CN111861623B - 信息推荐方法、装置和设备 - Google Patents

Abstract

本申请实施例提供一种信息推荐方法、装置和设备，其中，信息推荐方法包括：获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息；根据用户的相关信息、N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率，M种排序为N张骑行卡的M种不同排序；根据每种排序下每张骑行卡的用户购买概率，获取用户的N张骑行卡的推荐排序；向终端设备发送用户的N张骑行卡的推荐排序，提升了用户选择到合适骑行卡的概率。

Description

信息推荐方法、装置和设备

技术领域

本申请实施例涉及人工智能(artificial intelligence，AI)技术领域，尤其涉及一种信息推荐方法、装置和设备。

背景技术

随着智能终端的普及和应用，大量解决生活、工作问题的计算机应用程序(Application，APP)被开发出来。APP运行在智能终端的硬件和软件环境中。其中一类APP可以实现人们的智能出行，为用户提供预约叫车、共享单车等服务。

对于共享单车服务，骑行卡作为用户使用共享单车服务的补充支付方式，不仅方便了用户骑行，而且提升了用户的粘性。骑行卡的种类较多，比如，月卡、季卡、半年卡、年卡、7天5次卡、15天10次卡等等，用户可以根据差异化的使用需求选择适合的骑行卡。

目前，在APP的显示页面中按照固定推荐顺序展示骑行卡。由于骑行卡的种类较多，APP的显示页面中一次只能展示有限个数的骑行卡。如果适合用户购买的骑行卡被展示在第二页或者被折叠展示，将会降低用户选择到合适骑行卡的概率。

发明内容

本申请实施例提供一种信息推荐方法、装置和设备，提升了用户选择到合适骑行卡的概率。

第一方面，本申请实施例提供一种信息推荐方法，包括：

获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息，所述N为大于等于2的整数；

根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率；其中，所述M种排序为所述N张骑行卡的M种不同排序，所述M为大于等于2的整数；

根据每种排序下每张骑行卡的用户购买概率，获取所述用户的所述N张骑行卡的推荐排序；

向终端设备发送所述用户的所述N张骑行卡的推荐排序，所述推荐排序用于所述终端设备根据所述推荐排序在显示界面显示所述N张骑行卡。

可选的，所述根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率，包括：

根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息、所述每种排序的排序信息和所述目标概率统计模型，获得该种排序下每张骑行卡的用户购买概率。

可选的，所述根据每种排序下每张骑行卡的用户购买概率，获取所述用户的所述N张骑行卡的推荐排序，包括：

根据每种排序下每张骑行卡的用户购买概率以及每张骑行卡的购买金额，获得该种排序的用户购买期望值；

根据所述M种排序中每种排序的用户购买期望值，确定所述用户的所述N张骑行卡的推荐排序。

可选的，所述根据所述M种排序中每种排序的用户购买期望值，确定所述用户的所述N张骑行卡的推荐排序，包括：

根据所述M种排序中每种排序的用户购买期望值，确定最大的用户购买期望值；

将最大的用户购买期望值所对应的排序，确定为所述推荐排序。

可选的，所述根据每种排序下每张骑行卡的用户购买概率以及每张骑行卡的购买金额，获得该种排序的用户购买期望值，包括：

获取每种排序下，每张骑行卡的用户购买概率与购买金额的乘积；

将所述N张骑行卡的用户购买概率与购买金额的乘积之和，确定为该种排序的用户购买期望值。

可选的，所述骑行卡的购买金额是由所述骑行卡的应付金额与所述用户的折扣金额确定的。

可选的，所述用户的相关信息包括：用户画像信息、用户的骑行需求信息、用户的历史付费信息中任一项或组合。

可选的，所述目标概率统计模型，包括：机器学习模型。

可选的，还包括：

获取K个样本用户的相关信息、每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息；其中，所述K为大于等于M的整数，所述K个样本用户的所述N张骑行卡的排序包括所述M种排序；

根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息，对初始机器学习模型进行训练，获得所述目标概率统计模型中的机器学习模型。

可选的，所述目标概率统计模型，还包括：保序回归模型。

可选的，还包括：

根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序、所述N张骑行卡中每张骑行卡的相关信息，以及所述目标概率统计模型中的机器学习模型，获得每个样本用户在相应排序下各张骑行卡的统计购买概率；

根据所述每个样本用户在相应排序下各张骑行卡的统计购买概率以及所述每个样本用户在相应排序下各张骑行卡的样本购买概率，对初始保序回归模型进行训练，获得所述目标概率统计模型的保序回归模型。

第二方面，本申请实施例提供一种信息推荐装置，包括：

获取模块，用于获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息，所述N为大于等于2的整数；

预测模块，用于根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率；其中，所述M种排序为所述N张骑行卡的M种不同排序，所述M为大于等于2的整数；

确定模块，用于根据每种排序下每张骑行卡的用户购买概率，获取所述用户的所述N张骑行卡的推荐排序；

发送模块，用于向终端设备发送所述用户的所述N张骑行卡的推荐排序，所述推荐排序用于所述终端设备根据所述推荐排序在显示界面显示所述N张骑行卡。

可选的，所述预测模块具体用于：

根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息、所述每种排序的排序信息和所述目标概率统计模型，获得该种排序下每张骑行卡的用户购买概率。

