用户推荐任务调整方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种用户推荐任务调整方法、装置、计算机设备和存储介质。


背景技术：

2.在对用户经营的过程中，运营人员为了达成某些既定的经营目标，经常需要配置一些经营计划，通过经营系统去执行。在计划执行过程中，如果没有达到预期效果，可能需要调整计划中间的某一个环节，比如发放优惠券金额或者对用户的促达方式。
3.目前传统的解决方案就是通过运营人员人工查看计划执行的统计报表，如果没有达到预期，可能手动调整下经营计划中的优惠券金额，或者促达方式。调整完再查看执行的统计报表，效果是否达到预期，成本有没有超标，如果没有达到预期，或者成本超预期，再次调整经营计划。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够自动化调整用户推荐任务，无需运营人员人工介入，提高调整效率的用户推荐任务调整方法、装置、计算机设备和存储介质。
5.一种用户推荐任务调整方法，该方法包括：
6.获取待调整用户推荐任务，待调整用户推荐任务关联有当前用户推荐任务目标；
7.在待调整用户推荐任务执行过程中，获取待调整用户推荐任务中目标用户的相关参数；
8.根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标；
9.获取与待调整用户推荐任务匹配的用户推荐任务调整流程，通过用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标确定待调整用户推荐任务对应的目标调整方式；
10.通过目标调整方式对待调整用户推荐任务进行调整，得到已调整用户推荐任务。
11.在其中一个实施例中，用户推荐任务调整流程的生成步骤包括：获取训练用户推荐任务对应的任务特征变量集，训练用户推荐任务关联有训练用户推荐任务目标，训练用户推荐任务与待调整用户推荐任务为同类型的用户推荐任务；从任务特征变量集中识别出当前任务特征变量，调整训练用户推荐任务中当前任务特征变量对应的变量参数；验证当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低；在当前任务特征变量的调整对训练用户推荐任务目标是上升时，根据当前任务特征变量生成训练用户推荐任务对应的用户推荐任务调整流程，不同类型的用户推荐任务对应不同的用户推荐任务调整流程。
12.在其中一个实施例中，从任务特征变量集中识别出当前任务特征变量，调整训练用户推荐任务中当前任务特征变量对应的变量值，包括：获取第一识别模型，第一识别模型
用于识别任务特征变量集中需要调整的任务特征变量；将任务特征变量集中各任务特征变量输入至第一识别模型，得到第一识别模型输出的各任务特征变量对应的特征变量调整概率；根据特征变量调整概率从任务特征变量集中确定当前任务特征变量，当前任务特征变量为任务特征变量集中需要调整的任务特征变量。
13.在其中一个实施例中，验证当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低，包括：获取第二识别模型，第二识别模型用于识别当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低；将调整后的训练用户推荐任务输入至第二识别模型，通过第二识别模型进行识别，得到调整后的训练用户推荐任务达到训练用户推荐任务目标的概率；根据概率确定当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低。
14.在其中一个实施例中，第二识别模型的构建步骤包括：根据第一训练样本集，第一训练样本集为调整特征维度后已经知道训练用户推荐任务的训练用户推荐任务目标是提升或降低的第一训练样本组成的集合；通过第一识别模型对第一训练样本集中的第一训练样本进行识别，得到各第一训练样本对应的第一概率；将各第一训练样本按照第一概率进行降序排列和等频分箱，统计每个分箱中提升和降低的样本数；计算每个分箱中通过的提升样本数和降低样本数的权重；根据第一训练样本和对应的权重构建得到第二识别模型。
15.在其中一个实施例中，待调整用户推荐任务为待调整经营计划，相关参数包括目标用户的总数、目标用户中注册用户数、目标用户中完成用户实名身份验证的总数、优惠券发放总张数、优惠券数值、短信单价、短信发送成功数目和计划发出的短信总数，根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标，包括：根据目标用户中完成用户实名身份验证的总数与目标用户中注册用户数计算得到目标用户申完率；根据优惠券发放总张数和优惠券数值计算得到发放优惠券成本；根据短信单价和计划发出的短信总数计算得到短信发送成本；根据短信发送成功数目以及计划发出的短信总数计算得到当前短信通道促达率；根据发放优惠券成本和短信发送成本计算得到计划已花费的总成本，用户推荐任务效果指标包括目标用户申完率、发放优惠券成本、短信发送成本、当前短信通道促达率和计划已花费的总成本。
