物品分发系统的分发结果预测方法、装置及设备

技术领域

本申请实施例涉及互联网技术领域，特别涉及一种物品分发系统的分发结果预测方法、装置及设备。

背景技术

诸如直播平台之类的互联网平台，为了吸引用户，通常会提供一些物品分发活动(如抽奖活动)。

在相关技术中，直播平台在实施物品分发活动之前，首先会对物品分发结果做一个预估，以尽可能地确保实际的物品分发结果符合预期。例如，直播平台可以对历史物品分发活动的参与用户数量进行统计，从而预估出参加此次物品分发活动的参与用户数量，进而据此预估得到物品分发结果。

但是，对于一些规则较为复杂的物品分发活动，其对应的物品分发结果除了与参与用户数量有关之外，还与参与时刻、参与次数等其他用户参与信息相关，这就导致采用上述方法预测得到的物品分发结果并不准确。

发明内容

本申请实施例提供了一种物品分发系统的分发结果预测方法、装置及设备，能够通过仿真获取准确、全面的用户参与信息，进而可以准确地预测物品分发系统的分发结果。所述技术方案如下：

根据本申请实施例的一个方面，提供了一种物品分发系统的分发结果预测方法，所述方法包括：

通过仿真确定物品分发活动的用户参与信息，所述用户参与信息包括参与所述物品分发活动的多个参与行为；

基于所述用户参与信息以及所述物品分发系统的物品分发规则，确定各个所述参与行为分别对应的物品获取结果，所述物品获取结果是指所述参与行为所获得的物品；

基于各个所述参与行为分别对应的物品获取结果，确定所述物品分发系统的物品分发结果。

根据本申请实施例的一个方面，提供了一种物品分发系统的分发结果预测装置，所述装置包括：

参与信息确定模块，用于通过仿真确定物品分发活动的用户参与信息，所述用户参与信息包括参与所述物品分发活动的多个参与行为；

获取结果确定模块，用于基于所述用户参与信息以及所述物品分发系统的物品分发规则，确定各个所述参与行为分别对应的物品获取结果，所述物品获取结果是指所述参与行为所获得的物品；

分发结果确定模块，用于基于各个所述参与行为分别对应的物品获取结果，确定所述物品分发系统的物品分发结果。

根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述物品分发系统的分发结果预测方法。

根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述物品分发系统的分发结果预测方法。

根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述物品分发系统的分发结果预测方法。

本申请实施例提供的技术方案可以带来如下有益效果：

通过基于仿真所获取的用户参与信息，确定用户对应参与行为所对应的物品，进而确定物品分发系统的物品分发结果，实现了对分发结果的预测，解决了在规则较为复杂的物品分发活动情况下，相关技术因无法获取准确、全面的用户参与信息，而导致的物品分发结果预测不准确的问题。本申请通过仿真获取用户参与数据，能够确保所获取的用户参与信息的准确性与全面性，进而确保了物品分发结果的预测准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一个实施例提供的方案实施环境的示意图；

图2是本申请一个实施例提供的物品分发系统的分发结果预测方法的流程图；

图3是本申请一个实施例提供的历史用户参与信息的分布图；

图4是本申请一个实施例提供的行为采样模型的生成方法的流程图；

图5是本申请一个实施例提供的α迭代过程中的分布图；

图6是本申请一个实施例提供的最终权重参数的分布图；

图7是本申请一个实施例提供的拟合的参与行为的分布图；

图8是本申请一个实施例提供的物品分发系统的分发结果预测装置的框图；

图9是本申请另一个实施例提供的物品分发系统的分发结果预测装置的框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

请参考图1，其示出了本申请一个实施例提供的方案实施环境的示意图。该方案实施环境可以实现成为物品分发系统的架构。该方案实施环境可以包括：终端10和服务器20。

终端10是指用户使用的终端设备。终端10可以是诸如手机、平板电脑、PC(Personal Computer，个人计算机)、可穿戴设备等电子设备。终端10中可以安装运行目标应用程序的客户端。用户可以通过终端10参与目标应用程序对应的物品分发活动。该目标应用程序可以是直播类应用程序、视频类应用程序、购物类应用程序以及任何带有物品分发功能的应用程序，本申请实施例对此不作限定。

服务器20可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。服务器20可以用于为终端10中的目标应用程序(如直播类应用程序)的客户端提供物品分发活动的分发结果确定服务。例如，服务器20中存储中物品分发规则，服务器20基于该物品分发规则确定物品分发活动的分发结果。