可选的，所述确定模块具体用于：

根据每种排序下每张骑行卡的用户购买概率以及每张骑行卡的购买金额，获得该种排序的用户购买期望值；

根据所述M种排序中每种排序的用户购买期望值，确定所述用户的所述N张骑行卡的推荐排序。

可选的，所述确定模块具体用于：

根据所述M种排序中每种排序的用户购买期望值，确定最大的用户购买期望值；

将最大的用户购买期望值所对应的排序，确定为所述推荐排序。

可选的，所述确定模块具体用于：

获取每种排序下，每张骑行卡的用户购买概率与购买金额的乘积；

将所述N张骑行卡的用户购买概率与购买金额的乘积之和，确定为该种排序的用户购买期望值。

可选的，所述骑行卡的购买金额是由所述骑行卡的应付金额与所述用户的折扣金额确定的。

可选的，所述用户的相关信息包括：用户画像信息、用户的骑行需求信息、用户的历史付费信息中任一项或组合。

可选的，所述目标概率统计模型，包括：机器学习模型。

可选的，还包括训练模块，所述训练模块用于：

获取K个样本用户的相关信息、每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息；其中，所述K为大于等于M的整数，所述K个样本用户的所述N张骑行卡的排序包括所述M种排序；

根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息，对初始机器学习模型进行训练，获得所述目标概率统计模型中的机器学习模型。

可选的，所述目标概率统计模型，还包括：保序回归模型。

可选的，所述训练模块还用于：

根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序、所述N张骑行卡中每张骑行卡的相关信息，以及所述目标概率统计模型中的机器学习模型，获得每个样本用户在相应排序下各张骑行卡的统计购买概率；

根据所述每个样本用户在相应排序下各张骑行卡的统计购买概率以及所述每个样本用户在相应排序下各张骑行卡的样本购买概率，对初始保序回归模型进行训练，获得所述目标概率统计模型的保序回归模型。

第三方面，本申请实施例提供一种设备，包括：存储器和处理器；

所述存储器，用于存储程序指令；

所述处理器，用于调用所述存储器中存储的所述程序指令以实现本申请第一方面任一实施方式提供的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，包括：可读存储介质和计算机程序，所述计算机程序用于实现本申请第一方面任一实施方式提供的方法。

第五方面，本申请提供一种程序产品，该程序产品包括计算机程序(即执行指令)，该计算机程序存储在可读存储介质中。处理器可以从可读存储介质读取该计算机程序，处理器执行该计算机程序用于实现本申请第一方面任一实施方式提供的方法。

本发明提供一种信息推荐方法、装置和设备，对于每个用户，获取用户的相关信息和预设N张骑行卡的相关信息，利用训练好的目标概率统计模型可以获得M种排序中每种排序下每张骑行卡的用户购买概率，从而获取用户的N张骑行卡的推荐排序。由于目标概率统计模型是基于机器学习，从海量数据中学习用户的购卡概率，从而针对不同的用户可以提供骑行卡的推荐排序，提升了用户选择到合适骑行卡的概率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为终端设备的一种界面示意图；

图2为终端设备的另一种界面示意图；

图3为终端设备的又一种界面示意图；

图4为终端设备的又一种界面示意图；

图5为本申请实施例适用的系统架构图；

图6为本申请实施例提供的一种信息推荐方法的流程图；

图7为本申请实施例提供的另一种信息推荐方法的流程图；

图8为本申请实施例提供的信息推荐装置的一种结构示意图；

图9为本申请实施例提供的设备的一种结构示意图；

图10为本申请实施例提供的用来实现本申请实施例的示例性计算机系统/服务器的结构示意图。

具体实施方式

下面结合附图描述本申请实施例。

终端设备上可以安装多个应用程序(APP)，应用程序依赖于终端设备的硬件资源和软件资源运行。可选的，硬件资源可以包括但不限于以下至少一项：芯片、处理器、存储器、无线收发器等，软件资源可以包括但不限于以下至少一项：操作系统的类型、版本、语言等。本申请实施例对终端设备上安装的APP的类型、数量和名称不做限定。其中，部分APP可以为用户提供智能出行服务。可选的，智能出行服务可以包括但不限于：预约车辆、车辆代驾、租车服务或共享单车服务。在共享单车服务中，APP可以为用户展示骑行卡，从而，用户可以购买骑行卡，便于用户通过共享单车出行。

下面通过示例对骑行卡的显示界面进行说明。

可选的，在一个示例中，图1为终端设备的一种界面示意图。如图1左侧所示，终端设备的显示界面中显示有4张骑行卡，分别为：30天的月卡、3天3次卡、5天6次卡和7天8次卡。3天3次卡是指3天内可以骑行3次，5天6次卡是指5天内可以骑行6次，7天8次卡是指7天内可以骑行8次。骑行卡的数量较多，终端设备的当前显示界面没有将全部的骑行卡显示出来。用户可以点击“展开”按钮，终端设备的显示界面从图1左侧变化为图1右侧。如图1右侧所示，终端设备的显示界面中显示有4张骑行卡，其中，5天6次卡和7天8次卡为重复显示，还显示有90天的季卡和180天的半年卡。骑行卡一共6张。如图1右侧所示，用户可以点击7天8次卡进行购买，需要支付1.19元。

