一种资源投放效果评估方法、装置及系统

技术领域

本申请涉及机器学习和数据评估技术领域，尤其是涉及一种资源投放效果评估方法、装置及系统。

背景技术

随着科技的发展，资源投放的形式和渠道逐渐增多，需要对不同投放渠道的投放效果进行科学评估与分析，从而帮助资源投放者进行个性化的，有针对性的资源投放。完整的投放效果评估流程涉及诸多因素和环节，如投放渠道的选择、参数设置以及投放回报分析等等。

目前，由于投放资源的各投放渠道对投放效果的贡献并没有直接的观测值，一般的机器学习模型在国内复杂投放场景中不适用，难以对多投放渠道进行分析，从而造成投放效果评估作业周期长，模型解释效果差。因此，如何高效准确的对已投放资源的投放效果进行评估成为了亟待解决的问题。

发明内容

有鉴于此，本申请的目的在于提供一种资源投放效果评估方法、装置及系统，可以在对待投放资源的投放效果进行评估时，实时调节评估过程中所涉及的卡尔曼滤波模型中回报评估系数，实现对于系数的弹性约束，进而保证评估结果的可解释性，以及提升模型的鲁棒性，低人工干预，缩短评估时间，提高评估效率。

本申请实施例提供了一种资源投放效果评估方法，所述资源投放效果评估方法包括：

获取用户输入的待评估资源的投放数据、多个投放场景数据以及配置数据；

基于所述配置数据中的初始参数数据，配置卡尔曼滤波初始分布；

基于所述投放数据、所述多个投放场景数据以及所述卡尔曼滤波初始分布，确定在当前时刻下所述待评估资源的后验分布；

基于所述配置数据中的约束参数数据，对经过卡尔曼系数调节后得到的所述后验分布中的回报评估系数进行调整，得到所述待评估资源的评估分布；

基于所述评估分布，确定所述待评估资源在所述当前时刻下的投放评估结果。

进一步的，所述基于所述配置数据中的约束参数数据，对经过卡尔曼系数调节后得到的所述后验分布中的回报评估系数进行调整，得到所述待评估资源的评估分布，包括：

对所述后验分布进行卡尔曼系数调节，得到调整后的后验分布；

基于所述配置数据中的约束参数数据，从调整后的后验分布的回报评估系数中确定出待约束系数；

对所述待约束系数进行系数约束处理，并调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数，得到所述待评估资源的评估分布。

进一步的，所述对所述待约束系数进行系数约束处理，并调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数，得到所述待评估资源的评估分布，包括：

确定所述待约束系数是否为负数；

若是，将所述待约束系数调整为零，并调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数，得到所述待评估资源的评估分布。

进一步的，通过以下步骤调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数：

确定各个所述其他回报评估系数之间的数值比例；

将所述待约束系数的值作为调整目标值，按照所述数值比例减少各个所述其他回报评估系数。

进一步的，所述基于所述投放数据、所述多个投放场景数据以及所述卡尔曼滤波初始分布，确定在当前时刻下所述待评估资源的后验分布，包括：

基于所述投放数据、所述多个投放场景数据以及所述初始分布，确定在所述当前时刻对应的上一时刻下所述待评估资源的历史分布；

基于所述历史分布，确定所述待评估资源在所述当前时刻下的先验分布；

基于所述先验分布，预测所述待评估资源在所述当前时刻下的预测分布；

基于所述预测分布、所述先验分布以及所述投放数据中在所述当前时刻下所述待评估资源的实际观测值，确定所述待评估资源在所述当前时刻下的后验分布。

本申请实施例还提供了一种资源投放效果评估装置，所述资源投放效果评估装置包括：

数据获取模块，用于获取用户输入的待评估资源的投放数据、多个投放场景数据以及模型配置数据；

配置模块，用于基于所述配置数据中的初始参数数据，配置卡尔曼滤波初始分布；

分布确定模块，用于基于所述投放数据、所述多个投放场景数据以及所述卡尔曼滤波初始分布，确定在当前时刻下所述待评估资源的后验分布；

系数调整模块，用于基于所述配置数据中的约束参数数据，对经过卡尔曼系数调节后得到的所述后验分布中的回报评估系数进行调整，得到所述待评估资源的评估分布；

结果确定模块，用于基于所述评估分布，确定所述待评估资源的投放评估结果。

进一步的，所述系数调整模块在用于基于所述配置数据中的约束参数数据，对经过卡尔曼系数调节后得到的所述后验分布中的回报评估系数进行调整，得到所述待评估资源的投放评估时，所述系数调整模块用于：

