优惠券分发的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种优惠券分发的方法和装置。

背景技术

随着互联网和大数据的发展，越来越多的用户喜欢在线购物。电商网站为了吸引更多的用户，推送了多种多样的优惠券。平台通过促销物品或优惠券打折的方式，激发用户消费。现有技术中在进行优惠券分发时，由电商平台的运营工作人员手动配置、随机分发优惠券。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

(1)手动配置优惠券对运营人员的业务经验有较大的程度的依赖；

(2)没有结合不同用户的不同购物偏好和实时兴趣，优惠券分发后的使用价值不高。

发明内容

有鉴于此，本发明实施例提供一种优惠券分发的方法和装置，能够结合不同用户的不同购物偏好和实时兴趣高度智能化地分发优惠券，无需手动配置，在提高优惠券的利用价值的同时个性化分发优惠券，实现优惠券分发的千人千面。

为实现上述目的，根据本发明实施例的一个方面，提供了一种优惠券分发的方法，包括：

获取目标用户的用户画像特征和各个物品的物品画像特征；

将所述用户画像特征和所述物品画像特征输入训练好的预测模型，确定所述目标用户的目标物品；

基于所述目标用户的目标物品，从资源池中匹配与所述目标用户对应的目标优惠券并分发。

可选地，获取目标用户的用户画像特征之前，还包括：获取各个用户的行为参数信息，基于所述行为参数信息将所述各个用户划分为一个或多个用户群组，每个所述用户群组为一组所述目标用户。

可选地，所述预测模型是基于FiBiNet网络搭建的。

可选地，获取目标用户的用户画像特征和各个物品的物品画像特征之后，还包括：对所述用户画像特征和所述物品画像特征进行预处理和归一化处理；

其中，所述预处理包括：填充缺失值和滤除异常值，所述归一化处理包括：将不同特征转换为同一量纲。

可选地，基于所述目标用户的目标物品，从资源池中匹配与所述目标用户对应的目标优惠券，包括：

确定所述目标用户的目标物品所属的品类；

从所述资源池中查询每个所述品类的优惠券集合；

以任一所述优惠券集合中的优惠券或者至少两个所述优惠券集合交集中的优惠券作为与所述目标用户对应的目标优惠券。

可选地，若所述资源池中不存在各个所述品类中任意一个品类的优惠券，则从所述资源池中获取适用于预设物品的优惠券，作为与所述目标用户对应的目标优惠券。

可选地，从资源池中匹配与所述目标用户对应的目标优惠券并分发之后，还包括：从与所述目标优惠券匹配的各个物品中筛选目标物品并推送至所述目标用户。

根据本发明实施例的再一个方面，提供一种优惠券分发的装置，包括：

获取模块，获取目标用户的用户画像特征和各个物品的物品画像特征；

预测模块，将所述用户画像特征和所述物品画像特征输入训练好的预测模型，确定所述目标用户的目标物品；

匹配模块，基于所述目标用户的目标物品，从资源池中匹配与所述目标用户对应的目标优惠券并分发。

可选地，本发明实施例的装置还包括圈选模块，用于：在所述获取模块获取目标用户的用户画像特征之前，获取各个用户的行为参数信息，基于所述行为参数信息将所述各个用户划分为一个或多个用户群组，每个所述用户群组为一组所述目标用户。

可选地，所述预测模型是基于FiBiNet网络搭建的。

可选地，所述获取模块获取目标用户的用户画像特征和各个物品的物品画像特征之后，还包括：对所述用户画像特征和所述物品画像特征进行预处理和归一化处理；

其中，所述预处理包括：填充缺失值和滤除异常值，所述归一化处理包括：将不同特征转换为同一量纲。

可选地，所述匹配模块基于所述目标用户的目标物品，从资源池中匹配与所述目标用户对应的目标优惠券，包括：

确定所述目标用户的目标物品所属的品类；

从所述资源池中查询每个所述品类的优惠券集合；

以任一所述优惠券集合中的优惠券或者至少两个所述优惠券集合交集中的优惠券作为与所述目标用户对应的目标优惠券。

可选地，所述匹配模块还用于：若所述资源池中不存在各个所述品类中任意一个品类的优惠券，则从所述资源池中获取适用于预设物品的优惠券，作为与所述目标用户对应的目标优惠券。