可选的，在另一个示例中，图2为终端设备的另一种界面示意图。如图1左侧所示，终端设备的显示界面中完整的显示有3张骑行卡，分别为：30天的月卡、3天3次卡和5天6次卡。终端设备的当前显示界面没有将全部的骑行卡显示出来。用户可以在显示界面中向下滑动，终端设备的显示界面从图2左侧变化为图2右侧。如图2右侧所示，终端设备的显示界面中还完整的显示有3张骑行卡，分别为：7天8次卡、90天的季卡和180天的半年卡。骑行卡一共6张。如图2右侧所示，用户可以点击7天8次卡进行购买，需要支付1.19元。

可选的，在又一个示例中，图3为终端设备的又一种界面示意图。在图3中，通过2个页面显示所有的骑行卡。如图3左侧所示，第1个页面显示有4张骑行卡，分别为：30天的月卡、90天的季卡、180天的半年卡和3天3次卡。用户可以点击“>”按钮，终端设备的显示界面从图3左侧变化为图3右侧。如图3右侧所示，第2个页面显示有2张骑行卡，分别为：5天6次卡和7天8次卡。

可选的，在又一个示例中，图4为终端设备的又一种界面示意图。图4与图2相似，用户可以在显示界面中滑动从而切换显示骑行卡。区别在于，在图2中，用户可以上下滑动，在图4中，用户可以左右滑动。

可见，骑行卡的数量较多，终端设备的显示界面通常不能将全部的骑行卡显示出来。对于用户来说，最开始显示出来的骑行卡具有最直观的印象，因此，骑行卡的展示顺序是非常重要的。在现有技术中，通常按照固定推荐顺序展示骑行卡，导致用户选择到合适骑行卡的概率较低。

针对上述技术问题，本申请实施例提供一种信息推荐方法，基于机器学习，从海量数据中学习用户的购卡概率，针对每个用户预估该用户选择骑行卡的概率，从而针对不同的用户显示骑行卡的推荐排序，提升了用户选择到合适骑行卡的概率，提升了用户体验。

下面，对本申请实施例适用的系统架构进行说明。示例性的，图5为本申请实施例适用的系统架构图。如图5所示，系统可以包括终端设备100和服务器200。本申请实施例对终端设备和服务器的数量、类型不做限定。例如，终端设备可以为具有无线连接功能的手机、平板电脑、手持设备、车载设备、可穿戴设备等。服务器可以为电脑、单机服务器、云服务器等。终端设备上安装有应用程序。终端设备与服务器之间可以进行无线通信。本申请实施例对终端设备与服务器之间传输的数据不做限定。

需要说明的是，本申请实施例对终端设备的显示界面中除骑行卡之外显示的信息的内容、显示位置和显示形式不做限定。

需要说明的是，本申请实施例对触发终端设备显示骑行卡的实现方式不做限定。例如，用户点击APP图标，终端设备运行APP后，可以在APP的界面中显示骑行卡。又例如，用户通过点击APP中购买骑行卡的按钮，可以触发终端设备显示骑行卡。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图6为本申请实施例提供的一种信息推荐方法的流程图。本实施例提供的信息推荐方法，执行主体可以为信息推荐装置或设备，例如，该设备可以为图5所示的服务器。如图6所示，本实施例提供的信息推荐方法，可以包括：

S601、获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息。

其中，N为大于等于2的整数。

可选的，用户的相关信息可以包括但不限于以下至少一项：用户画像信息、用户的骑行需求信息和用户的历史付费信息。

可选的，用户画像信息可以包括但不限于以下至少一项：用户年龄、用户性别、用户所在城市、用户设备的相关信息。用户设备就是安装有APP的终端设备。可选的，用户设备的相关信息可以包括但不限于以下至少一项：终端设备的类型、品牌、型号和国际移动设备识别码(International Mobile Equipment Identity，IMEI)。

可选的，用户的骑行需求信息可以包括但不限于以下至少一项：用户骑行频次、用户骑行时间段、用户骑行时长和骑行距离。

可选的，用户的历史付费信息可以包括但不限于以下至少一项：用户购买骑行卡时的实付金额、用券补贴次数和补贴金额，以及购卡记录。

可选的，用户的骑行需求信息和用户的历史付费信息可以与用户当前所在城市相关联。比如，用户的常住地为北京，用户的出差工作地为南京。如果用户当前所在城市为北京，则可以获取北京对应的用户的骑行需求信息和用户的历史付费信息。

可选的，用户的相关信息还可以包括以下至少一项：用户所在区域的供需关系信息和用户使用其他出行方式的统计信息。

可选的，用户所在区域的供需关系信息可以包括但不限于以下至少一项：用户所在区域的共享单车投放量、用户所在区域的平均日订单量、用户所在区域的平均小时订单量和用户所在区域的早晚高峰期平均订单量。

可选的，用户所在区域可以为用户最近一次所在的区域或者用户经常出现的区域。本申请实施例对于区域的划分不做限定。例如，区域的划分粒度可以为城市、城市中的区级区域、城市中的生活区域，等。