对所述后验分布进行卡尔曼系数调节，得到调整后的后验分布；

基于所述配置数据中的约束参数数据，从调整后的后验分布的回报评估系数中确定出待约束系数；

对所述待约束系数进行系数约束处理，并调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数，得到所述待评估资源的评估分布。

进一步的，所述系数调整模块在用于对所述待约束系数进行系数约束处理，并调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数，得到所述待评估资源的评估分布时，所述系数调整模块用于：

确定所述待约束系数是否为负数；

若是，将所述待约束系数调整为零，并调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数，得到所述待评估资源的评估分布。

进一步的，所述系数调整模块用于通过以下步骤调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数：

确定各个所述其他回报评估系数之间的数值比例；

将所述待约束系数的值作为调整目标值，按照所述数值比例减少各个所述其他回报评估系数。

进一步的，所述分布确定模块在用于基于所述投放数据、所述多个投放场景数据以及所述卡尔曼滤波初始分布，确定在当前时刻下所述待评估资源的后验分布时，所述分布确定模块用于：

基于所述投放数据、所述多个投放场景数据以及所述初始分布，确定在所述当前时刻对应的上一时刻下所述待评估资源的历史分布；

基于所述历史分布，确定所述待评估资源在所述当前时刻下的先验分布；

基于所述先验分布，预测所述待评估资源在所述当前时刻下的预测分布；

基于所述预测分布、所述先验分布以及所述投放数据中在所述当前时刻下所述待评估资源的实际观测值，确定所述待评估资源在所述当前时刻下的后验分布。

本申请实施例还提供了一种资源投放效果评估系统，所述资源投放效果评估系统包括应用平台层、数据接口层以及运算层，其中，所述运算层包括上述的资源投放效果评估装置；

所述应用平台层，用于将接收到的用户在操作界面中输入的待评估资源的投放数据、多个投放场景数据、配置数据以及所述用户的身份数据发送至所述数据接口层，并接收所述数据接口层反馈的投放评估结果；

所述数据接口层，用于基于所述身份数据对所述用户的身份进行验证，若所述用户通过验证，将所述投放数据、所述多个投放场景数据以及所述配置数据转换为待评估数据，通过预设调用接口将所述待评估数据发送至所述运算层，将接收到的所述运算层反馈的投放评估结果发送至所述应用平台层；

所述运算层，用于基于所述待评估数据，调用所述资源投放效果评估装置，确定所述待评估资源的投放评估结果，并将所述投放评估结果反馈至所述数据接口层以及存储至数据库中。

进一步的，所述数据接口层包括身份验证模块、数据转换模块以及结果接收模块；

所述身份验证模块，用于将获取到的所述身份数据与身份数据库中的人员数据进行比较，确定所述用户是否为工作人员，若所述用户为工作人员，则确定所述用户通过验证；

所述数据转换模块，用于若所述用户通过验证，按照所述运算层的预设数据格式，将接收到的所述投放数据、所述多个投放场景数据以及所述配置数据转换为待评估数据，并将所述待评估数据发送至所述运算层；

所述结果接收模块，用于接收所述运算层反馈的所述投放评估结果，并通过所述应用平台层调用的数据传输接口，将所述投放评估结果反馈至所述应用平台层。

本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的资源投放效果评估方法的步骤。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的资源投放效果评估方法的步骤。

