【技術實現步驟摘要】
本申請涉及計算機，尤其涉及資源分配優化方法、裝置、設備、存儲介質及產品。
技術介紹
1、隨著數據挖掘和神經網絡技術的快速發展，智能決策在多個領域變得日益重要。特別是在資源有限的情況下，如何通過智能決策來最大化收益，已成為一個關鍵問題。在臨床醫學、運維、廣告行業以及推薦和營銷領域，資源的合理分配對于提高效益和收入至關重要。
2、相關技術中，通常使用直接排序模型drm(direct?ranking?model)預測收入cate(conditional?average?treatment?effect?on?revenue，條件平均處理效應對收入的影響)和成本cate(conditional?average?treatment?effect?on?cost，條件平均處理效應對成本的影響)之間的差異，也即排名分數，并根據排名分數確定最優資源分配方案，以此實現資源分配的優化。但是drm模型中的損失函數無法收斂到穩定的極值點，因此當損失收斂時，無法獲得正確的排名分數，導致資源分配優化的準確性低下。
3、上述內容僅用于輔助理解本申請的技術方案，并不代表承認上述內容是現有技術。
技術實現思路
1、本申請的主要目的在于提供一種資源分配優化方法，旨在解決資源分配優化的準確性低下的技術問題。
2、為實現上述目的，本申請提出一種資源分配優化方法，所述資源分配優化的方法包括：
3、獲取待分配資源用戶的目標用戶特征；
4、基于所述目標用戶特征，通過預
5、基于所述排名分數，生成相應的最優分配方案。
6、可選地，所述損失凸函數的公式如下：
7、
8、其中，n1表示實驗組的樣本量，n0表示對照組的樣本量，i表示第i個用戶，qi表示第i個用戶的排名分數，tanh是的雙曲正切變換，hi是任意神經網絡的中間輸出，λ表示為一個超參數，yr表示收入結果值，yc表示成本結果值。
9、可選地，所述基于所述目標用戶特征，通過預設的優化分配模型進行資源分配，輸出各待分配資源用戶的排名分數的步驟，包括：
10、基于所述目標用戶特征，通過預設的優化分配模型進行資源分配，預測得到各待分配資源用戶對應關于收入的第一條件平均處理影響值和成本的第二條件平均處理影響值；
11、計算所述第一條件平均處理影響值與所述第二條件平均處理影響值之間的差值，得到各待分配資源用戶的排名分數。
12、可選地，所述基于所述目標用戶特征，通過預設的優化分配模型進行資源分配，預測得到各待分配資源用戶對應關于收入的第一條件平均處理影響值和成本的第二條件平均處理影響值的步驟，包括：
13、基于預設的用戶行為層級劃分信息和所述目標用戶特征，確定各待分配資源用戶關于收入的第一用戶行為層級特征和關于成本的第二用戶行為層級特征；
14、基于所述第一用戶行為層級特征和所述第二用戶行為層級特征，通過預設的優化分配模型進行資源分配，預測得到各待分配資源用戶對應關于收入的第一條件平均處理影響值和成本的第二條件平均處理影響值。
15、可選地，所述獲取待優化分配方案的步驟之前，所述方法包括：
16、獲取用戶特征樣本和所述用戶特征樣本的排名分數標簽；
17、基于用戶特征樣本和所述排名分數標簽，對預設的待訓練模型進行迭代訓練，得到優化分配模型，其中，所述優化分配模型為對偶因果學習模型，所述優化分配模型是由包含損失凸函數的神經網絡所構成的。
18、可選地，所述基于用戶特征樣本和所述排名分數標簽，對預設的待訓練模型進行迭代訓練，得到優化分配模型的步驟，包括：
19、基于所述用戶特征樣本，通過預設的待訓練模型進行資源分配，輸出各用戶特征樣本的預測排名分數；
20、基于預設的損失凸函數，計算所述預測排名分數和所述排名分數標簽之間的誤差結果；
21、基于所述誤差結果，判斷所述誤差結果是否滿足預設誤差閾值范圍指示的誤差標準；
22、若所述誤差結果未滿足所述預設誤差閾值范圍指示的誤差標準，則返回基于所述用戶特征樣本，通過預設的待訓練模型進行資源分配，輸出各用戶特征樣本的預測排名分數的步驟，直到所述誤差結果滿足所述預設誤差閾值范圍指示的誤差標準后停止訓練，得到優化分配模型。
23、此外，為實現上述目的，本申請還提出一種資源分配優化裝置，所述資源分配優化裝置包括：
24、獲取模塊，用于獲取待分配資源用戶的目標用戶特征；
25、分配模塊，用于基于所述目標用戶特征，通過預設的優化分配模型進行資源分配，輸出各待分配資源用戶的排名分數，其中，所述排名分數反映了各待分配資源用戶對優化目標的貢獻大小，所述優化分配模型是由包含損失凸函數的神經網絡所構成的；