可选的，用户使用其他出行方式的统计信息可以包括但不限于以下至少一项：用户使用网约车的频次、使用电单车的频次和使用竞品的出行频次。所述竞品，是指竞争对手的相关产品。

可选的，骑行卡的相关信息可以包括但不限于以下至少一项：骑行卡可用天数、骑行卡定价、骑行卡可用次数、骑行卡的总销量、骑行卡的平均销量、骑行卡的补贴和骑行卡的展示顺序。

其中，骑行卡的展示顺序，是指N张骑行卡的不同排序。举例说明。假设有3张骑行卡，分别为骑行卡1～3。这3张骑行卡的排序有如下6种：排序1，骑行卡1、骑行卡2和骑行卡3；排序2，骑行卡1、骑行卡3和骑行卡2；排序3，骑行卡2、骑行卡1和骑行卡3；排序4，骑行卡2、骑行卡3和骑行卡1；排序5，骑行卡3、骑行卡1和骑行卡2；排序6，骑行卡3、骑行卡2和骑行卡1。

可选的，获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息，可以包括：

获取第一预设时间段内用户的相关信息和N张骑行卡中每张骑行卡的相关信息。

需要说明，本实施例对第一预设时间段的取值不做限定。例如，最近一周、最近2周、最近3天，等。

可选的，获取用户的相关信息之后，还可以包括：

若用户的相关信息包括异常数据，对异常数据进行修正。

举例说明。假设，用户的相关信息包括用户的年龄，取值为1000。可以确定用户的年龄为异常数据。可以将用户的年龄的取值设置为预设值、年龄的平均值、年龄的最小值或年龄的最大值。

通过对异常数据进行修正，提高了用户的相关信息的准确性，进而提升了获取该用户骑行卡推荐排序的准确性。

需要说明，用户的相关数据不同，判断为异常数据的规则不同，对异常数据进行修正的方法也不同，本实施例对此不作限定。

S602、根据用户的相关信息、N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率。

其中，M种排序为N张骑行卡的M种不同排序，M为大于等于2的整数。

其中，目标概率统计模型是基于机器学习，根据大量的样本数据训练得到的模型，可以参见图7所示实施例。由于基于机器学习从海量数据中学习用户的购卡概率，提升了目标概率统计模型的准确性。

其中，M种排序为N张骑行卡的M种不同排序，本实施例对M的取值不做限定。

可选的，M种排序可以为N张骑行卡的全排序，M＝N×(N-1)×(N-2)×…×2×1。

可选的，为了降低计算量，提升处理效率，可以减小M的取值。

可选的，在一种实现方式中，由于用户对折叠页面的骑行卡感知较少，所以，可以在折叠页面中采用固定的顺序，从而减少M的取值。举例说明。假设有6张骑行卡，分别为骑行卡1～6。6张骑行卡的全排序数量为720个。假设，终端设备的显示界面中最多同时显示4张卡，则有3张骑行卡显示在折叠页面中。在折叠页面中显示的3张骑行卡可以采用固定的顺序，M的取值可以从6张骑行卡的全排序减少到4张骑行卡的全排序。

可选的，在另一种实现方式中，相同种类的骑行卡可以采用固定的顺序，从而减少M的取值。举例说明，参见图1。图1示出了6张骑行卡，其中，30天的月卡、90天的季卡和180天的半年卡的卡类型相同，3天3次卡、5天6次卡和7天8次卡的卡类型相同。可以将3天3次卡、5天6次卡和7天8次卡采用固定的顺序，减少M的取值。

可选的，在又一种实现方式中，可以将用户购买概率较小的骑行卡排在排列的后面且采用固定的顺序。比如，参见图1，基于用户的习惯，使用天数较长、价格较高的骑行卡，用户购买的概率较小。因此，可以将180天的半年卡排列在最后，90天的季卡排列在倒数第二位，从而减少M的取值。

S603、根据每种排序下每张骑行卡的用户购买概率，获取用户的N张骑行卡的推荐排序。

S604、向终端设备发送用户的N张骑行卡的推荐排序。

其中，推荐排序用于终端设备根据推荐排序在显示界面显示N张骑行卡。

下面，通过示例对本实施例提供的信息推荐方法进行说明。

假设，N＝5，5张骑行卡分别为卡1～5。M＝4，5张骑行卡的4种不同的排序分别为排序1～4。

获取用户最近一周的用户的相关信息以及5张骑行卡的相关信息。利用目标概率统计模型，可以得到：

排序1下，卡1的用户购买概率为P11，卡2的用户购买概率为P12，卡3的用户购买概率为P13，卡4的用户购买概率为P14，卡5的用户购买概率为P15。

排序2下，卡1的用户购买概率为P21，卡2的用户购买概率为P22，卡3的用户购买概率为P23，卡4的用户购买概率为P24，卡5的用户购买概率为P25。

排序3下，卡1的用户购买概率为P31，卡2的用户购买概率为P32，卡3的用户购买概率为P33，卡4的用户购买概率为P34，卡5的用户购买概率为P35。

排序4下，卡1的用户购买概率为P41，卡2的用户购买概率为P42，卡3的用户购买概率为P43，卡4的用户购买概率为P44，卡5的用户购买概率为P45。

排序5下，卡1的用户购买概率为P51，卡2的用户购买概率为P52，卡3的用户购买概率为P53，卡4的用户购买概率为P54，卡5的用户购买概率为P55。

根据排序1下卡1～卡5分别对应的用户购买概率P11～P15、排序2下卡1～卡5分别对应的用户购买概率P21～P25、排序3下卡1～卡5分别对应的用户购买概率P31～P35、排序4下卡1～卡5分别对应的用户购买概率P41～P45、排序5下卡1～卡5分别对应的用户购买概率P51～P55，可以获取针对该用户的这5张骑行卡的推荐排序。

