益使用率矩阵的子集矩阵；

判断所述子集矩阵的数量是否等于预设阈值；

若所述采样元素的数量不等于预设阈值，则返回按照预设数量对所述权益使用率矩阵中的元素进行随机采样的步骤；

若所述采样元素的数量等于预设阈值，则将所有子集矩阵汇集为所述权益使用率矩阵的多个子集矩阵。

例如，所述权益使用率矩阵中包括100个元素，当预设数量为20时，则随机从所述权益使用率矩阵中采集20个元素，并将采集到的20个元素汇集为该权益使用率矩阵的一个子集矩阵；判断所述子集矩阵的数量(1)是否等于预设阈值(2)，可知，所述子集矩阵的数量(1)不等于预设阈值(2)，则重新对所述权益使用率矩阵中的20个元素进行采样，并将采样结果汇集为该权益使用率矩阵的另一个子集矩阵，此时，所述子集矩阵的数量(2)不等于预设阈值(2)，将得到的两个子集矩阵进行汇集，得到该权益使用率矩阵的多个子集矩阵。

S5、利用预构建的用户分类模型对所述多个子集矩阵中每一个子集矩阵进行矩阵特征提取，得到矩阵特征值；

详细地，本发明实施例中所述用户分类模型为预先训练的深度学习模型，所述深度学习模型可以为人工智能模型，所述深度学习模型构建时采用多层全连接层的结构，以增强网络对数据的表达能力，提高网络的复杂度，进而提高后特征提取的准确度。

进一步地，本发明实施例中利用预先训练的分类模型分别提取出所述多个子集矩阵中每一个子集矩阵的矩阵特征值，之前包括：

获取历史子集矩阵集，其中，所述历史子集矩阵集中每个历史子集矩阵都有对应的用户类别标签。

本发明实施例中所述历史子集矩阵集中每个所述历史子集矩阵对应的用户类别标签，所述历史子集矩阵与所述子集矩阵的类型相同内容不同，所述用户类别标签为对应的用户类别，包括：优质用户及普通用户。通过用户分类模型可以判断不同类别用户对用户权益的敏感程度的差异，可以更好的对用户进行权益推荐发放。

利用所述历史子集矩阵集训练预构建的深度学习模型，得到所述用户分类模型。

具体地，本发明实施例中利用所述历史子集矩阵集训练预构建的深度学习模型之前，所述方法还包括：

获取深度神经网络框架；

在所述深度神经网络框架中构建特征输入层；

在所述特征输入层后构建权重初始化层；

在所述特征输入层之后建立多层全连接层；

在所述多层全连接层之间构建批标准化层以及丢弃层；

在所述多层全连接层后构建决策输出层，得到所述深度学习模型。

详细地，所述深度神经网络框架可由用户预先给定，并通过java、python等计算机语言在所述深度神经网络框架中编写不同网络层次对应的函数，以实现对特征输入层、权重初始化层、全连接层、批标准化层、丢弃层及决策输出层的构建。

进一步地，利用所述历史子集矩阵集对预先构建的深度学习模型进行训练时，利用所述输入层将所述历史子集矩阵集进行特征划分得到不同的初始数据特征进行模型输入，所述权重初始化层为输入的初始数据特征设置不同的权重，所述全连接层对设置权重的初始数据特征进行特征提取，得到数据特征，利用决策输出层选择最后一层全连接层提取的数据特征利用预设的激活函数进行计算，从而得到对不同类别的预测概率，所述批标准化层集所述丢弃层用来对所述全连接层进行参数调整。

具体地，所述特征输入层用于对输入的数据进行数据划分。

所述全连接层用于对特征输入层输入的数据特征按照预设权重进行表达及分析，以更好的显示出特征之间的隐藏关系，进而获取对训练数据的训练结果；其中，多层全连接层的结构有利于增加网络的复杂度，以提高网络输出的训练结果的精确度，且多层全连接层中包含模型的输出层，用于对模型模型分析的结果进行输出。

例如，当利用历史子集矩阵集对深度学习进行训练时，全连接层用于对历史子集矩阵集的数据特征进行表达及分析，并利用多层全连接层后的决策输出层选择最后一层全连接层提取表达的数据特征利用预设的激活函数进行计算，从而得到对不同类别的预测概率。