本申请实施例提供的一种资源投放效果评估方法，在对待评估资源进行评估时，首先，获取用户输入的待评估资源的投放数据、多个投放场景数据以及配置数据；其次，基于所述配置数据中的初始参数数据，对评估所需的卡尔曼滤波初始分布进行配置；然后，基于所述投放数据、所述多个投放场景数据以及所述卡尔曼滤波初始分布，确定在当前时刻下所述待评估资源的后验分布；为了提高评估分布的实用性，基于所述配置数据中的约束参数数据，对经过卡尔曼系数调节后得到的所述后验分布中的回报评估系数进行调整，即实现了对于后验分布中汇报评估系数的约束，得到所述待评估资源的评估分布；最后，基于所述评估分布，确定所述待评估资源在所述当前时刻下的投放评估结果。这样，本申请可以提高评估结果的可解释性，提升模型的鲁棒性，缩短评估时间，提高评估效率。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例所提供的一种资源投放效果评估方法的流程图；

图2为本申请另一实施例所提供的一种资源投放效果评估方法的流程图；

图3为卡尔曼滤波原理流程示意图；

图4为基于卡尔曼滤波模型的训练过程示意图；

图5为本申请实施例所提供的一种资源投放效果评估系统的结构示意图；

图6为图5所示数据接口层的结构示意图；

图7为图5中所示的资源投放效果评估装置的结构示意图；

图8为本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。

首先，对本申请可适用的应用场景进行介绍。本申请可应用于数据评估技术领域。当需要对待评估资源进行评估时，获取用户输入的待评估资源的投放数据，投放的多个投放场景数据以及配置数据；基于用户输入的配置数据中的初始参数数据，配置用于后续评估过程中的卡尔曼滤波初始分布；再基于获取到的待评估资源的投放数据、待评估资源的多个投放场景数据以及配置好的卡尔曼滤波初始分布，确定在当前时刻下待评估资源的后验分布；并根据配置数据中的约束参数数据调整后验分布中的各个回报评估系数，得到待评估资源的评估分布，确定出待评估资源在当前时刻下的投放评估结果。这样，便可以根据预先的设置对评估过程中所涉及的卡尔曼滤波模型中的回报评估系数进行约束，从而得到更适合与待评估资源的投放评估，进而更准确地对待评估资源的投放效果进行评估。

经研究发现，为了能够发掘潜在的用户并迎合人们的喜好，有针对性的为用户推荐投放资源，通常在资源投放后对资源的投放效果进行分析，从而确定出资源未来的投放趋势，更加合理的安排资源的投放场景，避免将用户不感兴趣的资源不合时宜的投放给用户，因此，如何准确的对已投放资源的投放效果进行评估成为了亟待解决的问题。

基于此，本申请实施例提供了一种资源投放效果评估方法，可以在对待投放资源的投放效果进行评估时，实时调节评估过程中所涉及卡尔曼滤波模型中的回报评估系数，可以提高评估结果的可解释性，提升模型的鲁棒性，缩短评估时间，提高评估效率。

请参阅图1，图1为本申请实施例所提供的一种资源投放效果评估方法的流程图。如图1中所示，本申请实施例提供的资源投放效果评估方法，包括：

S101、获取用户输入的待评估资源的投放数据、多个投放场景数据以及配置数据。

该步骤中，当用户想要对待评估资源进行评估时，获取用户输入的待评估资源的投放数据，待评估资源的多个投放场景数据，以及用于配置初始分布的配置数据。

这里，待评估资源的投放数据可以包括待评估资源的历史点击量、历史曝光率等。投放场景数据可以包括待评估资源的历史投放地点，例如，投放于A频道，或者是B场景(例如，火车站、公交站等)。配置数据可以包括初始分布的配置参数，以及用户选择的约束参数数据，以用于后续对分布中的系数进行约束。

