本申請涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，特別涉及一種資源受限約束下的活動(dòng)推薦方法及系統(tǒng)。

背景技術(shù)：

產(chǎn)品或活動(dòng)的推薦是企業(yè)的重要營銷方式之一。在實(shí)際推薦中，一個(gè)用戶往往可以參與多個(gè)活動(dòng)，而一個(gè)活動(dòng)往往也需要推薦給多個(gè)用戶，即實(shí)際推薦是一個(gè)多對多的推薦。同時(shí)，實(shí)際活動(dòng)的推薦也是受到資源約束限制的，如：推薦成本和營銷成本，具體包括時(shí)間成本、人力成本、經(jīng)濟(jì)成本等，因此活動(dòng)的推薦是資源受限的。即實(shí)際活動(dòng)的推薦是一個(gè)資源受限約束下的多對多推薦。

而目前主流的活動(dòng)推薦方法主要是基于用戶-活動(dòng)的匹配程度的top-n推薦方法，在該推薦方法中，一個(gè)用戶可能會(huì)同時(shí)出現(xiàn)在多個(gè)活動(dòng)的top-n名單中。但在考慮到用戶體驗(yàn)、資源受限等約束條件時(shí)，雖然一個(gè)用戶可能同時(shí)出現(xiàn)在多個(gè)活動(dòng)的top-n名單中，并且在多個(gè)活動(dòng)中的匹配度都很高，但是并不能把這些活動(dòng)都推薦給該用戶。因?yàn)?，在資源受限條件下，每個(gè)用戶可參與活動(dòng)的數(shù)量和每個(gè)活動(dòng)的配額都是受到限制的。因此，主流的top-n推薦方法缺乏一個(gè)在資源受限條件下的全局優(yōu)化機(jī)制，不能較好的處理資源受限條件下的多對多推薦。如何解決top-n推薦方法存在的問題，實(shí)現(xiàn)活動(dòng)推薦的整體收益最大化，而不是每個(gè)活動(dòng)的局部收益最大化，是本領(lǐng)域技術(shù)人員需要解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)要素：

本申請的目的是提供一種資源受限約束下的活動(dòng)推薦方法及系統(tǒng)，具有全局優(yōu)化機(jī)制的情況下，則可以對全部活動(dòng)top-n名單中的用戶進(jìn)行統(tǒng)籌推薦，實(shí)現(xiàn)整體收益最大化的，而不是每個(gè)活動(dòng)的局部收益最大化。

為解決上述技術(shù)問題，本申請?zhí)峁┮环N資源受限約束下的活動(dòng)推薦方法，所述方法包括：

提取原始數(shù)據(jù)的特征數(shù)據(jù)；其中，所述特征數(shù)據(jù)包括活動(dòng)關(guān)鍵屬性及其關(guān)鍵度，活動(dòng)資格屬性及其對應(yīng)的資格閾值；

根據(jù)所述特征數(shù)據(jù)計(jì)算用戶與活動(dòng)的響應(yīng)度矩陣；

根據(jù)所述特征數(shù)據(jù)進(jìn)行用戶聚類，形成不同等級的特征群體，并根據(jù)所述特征群體計(jì)算用戶與活動(dòng)的貢獻(xiàn)率預(yù)測矩陣；

將所述響應(yīng)度矩陣以及所述貢獻(xiàn)率預(yù)測矩陣進(jìn)行擬合，得到用戶與活動(dòng)的價(jià)值矩陣；

根據(jù)所述價(jià)值矩陣，利用top-n推薦算法篩選出各所述指定活動(dòng)的前預(yù)定數(shù)量的優(yōu)質(zhì)用戶，對各所述優(yōu)質(zhì)用戶中不受限的用戶直接進(jìn)行指定活動(dòng)推薦得到第一推薦結(jié)果，對各所述優(yōu)質(zhì)用戶中受限的用戶進(jìn)行合并，并篩選出受限用戶與活動(dòng)的受限價(jià)值矩陣；

根據(jù)所述受限價(jià)值矩陣，利用kmb算法求解資源受限約束下的用戶與活動(dòng)的推薦結(jié)果，并與所述第一推薦結(jié)果進(jìn)行合并，形成資源受限約束下的全局最優(yōu)推薦結(jié)果。

可選的，提取原始數(shù)據(jù)的特征數(shù)據(jù)，包括：

對原始數(shù)據(jù)中的用戶的基本信息，歷史交易行為信息和歷史活動(dòng)參與信息進(jìn)行分析，提取用戶的基本信息特征、歷史交易行為偏好特征、活動(dòng)的用戶群特征以及活動(dòng)中不同用戶對活動(dòng)的貢獻(xiàn)率特征；其中，所述活動(dòng)的用戶群特征包含活動(dòng)關(guān)鍵屬性及其關(guān)鍵度，活動(dòng)資格屬性及其對應(yīng)的資格閾值。

可選的，根據(jù)所述特征數(shù)據(jù)計(jì)算用戶與活動(dòng)的響應(yīng)度矩陣，包括：

利用公式計(jì)算用戶與活動(dòng)的響應(yīng)度矩陣r；

其中，θij為各用戶在各活動(dòng)中最終的活動(dòng)資格值，wik為第i個(gè)用戶的第k項(xiàng)活動(dòng)關(guān)鍵屬性，φjk(wik)為第j個(gè)活動(dòng)的第k項(xiàng)活動(dòng)關(guān)鍵屬性的計(jì)算函數(shù)，nj為第j個(gè)活動(dòng)的活動(dòng)關(guān)鍵屬性個(gè)數(shù)，ijk為第j個(gè)活動(dòng)的第k項(xiàng)活動(dòng)關(guān)鍵屬性的重要度。

可選的，根據(jù)所述特征數(shù)據(jù)進(jìn)行用戶聚類，形成不同等級的特征群體，并根據(jù)所述特征群體計(jì)算用戶與活動(dòng)的貢獻(xiàn)率預(yù)測矩陣，包括：