16.在其中一个实施例中，目标调整方式为增加优惠券金额、增加成本预算、下线待调整用户推荐任务、更换促达通道为人工智能外呼、更换短信通道供应商、暂时不做任何调整、降低优惠券金额中的其中一种。
17.一种用户推荐任务调整装置，该装置包括：
18.获取模块，用于获取待调整用户推荐任务，待调整用户推荐任务关联有当前用户推荐任务目标；
19.执行模块，用于在待调整用户推荐任务执行过程中，获取待调整用户推荐任务中目标用户的相关参数；
20.计算模块，用于根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标；
21.处理模块，用于获取与待调整用户推荐任务匹配的用户推荐任务调整流程，通过用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标确定待调整用户推荐任务对应的目标调整方式；
22.调整模块，用于通过目标调整方式对待调整用户推荐任务进行调整，得到已调整用户推荐任务。
23.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
24.获取待调整用户推荐任务，待调整用户推荐任务关联有当前用户推荐任务目标；
25.在待调整用户推荐任务执行过程中，获取待调整用户推荐任务中目标用户的相关参数；
26.根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标；
27.获取与待调整用户推荐任务匹配的用户推荐任务调整流程，通过用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标确定待调整用户推荐任务对应的目标调整方式；
28.通过目标调整方式对待调整用户推荐任务进行调整，得到已调整用户推荐任务。
29.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
30.获取待调整用户推荐任务，待调整用户推荐任务关联有当前用户推荐任务目标；
31.在待调整用户推荐任务执行过程中，获取待调整用户推荐任务中目标用户的相关参数；
32.根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标；
33.获取与待调整用户推荐任务匹配的用户推荐任务调整流程，通过用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标确定待调整用户推荐任务对应的目标调整方式；
34.通过目标调整方式对待调整用户推荐任务进行调整，得到已调整用户推荐任务。
35.上述用户推荐任务调整方法、装置、计算机设备和存储介质，获取待调整用户推荐任务，待调整用户推荐任务关联有当前用户推荐任务目标；在待调整用户推荐任务执行过程中，获取待调整用户推荐任务中目标用户的相关参数；根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标；获取与待调整用户推荐任务匹配的用户推荐任务调整流程，通过用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标确定待调整用户推荐任务对应的目标调整方式；通过目标调整方式对待调整用户推荐任务进行调整，得到已调整用户推荐任务。因此，通过预先定义可量化的经营目标，然后在经营计划执行过程中，实时计算出效果指标、成本指标，然后根据维度特征，效果指标，成本指标等因素确定目标调整方式，通过目标调整方式实时调整经营计划，以达到自动化调整运营方式的目的，减少运营人员人工介入的过程，提升运营效率。
附图说明
36.图1为一个实施例中用户推荐任务调整方法的应用环境图；
37.图2为一个实施例中用户推荐任务调整方法的流程示意图；
38.图3为一个实施例中用户推荐任务调整流程的生成步骤的流程示意图；
39.图3a为一个实施例中用户推荐任务调整流程的流程示意图；
40.图4为一个实施例中当前任务特征变量确定步骤的流程示意图；
41.图5为一个实施例中当前任务特征变量的调整效果的验证步骤的流程示意图；
42.图6为一个实施例中第二识别模型的构建步骤的流程示意图；
43.图7为一个实施例中用户推荐任务效果指标计算步骤的流程示意图；
44.图8为一个实施例中用户推荐任务调整装置的结构框图；
45.图9为一个实施例中计算机设备的内部结构图；
46.图10为一个实施例中计算机设备的内部结构图。
具体实施方式
47.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