终端10与服务器20之间可以通过网络30进行通信。

示例性地，以安装运行有直播类应用程序的客户端为例。响应于用户针对物品分发活动的参与操作，终端10向服务器20发送该用户的参与信息，基于该用户的参与信息，服务器20确定该用户对应的物品获取结果，并将该物品获取结果发送给终端10，终端10显示该用户对应的物品获取结果。

请参考图2，其示出了本申请一个实施例提供的物品分发系统的分发结果预测方法的流程图。该方法各步骤的执行主体可以是上述的服务器20，还可以是任何一台计算机设备，诸如电脑、PC等。该方法可以包括如下几个步骤(201～203)：

步骤201，通过仿真确定物品分发活动的用户参与信息，用户参与信息包括参与物品分发活动的多个参与行为。

仿真是指利用模型复现实际系统中发生的本质过程。在本申请实施例中，该仿真用于模拟物品分发活动的用户参与信息。其中，物品分发活动是指对参与活动的用户按照一定的物品分发规则分发物品的活动。例如，以直播平台为例，在用户参加直播平台的物品分发活动之后，直播平台会基于预设的物品分发规则，对该用户发放具有一定价值的物品。上述物品可以是指虚拟物品，诸如指虚拟资源、虚拟道具、虚拟服务等。例如，在直播类应用程序中，该虚拟物品可以是虚拟金币、虚拟礼物、虚拟皮肤、虚拟时装、虚拟特权等。上述物品还可以是实际生活中的实体物品，诸如生活用具、玩具、礼品、衣服、饰品等，本申请对此不作限定。

可选地，用户参与信息是指用户参与物品分发活动的关联信息，其可以包括用户的参与行为、用户的参与次数、用户的个人信息等，本申请对此不作限定。其中，参与行为是指用户参与物品分发活动的这一行为，可用于触发物品分发活动。例如，该参与行为可以是缴纳固定的虚拟资源，在用户缴纳固定的虚拟资源之后，用户即可参与该物品分发活动。可选地，对于同一物品分发活动，同一用户可以多次参与。

可选地，用户参与信息还可以包括各个参与行为的参与时刻。参与时刻是指参与行为对应的时间点。例如，用户在当天的第一次参与行为是第100分钟，用户在当天的第二次参与行为是第300分钟。

在一个示例中，通过仿真确定物品分发活动的用户参与信息的具体方式如下：获取历史用户参与数据，历史用户参与数据包括参与历史的物品分发活动的多个历史参与行为；基于历史用户参与数据，拟合生成行为采样模型，行为采样模型是用于采样获取参与行为的分布模型；从行为采样模型中采样获取多个参与行为，得到用户参与信息。

其中，历史用户参与数据是指在历史时间段中物品分发活动对应的用户参与数据，该历史时间段可以是历史中的一天、一周、一个月等。例如，历史用户参与数据可以是历史中的一天内的多个历史参与行为。其中，历史参与行为是指用户历史参与物品分发活动的行为。

行为采样模型可用于拟合历史用户参与数据。例如，行为采样模型可以拟合历史参与行为分布。可选地，行为采样模型可以属于混合高斯分布模型，其可以包括多个混合组分，每个混合组分用于表示所属的参与行为的分布。例如，参考图3，图表301示出了历史时间段内所有用户对应的参与行为分布，图表301中出现了A、B、C三次峰值，则该历史时间段内所有用户对应的参与行为分布大致可以分为三个混合组分。

可选地，混合组分的数量、每个混合组分分别对应的权重和表征函数等可以通过狄利雷克过程确定，其具体确定过程将在下文介绍，这里不再赘述。其中，混合组分属于高斯分布，每个混合组分对应的权重和表征函数各不相同。通过叠加组合多个混合组分，生成行为采样模型，即通过叠加组合多个混合组分对应的参与行为分布，生成行为采样模型对应的参与行为分布。

由于参与行为可以服从不同的高斯分布，所服从的高斯分布数量亦不确定，每个高斯分布所对应的参与行为数量亦不同，而通过狄利雷克过程可以拟合上述因素，进而可以确保参与行为分布的全面性和准确性。