根據(jù)所述基本信息特征和所述歷史交易行為偏好特征進(jìn)行用戶聚類，得到多個(gè)用戶群；

按照用戶是否參與過活動(dòng)對每個(gè)所述用戶群進(jìn)行劃分，得到每個(gè)所述用戶群對應(yīng)每個(gè)活動(dòng)的參與用戶群和未參與用戶群；

對所述參與用戶群的歷史貢獻(xiàn)率進(jìn)行匯總計(jì)算，得到所述參與用戶群的貢獻(xiàn)率的統(tǒng)計(jì)數(shù)作為該用戶群貢獻(xiàn)率的評估參數(shù)；

根據(jù)所述用戶群的實(shí)際貢獻(xiàn)率分布情況，對所述未參與用戶群的貢獻(xiàn)率進(jìn)行預(yù)測填充得到未參與用戶群貢獻(xiàn)率；

根據(jù)所述參與用戶群貢獻(xiàn)率以及所述未參與用戶群貢獻(xiàn)率得到用戶與活動(dòng)的貢獻(xiàn)率預(yù)測矩陣。

可選的，將所述響應(yīng)度矩陣以及所述貢獻(xiàn)率預(yù)測矩陣進(jìn)行擬合，得到用戶與活動(dòng)的價(jià)值矩陣，包括：

利用公式v[i,j]＝r[i,j]*c[i,j]*w[j]計(jì)算用戶與活動(dòng)的價(jià)值矩陣v；

其中，r為用戶與活動(dòng)的響應(yīng)度矩陣，c為用戶與活動(dòng)的貢獻(xiàn)率預(yù)測矩陣，w為活動(dòng)權(quán)重向量。

可選的，根據(jù)所述價(jià)值矩陣，利用top-n推薦算法篩選出各所述指定活動(dòng)的前預(yù)定數(shù)量的優(yōu)質(zhì)用戶，對各所述優(yōu)質(zhì)用戶中不受限的用戶直接進(jìn)行指定活動(dòng)推薦得到第一推薦結(jié)果，對各所述優(yōu)質(zhì)用戶中受限的用戶進(jìn)行合并，并篩選出受限用戶與活動(dòng)的受限價(jià)值矩陣，包括：

確定每個(gè)活動(dòng)需要推薦的用戶數(shù)ni；

從所述價(jià)值矩陣中為每個(gè)活動(dòng)篩選出價(jià)值數(shù)值位于前的用戶；其中，為動(dòng)態(tài)參數(shù)；

將價(jià)值數(shù)值位于前ni的用戶存放到集合ai，將價(jià)值數(shù)值位于前的用戶存放到集合bi；

當(dāng)用戶u滿足u∈ai＝k且則直接進(jìn)行指定活動(dòng)推薦得到第一推薦結(jié)果；

當(dāng)用戶u滿足u∈ai＝j(luò),k,h且則判斷用戶u適合參與活動(dòng)的數(shù)量是否超過限制；若未超過，則直接進(jìn)行指定活動(dòng)推薦得到第一推薦結(jié)果；若超過，則將所述用戶作為受限用戶；

不滿足u∈ai＝k且以及u∈ai＝j(luò),k,h且的優(yōu)質(zhì)用戶作為受限用戶；

對全部受限用戶進(jìn)行合并，并從所述價(jià)值矩陣中篩選出受限用戶與活動(dòng)的受限價(jià)值矩陣。

可選的，根據(jù)所述價(jià)值矩陣，根據(jù)所述受限價(jià)值矩陣，利用kmb算法求解資源受限約束下的用戶與活動(dòng)的推薦結(jié)果，包括：

確定資源受限約束下的受限用戶可被推薦活動(dòng)數(shù)量向量l，每個(gè)所述指定活動(dòng)所需用戶數(shù)量向量l^a，受限用戶活動(dòng)推薦情況矩陣t；

利用公式求取最大化σ對應(yīng)的t作為資源受限約束下的用戶與活動(dòng)的推薦結(jié)果；

其中，vmin為受限價(jià)值矩陣，n為受限用戶數(shù)量，m為剩余待推薦活動(dòng)數(shù)量，i為用戶的下標(biāo)或編號(hào)，j為活動(dòng)的下標(biāo)或編號(hào)。

本申請還提供一種資源受限約束下的活動(dòng)推薦系統(tǒng)，所述系統(tǒng)包括：

特征數(shù)據(jù)獲取模塊，用于提取原始數(shù)據(jù)的特征數(shù)據(jù)；其中，所述特征數(shù)據(jù)包括活動(dòng)關(guān)鍵屬性及其關(guān)鍵度，活動(dòng)資格屬性及其對應(yīng)的資格閾值；

響應(yīng)度矩陣計(jì)算模塊，用于根據(jù)所述特征數(shù)據(jù)計(jì)算用戶與活動(dòng)的響應(yīng)度矩陣；

貢獻(xiàn)率預(yù)測矩陣計(jì)算模塊，用于根據(jù)所述特征數(shù)據(jù)進(jìn)行用戶聚類，形成不同等級的特征群體，并根據(jù)所述特征群體計(jì)算用戶與活動(dòng)的貢獻(xiàn)率預(yù)測矩陣；

價(jià)值矩陣計(jì)算模塊，用于將所述響應(yīng)度矩陣以及所述貢獻(xiàn)率預(yù)測矩陣進(jìn)行擬合，得到用戶與活動(dòng)的價(jià)值矩陣；

第一推薦模塊，用于根據(jù)所述價(jià)值矩陣，利用top-n推薦算法篩選出各所述指定活動(dòng)的前預(yù)定數(shù)量的優(yōu)質(zhì)用戶，對各所述優(yōu)質(zhì)用戶中不受限的用戶直接進(jìn)行指定活動(dòng)推薦得到第一推薦結(jié)果，對各所述優(yōu)質(zhì)用戶中受限的用戶進(jìn)行合并，并篩選出受限用戶與活動(dòng)的受限價(jià)值矩陣；