向终端设备发送该用户的这5张骑行卡的推荐排序，从而，终端设备可以在显示界面中显示这5张骑行卡的推荐排序。

可见，本实施例提供的信息推荐方法，对于每个用户，获取用户的相关信息和预设N张骑行卡的相关信息，利用训练好的目标概率统计模型可以获得M种排序中每种排序下每张骑行卡的用户购买概率，从而获取用户的N张骑行卡的推荐排序。由于目标概率统计模型是基于机器学习，从海量数据中学习用户的购卡概率，从而针对不同的用户进行准确预测，针对不同的用户提供了用户可以选择到合适的卡的概率较高的推荐排序，提升了用户选择到合适骑行卡的概率，提升了用户体验。

需要说明，本实施例对目标概率统计模型的类型不做限定。可选的，目标概率统计模型的类型可以为下列中的任意一个：神经网络模型、深度算法模型和机器算法模型。可选的，神经网络模型可以包括但不限于全卷积网络(Fully Convolutional Networks，FCN)模型、卷积网络在生物医学图像分割中的应用(Convolutional Networks for BiomedicalImage Segmentation，U-net)模型。

可选的，S602中，根据用户的相关信息、N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率，可以包括：

根据用户的相关信息、N张骑行卡中每张骑行卡的相关信息、每种排序的排序信息和目标概率统计模型，获得该种排序下每张骑行卡的用户购买概率。

在该实现方式中，目标概率统计模型的输入数据可以包括每种排序的排序信息。输入的排序信息不同，可以获得该排序下每张骑行卡的用户购买概率。

其中，每种排序的排序信息用于唯一区分N张骑行卡的不同的排列顺序，本实施例对此不做限定。例如，M种排序的排序信息可以为离散的数值，比如，数字1～6表示6种不同的排序。又例如，M种排序的排序信息可以为数字和文字的组合，比如，排序1～排序6表示6种不同的排序。

可选的，S603中，根据每种排序下每张骑行卡的用户购买概率，获取用户的N张骑行卡的推荐排序，可以包括：

根据每种排序下每张骑行卡的用户购买概率以及每张骑行卡的购买金额，获得该种排序的用户购买期望值。

根据M种排序中每种排序的用户购买期望值，确定用户的N张骑行卡的推荐排序。

通常，用户购买骑行卡时会考虑购买金额，金额越大，用户购买的概率相对较低，金额越小，用户购买的概率相对较大。通过每种排序下每张骑行卡的用户购买概率以及每张骑行卡的购买金额，确定该种排序的用户购买期望值，进而根据M种排序中每种排序的用户购买期望值确定用户的N张骑行卡的推荐排序，考虑了购买金额的影响，进一步提升了获得的推荐排序的准确性。

可选的，根据M种排序中每种排序的用户购买期望值，确定用户的N张骑行卡的推荐排序，可以包括：

根据M种排序中每种排序的用户购买期望值，确定最大的用户购买期望值。

将最大的用户购买期望值所对应的排序，确定为推荐排序。

具体的，排序的用户购买期望值越大，说明该排序下用户选择到合适的骑行卡的概率较大，提升了用户选择到合适骑行卡的概率，提升了用户体验。

可选的，根据每种排序下每张骑行卡的用户购买概率以及每张骑行卡的购买金额，获得该种排序的用户购买期望值，可以包括：

获取每种排序下，每张骑行卡的用户购买概率与购买金额的乘积。

将N张骑行卡的用户购买概率与购买金额的乘积之和，确定为该种排序的用户购买期望值。

举例说明。

在排序1下，卡1的用户购买概率为P11、购买金额为M11，卡2的用户购买概率为P12、购买金额为M12，卡3的用户购买概率为P13、购买金额为M13，卡4的用户购买概率为P14、购买金额为M14，卡5的用户购买概率为P15、购买金额为M15。则排序1的用户购买期望值＝P11×M11+P12×M12+P13×M13+P14×M14+P15×M15。

相似的，在排序2下，卡1的用户购买概率为P21、购买金额为M21，卡2的用户购买概率为P22、购买金额为M22，卡3的用户购买概率为P23、购买金额为M23，卡4的用户购买概率为P24、购买金额为M24，卡5的用户购买概率为P25、购买金额为M25。则排序2的用户购买期望值＝P21×M21+P22×M22+P23×M23+P24×M24+P25×M25。