步骤202，基于用户参与信息以及物品分发系统的物品分发规则，确定各个参与行为分别对应的物品获取结果，物品获取结果是指参与行为所获得的物品。

物品分发系统用于按照物品分发规则执行物品分发活动。其中，物品分发规则是指物品的分发规则。例如，在一次抽奖活动中，物品分发规则可以为随机抽取100名用户，并以不同价值的物品作为该100名用户的奖励。用户通过参与行为参与该抽奖活动，抽奖系统则在参与用户中随机抽取100名用户，并给这100名用户分发不同价值的物品。例如，将预设物品列表中价值最高的物品，分发给最后抽取到的用户，即该用户的参与行为对应的物品获取结果为获取价值最高的物品。

在一个示例中，参与行为对应的物品获取结果的具体确定方式可以如下：从用户参与信息中取样目标参与行为；获取目标参与行为之前的用户参与信息以及物品分发记录；通过物品分发系统的物品分发规则基于目标参与行为之前的用户参与信息以及物品分发记录，确定目标参与行为对应的物品获取结果。其中，目标参与行为可以是多个参与行为中的任一参与行为。物品分发记录用于记录用户的参与行为对应的物品获取结果。

例如，物品的分发规则服从如下概率分布：

其中，

可选地，物品分发规则可以是指预设的函数，也可以是通过仿真的方法模拟得到，本申请对此不作限定。

步骤203，基于各个参与行为分别对应的物品获取结果，确定物品分发系统的物品分发结果。

物品分发结果是指设定时间段内物品分发活动中物品的分发结果，该结果记录着所有物品获取结果。例如，一次物品分发活动包括物品A和B，用户1得到了物品A，用户2得到了物品B，用户3得到了物品B，用户4未得到物品，则该物品分发结果则为一个物品A分发给用户1、2个物品B分发给用户2和用户3。

可选地，在确定物品分发系统的物品分发结果之后，还可以基于物品分发结果，确定物品分发规则的调整信息，调整信息用于指导对物品分发规则进行调整。例如，物品分发结果显示分发出的物品总价值过高，则可以通过调整物品分发规则降低分发的物品总价值。又或如，物品分发结果显示分发出的物品中获取高价值物品的人数和获取低价值物品的人数不在合理范围内，则可以通过调整物品分发规则均衡获取高价值物品的人数和获取低价值物品的人数。

综上所述，本申请实施例提供的技术方案，通过基于仿真所获取的用户参与信息，确定用户对应参与行为所对应的物品，进而确定物品分发系统的物品分发结果，实现了对分发结果的预测，解决了在规则较为复杂的物品分发活动情况下，相关技术因无法获取准确、全面的用户参与信息，而导致的物品分发结果预测不准确的问题。本申请通过仿真获取用户参与数据，能够确保所获取的用户参与信息的准确性与全面性，进而确保了物品分发结果的预测准确度。

另外，通过基于历史用户参与数据，拟合生成行为采样模型，可以提高行为采样模型的准确性和真实性，进而可以确保从中采样所获得的参与行为的准确性与真实性。

另外，基于物品分发结果，调整物品分发规则，可以使物品分发系统更加的优化。

在一个示例性实施例中，请参考图4，其示出了本申请一个实施例提供的行为采样模型生成方法的流程图。该方法各步骤的执行主体可以是图1所示方案实施环境中的服务器20。该方法可以包括如下几个步骤(401～403)：

步骤401，获取多个混合组分分别对应的初始权重参数、初始期望参数和初始方差参数。

初始权重参数是指混合组分的初始权重值，初始期望参数是指混合组分的初始期望值，初始方差参数是指混合组分的初始方差值。

在本申请实施例中，初始权重参数用于确定对应混合组分的初始权重值。各个混合组分的初始权重值之和等于1。例如，行为采样模型包括混合组分1、混合组分2和混合组分3这三个混合组分，混合组分1的初始权重值为1/2，混合组分2的初始权重值为1/4，混合组分3的初始权重值为1/4。

初始期望参数和初始方差参数用于表示混合组分对应的高斯分布。例如，混合组分服从以初始期望参数和初始方差参数为参数的高斯分布。

在一个示例中，初始权重参数、初始期望参数和初始方差分布可以从先验分布中获取，其具体步骤如下：

1、获取用于控制混合组分的个数的超参数，超参数服从第一伽马分布。

可选地，第一伽马分布可以是以(1，1)为参数的伽马分布，即超参数可以是从以(1，1)为参数的伽马分布中获取，其分布式可以如下：

其中，α代表超参数。α的值越大，有效混合组分的个数就越少。有效混合组分是指包含有参与行为分布的混合组分。

2、基于超参数，确定第一贝塔分布；从第一贝塔分布中获取第k个中间参数；若k等于1，则将第1个中间参数赋值给第一个混合组分的初始权重参数；若k大于1，则将1和第k-1个中间参数的差值与第k个中间参数的乘积赋值给第k个混合组分的初始权重参数，k为正整数。