最終推薦模塊，用于根據(jù)所述受限價(jià)值矩陣，利用kmb算法求解資源受限約束下的用戶與活動(dòng)的推薦結(jié)果，并與所述第一推薦結(jié)果進(jìn)行合并，形成資源受限約束下的全局最優(yōu)推薦結(jié)果。

可選的，所述第一推薦模塊包括：

用戶數(shù)確定單元，用于確定每個(gè)活動(dòng)需要推薦的用戶數(shù)ni；

篩選單元，用于從所述價(jià)值矩陣中為每個(gè)活動(dòng)篩選出價(jià)值數(shù)值位于前的用戶；其中，為動(dòng)態(tài)參數(shù)，

集合分配單元，用于將價(jià)值數(shù)值位于前ni的用戶存放到集合ai，將價(jià)值數(shù)值位于前的用戶存放到集合bi；

第一推薦單元，用于當(dāng)用戶u滿足u∈ai＝k且則直接進(jìn)行指定活動(dòng)推薦得到第一推薦結(jié)果；當(dāng)用戶u滿足u∈ai＝j(luò),k,h且則判斷用戶u適合參與活動(dòng)的數(shù)量是否超過限制；若未超過，則直接進(jìn)行指定活動(dòng)推薦得到第一推薦結(jié)果；若超過，則將所述用戶作為受限用戶；不滿足u∈ai＝k且以及u∈ai＝j(luò),k,h且的優(yōu)質(zhì)用戶作為受限用戶；對全部受限用戶進(jìn)行合并，并從所述價(jià)值矩陣中篩選出受限用戶與活動(dòng)的受限價(jià)值矩陣?？蛇x的，所述最終推薦模塊包括：

向量確定單元，用于確定資源受限約束下的受限用戶可被推薦活動(dòng)數(shù)量向量l，每個(gè)所述指定活動(dòng)所需用戶數(shù)量向量l^a，受限用戶活動(dòng)推薦情況矩陣t；

第二推薦單元，用于利用公式求取最大化σ對應(yīng)的t作為資源受限約束下的用戶與活動(dòng)的推薦結(jié)果；

最終推薦單元，用于將資源受限約束下的用戶與活動(dòng)的推薦結(jié)果與所述第一推薦結(jié)果進(jìn)行合并，形成資源受限約束下的全局最優(yōu)推薦結(jié)果；

其中，vmin為受限價(jià)值矩陣，n為受限用戶數(shù)量，m為剩余待推薦活動(dòng)數(shù)量，i為用戶的下標(biāo)或編號(hào)，j為活動(dòng)的下標(biāo)或編號(hào)。

本申請所提供的一種資源受限約束下的活動(dòng)推薦方法，在對原始數(shù)據(jù)的活動(dòng)特征以及用戶特征進(jìn)行提取之后，計(jì)算出用戶與活動(dòng)的響應(yīng)度矩陣和用戶與活動(dòng)的貢獻(xiàn)率預(yù)測矩陣，然后對響應(yīng)度矩陣和貢獻(xiàn)率預(yù)測矩陣進(jìn)行擬合形成用戶與活動(dòng)的價(jià)值矩陣；再根據(jù)價(jià)值矩陣，利用小基數(shù)top-n推薦算法對推薦規(guī)模進(jìn)行約減，將價(jià)值分值在活動(dòng)前預(yù)定數(shù)量的用戶進(jìn)行篩出作為優(yōu)質(zhì)用戶，將不受到資源限制的用戶直接進(jìn)行推薦，從而提高最終求解速度。最后對資源受限(利如：成本受限、時(shí)間受限等)多對多推薦過程進(jìn)行形式化，并利用kmb算法求解出受限狀態(tài)下的全局最優(yōu)推薦方案；實(shí)現(xiàn)整體收益最大化的，而不是每個(gè)活動(dòng)的局部收益最大化；本申請所提供的一種資源受限約束下的活動(dòng)推薦系統(tǒng)，具有上述有益效果，在此不再贅述。

附圖說明

為了更清楚地說明本申請實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本申請實(shí)施例所提供的資源受限約束下的活動(dòng)推薦方法的流程圖；

圖2為本申請實(shí)施例所提供的資源受限約束下的活動(dòng)推薦系統(tǒng)的結(jié)構(gòu)框圖；

圖3為本申請實(shí)施例所提供的價(jià)值矩陣前期計(jì)算及擬合的簡要流程示例圖；

圖4為本申請實(shí)施例所提供的推薦規(guī)模約減的流程示例圖；

圖5為本申請實(shí)施例所提供的資源受限約束下的活動(dòng)推薦系統(tǒng)整體處理流程圖。

具體實(shí)施方式

本申請的核心是提供一種資源受限約束下的活動(dòng)推薦方法及系統(tǒng)，在考慮用戶與活動(dòng)貢獻(xiàn)率和資源受限條件下，完成全局最優(yōu)化多對多推薦，實(shí)現(xiàn)活動(dòng)推薦的整體收益最大化，而不是每個(gè)活動(dòng)的局部收益最大化。

為使本申請實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本申請實(shí)施例中的附圖，對本申請實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本申請一部分實(shí)施例，而不是全部的實(shí)施例?；诒旧暾堉械膶?shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本申請保護(hù)的范圍。

本實(shí)施例提供一種資源受限約束下的活動(dòng)多對多推薦方法，在考慮用戶-活動(dòng)貢獻(xiàn)率和資源受限條件下，完成全局最優(yōu)化多對多推薦。具體請參考圖1，圖1為本申請實(shí)施例所提供的資源受限約束下的活動(dòng)推薦方法的流程圖；該方法可以包括：

s100、提取原始數(shù)據(jù)的特征數(shù)據(jù)；其中，特征數(shù)據(jù)包括活動(dòng)關(guān)鍵屬性及其關(guān)鍵度，活動(dòng)資格屬性及其對應(yīng)的資格閾值。