可选的，为了进一步提升获得的推荐排序的准确性，骑行卡的购买金额是由骑行卡的应付金额与用户的折扣金额确定的。

举例说明。

参见图1。对于30天的月卡，该骑行卡的定价为20元。该骑行卡的补贴为16元，所以用户购买该骑行卡的购买金额为4元。假设，用户A还具有优惠券1，优惠券1的使用规则是支付满5元减2元。当用户A选择30天的月卡时，由于支付金额为4元，不足5元，优惠券1无法使用，则用户A购买该骑行卡的购买金额为4元。假设，用户B还具有优惠券2，优惠券2的使用规则是支付满4元减2元。当用户B选择30天的月卡时，由于支付金额为4元，满4元，优惠券2可以使用，则用户B购买该骑行卡的购买金额为2元。

图7为本申请实施例提供的另一种信息推荐方法的流程图。本实施例提供的信息推荐方法，主要涉及训练目标概率统计模型。本实施例提供的信息推荐方法，执行主体可以为信息推荐装置或设备，例如，该设备可以为图5所示的服务器。如图7所示，目标概率统计模型，可以包括：机器学习模型。

本实施例提供的信息推荐方法，可以包括：

S701、获取K个样本用户的相关信息、每个样本用户的N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、N张骑行卡中每张骑行卡的相关信息。

其中，K为大于等于M的整数，K个样本用户的N张骑行卡的排序包括M种排序。

S702、根据K个样本用户的相关信息、每个样本用户的N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、N张骑行卡中每张骑行卡的相关信息，对初始机器学习模型进行训练，获得目标概率统计模型中的机器学习模型。

其中，样本用户的相关信息、骑行卡的排序、骑行卡的样本购买概率、骑行卡的相关信息可以参见图6中相关术语的描述，原理相似，此处不再赘述。

其中，本实施例对K的取值不做限定，可以根据处理器的性能、应用场景的不同而有所不同。

其中，本实施例对模型的训练方法不做限定，可以根据模型的不同而有所不同。例如，机器学习模型可以为XGBoost模型。

下面，通过示例对机器学习模型的训练过程进行简单说明。

假设，K＝400，400个样本用户分别为用户1～400。N＝5，5张骑行卡分别为卡1～5。M＝4，5张骑行卡的4种不同的排序分别为排序1～4。在样本数据的采集阶段，为了覆盖4种不同的排序，向用户1～100显示排序1，向用户101～200显示排序2，向用户201～300显示排序3，向用户301～400显示排序4。

获取的样本数据可以包括：在最近一个月内，400个样本用户的相关信息、5张骑行卡的相关信息、用户1～100在排序1下5张骑行卡分别对应的样本购买概率、用户101～200在排序2下5张骑行卡分别对应的样本购买概率、用户201～300在排序3下5张骑行卡分别对应的样本购买概率、用户301～400在排序4下5张骑行卡分别对应的样本购买概率。

通过上述样本数据，以400个样本用户的相关信息、5张骑行卡的相关信息、用户1～100的排序为排序1、用户201～300的排序为排序2、用户201～300的排序为排序3、用户301～400的排序为排序4作为输入，以用户101～200在排序2下5张骑行卡分别对应的样本购买概率、用户201～300在排序3下5张骑行卡分别对应的样本购买概率、用户301～400在排序4下5张骑行卡分别对应的样本购买概率作为输出，对初始机器学习模型进行训练，可以获得目标概率统计模型中的机器学习模型。

可见，由于机器学习模型的训练基于海量样本数据，从海量样本数据中学习用户的购卡概率，确保了目标概率统计模型中的机器学习模型的准确性。

可选的，目标概率统计模型，还可以包括：保序回归模型。

具体的，保序回归也可以称为单调回归，是回归分析的一种，保序回归可以在足量样本的支持下对模型进行有效的校准。

可选的，本实施例提供的信息推荐方法，还可以包括：

根据K个样本用户的相关信息、每个样本用户的N张骑行卡的排序、N张骑行卡中每张骑行卡的相关信息，以及目标概率统计模型中的机器学习模型，获得每个样本用户在相应排序下各张骑行卡的统计购买概率。

根据每个样本用户在相应排序下各张骑行卡的统计购买概率以及每个样本用户在相应排序下各张骑行卡的样本购买概率，对初始保序回归模型进行训练，获得目标概率统计模型的保序回归模型。

具体的，通过训练获得的机器学习模型还是会存在一定的误差，因此，将K个样本用户的相关信息、每个样本用户的N张骑行卡的排序、N张骑行卡中每张骑行卡的相关信息输入到训练好的机器学习模型中，获得每个样本用户在相应排序下各张骑行卡的统计购买概率，该统计购买概率可能存在一定的误差。将机器学习模型输出的每个样本用户在相应排序下各张骑行卡的统计购买概率作为训练保序回归模型的输入数据，将每个样本用户在相应排序下各张骑行卡的样本购买概率作为输出数据，对初始保序回归模型进行训练，可以获得目标概率统计模型的保序回归模型，消除了目标概率统计模型中的机器学习模型的输出误差，进一步提升了目标概率统计模型的准确性。