S102、基于所述配置数据中的初始参数数据，配置卡尔曼滤波初始分布。

该步骤中，基于获取到的用户输入的配置数据中的初始参数数据，对用于评估待评估资源的卡尔曼滤波初始分布进行配置。

示例性的，给定卡尔曼滤波初始分布中初始先验信息θ

S103、基于所述投放数据、所述多个投放场景数据以及所述卡尔曼滤波初始分布，确定在当前时刻下所述待评估资源的后验分布。

该步骤中，基于获取到的待评估资源的投放数据，待评估资源的多个投放场景数据，以及配置好的初始分布，计算得到待评估资源在当前时刻下对应的后验分布。

S104、基于所述配置数据中的约束参数数据，对经过卡尔曼系数调节后得到的所述后验分布中的回报评估系数进行调整，得到所述待评估资源的评估分布。

该步骤中，为了保证评估方法中设计的卡尔曼滤波模型可以更加适用于待评估资源，对经过卡尔曼系数调节后得到的后验分布中的回报评估系数进行调整，对待评估资源在当前时刻下对应的调节后的后验分布中各个变量的回报评估系数进行调整，得到待评估资源对应的评估分布，以增加待评估资源在当前时刻下的评估结果的准确性。

这样，便能够针对于每一个待评估资源，配置与该待评估资源相应的初始评估，以及对该待评估资源对应的后验分布有针对性的进行系数约束，从而使得卡尔曼滤波模型可以更加适合于该待评估资源，得到的评估结果更加准确。

S105、基于所述评估分布，确定所述待评估资源在所述当前时刻下的投放评估结果。

该步骤中，基于得到的待评估资源在当前时刻下对应的评估分布，确定出待评估资源在当前时刻下在每个投放场景中的投放评估结果。

其中，所述投放评估结果为对于待评估资源来说，可以是每个投放场景在当前时刻对待评估资源的影响，或者是在当前时刻待评估资源在各个投放场景中的投放效果等，可以根据具体情况进行设定，在此不做限制。

另外，本申请在确定出待评估资源在当前时刻下对应的评估分布后，还可以将当前时刻作为上一时刻，将待评估资源在当前时刻下对应的评估分布作为上一时刻下待评估资源的历史分布，继续确定出当前时刻对应的下一时刻的评估分布；最后，基于待评估资源在每一时刻下对应的评估分布，确定出待评估资源对应的整体评估，基于整体评估得到待评估资源在每一时刻下对应的投放评估结果。

这里，投放效果可以为曝光率、点击率以及订阅率等等。

本申请实施例提供的一种资源投放效果评估方法，在对待评估资源进行评估时，首先，获取用户输入的待评估资源的投放数据、多个投放场景数据以及配置数据；其次，基于所述配置数据中的初始参数数据，对评估所需的卡尔曼滤波初始分布进行配置；然后，基于所述投放数据、所述多个投放场景数据以及所述卡尔曼滤波初始分布，确定在当前时刻下所述待评估资源的后验分布；为了提高评估分布的实用性，基于所述配置数据中的约束参数数据，对经过卡尔曼系数调节后得到的所述后验分布中的回报评估系数进行调节，即实现了对于后验分布中回报评估系数的约束，得到所述待评估资源的评估分布；最后，基于所述评估分布，确定所述待评估资源在所述当前时刻下的投放评估结果。这样，本申请可以在对待投放资源的投放效果进行评估时，实时调节评估过程中基于卡尔曼滤波中的回报评估系数，实现了对于回报评估系数的弹性约束，可以提高评估结果的可解释性，提升模型的鲁棒性，缩短评估时间，提高评估效率。

请参阅图2，图2为本申请另一实施例所提供的一种资源投放效果评估方法的流程图。如图2中所示，本申请实施例提供的资源投放效果评估方法，包括：

S201、获取用户输入的待评估资源的投放数据、多个投放场景数据以及配置数据。

S202、基于所述配置数据中的初始参数数据，配置卡尔曼滤波初始分布。

S203、基于所述投放数据、所述多个投放场景数据以及所述卡尔曼滤波初始分布，确定在当前时刻下所述待评估资源的后验分布。

S204、对所述后验分布进行卡尔曼系数调节，得到调整后的后验分布。

该步骤中，对得到的待评估资源对应的后验分布进行卡尔曼系数调节，得到待评估资源对应的调整后的后验分布。

S205、基于所述配置数据中的约束参数数据，从调整后的后验分布的回报评估系数中确定出待约束系数。

该步骤中，在确定出待评估资源在当前时刻下对应的后验分布之后，根据获取到的用户输入的配置数据中的约束参数数据，从后验分布中的回报评估系数中确定出需要调节的待约束系数。