具體的，本實(shí)施例并不對特征數(shù)據(jù)的具體內(nèi)容進(jìn)行限定，用戶可以根據(jù)后續(xù)步驟的計(jì)算需求進(jìn)行相應(yīng)的提取。本實(shí)施例后續(xù)會(huì)計(jì)算響應(yīng)度矩陣以及貢獻(xiàn)率預(yù)測矩陣等，因此特征數(shù)據(jù)中包含活動(dòng)關(guān)鍵屬性及其關(guān)鍵度，活動(dòng)資格屬性及其對應(yīng)的資格閾值。其中，活動(dòng)關(guān)鍵屬性(可以簡稱為關(guān)鍵屬性)是活動(dòng)中頻繁出現(xiàn)的正相關(guān)特征，關(guān)鍵度則是該關(guān)鍵屬性的權(quán)重；活動(dòng)資格屬性(可以簡稱為資格屬性)是參與活動(dòng)用戶必須滿足的特征，其對應(yīng)的閾值則是用戶參與該活動(dòng)必須滿足該特征屬性的最小值。本實(shí)施例也不限定具體提取原始數(shù)據(jù)的特征數(shù)據(jù)的方式，用戶可以根據(jù)原始數(shù)據(jù)的數(shù)據(jù)存儲(chǔ)形式進(jìn)行適用性選擇提取的算法。下面提供一種具體的提取原始數(shù)據(jù)的特征數(shù)據(jù)的方式：在數(shù)據(jù)預(yù)處理階段，對原始數(shù)據(jù)中全部用戶的基本信息、歷史交易行為信息和歷史活動(dòng)參與信息(即參與情況)等進(jìn)行分析及抽象，抽取出：a、用戶的基本信息特征；b、用戶的歷史交易行為偏好特征；c、相關(guān)營銷活動(dòng)(即活動(dòng))的用戶群特征；d、不同用戶對活動(dòng)的貢獻(xiàn)率特征的情況；

其中，對a、b、c這三個(gè)抽象特征信息的綜合分析，可用于用戶-活動(dòng)響應(yīng)度的評估；而對a、b、d的特征信息的綜合分析，可用于用戶-活動(dòng)的貢獻(xiàn)率的預(yù)估。

對于相關(guān)活動(dòng)的用戶群特征的抽取，可以按照如下方式。首先，將相關(guān)活動(dòng)的用戶群特征分為兩大類，一類是活動(dòng)關(guān)鍵屬性特征(即活動(dòng)關(guān)鍵屬性)，另一類是活動(dòng)資格屬性特征(即活動(dòng)資格屬性)。

在提取活動(dòng)關(guān)鍵屬性特征時(shí)，根據(jù)受邀用戶名單、歷史活動(dòng)時(shí)間和受邀用戶參與活動(dòng)記錄，對受邀用戶參與活動(dòng)情況進(jìn)行匯總；例如參與活動(dòng)的總用戶數(shù)、活動(dòng)不同單筆消費(fèi)金額區(qū)間的總?cè)藬?shù)、活動(dòng)不同消費(fèi)類型的總?cè)藬?shù)、活動(dòng)境內(nèi)外消費(fèi)總?cè)藬?shù)、活動(dòng)不同消費(fèi)方式的總消費(fèi)額度和人均額度等，基于匯總信息，如果某個(gè)活動(dòng)中參與用戶的某項(xiàng)特征匯總?cè)藬?shù)或額度到達(dá)給定閾值，并滿足提升度大于1時(shí)，該項(xiàng)屬性將作為該活動(dòng)的一項(xiàng)活動(dòng)關(guān)鍵屬性，其重要度i＝nw/na，nw為該活動(dòng)中參與用戶的該項(xiàng)特征匯總?cè)藬?shù)或匯總額度，na為該活動(dòng)總參與人數(shù)或總消費(fèi)額度。

在提取活動(dòng)資格屬性特征時(shí)，對于專家直接給定的活動(dòng)資格屬性及其閾值直接存入活動(dòng)資格屬性表中，而非專家給出的資格屬性，則可以根據(jù)受邀用戶名單和受邀用戶參與活動(dòng)情況等，對受邀但未參與活動(dòng)用戶的特征屬性進(jìn)行分析和啟發(fā)式學(xué)習(xí)，找出不參加某個(gè)活動(dòng)的用戶的共同屬性，并通過搜索這類屬性的閾值，最終確定出具體的資格屬性及其閾值，并存入資格屬性表。

s110、根據(jù)特征數(shù)據(jù)計(jì)算用戶與活動(dòng)的響應(yīng)度矩陣。

具體的，本實(shí)施例并不限定具體響應(yīng)度矩陣的計(jì)算方式，為了保證響應(yīng)度矩陣的可靠性，可以通過相關(guān)活動(dòng)的關(guān)鍵屬性和資格屬性，對用戶-活動(dòng)的響應(yīng)度矩陣進(jìn)行計(jì)算。優(yōu)選的，本實(shí)施例可以采用如下方式計(jì)算響應(yīng)度矩陣：

利用公式計(jì)算各用戶在各活動(dòng)中最終的活動(dòng)資格屬性(即活動(dòng)資格值)；其中，其中，xik為第i個(gè)用戶的第k項(xiàng)資格屬性值，為第j個(gè)活動(dòng)的第k項(xiàng)資格屬性的計(jì)算函數(shù)，τjk為第j個(gè)活動(dòng)的第k項(xiàng)資格屬性閾值，mj為第j個(gè)活動(dòng)的資格屬性個(gè)數(shù)，θij為第i個(gè)用戶在第j個(gè)活動(dòng)最終資格值；