可选地，所述匹配模块还用于：从资源池中匹配与所述目标用户对应的目标优惠券并分发之后，从与所述目标优惠券匹配的各个物品中筛选目标物品并推送至所述目标用户。

根据本发明实施例的另一个方面，提供一种优惠券分发的电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例第一方面提供的方法。

根据本发明实施例的还一个方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例第一方面提供的方法。

上述发明中的一个实施例具有如下优点或有益效果：根据用户画像特征和物品画像特征预测目标用户的目标物品，进而匹配优惠券并分发，能够结合不同用户的不同购物偏好和实时兴趣高度智能化地分发优惠券，无需手动配置，在提高优惠券的利用价值的同时个性化分发优惠券，实现优惠券分发的千人千面。根据用户的行为参数圈定目标用户，能够提高优惠券分发后的使用价值。从与目标优惠券匹配的各个物品中筛选目标物品并推送至目标用户，能够提高对目标用户的激励效果，增加频道的用户流量。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是本发明实施例的优惠券分发的方法的主要流程的示意图；

图2是本发明可选实施例中优惠券分发的方法的示意图；

图3是根据本发明实施例的优惠券分发的装置的主要模块的示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

根据本发明实施例的一个方面，提供了一种优惠券分发的方法。

图1是本发明实施例的优惠券分发的方法的主要流程的示意图，如图1所示，优惠券分发的方法，包括：步骤S101、步骤S102和步骤S103。

步骤S101、获取目标用户的用户画像特征和各个物品的物品画像特征。

用户画像是根据用户基本特征、网络浏览内容、网络社交活动和消费行为等信息而抽象出的一个标签化的用户模型。用户画像特征可以根据实际情况进行选择性设置，例如可以包括以下至少之一：自然基本信息，账户信息，地理信息，行为轨迹，生命周期，行业标签，兴趣偏好。示例性地：

自然基本信息包括用户人口属性(例如用户性别、年龄段、近期(30天、60天、90天等))、社会属性(婚姻、校园用户等)、家庭信息(是否国内、是否小孩、小孩性别等)、财产信息(是否有房、是否有车等)等；

账户信息可以为是否是会员，是否是权益会员(例如京东plus会员)等；

地理信息包括用户常用订单经纬度、近一年常用下单地址、近一年常用下单省份、近一年常用下单城市、近一年常用下单区县、近二年常用下单地区、近二年常用下单省份、近二年常用下单城市、近二年常用下单区县、近三年常用下单地区、近三年常用下单省份、近三年常用下单城市、近三年常用下单区县等；

行为轨迹包括(近1、3、5、7、14、30天等)用户活跃度、用户价值(例如京享值、勋章、金银铜牌级别等)、点击、购买、关注、加购(即加入购物车)、下单、分享、搜索等；

生命周期包括权益会员(例如plus会员)相关信息(例如是否是权益会员、是否是试用阶段、开通权益会员的潜力、试用转正、plus时长、续费次数、近期续费价格等)、品类复购周期(例如全网站商品的生命周期、plus会员的生命周期、宠物品类商品的生命周期、家具品类商品的生命周期、服饰品类商品的生命周期、宠物品类潜力、家具品类潜力、服饰品类潜力等)、是否是流失用户等；

行业标签用于指示用户关注的行业，例如为电子文娱、母婴、美妆等；

消费偏好可以包括兴趣偏好和价格偏好，兴趣偏好例如包括偏好品类、偏好店铺、商品拓展属性偏好等，价格偏好例如包括各个品类的购买力、是否偏向于高价值商品等。

物品画像如同用户画像一样，是物品海量数据的标签。物品画像特征可以根据实际情况进行选择性设定，例如物品画像特征包括以下至少之一：物品价格、所属品类、所属品牌、物品性别、物品短标题、物品是否打折。再例如，物品画像特征包括物品属性信息、物品行为信息、物品售卖信息以及其他信息等。示例性地：

物品属性信息包括业务属性、物品评论和拓展属性。业务属性例如是否是新品、是否预约、是否厂家直送、是否自营服务、是否支持七天无理由退换、是否支持门店自提、是否属于生鲜等。物品拓展属性例如服饰品类的面料、款式、颜色、预留、流行等，例如3C品类的电池容量、内存等；

物品行为信息包括时效性信息和离线信息。时效性信息例如5分钟、10分钟、1小时、8小时内的点击量、关注量、加购量、订单量、分享量、搜索量、价格等。离线信息例如1天、1周、1月、一年内的点击量、关注量、加购量、订单量、分享量、搜索量、价格等；