其中，所述后验分布中包括在当前时刻下待评估资源在每个投放场景下对应的回报评估系数。

S206、对所述待约束系数进行系数约束处理，并调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数，得到所述待评估资源的评估分布。

该步骤中，在确定出待约束系数之后，对待约束系数进行系数约束处理，同时，对后验分布的回报评估系数中除待约束系数之外的其他回报评估系数进行调整，进而得到待评估资源的评估分布。

S207、基于所述评估分布，确定所述待评估资源在所述当前时刻下的投放评估结果。

其中，S201至S203以及S207的描述可以参照S101至S103以及S105的描述，并且能达到相同的技术效果，对此不做赘述。

进一步的，步骤S206包括：确定所述待约束系数是否为负数；若是，将所述待约束系数调整为零，并调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数，得到所述待评估资源的评估分布。

该步骤中，确定待约束系数是否为负数，若是，将该待约束系数调整为零，即不考虑该待约束系数对应的投放场景对待评估资源的影响；同时，为了保证该待评估资源整体结果不发生改变，适应性的调整回报评估系数中除所述待约束系数之外的其他回报评估系数，即减少其他投放场景对应的回报评估系数，得到待评估资源对应的评估分布。

这里，当待评估资源在某个投放场景下对应的回报评估系数为负数时，说明该投放场景对于该待评估资源来说产生负面的影响，而在某些特定的投放场景下，即使投放场景未对待评估资源产生积极的影响，也不会对待评估资源产生负面的影响，那么在上述情况下，若待评估资源对应的评估分布中若存在为负值的回报评估系数，则会使得确定出的评估结果与真实的评估结果之间相差较大。因此，本申请为了提高待评估资源的评估结果的准确性，在评估过程中对卡尔曼滤波模型中的回报评估系数进行调节，实现了对于回报评估系数的约束，以此来保证评估结果的合理性。

进一步的，所述评估方法通过以下步骤调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数：确定各个所述其他回报评估系数之间的数值比例；将所述待约束系数的值作为调整目标，按照所述数值比例减少各个所述其他回报评估系数。

该步骤中，确定在后验分布的回报评估系数中除待约束系数之外的其他回报评估系数之间的数值比例；并以待约束系数的值作为调整目标值，按照数值比例减少各个其他回报评估系数的值。

示例性的，在后验分布中包括回报评估系数A、回报评估系数B、回报评估系数C以及回报评估系数D，当确定出来回报评估系数C为待约束系数时，将回报评估系数C的值(假设回报评估系数C的值为4)置零，同时，确定回报评估系数A、回报评估系数B以及回报评估系数D之间的数值比例(假设为1:1:2)，以“4”为调整目标，按照数值比例，将回报评估系数A的值减少“1”，将回报评估系数B的值减少“1”，将回报评估系数D的值减少“2”。

这样，在保证待评估资源的整体评估结果不变的前提下，更加合理的确定出各个投放场景对待评估资源的影响。

进一步的，步骤S203包括：基于所述投放数据、所述多个投放场景数据以及所述初始分布，确定在所述当前时刻对应的上一时刻下所述待评估资源的历史分布；基于所述历史分布，确定所述待评估资源在所述当前时刻下的先验分布；基于所述先验分布，预测所述待评估资源在所述当前时刻下的预测分布；基于所述预测分布、所述先验分布以及所述投放数据中在所述当前时刻下所述待评估资源的实际观测值，确定所述待评估资源在所述当前时刻下的后验分布。

该步骤中，请参阅图3以及图4，图3为卡尔曼滤波原理流程示意图，图4为基于卡尔曼滤波模型的训练过程示意图。本申请在确定待评估资源在当前时刻下的后验分布时，基于卡尔曼滤波器原理，首先，获取待评估资源的投放数据、多个投放场景数据以及配置好的初始分布；然后，基于获取到的投放数据、多个投放场景数据以及配置好的初始分布，确定在与待评估资源的当前时刻对应的上一时刻下，待评估资源的历史分布。