48.本技术提供的用户推荐任务调整方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
49.具体地，终端102将待调整用户推荐任务发送至服务器104，其中待调整用户推荐任务关联有当前用户推荐任务目标，服务器104接收到待调整用户推荐任务后，在待调整用户推荐任务执行过程中，获取待调整用户推荐任务中目标用户的相关参数，根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标，获取与待调整用户推荐任务匹配的用户推荐任务调整流程，通过用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标确定待调整用户推荐任务对应的目标调整方式，通过目标调整方式对待调整用户推荐任务进行调整，得到已调整用户推荐任务。最后，可将已调整的用户推荐任务返回至终端102。
50.在另一个实施例中，终端102获取待调整用户推荐任务，待调整用户推荐任务关联有当前用户推荐任务目标，在待调整用户推荐任务执行过程中，获取待调整用户推荐任务中目标用户的相关参数，根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标，获取与待调整用户推荐任务匹配的用户推荐任务调整流程，通过用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标确定待调整用户推荐任务对应的目标调整方式，通过目标调整方式对待调整用户推荐任务进行调整，得到已调整用户推荐任务。
51.在一个实施例中，如图2所示，提供了一种用户推荐任务调整方法，以该方法应用于图1中的终端或服务器为例进行说明，包括以下步骤：
52.步骤202，获取待调整用户推荐任务，待调整用户推荐任务关联有当前用户推荐任务目标。
53.其中，这里的待用户推荐任务是准备进行调整的用户推荐任务，用户推荐任务可以是经营计划，所谓经营计划是营销策略的一个具体方案，比如设定经营目标，选定目标客户群，营销的时机(比如每天早上10点，或者用户登录应用程序app这样的行为)，经过一定的策略，通过什么方式促达到用户，这一整个流程串联起来就是一个经营计划。
54.其中，待调整用户推荐任务关联有当前用户推荐任务目标，这里的当前用户推荐
任务目标是待调整用户推荐任务需要达到的业务目标，例如，待调整用户推荐任务为申完经营计划，则关联的当前用户推荐任务目标为目标促申完率。
55.具体地，运营人员在经营平台上预先定义好本次经营的目标是什么，总的成本预算是多少，观测周期是多久，则可以生成待调整用户推荐任务。
56.步骤204，在待调整用户推荐任务执行过程中，获取待调整用户推荐任务中目标用户的相关参数。
57.具体地，在得到待调整用户推荐任务后，执行该待调整用户推荐任务，在该待调整用户推荐任务的执行过程中，会产生一些与目标用户相关的参数，这里的目标用户可以是符合业务要求的用户，可以根据实际业务需求、实际产品需求或实际应用场景进行确定。
58.其中，这里的相关参数是与目标用户相关的参数，可以是但不限于目标用户的总数、目标用户中注册用户数、目标用户中完成用户实名身份验证的总数、优惠券发放总张数、优惠券数值、短信单价、短信发送成功数目和计划发出的短信总数。具体地，待调整用户推荐任务会根据待调整用户推荐任务的执行流程进行操作，在执行过程中，待调整用户推荐任务会涉及到一些与业务相关并且需要调整的用户，即目标用户。给目标用户进行一些业务相关的业务操作，例如，给目标用户发放优惠券，发放营销短信等。统计待调整用户推荐任务在执行过程中产生的数据，得到目标用户的相关参数。
59.步骤206，根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标。
60.其中，这里的用户推荐任务效果指标是关于用户推荐任务效果的数据，用户推荐任务效果指标可以根据目标用户的相关参数计算得到。例如，用户推荐任务效果指标可以是用户申完率、发放优惠券成本、短信发送成本、该计划已花费的总成本、当前短信通道的促达率。具体地，可以对目标用户的相关参数进行统计计算、或者求平均计算得到待调整用户推荐任务对应的用户推荐任务效果指标。
61.步骤208，获取与待调整用户推荐任务匹配的用户推荐任务调整流程，通过用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标确定待调整用户推荐任务对应的目标调整方式。
62.其中，这里的用户推荐任务调整流程是用来调整待调整用户推荐任务的，根据该用户推荐任务调整流程调整待调整用户推荐任务，能够使得已调整的用户推荐任务快速达到关联的当前用户推荐任务目标。其中，不同类型的用户推荐任务对应不同的用户推荐任务调整流程，而各类型的用户推荐任务与匹配的用户推荐任务调整流程之间的映射关系，预先根据训练任务特征变量集进行确定得到。