物品售卖信息包括售前信息、售中信息和售后信息。售前信息例如各个时间窗口(例如一天、三天、五天、一周、两周、一月、一季度等)内的咨询次数、咨询时长、咨询后加购量、咨询后收藏量、咨询后下单量、咨询后转化率(即咨询并下单的数量占总咨询数量的百分比)等，售中信息例如各个时间窗口内的订单取消量、订单量、物流信息查询次数等，售后信息例如各个时间窗口的售后数量、退换数量、好中差评论数量、审核时长、上门取货时间、价保申请次数、价保申请成功率等；

其他信息例如热度、复购标签、图片信息、标题信息等。

可选地，获取目标用户的用户画像特征之前，还包括：获取各个用户的行为参数信息，基于所述行为参数信息将所述各个用户划分为一个或多个用户群组，每个所述用户群组为一组所述目标用户；所述行为参数信息包括以下至少之一：用户活跃度、用户购买力、用户优惠历史倾向。与现有技术随机派发优惠券的方式相比，本发明根据用户的行为参数圈定目标用户，能够根据用户偏好品类圈定目标用户，提高优惠券分发后的使用价值。

可选地，获取目标用户的用户画像特征和各个物品的物品画像特征之后，还包括：对所述用户画像特征和所述物品画像特征进行预处理和归一化处理；其中，所述预处理包括：填充缺失值和滤除异常值，所述归一化处理包括将不同特征转换为同一量纲。

示例性地，对于类别型特征，缺失值补充为最多的那个类别编号。例如颜色类别有红色、黄色、黑色，其中颜色类别的特征值为黑色的物品数量最多。当物品A中的颜色特征值缺失时，可以将该物品A的颜色特征值填充为黑色。对于数值型特征的缺失值，补充该特征的均值或中位数，例如在采集用户各个时间长可内对物品B的点击量时，若某个时间窗口内的点击量特征值缺失，可以以其他各个时间窗口对应的点击量的中位数作为该时间窗口对应的点击量。异常值是指数据集合中的某些数据值，其大小明显偏离其所属样本集合中的其它数据值；

归一化处理用于使不同特征保持同一量纲。比如有的特征波动很大，采用对数函数做压缩；有的特征几乎服从正态分布，采用标准归一化；有的特征几乎是均匀分布，采用min(最小值)-max(最大值)归一化；有的特征比较稀疏，采用连续特征分桶分箱进行归一化。

通过预处理和归一化处理，能够降低预测过程的计算量。

步骤S102、将所述用户画像特征和所述物品画像特征输入训练好的预测模型，确定所述目标用户的目标物品。

预测模型是根据包含用户画像和物品画像的训练数据训练得到的，预测模型的网络结构可以根据实际情况进行选择性设定。可选地，所述预测模型是基于FiBiNet(FeatureImportance Bilinear Feature Interaction Neural Network，一种基于深度学习的预测方法)网络搭建的。FiBiNet主要由Embedding层、SeNet Layer层、Bilinear InteractionLayer层、DNN(Deep Neural Networks，深度神经网络)层和联合训练输出层构成。Embedding层将业务特征表示为数学向量，使得计算机可识别。SeNet Layer的主要作用是学习不同特征的一个重要程度，对重要特征加权，对蕴含信息量不多的特征进行削弱。本发明使用平均池化操作对Embedding向量进行压缩得到统计向量。Bilinear Interaction是一种计算特征交叉的方式。本发明的预测模型特征输入为端到端，在获取到用户画像特征和物品特征之后，所有的特征转化都在模型内部处理，比如特征分箱、特征归一化、特征选择等，一方面方便模型和服务对接，另一方面模型的上线比较灵活。本发明基于FiBiNet网络搭建预测模型，预测结果准确性好。

FiBiNet网络各层中可配置的激活函数可以为ReLu函数、Sigmoid函数、Tanh函数等。可选地，本申请中的激活函数为：

y

式中，var[y

在深度学习中，ReLu函数相比Sigmoid函数和Tanh函数可以更好地防止梯度爆炸梯度消失，但是ReLu函数的分割点都是0。本发明实施例采用上述公式示出的激活函数，能够根据MiniBatch中数据的期望、方差调整分割点，相比ReLu、sigmoid等采用分割点0，更能学习到数据集本身的特点，提升了预测模型在验证集的召回率。