例如，此步骤可以用如下分布式表示：

β

其中，第一贝塔分布是以(1，α)为参数的贝塔分布。中间参数从第一贝塔分布中获取，即β

3、从第二伽马分布中获取多个混合组分分别对应的第一组分参数；从第三伽马分布中获取多个混合组分分别对应的第二组分参数；基于第一组分参数和第二组分参数，确定多个混合组分分别对应的初始期望参数和初始方差参数。

例如，此步骤可以用如下分布式表示：

λ

τ

μ

可选地，第二伽马分布可以是以(10，1)为参数的伽马分布，第三伽马分布也可以是以(10，1)为参数的伽马分布。其中，λ

然后，可以得到混合组分的分布式如下：

x～N(μ

其中，x是指从混合组分模型中抽取的样本，其服从以(μ

最后，将多个混合组分进行叠加，可以得到行为采样模型的先验分布式如下：

其中，λ

步骤402，基于历史参与用户数据对多个混合组分分别对应的初始权重参数、初始期望参数和初始方差参数进行收敛处理，得到多个混合组分分别对应的最终权重参数、最终期望参数和最终方差参数。

可选地，最终权重参数、最终期望参数和最终方差参数是指经过收敛后的初始权重参数、初始期望参数和初始方差参数。

在一个示例中，初始权重参数、初始期望参数和初始方差参数的具体收敛过程如下：

首先，将上文中从先验分布中获取的参数用集合用θ表示，即θ＝[α，π

P(θ|X)＝P(X|θ)*P(θ)；

其中，P(θ)代表行为采样模型对应的初始参数的先验分布，P(X|θ)代表先验分布对应的似然概率，P(θ|X)代表行为采样模型对应的初始参数的后验分布。θ集合中的α、λ

例如，通过蒙特卡洛方法依次采样下层变量α、λi、τi和βi，并通过计算得到上层变量π

步骤403，基于多个混合组分分别对应的最终权重参数、最终期望参数和最终方差参数，生成行为采样模型。

可选地，再得到最终的集合θ之后，基于集合θ中的α、λi、τi和βi，确定各个混合组分的最终期望参数和最终方差参数，基于集合θ中的π

最后，基于各个混合组分的最终权重参数、最终期望参数和最终方差参数确定行为采样模型。例如，参考图7，图表701中示出了行为采样模型中的参与行为分布。结合图3，图表701中所拟合出的参与行为分布与图表301中的历史时间段内参与行为分布相似，即行为采样模型很好地捕捉到了历史时间段内参与行为分布，进而可以从行为采样模型中采样得到参与行为的仿真实例。

综上所述，本申请实施例提供的技术方案，通过基于仿真所获取的用户参与信息，确定用户对应参与行为所对应的物品，进而确定物品分发系统的物品分发结果，实现了对分发结果的预测，解决了在规则较为复杂的物品分发活动情况下，相关技术因无法获取准确、全面的用户参与信息，而导致的物品分发结果预测不准确的问题。本申请通过仿真获取用户参与数据，能够确保所获取的用户参与信息的准确性与全面性，进而确保了物品分发结果的预测准确度。

另外，通过狄利克雷过程构建行为采样模型对应的先验分布式，再通过贝叶斯方法将行为采样模型对应的先验分布式中的参数进行收敛，得到最终的采样模型分布，实现了在无先验知识的情况下，对用户参与信息进行仿真模拟。

另外，通过不断地迭代计算行为采样模型的参数，使得行为采样模型的参数估计量更加准确，进而提高了行为采样模型的准确性。

请参考图8，其示出了本申请一个实施例提供的物品分发系统的分发结果预测装置的框图。该装置具有实现上述物品分发系统的分发结果预测方法示例的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置在计算机设备中。该装置800可以包括：参与信息确定模块801、获取结果确定模块802和分发结果确定模块803。