63.其中，用户推荐任务调整流程又可以称之为效果分析模型，用来分析用户推荐任务是否需要调整，具体通过哪种调整方式进行调整。用户推荐任务调整流程按照预设好的流程步骤，比较用户推荐任务效果指标和当前用户推荐任务目标，确定合适的调整方式。
64.具体地，根据待调整用户推荐任务的类型获取匹配的用户推荐任务调整流程，再通过该用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标查找出与待调整用户推荐任务匹配的目标调整方式。
65.其中，通过该用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标查找出与待调整用户推荐任务匹配的目标调整方式具体可以是，根据用户推荐任
务指标、当前用户推荐任务目标，以及用户推荐任务调整流程中的调整特征变量是否匹配，来确定目标调整方式。
66.例如，用户推荐任务效果指标为用户申完率，当用户申完率达到目标申完率(当前用户推荐任务目标)时，获取用户推荐任务效果指标为总成本，当总成本达到预期总成本(当前用户推荐任务目标)时，目标调整方式为：增加成本预算，这一整个调整流程为用户推荐任务调整流程。
67.步骤210，通过目标调整方式对待调整用户推荐任务进行调整，得到已调整用户推荐任务。
68.具体地，在确定目标调整方式后，可以通过该目标调整方式对待调整用户推荐任务中相关业务操作进行调整，得到已调整的用户推荐任务。
69.在一个实施例中，目标调整方式为增加优惠券金额、增加成本预算、下线待调整用户推荐任务、更换促达通道为人工智能外呼、更换短信通道供应商、暂时不做任何调整、降低优惠券金额中的其中一种。
70.其中，目标调整方式为增加优惠券金额，是指增加待调整用户推荐任务中所涉及的优惠券的金额，目标调整方式为增加成本预算，是指增加待调整用户推荐任务的整个成本预算，而目标调整方式为下线待调整用户推荐任务，是指将待调整用户推荐任务进行下线，目标调整方式为更换促达通道为人工智能外呼，是指将待调整用户推荐任务中的促达通道更换为人工智能外呼，目标调整方式为更换短信通道供应商，是指将待调整用户推荐任务中的短信通道的当前供应商更换为其他供应商。而目标调整方式为暂时不做任何调整，是指不对待调整用户推荐任务作任何处理。目标调整方式为降低优惠券金额，是指降低待调整用户推荐任务中所涉及的优惠券的金额。
71.上述用户推荐任务调整方法中，获取待调整用户推荐任务，待调整用户推荐任务关联有当前用户推荐任务目标；在待调整用户推荐任务执行过程中，获取待调整用户推荐任务中目标用户的相关参数；根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标；获取与待调整用户推荐任务匹配的用户推荐任务调整流程，通过用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标确定待调整用户推荐任务对应的目标调整方式；通过目标调整方式对待调整用户推荐任务进行调整，得到已调整用户推荐任务。因此，通过预先定义可量化的经营目标，然后在经营计划执行过程中，实时计算出效果指标、成本指标，然后根据维度特征，效果指标，成本指标等因素确定目标调整方式，通过目标调整方式实时调整经营计划，以便达到自动化调整运营方式的目的，减少运营人员人工介入的过程，提升运营效率。
72.在一个实施例中，如图3所示，用户推荐任务调整流程的生成步骤包括：
73.步骤302，获取训练用户推荐任务对应的任务特征变量集，训练用户推荐任务关联有训练用户推荐任务目标，训练用户推荐任务与待调整用户推荐任务为同类型的用户推荐任务。
74.步骤304，从任务特征变量集中识别出当前任务特征变量，调整训练用户推荐任务中当前任务特征变量对应的变量参数。
75.其中，这里的训练用户推荐任务是用来训练的用户推荐任务，可以是各种类型的训练用户推荐任务类型，包括与待调整用户推荐任务为相同类型的用户推荐任务。同样地，
训练用户推荐任务关联有训练用户推荐任务目标，训练用户推荐任务目标是训练用户推荐任务需要达到的目标，可以根据实际业务需求、实际产品需求或实际应用场景进行确定得到。
76.其中，任务特征变量是训练用户推荐任务对应的相关特征变量，任务特征变量可以从训练用户推荐任务中进行特征变量特征提取得到的。任务特征变量例如是预算成本、优惠券金额等。
77.进一步地，在得到任务特征变量集后，可以从任务特征变量集中识别出当前任务特征变量，这里的当前任务特征变量是指任务特征变量集中需要进行调整的特征变量。其中从任务特征变量集中识别出当前任务特征变量可以是，通过神经网络模型对任务特征变量集中的各任务特征变量进行识别，识别出任务特征变量集中需要调整的任务特征变量，得到当前任务特征变量。