本发明中，预测模型的损失函数可以为：

式中，

预测模型训练好之后，对预测模型进行抽样多维度测试，根据测试结果使用Adam优化器(2014年12月，Kingma和Lei Ba两位学者提出优化算法)，通过手动设置学习率衰减公式，更新预测模型的模型参数。从而可以根据测试过程出现的不良体验对预测模型进行不断优化迭代，提高预测模型的预测准确性。

步骤S103、基于所述目标用户的目标物品，从资源池中匹配与所述目标用户对应的目标优惠券并分发。

一般情况下，每个优惠券有其对应的适用范围，例如仅适用于美妆类物品、仅适用于生鲜品类物品等。在匹配与目标用户对应的目标优惠券时，可以将适用于目标用户的偏好物品的优惠券作为目标优惠券分发给目标用户。

可选地，基于所述目标用户的目标物品，从资源池中匹配与所述目标用户对应的目标优惠券，包括：确定所述目标用户的目标物品所属的品类；从所述资源池中查询每个所述品类的优惠券集合；以任一所述优惠券集合中的优惠券或者至少两个所述优惠券集合交集中的优惠券作为与所述目标用户对应的目标优惠券。

可选地，确定N个优惠券集合的交集，N为正数，N的初始值为目标用户的目标物品所属的品类的数量。若该交集不为空，则以该交集中的优惠券作为所述目标优惠券；若该交集为空，则执行确定(N-1)个优惠券集合的交集，直至找到目标优惠券。如此，能够使得目标优惠券匹配所有品类或者最多品类，提高目标优惠券的利用率。

示例性地，确定出的目标用户的目标物品所属品类为品类P1，在匹配与目标用户对应的目标优惠券时，从资源池中获取适用于品类P1的优惠券作为目标优惠券；

示例性地，确定出的目标用户的目标物品有三件，所属品类分别为品类P1、P2、P3，在匹配与目标用户对应的目标优惠券时，从资源池中获取适用于品类P1、P2、P3的优惠券作为目标优惠券。若资源池中不存在同时适用于品类P1、P2、P3的优惠券，但是存在仅适用于品类P1的优惠券Q1、仅适用于品类P2的优惠券Q2、适用于品类P1和P3的优惠券Q3，则以优惠券Q3作为目标优惠券。

可选地，若所述资源池中不存在各个所述品类中任意一个品类的优惠券，则从所述资源池中获取适用于预设物品的优惠券，作为与所述目标用户对应的目标优惠券。预设物品可以根据实际情况进行选择性设定，例如设置为热销物品或者新推出的新产品等。当不存在与目标用户的目标物品所属的品类匹配的优惠券时，以适用于预设物品的优惠券作为目标优惠券，能够提高对目标用户的激励效果，增加频道的用户流量。

可选地，从资源池中匹配与所述目标用户对应的目标优惠券并分发之后，还包括：从与所述目标优惠券匹配的各个物品中筛选目标物品并推送至所述目标用户。目标物品的数量可以是一个或多个。示例性地，目标优惠券为Q4，适用于品类P4的所有物品，在将优惠券Q4分发给目标用户之后，可以为目标用户推荐品类P4中用户可能感兴趣的物品或者物品组合。从与目标优惠券匹配的各个物品中筛选目标物品并推送至目标用户，能够提高对目标用户的激励效果，增加频道的用户流量。

图2是本发明可选实施例中优惠券分发的方法的示意图。以下结合图2对本发明实施例的优惠券分发的方法进行详细说明。如图2所示，优惠券分发的方法主要包括以下步骤：

1.电商优惠券背景

本步骤主要目的在于构建包含各个优惠券的资源池。例如无门槛优惠券、限品类优惠券、拼单满减优惠券、新人优惠券等。无门槛优惠券的目的是激发更多的用户成为电商平台的常逛常买用户，减少用户流失。限品类优惠券的目的是在特定品类搞活动，促进用户消费，增加品类或品牌的用户认可度。拼单满减优惠券的目的是鼓励用户拼单，增加商品销量，鼓励用户多消费，增加电商平台的网站成交金额。新人优惠券的目的是增加电商平台的用户数量，给新人更多的想象空间，实现以老带新或以新推新，不断提升用户粘性。