利用公式計(jì)算用戶與活動(dòng)的響應(yīng)度矩陣r；其中，θij為各用戶在各活動(dòng)中最終的活動(dòng)資格屬性，wik為第i個(gè)用戶的第k項(xiàng)活動(dòng)關(guān)鍵屬性，φjk(wik)為第j個(gè)活動(dòng)的第k項(xiàng)活動(dòng)關(guān)鍵屬性的計(jì)算函數(shù)，nj為第j個(gè)活動(dòng)的活動(dòng)關(guān)鍵屬性個(gè)數(shù)，ijk為第j個(gè)活動(dòng)的第k項(xiàng)活動(dòng)關(guān)鍵屬性的重要度，則r[i,j]為第i個(gè)用戶對于第j個(gè)活動(dòng)的最終響應(yīng)度評分，例如表示第1個(gè)用戶與第1個(gè)活動(dòng)的響應(yīng)度為0.5，與第2個(gè)活動(dòng)的響應(yīng)度為0.7，與第3個(gè)活動(dòng)的相響應(yīng)度為0.8，依次類推。

s120、根據(jù)特征數(shù)據(jù)進(jìn)行用戶聚類，形成不同等級的特征群體，并根據(jù)特征群體計(jì)算用戶與活動(dòng)的貢獻(xiàn)率預(yù)測矩陣。

具體的，本實(shí)施例并不限定具體貢獻(xiàn)率預(yù)測矩陣的計(jì)算方式，可以用戶聚類，形成具有相似消費(fèi)行為的特征群體，然后用相似群體在不同活動(dòng)的消費(fèi)水平，對未知的用戶-活動(dòng)貢獻(xiàn)率進(jìn)行預(yù)測。優(yōu)選的，本實(shí)施例可以采用如下方式計(jì)算貢獻(xiàn)率預(yù)測矩陣c：

第一：根據(jù)用戶的基本信息特征和歷史交易行為偏好特征對用戶進(jìn)行用戶聚類，得到多個(gè)用戶群u1、u2...un；其中，u＝u1∪u2...∪un,

第二：按照用戶是否參與過活動(dòng)對每個(gè)用戶群進(jìn)行劃分，得到每個(gè)用戶群對應(yīng)每個(gè)活動(dòng)的參與用戶群unmy和未參與用戶群unmn；其中，unmy表示第n個(gè)用戶群中有參與過活動(dòng)m的群體，unmn表示第n個(gè)用戶群中沒有參與過活動(dòng)m的群體。

第三：對unmy群體的歷史貢獻(xiàn)率進(jìn)行匯總分析，計(jì)算得到參與用戶群的貢獻(xiàn)率的統(tǒng)計(jì)數(shù)作為該用戶群貢獻(xiàn)率的評估參數(shù)；本實(shí)施例并不對統(tǒng)計(jì)數(shù)的進(jìn)行限定，例如可以是平均數(shù)、最大值、最小值、中位數(shù)等。這些不同的統(tǒng)計(jì)數(shù)的選取可以根據(jù)實(shí)際情況進(jìn)行選擇，統(tǒng)計(jì)數(shù)主要是通過對同一個(gè)用戶群歷史貢獻(xiàn)進(jìn)行統(tǒng)計(jì)得到的，用途是對同一個(gè)用戶群中，未參與過活動(dòng)的用戶進(jìn)行評估(即對某個(gè)用戶在某個(gè)活動(dòng)中不存在歷史貢獻(xiàn)率的情況進(jìn)行填充)，而具體運(yùn)用那種統(tǒng)計(jì)數(shù)是和實(shí)際的案例和要求有關(guān)的，不同的選擇可能會(huì)影響到最終貢獻(xiàn)率預(yù)測的準(zhǔn)確率，例如：如果同一個(gè)用戶群用戶歷史貢獻(xiàn)率分布比較均勻則選擇平均數(shù)；如果歷史貢獻(xiàn)率在中間的分布比較密集，則選擇眾數(shù)或者中位數(shù)；如果在歷史貢獻(xiàn)率較小的位置分布比較密集，則選擇最小值；最大值同理。對于一個(gè)參與用戶的多次歷史記錄的統(tǒng)計(jì)數(shù)，用于預(yù)測該用戶的貢獻(xiàn)率，對于一個(gè)用戶群中多個(gè)參與用戶歷史記錄的統(tǒng)計(jì)數(shù)，是用于未參與用戶群貢獻(xiàn)率的預(yù)測。

第四：根據(jù)用戶群的實(shí)際貢獻(xiàn)率分布情況，對unmn群體的貢獻(xiàn)率進(jìn)行預(yù)測填充得到未參與用戶群貢獻(xiàn)率；這里的預(yù)測填充可以利用實(shí)際貢獻(xiàn)率分布統(tǒng)計(jì)數(shù)(例如均值)進(jìn)行填充。

第五：根據(jù)參與用戶群貢獻(xiàn)率以及未參與用戶群貢獻(xiàn)率得到用戶與活動(dòng)的貢獻(xiàn)率預(yù)測矩陣c。即通過c可以知道每個(gè)用戶對于每個(gè)活動(dòng)的貢獻(xiàn)率矩陣c[i,j]，其中矩陣c的行表示用戶，列表示活動(dòng)。

例如表示第1個(gè)用戶對第1個(gè)活動(dòng)的貢獻(xiàn)率為0.9，對第2個(gè)活動(dòng)的貢獻(xiàn)率為0.1，對第3個(gè)活動(dòng)的貢獻(xiàn)率為0.2，依次類推。

s130、將響應(yīng)度矩陣以及貢獻(xiàn)率預(yù)測矩陣進(jìn)行擬合，得到用戶與活動(dòng)的價(jià)值矩陣。

具體的，本實(shí)施例并不限定具體價(jià)值矩陣的計(jì)算方式。優(yōu)選的，本實(shí)施例可以采用如下方式計(jì)算價(jià)值矩陣v：

利用公式v[i,j]＝r[i,j]*c[i,j]*w[j]計(jì)算用戶與活動(dòng)的價(jià)值矩陣v；

其中，r為用戶與活動(dòng)的響應(yīng)度矩陣，c為用戶與活動(dòng)的貢獻(xiàn)率預(yù)測矩陣，w為活動(dòng)權(quán)重向量。價(jià)值矩陣v中的數(shù)值代表了用戶-活動(dòng)價(jià)值分值，是綜合考慮響應(yīng)度和貢獻(xiàn)率的分值，分值越高越適合參與該活動(dòng)，同時(shí)，為了衡量不同活動(dòng)的收益率高低以及營銷活動(dòng)的側(cè)重點(diǎn)，在擬合用戶-活動(dòng)價(jià)值矩陣v時(shí)，該優(yōu)選實(shí)施例引入了活動(dòng)權(quán)重向量w，從而可以提高價(jià)值矩陣的可靠性和準(zhǔn)確性。如w＝[10,20,30]，表示第1個(gè)活動(dòng)的權(quán)重為10，第2個(gè)活動(dòng)的權(quán)重為20，第3個(gè)活動(dòng)的權(quán)重為30。