26、生成模塊，用于基于所述排名分數，生成相應的最優分配方案。
27、此外，為實現上述目的，本申請還提出一種資源分配優化設備，所述設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現如上文所述的資源分配優化方法的步驟。
28、此外，為實現上述目的，本申請還提出一種存儲介質，所述存儲介質為計算機可讀存儲介質，所述存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如上文所述的資源分配優化方法的步驟。
29、此外，為實現上述目的，本申請還提供一種計算機程序產品，所述計算機程序產品包括計算機程序，所述計算機程序被處理器執行時實現如上文所述的資源分配優化方法的步驟。
30、本申請提出的一個或多個技術方案，至少具有以下技術效果：
31、與相關技術中，通常使用直接排序模型drm預測收入cate和成本cate之間的差異，也即排名分數，并根據排名分數確定最優資源分配方案，以此實現資源分配的優化。但是drm模型中的損失函數無法收斂到穩定的極值點，因此當損失收斂時，無法獲得正確的排名分數，導致資源分配優化的準確性低下相比，本申請提出獲取待分配資源用戶的目標用戶特征；基于所述目標用戶特征，通過預設的優化分配模型進行資源分配，輸出各待分配資源用戶的排名分數，其中，所述排名分數反映了各待分配資源用戶對優化目標的貢獻大小，所述優化分配模型是由包含損失凸函數的神經網絡所構成的；基于所述排名分數，生成相應的最優分配方案。可理解的是，本申請提出由包含損失凸函數的神經網絡所構成的優化分配模型，實現了對各待分配資源用戶的排名分數的準確預測，由于損失凸函數存在全局最小值，使得神經網絡在訓練過程中能夠收斂到該全局最小值，以此實現排名分數的無偏估計，進而提高了資源分配優化的準確性。
本文檔來自技高網...【技術保護點】
1.一種資源分配優化方法，其特征在于，所述資源分配優化的方法包括：
2.如權利要求1所述的資源分配優化方法，其特征在于，所述損失凸函數的公式如下：
3.如權利要求1所述的資源分配優化方法，其特征在于，所述基于所述目標用戶特征，通過預設的優化分配模型進行資源分配，輸出各待分配資源用戶的排名分數的步驟，包括：
4.如權利要求3所述的資源分配優化方法，其特征在于，所述基于所述目標用戶特征，通過預設的優化分配模型進行資源分配，預測得到各待分配資源用戶對應關于收入的第一條件平均處理影響值和成本的第二條件平均處理影響值的步驟，包括：
5.如權利要求1所述的資源分配優化方法，其特征在于，所述獲取待優化分配方案的步驟之前，所述方法包括：
6.如權利要求5所述的資源分配優化方法，其特征在于，所述基于用戶特征樣本和所述排名分數標簽，對預設的待訓練模型進行迭代訓練，得到優化分配模型的步驟，包括：
7.一種資源分配優化裝置，其特征在于，所述裝置包括：
8.一種資源分配優化設備，其特征在于，所述設備包括：存儲器、處理器及存
9.一種存儲介質，其特征在于，所述存儲介質為計算機可讀存儲介質，所述存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至6中任一項所述的資源分配優化方法的步驟。
10.一種計算機程序產品，其特征在于，所述計算機程序產品包括計算機程序，所述計算機程序被處理器執行時實現如權利要求1至6中任一項所述的資源分配優化方法的步驟。
...【技術特征摘要】
1.一種資源分配優化方法，其特征在于，所述資源分配優化的方法包括：
2.如權利要求1所述的資源分配優化方法，其特征在于，所述損失凸函數的公式如下：
3.如權利要求1所述的資源分配優化方法，其特征在于，所述基于所述目標用戶特征，通過預設的優化分配模型進行資源分配，輸出各待分配資源用戶的排名分數的步驟，包括：
4.如權利要求3所述的資源分配優化方法，其特征在于，所述基于所述目標用戶特征，通過預設的優化分配模型進行資源分配，預測得到各待分配資源用戶對應關于收入的第一條件平均處理影響值和成本的第二條件平均處理影響值的步驟，包括：
5.如權利要求1所述的資源分配優化方法，其特征在于，所述獲取待優化分配方案的步驟之前，所述方法包括：
6.如權利要求5所述的資源分配優化方法，其特征在于，所述...
【專利技術屬性】
技術研發人員：艾盟，王一帆，侯建龍，丁雪蓮，陳卓，王冀彬，陶濤，
申請(專利權)人：中移動信息技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。