2.运营中心智能圈定用户

在圈定目标用户时，用户的活跃度、用户的购买力、用户优惠历史倾向是重要的考虑因素。比如：常逛电商平台的用户相对好几个月来一次电商平台的用户，推荐给前者的优惠券更容易被使用；购买力高的用户可能更喜欢使用名牌或高价商品的优惠券，购买力低的用户更喜欢大众普通商品但是便宜力度大的优惠券。再比如，某些用户只要优惠力度大就会下单，有的用户是真实有需要优惠小也下单、没有需要优惠多也不下单，针对这两种历史优惠倾向不同的用户，可以把他们圈定到不同的用户群中。

用户分群模型的构建方式可以根据实际情况进行设置，例如算法工程师对用户构建算法模型，或者数据分析师参考业务经验设计用户分群公式。

3.特征工程

用户画像特征可以包括用户性别、用户年龄、用户所在城市位置、用户使用的手机设备、用户商品偏好、用户品类偏好、用户品牌偏好等。商品画像特征可以包括商品价格、商品所属品类、商品所属品牌、商品性别、商品短标题、商品是否打折等。用户画像特征和商品画像特征的详细内容请参见前文相关描述，此处不再赘述。

数据预处理的详细内容请参见前文相关描述，此处不再赘述。

特征细粒度分析是指在训练数据或者待预测的数据进入预测模型之前，为了使不同特征保持同一量纲，进行多种归一化处理。归一化处理的详细内容请参见前文相关描述，此处不再赘述。

4.深度学习ctr(Click Through Rate，点击通过率)预测模型

多层感知机是在单层神经网络的基础上引入了一个到多个隐藏层，隐藏层位于输入层和输出层之间，是一种由全连接层组成的神经网络，且每个隐藏层的输出通过激活函数进行变换，多层感知机的层数和各隐藏层中隐藏单元个数都是超参数。感知机是深度学习最基本的组成部件。

端到端特征改进：本发明的深度学习的预测模型特征输入设计为端到端，在获取到业务的原始数据后，所有的特征转化都在模型内部处理，比如特征分箱、特征归一化、特征选择等，一方面方便模型和服务对接，另一方面模型的上线比较灵活。

FiBiNet网络主要由Embedding层、SeNet Layer层、Bilinear Interaction Layer层、DNN层和联合训练输出层构成。Embedding层将业务特征表示为数学向量，使得计算机可识别。SeNet Layer的主要作用是学习不同特征的一个重要程度，对重要特征加权，对蕴含信息量不多的特征进行削弱。本发明使用平均池化操作对Embedding向量进行压缩得到统计向量。Bilinear Interaction是一种计算特征交叉的方式。本发明的预测模型特征输入为端到端，在获取到用户画像特征和商品特征之后，所有的特征转化都在模型内部处理，比如特征分箱、特征归一化、特征选择等，一方面方便模型和服务对接，另一方面模型的上线比较灵活。本发明基于FiBiNet网络搭建预测模型，预测结果准确性好。

FiBiNet网络各层中可配置的激活函数包括ReLu函数、Sigmoid函数、Tanh函数等。可选地，本申请中的激活函数为：

式中，var[y

在深度学习中，ReLu函数相比Sigmoid函数和Tanh函数可以更好地防止梯度爆炸梯度消失，但是ReLu函数的分割点都是0。本发明实施例采用上述公式示出的激活函数，能够根据MiniBatch中数据的期望、方差调整分割点，相比ReLu、sigmoid等采用分割点0，更能学习到数据集本身的特点。

优化器更新模型参数：使用Adam优化器，通过手动设置学习率衰减公式，更新模型参数。

5.算法智能分发优惠券

算法匹配用户优惠券：在对用户按照多维度特征进行分群之后，以每个群的用户作为目标用户，基于预测模型确定目标用户的偏好商品(即目标物品)之后，个性化推送优惠券。另外，对于plus会员用户，还可以推送plus权益优惠券。不同的用户有不同的品类品牌偏好，可能近期需要购买的商品也不同，本发明个性化推送优惠券，实现优惠券推送的千人千面。将plus权益和优惠券结合，给plus会员用户推荐plus专属优惠，吸引更多的用户开通plus会员。

个性化推荐优惠商品是指，在优惠商品中，为目标用户推荐感兴趣的商品。

6.上线应用

数据端服务端联调：本发明数据端和服务端进行多方联调，确保上线之前性能的稳定和数据的准确性。此处提到的数据段，是指用于存储用户画像特征、商品画像特征等数据的数据库等。