例如表示第1個(gè)用戶對第1個(gè)活動(dòng)的價(jià)值分值為4.50，對第2個(gè)活動(dòng)的價(jià)值分值為1.40，對第3個(gè)活動(dòng)的價(jià)值分值為4.80，依次類推。

s140、根據(jù)價(jià)值矩陣，利用top-n推薦算法篩選出各指定活動(dòng)的前預(yù)定數(shù)量的優(yōu)質(zhì)用戶，對各優(yōu)質(zhì)用戶中不受限的用戶直接進(jìn)行指定活動(dòng)推薦得到第一推薦結(jié)果，對各優(yōu)質(zhì)用戶中受限的用戶進(jìn)行合并，并篩選出受限用戶與活動(dòng)的受限價(jià)值矩陣。

其中，本實(shí)施例并不對具體的預(yù)定數(shù)量的具體數(shù)值進(jìn)行限定。該步驟即對不受限的用戶直接進(jìn)行推薦，對受限的優(yōu)質(zhì)用戶進(jìn)行合并，然后從價(jià)值矩陣，抽取出規(guī)模更小的受限價(jià)值矩陣。這里的指定活動(dòng)即選定的營銷活動(dòng)，本實(shí)施例并不對指定活動(dòng)的數(shù)量進(jìn)行限定，任何用戶需要計(jì)算的活動(dòng)都可以稱之為指定活動(dòng)。即每個(gè)指定活動(dòng)都會(huì)存在直接可以推薦的用戶和受限用戶。對于不受限的用戶直接推薦，對于受限的用戶合并后計(jì)算受限價(jià)值矩陣，并利用kmb算法求解資源受限約束下的用戶與活動(dòng)的推薦結(jié)果。

具體的，在進(jìn)行資源受限下活動(dòng)的多對多推薦之前，會(huì)利用小基數(shù)top-n推薦算法對推薦規(guī)模進(jìn)行約減，其作用在于將價(jià)值分值在對應(yīng)活動(dòng)前的用戶進(jìn)行篩出，將價(jià)值分值在活動(dòng)前ni且不受到資源限制的用戶直接進(jìn)行推薦得到第一推薦結(jié)果，從而提高最終求解速度，提高用戶體驗(yàn)。而這里的小基數(shù)主要是指在top-n推薦算法中推薦出去的不受限用戶所占的基數(shù)相對較小，其主要原因在于實(shí)際資源的受限約束。具體流程如下：

首先，根據(jù)每個(gè)活動(dòng)需要推薦的用戶數(shù)ni，從用戶-活動(dòng)的價(jià)值矩陣v中為每個(gè)活動(dòng)抽取價(jià)值分值數(shù)值排在前(即預(yù)定數(shù)量)的用戶，其中為一個(gè)動(dòng)態(tài)參數(shù)，可以根據(jù)歷史可滿足分配的人數(shù)進(jìn)行動(dòng)態(tài)調(diào)整。

然后，將每個(gè)活動(dòng)的價(jià)值分值數(shù)值排在前ni個(gè)用戶分別存入相應(yīng)的集合ai，排名在用戶分別存入相應(yīng)的集合bi。

最后，對于某個(gè)用戶u，如果滿足u∈ai＝k且即該用戶不同時(shí)出現(xiàn)在多個(gè)活動(dòng)的排名前名單中，則可以直接確定推薦給u的活動(dòng)，即直接進(jìn)行滿足條件的指定活動(dòng)推薦，該推薦位于第一推薦結(jié)果，而對于用戶u滿足u∈ai＝j(luò),k,h且的情況，即該用戶同時(shí)出現(xiàn)在多個(gè)活動(dòng)的排名前ni名單中，且不出現(xiàn)在非以上活動(dòng)的前名單中。那么根據(jù)用戶適合參與活動(dòng)的數(shù)量是否超過限制來進(jìn)一步確認(rèn)，如果不超過條件限制，則可以確定推薦給u的活動(dòng)。因此，對符合上述兩種情況的用戶可以直接進(jìn)行推薦，形成最終的第一推薦結(jié)果，對不符合上述情況且排名在前的用戶進(jìn)行合并，并從v矩陣中篩選出來形成規(guī)模更小的受限價(jià)值矩陣vmin。

s150、根據(jù)受限價(jià)值矩陣，利用kmb算法求解資源受限約束下的用戶與活動(dòng)的推薦結(jié)果，并與第一推薦結(jié)果進(jìn)行合并，形成資源受限約束下的全局最優(yōu)推薦結(jié)果。

其中，該步驟利用kmb算法求解資源受限條件下的用戶-活動(dòng)推薦結(jié)果，并與步驟s140中推薦結(jié)果進(jìn)行合并，形成最終的全局最優(yōu)推薦結(jié)果。kmb算法(kuhn-munkresalgorithmwithbacktracking)，即帶回溯的kuhn-munkres算法(又稱匈牙利算法)，是多對多最優(yōu)指派算法，時(shí)間復(fù)雜度為立方級。其中多對多指派，指一個(gè)人能被指派于執(zhí)行多個(gè)任務(wù)，一個(gè)任務(wù)能被分配給多人完成；多對多最優(yōu)指派算法，意為指派完成后，價(jià)值評估求和總值最高(maximal)，是硬優(yōu)化算法。

具體的，對價(jià)值分值在活動(dòng)前且受資源限制約束的用戶，即實(shí)際適合參與活動(dòng)數(shù)量超過實(shí)際可參與活動(dòng)數(shù)量的用戶及其關(guān)聯(lián)用戶，進(jìn)行資源受限多對多推薦。而其中的資源受限約束，則導(dǎo)致了最終資源受限多對多推薦過程中的用戶可參與活動(dòng)的基數(shù)約束和活動(dòng)需要用戶的基數(shù)約束。具體資源受限多對多推薦過程的形式化如下：