78.最后，根据当前任务特征变量调整训练用户推荐任务中当前任务特征变量对应的变量参数。即，将训练用户推荐任务中当前任务特征变量对应的当前变量参数修改为目标变量参数。目标变量参数的具体确定可以是根据实际业务需求、实际产品需求或者实际应用场景进行确定得到。
79.步骤306，验证当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低。
80.步骤308，在当前任务特征变量的调整对训练用户推荐任务目标是上升时，根据当前任务特征变量生成训练用户推荐任务对应的用户推荐任务调整流程，不同类型的用户推荐任务对应不同的用户推荐任务调整流程。
81.具体地，在完成训练用户推荐任务的当前任务特征变量的调整后，需要验证当前任务特征变量的调整对整个训练用户推荐任务目标是提升还是降低，也就是说，当前任务特征变量的调整对训练用户推荐任务的效果是否起到了作用，对训练用户推荐任务的训练用户推荐任务目标是上升了还是降低了。其中，具体也可以是，通过已训练好的效果分析模型来验证当前任务特征变量的调整对训练用户推荐任务目标的具体效果。
82.进一步地，在验证得到当前任务特征变量的调整对训练用户推荐任务目标的效果为上升时，说明当前任务特征变量的调整起到了作用，对训练用户推荐任务是有效果的。因此，可以通过当前任务特征变量构建得到训练用户推荐任务对应的用户推荐任务调整流程。
83.例如，如图3a所示，图3a示出一个实施例中用户推荐任务调整流程的流程示意图，图3a的用户推荐任务调整流程为用户促申完场景下的用户推荐任务的调整流程，用户促申完场景是促进用户完成实名认证并且完成用户相关业务请求申请，图3a的用户推荐任务调整流程具体为：验证当前申完率是否达到目标申完率，如果没有达到，则执行相应的流程，如果达到了，则执行另一流程，最终都能确定目标调整方式。图3a的用户推荐任务调整流程的当前任务特征变量包括申完率、成本、优惠券成本、短信通道促达率、总成本、短信发送成本等。
84.在一个实施例中，如图4所示，图4示出一个实施例中从任务特征变量集中识别出当前任务特征变量，调整训练用户推荐任务中当前任务特征变量对应的变量值，包括：
85.步骤402，获取第一识别模型，第一识别模型用于识别任务特征变量集中需要调整
的任务特征变量。
86.步骤404，将任务特征变量集中各任务特征变量输入至第一识别模型，得到第一识别模型输出的各任务特征变量对应的特征变量调整概率。
87.步骤406，根据特征变量调整概率从任务特征变量集中确定当前任务特征变量，当前任务特征变量为任务特征变量集中需要调整的任务特征变量。
88.其中，这里的第一识别模型是用来识别任务特征变量集中需要调整的任务特征变量的。第一识别模型又可以称为ana(adjust non-adjust，调整或不调整)模型，该模型是用来识别是否需要调整特征变量的(比如优惠券金额)定义y(1＝adjust,0＝non-adjust)，以全量申请样本构建，用以预测p，p代表特征变量需要调整的概率，概率越大，需要调整的可能性越大。
89.具体地，将任务特征变量集中的各任务特征变量输入至第一识别模型，通过第一识别模型对各任务特征变量进行预测，得到各任务特征变量对应的特征变量调整概率。进一步地，根据各任务特征变量对应的特征变量调整概率从任务特征变量集中确定当前任务特征变量，具体可以是，获取预设调整概率阈值，比较各任务特征变量对应的特征变量调整概率与预设调整概率阈值，将特征变量调整概率大于预设调整概率阈值对应的任务特征变量确定为当前任务特征变量。即，当前任务特征变量为任务特征变量集中需要调整的任务特征变量。
90.在一个实施例中，如图5所示，验证当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低，包括：
91.步骤502，获取第二识别模型，第二识别模型用于识别当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低。
92.步骤504，将调整后的训练用户推荐任务输入至第二识别模型，通过第二识别模型进行识别，得到调整后的训练用户推荐任务达到训练用户推荐任务目标的概率。
93.步骤506，根据概率确定当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低。
94.其中，这里的第二识别模型是用来识别当前任务特征变量的调整对训练用户推荐任务目标的效果，效果包括提升和下降。第二识别模型又可以称之为kgb(known good bad，已知好坏模型)模型，该模型是用以调整特征维度后经营计划的目标达成率是否提升定义y(1＝good,0＝bad)，以调整特征维度后已经知道经营计划的目标达成率是提升或降低的样本来构建，用以预测p(good|x,adjust)，p代表调整特征变量后，效果指标上升的概率，或者下降的概率，如果是上升，说明调整这个变量是正向的，如果效果指标反而下降了，说明是坏的。