参与信息确定模块801，用于通过仿真确定物品分发活动的用户参与信息，所述用户参与信息包括参与所述物品分发活动的多个参与行为。

获取结果确定模块802，用于基于所述用户参与信息以及所述物品分发系统的物品分发规则，确定各个所述参与行为分别对应的物品获取结果，所述物品获取结果是指所述参与行为所获得的物品。

分发结果确定模块803，用于基于各个所述参与行为分别对应的物品获取结果，确定所述物品分发系统的物品分发结果。

在一个示例性实施例中，如图9所示，所述参与信息确定模块801包括：历史数据获取子模块801a、采样模型生成子模块801b和参与信息获取子模块801c。

历史数据获取子模块801a，获取历史用户参与数据，所述历史用户参与数据包括参与历史的物品分发活动的多个历史参与行为。

采样模型生成子模块801b，用于基于所述历史用户参与数据，拟合生成行为采样模型，所述行为采样模型是用于采样获取所述参与行为的分布模型。

参与信息获取子模块801c，用于从所述行为采样模型中采样获取所述多个参与行为，得到所述用户参与信息。

在一个示例性实施例中，所述行为采样模型包括多个混合组分，每个混合组分用于表示所属的所述参与行为的分布。

在一个示例性实施例中，所述采样模型生成子模块801b，用于：

获取所述多个混合组分分别对应的初始权重参数、初始期望参数和初始方差参数；

基于所述历史参与用户数据对所述多个混合组分分别对应的初始权重参数、初始期望参数和初始方差参数进行收敛处理，得到所述多个混合组分分别对应的最终权重参数、最终期望参数和最终方差参数；

基于所述多个混合组分分别对应的最终权重参数、最终期望参数和最终方差参数，生成所述行为采样模型。

在一个示例性实施例中，所述采样模型生成子模块801b还用于获取用于控制所述混合组分的个数的超参数，所述超参数服从第一伽马分布。

在一个示例性实施例中，所述采样模型生成子模块801b，还用于：

基于所述超参数，确定第一贝塔分布；

从所述第一贝塔分布中获取第k个中间参数；若k等于1，则将第1个中间参数赋值给第一个混合组分的初始权重参数；若k大于1，则将1和第k-1个中间参数的差值与第k个中间参数的乘积赋值给第k个混合组分的初始权重参数，所述k为正整数；

从第二伽马分布中获取所述多个混合组分分别对应的第一组分参数；

从第三伽马分布中获取所述多个混合组分分别对应的第二组分参数；

基于所述第一组分参数和所述第二组分参数，确定所述多个混合组分分别对应的初始期望参数和初始方差参数。

在一个示例性实施例中，所述用户参与信息包括各个所述参与行为的参与时刻。

在一个示例性实施例中，所述获取结果确定模块802，用于：

从所述用户参与信息中取样目标参与行为；

获取所述目标参与行为之前的用户参与信息以及物品分发记录；

通过所述物品分发系统的物品分发规则基于所述目标参与行为之前的用户参与信息以及物品分发记录，确定所述目标参与行为对应的物品获取结果。

在一个示例性实施例中，如图9所示，所述装置800还包括：调整信息确定模块804。

调整信息确定模块804，用于基于所述物品分发结果，确定所述物品分发规则的调整信息，所述调整信息用于指导对所述物品分发规则进行调整。

综上所述，本申请实施例提供的技术方案，通过基于仿真所获取的用户参与信息，确定用户对应参与行为所对应的物品，进而确定物品分发系统的物品分发结果，实现了对分发结果的预测，解决了在规则较为复杂的物品分发活动情况下，相关技术因无法获取准确、全面的用户参与信息，而导致的物品分发结果预测不准确的问题。本申请通过仿真获取用户参与数据，能够确保所获取的用户参与信息的准确性与全面性，进而确保了物品分发结果的预测准确度。

需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

在一个示例性实施例中，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述物品分发系统的分发结果预测方法。

在一个示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序在被处理器执行时以实现上述物品分发系统的分发结果预测方法。

可选地，该计算机可读存储介质可以包括：ROM(Read-Only Memory，只读存储器)、RAM(Random-Access Memory，随机存储器)、SSD(Solid State Drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括ReRAM(Resistance Random Access Memory，电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory，动态随机存取存储器)。

在一个示例性实施例中，还提供了一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从所述计算机可读存储介质中读取所述计算机指令，所述处理器执行所述计算机指令，使得所述计算机设备执行上述物品分发系统的分发结果预测方法。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本申请实施例对此不作限定。

以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。