其中，本实施例对保序回归模型的类型和训练方法不做限定。例如，保序回归模型可以为Isotonic保序回归模型。

可选的，本实施例提供的信息推荐方法，还可以包括：

周期性更新目标概率统计模型。

其中，本实施例对更新目标概率统计模型的周期不做限定。

需要说明，图6所示实施例与图7所示实施例可以相互结合。其中，图6所示实施例的执行主体与图7所示实施例的执行主体可以相同，也可以不同。例如，图6所示实施例提供的信息推荐方法由服务器1执行，图7所示实施例提供的信息推荐方法由服务器2执行。

图8为本申请实施例提供的信息推荐装置的一种结构示意图。本实施例提供的信息推荐装置，用于执行图6和/或图7所示实施例提供的信息推荐方法。如图8所示，本实施例提供的信息推荐装置，可以包括：

获取模块81，用于获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息，所述N为大于等于2的整数；

预测模块82，用于根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率；其中，所述M种排序为所述N张骑行卡的M种不同排序，所述M为大于等于2的整数；

确定模块83，用于根据每种排序下每张骑行卡的用户购买概率，获取所述用户的所述N张骑行卡的推荐排序；

发送模块84，用于向终端设备发送所述用户的所述N张骑行卡的推荐排序，所述推荐排序用于所述终端设备根据所述推荐排序在显示界面显示所述N张骑行卡。

可选的，所述预测模块82具体用于：

根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息、所述每种排序的排序信息和所述目标概率统计模型，获得该种排序下每张骑行卡的用户购买概率。

可选的，所述确定模块83具体用于：

根据每种排序下每张骑行卡的用户购买概率以及每张骑行卡的购买金额，获得该种排序的用户购买期望值；

根据所述M种排序中每种排序的用户购买期望值，确定所述用户的所述N张骑行卡的推荐排序。

可选的，所述确定模块83具体用于：

根据所述M种排序中每种排序的用户购买期望值，确定最大的用户购买期望值；

将最大的用户购买期望值所对应的排序，确定为所述推荐排序。

可选的，所述确定模块83具体用于：

获取每种排序下，每张骑行卡的用户购买概率与购买金额的乘积；

将所述N张骑行卡的用户购买概率与购买金额的乘积之和，确定为该种排序的用户购买期望值。

可选的，所述骑行卡的购买金额是由所述骑行卡的应付金额与所述用户的折扣金额确定的。

可选的，所述用户的相关信息包括：用户画像信息、用户的骑行需求信息、用户的历史付费信息中任一项或组合。

可选的，所述目标概率统计模型，包括：机器学习模型。

可选的，还包括训练模块，所述训练模块用于：

获取K个样本用户的相关信息、每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息；其中，所述K为大于等于M的整数，所述K个样本用户的所述N张骑行卡的排序包括所述M种排序；

根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息，对初始机器学习模型进行训练，获得所述目标概率统计模型中的机器学习模型。

可选的，所述目标概率统计模型，还包括：保序回归模型。

可选的，所述训练模块还用于：

根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序、所述N张骑行卡中每张骑行卡的相关信息，以及所述目标概率统计模型中的机器学习模型，获得每个样本用户在相应排序下各张骑行卡的统计购买概率；

根据所述每个样本用户在相应排序下各张骑行卡的统计购买概率以及所述每个样本用户在相应排序下各张骑行卡的样本购买概率，对初始保序回归模型进行训练，获得所述目标概率统计模型的保序回归模型。

本实施例提供的信息推荐装置，用于执行图6和/或图7所示实施例提供的信息推荐方法，其技术原理和技术效果类似，此处不再赘述。

图9为本申请实施例提供的设备的一种结构示意图。如图9所示，设备可以包括处理器91、存储器92和收发器93。所述收发器93用于传输数据，所述存储器92用于存储指令，所述处理器91用于执行所述存储器92中存储的指令，以使所述设备执行图6和/或图7所示实施例提供的信息推荐方法，技术原理和技术效果相似，此处不再赘述。

需要说明，本发明对设备的设备形态和具体结构不做限定。

示例性的，图10为本申请实施例提供的用来实现本申请实施例的示例性计算机系统/服务器的结构示意图。图10显示的计算机系统/服务器012仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图10所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理器016，系统存储器028，连接不同系统组件(包括系统存储器028和处理器016)的总线018。

总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，还可以与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图10所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图10中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器016通过运行存储在系统存储器028中的程序，从而执行本发明所描述的实施例中的功能和/或方法。

上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (16)

1.一种信息推荐方法，其特征在于，包括：

获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息，所述N为大于等于2的整数；

根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息、M种排序中每种排序的排序信息和目标概率统计模型，获得所述M种排序中每种排序下每张骑行卡的用户购买概率；其中，所述M种排序为所述N张骑行卡的M种不同排序，所述M为大于等于2的整数；所述目标概率统计模型为机器学习模型；所述M的取值相关于所述N张骑行卡的种类，包括：对于相同种类的骑行卡采用固定的顺序；将用户购买概率较小的骑行卡排在排列的后面且采用固定的顺序；