確定資源受限約束下的受限用戶可被推薦活動(dòng)數(shù)量向量l，每個(gè)指定活動(dòng)所需用戶數(shù)量向量l^a，受限用戶活動(dòng)推薦情況矩陣t；

利用公式求取最大化σ對應(yīng)的t作為資源受限約束下的用戶與活動(dòng)的推薦結(jié)果；其中，vmin為受限價(jià)值矩陣，n為受限用戶數(shù)量，m為剩余待推薦活動(dòng)數(shù)量，i為用戶的下標(biāo)或編號(hào)，j為活動(dòng)的下標(biāo)或編號(hào)。

具體的，例如l＝[2132]，表示第1個(gè)用戶可以被推薦的活動(dòng)數(shù)量為2，第2個(gè)用戶可以被推薦的活動(dòng)數(shù)量為1，依次類推。l^a＝[8567]，表示第1個(gè)活動(dòng)需要用戶數(shù)量為8，第2個(gè)活動(dòng)需要用戶數(shù)量為5，依次類推。表示第1個(gè)用戶被推薦了活動(dòng)1和活動(dòng)2，第2個(gè)用戶被推薦了活動(dòng)1，第3個(gè)用戶被推薦了活動(dòng)2。

其中，資源受限條件下的多對多推薦，可抽象為求最大化σ的過程，具體如下：利用公式求取最大化σ對應(yīng)的t作為資源受限約束下的用戶與活動(dòng)的推薦結(jié)果，其中，約束條件為：

t[i,j]∈{0,1}(1≤i≤n,1≤j≤m)

其中，求出使σ最大的t推薦情況矩陣，然后，將其與步驟s140中的第一推薦結(jié)果進(jìn)行合并，得出最終的推薦結(jié)果。

基于上述技術(shù)方案，本申請實(shí)施例提供的資源受限約束下的活動(dòng)推薦方法，在對原始數(shù)據(jù)的活動(dòng)特征以及用戶特征進(jìn)行提取之后，計(jì)算出用戶與活動(dòng)的響應(yīng)度矩陣和用戶與活動(dòng)的貢獻(xiàn)率預(yù)測矩陣，然后對響應(yīng)度矩陣和貢獻(xiàn)率預(yù)測矩陣進(jìn)行擬合形成用戶與活動(dòng)的價(jià)值矩陣；再根據(jù)價(jià)值矩陣，利用小基數(shù)top-n推薦算法對推薦規(guī)模進(jìn)行約減，將價(jià)值分值不在所有活動(dòng)的前的用戶進(jìn)行排除，將價(jià)值分值在活動(dòng)前的用戶篩選出來進(jìn)行后續(xù)的活動(dòng)推薦，即價(jià)值分值不在前的用戶是確定不會(huì)給其推薦活動(dòng)的，即排除掉的，對于價(jià)值分值在前的用戶是篩選出來給其推薦活動(dòng)的，而在前ni的用戶，根據(jù)其受不受限來確定其是進(jìn)行第一推薦，還是受限推薦，同時(shí)，在前ni的用戶必然在前從而提高最終求解速度。最后對資源受限(利如：成本受限、時(shí)間受限等)多對多推薦過程進(jìn)行形式化，并利用kmb算法求解出受限狀態(tài)下的全局最優(yōu)推薦方案；實(shí)現(xiàn)整體收益最大化的，而不是每個(gè)活動(dòng)的局部收益最大化。

下面對本申請實(shí)施例提供的資源受限約束下的活動(dòng)推薦系統(tǒng)進(jìn)行介紹，下文描述的資源受限約束下的活動(dòng)推薦系統(tǒng)與上文描述的資源受限約束下的活動(dòng)推薦方法可相互對應(yīng)參照。

請參考圖2，圖2為本申請實(shí)施例所提供的資源受限約束下的活動(dòng)推薦系統(tǒng)的結(jié)構(gòu)框圖；該系統(tǒng)可以包括：

特征數(shù)據(jù)獲取模塊100，用于提取原始數(shù)據(jù)的特征數(shù)據(jù)；其中，特征數(shù)據(jù)包括活動(dòng)關(guān)鍵屬性及其關(guān)鍵度，活動(dòng)資格屬性及其對應(yīng)的資格閾值；

響應(yīng)度矩陣計(jì)算模塊200，用于根據(jù)特征數(shù)據(jù)計(jì)算用戶與活動(dòng)的響應(yīng)度矩陣；

貢獻(xiàn)率預(yù)測矩陣計(jì)算模塊300，用于根據(jù)特征數(shù)據(jù)進(jìn)行用戶聚類，形成不同等級的特征群體，并根據(jù)特征群體計(jì)算用戶與活動(dòng)的貢獻(xiàn)率預(yù)測矩陣；

價(jià)值矩陣計(jì)算模塊400，用于將響應(yīng)度矩陣以及貢獻(xiàn)率預(yù)測矩陣進(jìn)行擬合，得到用戶與活動(dòng)的價(jià)值矩陣；

第一推薦模塊500，用于根據(jù)價(jià)值矩陣，利用top-n推薦算法篩選出各指定活動(dòng)的前預(yù)定數(shù)量的優(yōu)質(zhì)用戶，對各優(yōu)質(zhì)用戶中不受限的用戶直接進(jìn)行指定活動(dòng)推薦得到第一推薦結(jié)果，對各優(yōu)質(zhì)用戶中受限的用戶進(jìn)行合并，并篩選出受限用戶與活動(dòng)的受限價(jià)值矩陣；

最終推薦模塊600，用于根據(jù)受限價(jià)值矩陣，利用kmb算法求解資源受限約束下的用戶與活動(dòng)的推薦結(jié)果，并與第一推薦結(jié)果進(jìn)行合并，形成資源受限約束下的全局最優(yōu)推薦結(jié)果。