设置对照试验：通过设置对照组(即运营人员随机分发优惠券)，便于评估本发明实施例的优惠券推送方法对业务指标的影响。

测试用户体验是指，在本发明实施例的优惠券分发的方法上线之前，测试人员对回归集中的例子进行抽样多维度测试，以确保逻辑的正确性。

优化迭代是指，测试人员将测试过程发现的优惠券分发效果不高的测试用例或测试用户提出的不良体验及时反馈到预测模型的算法人员，以对预测模型进行不断优化迭代。

本发明根据用户画像特征和物品画像特征预测目标用户的目标物品，进而匹配优惠券并分发，能够结合不同用户的不同购物偏好和实时兴趣高度智能化地分发优惠券，无需手动配置，在提高优惠券的利用价值的同时个性化分发优惠券，实现优惠券分发的千人千面。

根据本发明实施例的再一个方面，提供一种实现上述方法的装置。

图3是根据本发明实施例的优惠券分发的装置的主要模块的示意图。如图3所示，优惠券分发的装置300包括：

获取模块301，获取目标用户的用户画像特征和各个物品的物品画像特征；

预测模块302，将所述用户画像特征和所述物品画像特征输入训练好的预测模型，确定所述目标用户的目标物品；

匹配模块303，基于所述目标用户的目标物品，从资源池中匹配与所述目标用户对应的目标优惠券并分发。

可选地，本发明实施例的装置还包括圈选模块，用于：在所述获取模块获取目标用户的用户画像特征之前，获取各个用户的行为参数信息，基于所述行为参数信息将所述各个用户划分为一个或多个用户群组，每个所述用户群组为一组所述目标用户。

可选地，所述预测模型是基于FiBiNet网络搭建的。

可选地，所述获取模块获取目标用户的用户画像特征和各个物品的物品画像特征之后，还包括：对所述用户画像特征和所述物品画像特征进行预处理和归一化处理；

其中，所述预处理包括：填充缺失值和滤除异常值，所述归一化处理包括：将不同特征转换为同一量纲。

可选地，所述匹配模块基于所述目标用户的目标物品，从资源池中匹配与所述目标用户对应的目标优惠券，包括：

确定所述目标用户的目标物品所属的品类；

从所述资源池中查询每个所述品类的优惠券集合；

以任一所述优惠券集合中的优惠券或者至少两个所述优惠券集合交集中的优惠券作为与所述目标用户对应的目标优惠券。

可选地，所述匹配模块还用于：若所述资源池中不存在所述各个品类中任意一个品类的优惠券，则从所述资源池中获取适用于预设物品的优惠券，作为与所述目标用户对应的目标优惠券。

可选地，所述匹配模块还用于：从资源池中匹配与所述目标用户对应的目标优惠券并分发之后，从与所述目标优惠券匹配的各个物品中筛选目标物品并推送至所述目标用户。

根据本发明实施例的另一个方面，提供一种优惠券分发的电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例第一方面提供的方法。

根据本发明实施例的还一个方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例第一方面提供的方法。

图4示出了可以应用本发明实施例的优惠券分发的方法或优惠券分发的装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的优惠券分发的方法一般由服务器405执行，相应地，优惠券分发的装置一般设置于服务器405中。

应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括：获取模块，获取目标用户的用户画像特征和各个物品的物品画像特征；预测模块，将所述用户画像特征和所述物品画像特征输入训练好的预测模型，确定所述目标用户的目标物品；匹配模块，基于所述目标用户的目标物品，从资源池中匹配与所述目标用户对应的目标优惠券并分发。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，预测模块还可以被描述为“从资源池中匹配与所述目标用户对应的目标优惠券并分发的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取目标用户的用户画像特征和各个物品的物品画像特征；将所述用户画像特征和所述物品画像特征输入训练好的预测模型，确定所述目标用户的目标物品；基于所述目标用户的目标物品，从资源池中匹配与所述目标用户对应的目标优惠券并分发。

根据本发明实施例的技术方案，根据用户画像特征和物品画像特征预测目标用户的目标物品，进而匹配优惠券并分发，能够结合不同用户的不同购物偏好和实时兴趣高度智能化地分发优惠券，无需手动配置，在提高优惠券的利用价值的同时个性化分发优惠券，实现优惠券分发的千人千面。根据用户的行为参数圈定目标用户，能够提高优惠券分发后的使用价值。从与目标优惠券匹配的各个物品中筛选目标物品并推送至目标用户，能够提高对目标用户的激励效果，增加频道的用户流量。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。