所述批标准化层用于将全连接层表达的数据特征进行标准化，以解决网络训练过程中出现的梯度消失问题，并能够对全连接层按照预设权重表达的数据特征进行权重调整，以优化网络的梯度流。

所述丢弃层即Dropout层，可实现将全连接层表达的数据特征按照预设的概率参数进行暂时丢弃，以防止在训练数据较少时，网络出现过拟合的状态。本发明其中一个实施例中，所述深度学习包括8层网络结构，第一层为特征输入层，第二层为权重初始化层，第三层为包含64个神经元的全连接层，第四层为批标准化层，第五层为丢弃层，第六层为包含32个神经元的全连接层，第七层为包含16个神经元的全连接层，第七层为包含1个神经元的全连接层(输出层)，其中，第三层、第六层采用Relu函数作为激活函数，第七层采用Sigmoid函数作为激活函数，丢弃层的概率参数为0.3。

其中，决策输出层的输出节点按照所述历史子集矩阵集中的每个所述用户历史信息类别标签的类别设定，如：所述历史子集矩阵集中的每个所述用户历史信息类别标签的类别中共有：优质用户及普通用户，共2种类别，那么可以设定决策输出层共有2个输出节点，其中，第一个输出节点对应优质用户类别，第二个输出节点对应普通用户类别

本发明实施例中，所述利用所述历史子集矩阵集对预先构建的深度学习模型进行训练，得到分类模型，包括：

步骤I、利用所述历史子集矩阵集中的每个所述用户历史信息对所述深度学习模型进行训练，提取所述深度学习模型中决策输出层的输出值，得到分类预测值；

步骤II、根据所述历史子集矩阵集中的每个所述用户标签确定分类真实值；

步骤III、根据所述分类真实值与所述分类预测值对预设的损失函数进行计算，得到损失值；

可选地，本发明实施例中，所述损失函数为交叉熵损失函数。

步骤IV、当所述损失值大于或等于预设损失阈值时，根据所述损失值调整所述深度学习模型的模型参数，并返回步骤I；当所述损失值小于预设损失阈值时，停止训练，输出所述深度学习模型，得到所述用户分类模型。

本发明其中一个实施例中，根据所述损失值调整所述深度学习模型的模型参数时，可采用预设优化算法对所述对抗生成网络的参数进行调节，所述预设优化算法包括但不限于：批量梯度下降算法、小批量梯度下降算法、随机梯度下降算法。

例如，将所述深度学习模型的当前参数输入至所述优化算法中，利用所述优化算法对输入的当前参数进行优化计算，以获取优化后的优化参数，利用所述优化参数对所述对抗生成网络的当前参数进行更新，以实现对所述对抗生成网络中参数的调整。

进一步地，本发明实施中完整的分类模型是用来进行用户分类的，训练分类模型的目的是为了模型的性能更好，本发明实施例中提取子集矩阵的矩阵特征值，只需要利用分类模型中最后一层全连接层的输出值。

本发明实施例中，所述利用预构建的用户分类模型对所述多个子集矩阵中每一个子集矩阵进行矩阵特征提取，得到矩阵特征值，包括：

从所述多个子集矩阵中逐个选取其中一个矩阵为目标矩阵；

将所述目标矩阵输入所述用户分类模型；

获取所述用户分类模型中最后一层全连接层所有节点的输出值进行计算，得到所述矩阵特征值。

可选地，本发明实施例将获取的所有输出值进行平均计算，得到所述矩阵特征值。

本发明实施例中，可分别提取多个子集矩阵中每一个子集矩阵的矩阵特征值，通过矩阵特征值衡量用户对子集矩阵中所有权益使用率对应的权益发放有助于培养用户成为优质用户，避免了直接提取所述权益使用率矩阵中中权益使用率搞得权益导致的权益发放不准确。

S6、利用所述矩阵特征值对所有所述子集矩阵进行筛选，得到目标子集矩阵；

详细地，本发明实施例中矩阵特征值衡量用户对子集矩阵中所有权益使用率对应的权益发放对用户成为优质用户的影响程度，矩阵特征值越高的子集矩阵的影响程度越大，因此，本发明实施例中选取最大的所述矩阵特征值对应的所述子集矩阵。