其次，基于在上一时刻下的待评估资源的历史分布，确定待评估资源在当前时刻下的先验分布；再基于先验分布，预测待评估资源在当前时刻下的预测分布。

最后，基于得到的预测分布以及投放数据中的在当前时刻下待评估资源的实际观测值，进而确定出待评估资源在当前时刻下的后验分布。

这里，以预测步长为1，当前时刻为t时刻为例，具体说明确定t时刻后验分布的过程：

首先，基于投放数据、多个投放场景数据以及初始分布，确定t-1时刻待评估资源的历史分布p(θ

本申请实施例提供的一种资源投放效果评估方法，在对待评估资源进行评估时，首先，获取用户输入的待评估资源的投放数据、多个投放场景数据以及配置数据；其次，基于所述配置数据中的初始参数数据，对评估所需的卡尔曼滤波初始分布进行配置；然后，基于所述投放数据、所述多个投放场景数据以及所述卡尔曼滤波初始分布，确定在当前时刻下所述待评估资源的后验分布；为了提高评估分布的实用性，基于所述配置数据中的约束参数数据，对经过卡尔曼系数调节后得到的所述后验分布中的回报评估系数进行调节，即实现了对于后验分布中汇报评估系数的约束，得到所述待评估资源的评估分布；最后，基于所述评估分布，确定所述待评估资源在所述当前时刻下的投放评估结果。这样，本申请可以在对待投放资源的投放效果进行评估时，实时调节评估过程中回报评估系数；为了提高评估分布的实用性，基于所述配置数据中的约束参数数据，从后验分布的回报评估系数中确定出待约束系数，对所述待约束系数进行系数约束处理，并调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数，得到所述待评估资源的评估分布；最后，基于所述评估分布，确定所述待评估资源在所述当前时刻下的投放评估结果。这样，本申请可以在对待投放资源的投放效果进行评估时，实现了对于回报评估系数的约束，可以提高评估结果的准确性。

请参阅图5，图5为本申请实施例所提供的一种资源投放效果评估系统的结构示意图。所述资源投放效果评估系统500包括应用平台层510、数据接口层520以运算层530。

应用平台层510用于将接收到的用户在操作界面中输入的待评估资源的投放数据、多个投放场景数据、配置数据以及用户的身份数据，并将获取到的上述数据一并发送至数据接口层520，同时，通过预设的结果调用接口来接收数据接口层520反馈的投放评估结果。

数据接口层520用于基于所述身份数据对所述用户的身份进行验证，若用户通过验证，将所述投放数据、所述多个投放场景数据以及所述配置数据转换为待评估数据，通过预设调用接口将待评估数据发送至运算层530，同时，还会接收运算层530反馈的投放评估结果，并将接收到的运算层530反馈的投放评估结果发送至应用平台层510。

运算层530用于基于数据接口层520发送的待评估资源的待评估数据，调用资源投放效果评估装置531，并通过所述资源投放效果评估装置531确定待评估资源的投放评估结果，并将投放评估结果反馈至数据接口层520以及存储至数据库532中。

其中，所述数据接口层520中除调用资源投放效果评估装置531的接口外，还可以包括调用聚类模型的接口以及调用降维模型的接口等。所述运算层530中除资源投放效果评估装置531外，还可以包括聚类模型以及降维模型等。

进一步的，如图6所示，图6为图5所示数据接口层的结构示意图。数据接口层520包括身份验证模块521、数据转换模块522以及结果接收模块523；

身份验证模块521用于将获取到的用户的身份数据与身份数据库中的人员数据进行比较，确定用户是否为工作人员，若用户为工作人员，则确定用户通过验证。

数据转换模块522用于若用户通过验证，按照运算层530的预设数据格式，将接收到的投放数据、多个投放场景数据以及配置数据转换为运算层530可以接收的待评估数据，并将得到的待评估数据发送至运算层530。