根据每种排序下每张骑行卡的用户购买概率，获取所述用户的所述N张骑行卡的推荐排序，包括：获取每种排序下，每张骑行卡的用户购买概率与购买金额的乘积；

将所述N张骑行卡的用户购买概率与购买金额的乘积之和，确定为该种排序的用户购买期望值；

根据所述M种排序中每种排序的用户购买期望值，确定所述用户的所述N张骑行卡的推荐排序；

向终端设备发送所述用户的所述N张骑行卡的推荐排序，所述推荐排序用于所述终端设备根据所述推荐排序在显示界面显示所述N张骑行卡。

2.根据权利要求1所述的方法，其特征在于，所述根据所述M种排序中每种排序的用户购买期望值，确定所述用户的所述N张骑行卡的推荐排序，包括：

根据所述M种排序中每种排序的用户购买期望值，确定最大的用户购买期望值；

将最大的用户购买期望值所对应的排序，确定为所述推荐排序。

3.根据权利要求1所述的方法，其特征在于，所述骑行卡的购买金额是由所述骑行卡的应付金额与所述用户的折扣金额确定的。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述用户的相关信息包括：用户画像信息、用户的骑行需求信息、用户的历史付费信息中任一项或组合。

5.根据权利要求1所述的方法，其特征在于，还包括：

获取K个样本用户的相关信息、每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息；其中，所述K为大于等于M的整数，所述K个样本用户的所述N张骑行卡的排序包括所述M种排序；

根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息，对初始机器学习模型进行训练，获得所述目标概率统计模型中的机器学习模型。

6.根据权利要求5所述的方法，其特征在于，所述目标概率统计模型，还包括：保序回归模型。

7.根据权利要求6所述的方法，其特征在于，还包括：

根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序、所述N张骑行卡中每张骑行卡的相关信息，以及所述目标概率统计模型中的机器学习模型，获得每个样本用户在相应排序下各张骑行卡的统计购买概率；

根据所述每个样本用户在相应排序下各张骑行卡的统计购买概率以及所述每个样本用户在相应排序下各张骑行卡的样本购买概率，对初始保序回归模型进行训练，获得所述目标概率统计模型的保序回归模型。

8.一种信息推荐装置，其特征在于，包括：

获取模块，用于获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息，所述N为大于等于2的整数；

预测模块，用于根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息、M种排序中每种排序的排序信息和目标概率统计模型，获得所述M种排序中每种排序下每张骑行卡的用户购买概率；其中，所述M种排序为所述N张骑行卡的M种不同排序，所述M为大于等于2的整数；所述目标概率统计模型为机器学习模型；所述M的取值相关于所述N张骑行卡的种类，包括：对于相同种类的骑行卡采用固定的顺序；将用户购买概率较小的骑行卡排在排列的后面且采用固定的顺序；

确定模块，用于根据每种排序下每张骑行卡的用户购买概率，获取所述用户的所述N张骑行卡的推荐排序，包括：获取每种排序下，每张骑行卡的用户购买概率与购买金额的乘积；

将所述N张骑行卡的用户购买概率与购买金额的乘积之和，确定为该种排序的用户购买期望值；

根据所述M种排序中每种排序的用户购买期望值，确定所述用户的所述N张骑行卡的推荐排序；

发送模块，用于向终端设备发送所述用户的所述N张骑行卡的推荐排序，所述推荐排序用于所述终端设备根据所述推荐排序在显示界面显示所述N张骑行卡。

9.根据权利要求8所述的装置，其特征在于，所述确定模块具体用于：

根据所述M种排序中每种排序的用户购买期望值，确定最大的用户购买期望值；

将最大的用户购买期望值所对应的排序，确定为所述推荐排序。

10.根据权利要求8所述的装置，其特征在于，所述骑行卡的购买金额是由所述骑行卡的应付金额与所述用户的折扣金额确定的。

11.根据权利要求8-10任一项所述的装置，其特征在于，所述用户的相关信息包括：用户画像信息、用户的骑行需求信息、用户的历史付费信息中任一项或组合。

12.根据权利要求8所述的装置，其特征在于，还包括训练模块，所述训练模块用于：

获取K个样本用户的相关信息、每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息；其中，所述K为大于等于M的整数，所述K个样本用户的所述N张骑行卡的排序包括所述M种排序；

根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息，对初始机器学习模型进行训练，获得所述目标概率统计模型中的机器学习模型。

13.根据权利要求12所述的装置，其特征在于，所述目标概率统计模型，还包括：保序回归模型。

14.根据权利要求13所述的装置，其特征在于，所述训练模块还用于：

根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序、所述N张骑行卡中每张骑行卡的相关信息，以及所述目标概率统计模型中的机器学习模型，获得每个样本用户在相应排序下各张骑行卡的统计购买概率；

根据所述每个样本用户在相应排序下各张骑行卡的统计购买概率以及所述每个样本用户在相应排序下各张骑行卡的样本购买概率，对初始保序回归模型进行训练，获得所述目标概率统计模型的保序回归模型。

15.一种设备，其特征在于，包括：存储器和处理器；

所述存储器，用于存储程序指令；

所述处理器，用于调用所述存储器中存储的所述程序指令以实现如权利要求1-7中任一项所述的方法。

16.一种计算机可读存储介质，其特征在于，包括：可读存储介质和计算机程序，所述计算机程序用于实现如权利要求1-7中任一项所述的方法。