详细地，本发明实施例利用所述矩阵特征值对所有所述子集矩阵进行筛选，得到目标子集矩阵，包括：

判断所有所述矩阵特征值中最大值的个数；

当所述最大值的个数大于1，则选取每个所述最大值对应的所述子集矩阵中的权益使用率的最大值，得到子集矩阵最大值；

选取所有所述子集矩阵最大值中最大值对应的子集矩阵，得到目标子集矩阵；

当所述最大值的个数等于1，选取所述最大值对应的子集矩阵，得到目标子集矩阵。

S7、根据所述目标子集矩阵对所述历史权益使用数据中的所有权益进行筛选，并将筛选的权益发放给所述用户。

本发明实施例中，本发明实施例中矩阵特征值衡量用户对子集矩阵中所有权益使用率对应的权益发放对用户成为优质用户的影响程度，因此，所述目标子集矩阵中权益使用率对应的权益对用户的影响程度最大，进一步地，还需要挑选用户喜欢的权益，所以本发明实施例选取所述目标子集矩阵中最大的权益使用率，得到目标权益使用率；将所述目标权益使用率对应的权益发放给所述用户。

如图2所示，是本发明权益发放装置的功能模块图。

本发明所述权益发放装置100可以安装于电子设备中。根据实现的功能，所述权益发放装置可以包括矩阵构建模块101、特征提取模块102、权益发放模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述矩阵构建模块101用于获取用户的历史权益使用数据，其中，所述历史权益使用数据，包括：不同权益的获取次数及实际使用次数；根据所述历史权益使用数据中权益的数量构建空白矩阵；根据所述获取次数及所述实际使用次数计算所述历史权益使用数据中每个权益的权益使用率，利用所述权益使用率对所述空白矩阵进行矩阵填充，得到权益使用率矩阵；按照预设数量对所述权益使用率矩阵中的元素进行多次随机采样，得到所述权益使用率矩阵的多个子集矩阵；

所述特征提取模块102用于利用预构建的用户分类模型对所述多个子集矩阵中每一个子集矩阵进行矩阵特征提取，得到矩阵特征值；利用所述矩阵特征值对所有所述子集矩阵进行筛选，得到目标子集矩阵；

所述权益发放模块103用于根据所述目标子集矩阵对所述历史权益使用数据中的所有权益进行筛选，并将筛选的权益发放给所述用户。

详细地，本发明实施例中所述权益发放装置100中所述的各模块在使用时采用与上述图1中所述的权益发放方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图2所示，是本发明实现权益发放方法的电子设备的结构示意图。

所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如权益发放程序。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如权益发放程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如权益发放程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。

可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备中的所述存储器11存储的权益发放程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：

获取用户的历史权益使用数据，其中，所述历史权益使用数据，包括：不同权益的获取次数及实际使用次数；

根据所述历史权益使用数据中权益的数量构建空白矩阵；

根据所述获取次数及所述实际使用次数计算所述历史权益使用数据中每个权益的权益使用率，利用所述权益使用率对所述空白矩阵进行矩阵填充，得到权益使用率矩阵；

按照预设数量对所述权益使用率矩阵中的元素进行多次随机采样，得到所述权益使用率矩阵的多个子集矩阵；

利用预构建的用户分类模型对所述多个子集矩阵中每一个子集矩阵进行矩阵特征提取，得到矩阵特征值；

利用所述矩阵特征值对所有所述子集矩阵进行筛选，得到目标子集矩阵；

根据所述目标子集矩阵对所述历史权益使用数据中的所有权益进行筛选，并将筛选的权益发放给所述用户。

具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备集成的模块/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。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取用户的历史权益使用数据，其中，所述历史权益使用数据，包括：不同权益的获取次数及实际使用次数；

根据所述历史权益使用数据中权益的数量构建空白矩阵；

根据所述获取次数及所述实际使用次数计算所述历史权益使用数据中每个权益的权益使用率，利用所述权益使用率对所述空白矩阵进行矩阵填充，得到权益使用率矩阵；

按照预设数量对所述权益使用率矩阵中的元素进行多次随机采样，得到所述权益使用率矩阵的多个子集矩阵；

利用预构建的用户分类模型对所述多个子集矩阵中每一个子集矩阵进行矩阵特征提取，得到矩阵特征值；

利用所述矩阵特征值对所有所述子集矩阵进行筛选，得到目标子集矩阵；

根据所述目标子集矩阵对所述历史权益使用数据中的所有权益进行筛选，并将筛选的权益发放给所述用户。

进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。