结果接收模块523用于接收运算层530反馈的投放评估结果，并通过应用平台层510调用的数据传输接口，将确定出的待评估资源的投放评估结果反馈至应用平台层510。

请参阅图7，图7为图5中所示的资源投放效果评估装置的结构示意图。如图7中所示，所述资源投放效果评估装置531包括：

数据获取模块5311，用于获取用户输入的待评估资源的投放数据、多个投放场景数据以及模型配置数据；

配置模块5312，用于基于所述配置数据中的初始参数数据，配置卡尔曼滤波初始分布；

分布确定模块5313，用于基于所述投放数据、所述多个投放场景数据以及所述卡尔曼滤波初始分布，确定在当前时刻下所述待评估资源的后验分布；

系数调整模块5314，用于基于所述配置数据中的约束参数数据，对经过卡尔曼系数调节后得到的所述后验分布中的回报评估系数进行调整，得到所述待评估资源的评估分布；

结果确定模块5315，用于基于所述评估分布，确定所述待评估资源的投放评估结果。

进一步的，所述系数调整模块5314在用于基于所述配置数据中的约束参数数据，对经过卡尔曼系数调节后得到的所述后验分布中的回报评估系数进行调整，得到所述待评估资源的评估分布时，所述系数调整模块5314用于：

对所述后验分布进行卡尔曼系数调节，得到调整后的后验分布；

基于所述配置数据中的约束参数数据，从调整后的后验分布的回报评估系数中确定出待约束系数；

对所述待约束系数进行系数约束处理，并调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数，得到所述待评估资源的评估分布。

进一步的，所述系数调整模块5314在用于对所述待约束系数进行系数约束处理，并调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数，得到所述待评估资源的评估分布时，所述系数调整模块5314用于：

确定所述待约束系数是否为负数；

若是，将所述待约束系数调整为零，并调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数，得到所述待评估资源的评估分布。

进一步的，所述系数调整模块5314用于通过以下步骤调整所述回报评估系数中除所述待约束系数之外的其他回报评估系数：

确定各个所述其他回报评估系数之间的数值比例；

将所述待约束系数的值作为调整目标值，按照所述数值比例减少各个所述其他回报评估系数。

进一步的，所述分布确定模块5313在用于基于所述投放数据、所述多个投放场景数据以及所述卡尔曼滤波初始分布，确定在当前时刻下所述待评估资源的后验分布时，所述分布确定模块5313用于：

基于所述投放数据、所述多个投放场景数据以及所述初始分布，确定在所述当前时刻对应的上一时刻下所述待评估资源的历史分布；

基于所述历史分布，确定所述待评估资源在所述当前时刻下的先验分布；

基于所述先验分布，预测所述待评估资源在所述当前时刻下的预测分布；

基于所述预测分布、所述先验分布以及所述投放数据中在所述当前时刻下所述待评估资源的实际观测值，确定所述待评估资源在所述当前时刻下的后验分布。

本申请实施例提供的一种资源投放效果评估装置，在对待评估资源进行评估时，首先，获取用户输入的待评估资源的投放数据、多个投放场景数据以及配置数据；其次，基于所述配置数据中的初始参数数据，对评估所需的卡尔曼滤波初始分布进行配置；然后，基于所述投放数据、所述多个投放场景数据以及所述卡尔曼滤波初始分布，确定在当前时刻下所述待评估资源的后验分布；基于所述配置数据中的约束参数数据，对经过卡尔曼系数调节后得到的所述后验分布中的回报评估系数进行调节，即实现了对于后验分布中回报评估系数的约束，得到所述待评估资源的评估分布；最后，基于所述评估分布，确定所述待评估资源在所述当前时刻下的投放评估结果。这样，本申请可以在对待投放资源的投放效果进行评估时，实时调节评估过程中基于卡尔曼滤波中的回报评估系数，实现了对于回报评估系数的弹性约束，可以提高评估结果的可解释性，提升模型的鲁棒性，缩短评估时间，提高评估效率。

请参阅图8，图8为本申请实施例所提供的一种电子设备的结构示意图。如图8中所示，所述电子设备800包括处理器810、存储器820和总线830。

所述存储器820存储有所述处理器810可执行的机器可读指令，当电子设备800运行时，所述处理器810与所述存储器820之间通过总线830通信，所述机器可读指令被所述处理器810执行时，可以执行如上述图1以及图2所示方法实施例中的资源投放效果评估方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的资源投放效果评估方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。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，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，又例如，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本申请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。

所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请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、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。