具體的，該系統(tǒng)可以在存儲(chǔ)芯片中存儲(chǔ)各個(gè)模塊對應(yīng)的算法，例如數(shù)據(jù)挖掘方法、統(tǒng)計(jì)方法和協(xié)調(diào)過濾方法，top-n推薦算法以及kmb算法，學(xué)習(xí)算法，關(guān)聯(lián)分析方法，分類方法，聚類方法等。其中，特征數(shù)據(jù)獲取模塊100可以執(zhí)行原始數(shù)據(jù)的連接及獲取、用戶的基本信息特征的提取、用戶的交易行為偏好特征的提取、活動(dòng)的用戶群特征的提取、用戶與活動(dòng)的貢獻(xiàn)率情況的提取、活動(dòng)資格屬性及閾值的提取、活動(dòng)關(guān)鍵屬性及關(guān)鍵度的提取等。

其中，響應(yīng)度矩陣計(jì)算模塊200、貢獻(xiàn)率預(yù)測矩陣計(jì)算模塊300以及價(jià)值矩陣計(jì)算模塊400的工作流程可以參考圖3，根據(jù)擬合后的用戶-活動(dòng)的價(jià)值矩陣進(jìn)行相應(yīng)的topn名單篩選后，第一推薦模塊500會(huì)根據(jù)用戶是否為受限情況下的推薦對象對推薦規(guī)模進(jìn)行約減，具體推薦規(guī)模約減流程如圖4(圖4中取值為0.3)；最終推薦模塊600則是負(fù)責(zé)求解受限情況下的多對多推薦情況，并將其與不受限推薦結(jié)果進(jìn)行整合，最終獲得受限條件下的全局最優(yōu)化多對多推薦結(jié)果。

請參考圖5，為該系統(tǒng)的工作流程示意圖；s101：對原始數(shù)據(jù)的活動(dòng)特征以及用戶特征進(jìn)行提取(即對原始數(shù)據(jù)的特征數(shù)據(jù)提取)；s102：計(jì)算出用戶-活動(dòng)的響應(yīng)度矩陣；s103：計(jì)算模塊用戶-活動(dòng)的貢獻(xiàn)率矩陣(即貢獻(xiàn)率預(yù)測矩陣)；s104：對響應(yīng)度矩陣和貢獻(xiàn)率矩陣進(jìn)行擬合，形成用戶-活動(dòng)的價(jià)值矩陣；s105：根據(jù)價(jià)值矩陣，利用小基數(shù)top-n推薦算法對受限營銷活動(dòng)多對多推薦規(guī)模進(jìn)行約減；s106：進(jìn)行受限多對多推薦；s107：對推薦結(jié)果進(jìn)行合并；s108：輸出全局優(yōu)化推薦名單。以便查看。本實(shí)施例并不對具體的輸出形式進(jìn)行限定。例如可以是打印輸出，也可以是顯示器輸出等。

基于上述實(shí)施例，第一推薦模塊500可以包括：

用戶數(shù)確定單元，用于確定每個(gè)活動(dòng)需要推薦的用戶數(shù)ni；

篩選單元，用于從價(jià)值矩陣中為每個(gè)活動(dòng)篩選出價(jià)值數(shù)值位于前的用戶；其中，為動(dòng)態(tài)參數(shù)；

集合分配單元，用于將價(jià)值數(shù)值位于前ni的用戶存放到集合ai，將價(jià)值數(shù)值位于前的用戶存放到集合bi；

第一推薦單元，用于當(dāng)用戶u滿足u∈ai＝k且則直接進(jìn)行指定活動(dòng)推薦得到第一推薦結(jié)果；當(dāng)用戶u滿足u∈ai＝j(luò),k,h且則判斷用戶u適合參與活動(dòng)的數(shù)量是否超過限制；若未超過，則直接進(jìn)行指定活動(dòng)推薦得到第一推薦結(jié)果；若超過，則將所述用戶作為受限用戶；不滿足u∈ai＝k且以及u∈ai＝j(luò),k,h且的優(yōu)質(zhì)用戶作為受限用戶；對全部受限用戶進(jìn)行合并，并從所述價(jià)值矩陣中篩選出受限用戶與活動(dòng)的受限價(jià)值矩陣?；谏鲜鰧?shí)施例，最終推薦模塊600可以包括：

向量確定單元，用于確定資源受限約束下的受限用戶可被推薦活動(dòng)數(shù)量向量l，每個(gè)指定活動(dòng)所需用戶數(shù)量向量l^a，受限用戶活動(dòng)推薦情況矩陣t；

第二推薦單元，用于利用公式求取最大化σ對應(yīng)的t作為資源受限約束下的用戶與活動(dòng)的推薦結(jié)果；

最終推薦單元，用于將資源受限約束下的用戶與活動(dòng)的推薦結(jié)果與第一推薦結(jié)果進(jìn)行合并，形成資源受限約束下的全局最優(yōu)推薦結(jié)果；

其中，vmin為受限價(jià)值矩陣，n為受限用戶數(shù)量，m為剩余待推薦活動(dòng)數(shù)量，i為用戶的下標(biāo)或編號(hào)，j為活動(dòng)的下標(biāo)或編號(hào)。

說明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見即可。對于實(shí)施例公開的裝置而言，由于其與實(shí)施例公開的方法相對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

專業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來實(shí)現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對每個(gè)特定的應(yīng)用來使用不同方法來實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本申請的范圍。

結(jié)合本文中所公開的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(ram)、內(nèi)存、只讀存儲(chǔ)器(rom)、電可編程rom、電可擦除可編程rom、寄存器、硬盤、可移動(dòng)磁盤、cd-rom、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。

以上對本申請所提供的一種資源受限約束下的活動(dòng)推薦方法及系統(tǒng)進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個(gè)例對本申請的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本申請的方法及其核心思想。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本申請?jiān)淼那疤嵯?，還可以對本申請進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本申請權(quán)利要求的保護(hù)范圍內(nèi)。