95.具体地，将调整后的训练用户推荐任务输入至第二识别模型，通过第二识别模型进行预测识别，得到调整后的训练用户推荐任务达到训练用户推荐任务目标的概率。进一步地，根据第二识别模型输出的概率确定当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低。具体可以是，获取预设概率阈值，通过比较第二识别模型输出的概率与预设概率阈值来确定当前特征变量的调整是提升还是降低了，例如，如果第二识别模型输出的概率大于预设概率阈值，说明当前任务特征变量的调整对训练用户推荐任务目标是提升的。
96.在一个实施例中，如图6所示，第二识别模型的构建步骤包括：
97.步骤602，根据第一训练样本集，第一训练样本集为调整特征维度后已经知道训练用户推荐任务的训练用户推荐任务目标是提升或降低的第一训练样本组成的集合。
98.步骤604，通过第一识别模型对第一训练样本集中的第一训练样本进行识别，得到各第一训练样本对应的第一概率。
99.步骤606，将各第一训练样本按照第一概率进行降序排列和等频分箱，统计每个分箱中提升和降低的样本数。
100.步骤608，计算每个分箱中通过的提升样本数和降低样本数的权重。
101.步骤610，根据第一训练样本和对应的权重构建得到第二识别模型。
102.其中，这里的第一训练样本集是用来构建第二识别模型的训练样本的集合，第一训练样本集中的第一训练样本都是调整特征维度后已经知道训练用户推荐任务的训练用户推荐任务目标是提升或降低的训练样本。即，第一训练样本集中的第一训练样本都有对应的标签，标签都为已经知道训练用户推荐任务的训练用户推荐任务目标是提升或降低。例如，第一训练样本a和b都对应的标签a,标签a代表已经知道训练用户推荐任务的训练用户推荐任务目标是提升的训练样本。
103.进一步地，通过第一识别模型对第一训练样本集中的各第一训练样本进行识别，得到各第一训练样本对应的第一概率，这里的第一概率是用来预测第一训练样本需要调整的概率。再将各第一训练样本按照第一概率进行降序排列和等频分箱，统计每个分箱中提升和降低的样本数，所谓等频分箱是指按照相同的数量进行分组，每个分箱中包括的训练样本数都相同，再根据每个第一训练样本的标签，统计每个分箱中提升的样本数和降低的样本数目。
104.进一步地，计算每个分箱中通过的提升样本数和降低样本数的权重，具体可以是，获取每个分箱的总样本数，以及每个分箱中未通过的样本数，根据每个分箱的总样本数和未通过的样本数计算得到对应的权重。例如，分箱权重为＝(gi bi)/gi，bi为分组中未通过的样本个数，gi为每个分组中好样本的个数加坏样本的个数，计算出的值越大，代表未通过或者复样本的量越多。最后，通过第一训练样本和对应的权重构建得到第二识别模型。
105.在一个具体的实施例中，可以通过以下步骤来识别第二识别模型的构建：
106.1)在调整特征维度后已经知道经营计划的目标达成率是提升或降低的样本上构建第二识别模型，并对全量样本打分p(good|x,adjust)。
107.2)将全量样本按p(good|x,adjust)降序排列，等频分箱，统计每个箱中提升和降低的样本数。
108.3)计算每个分箱中通过的好坏样本的权重weighti＝(gi bi)/gi。
109.4)引入样本权重，利用通过好坏样本重新构建第二识别模型。
110.在一个实施例中，如图7所示，待调整用户推荐任务为待调整经营计划，相关参数包括目标用户的总数、目标用户中注册用户数、目标用户中完成用户实名身份验证的总数、优惠券发放总张数、优惠券数值、短信单价、短信发送成功数目和计划发出的短信总数，根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标，包括：
111.其中，待调整用户推荐任务可以是待调整经营计划，所谓经营计划是营销策略的一个具体方案，在执行待调整用户推荐任务的过程中，会产生一些与目标用户相关的参数，
与目标用户相关的参数，可以是但不限于目标用户的总数、目标用户中注册用户数、目标用户中完成用户实名身份验证的总数、优惠券发放总张数、优惠券数值、短信单价、短信发送成功数目和计划发出的短信总数。
112.其中，目标用户的总数是指该待调整用户推荐任务在执行过程中，总共涉及的目标用户总人数，目标用户中注册用户数是目标用户中完成注册的用户数，因为有些用户并没有完成相关的注册。其中，目标用户中完成用户实名身份验证的总数是目标用户中完成用户实名身份验证的用户数，优惠券发放总张数，是待调整用户推荐任务在执行过程中，总共发放了多少优惠券。每张优惠券的数值为多少，即优惠券数值。其中，短信单价、短信发送成功数目以及计划发放的短信总数都是与短信发放相关的参数。
113.步骤702，根据目标用户中完成用户实名身份验证的总数与目标用户中注册用户数计算得到目标用户申完率。
114.步骤704，根据优惠券发放总张数和优惠券数值计算得到发放优惠券成本。
115.步骤706，根据短信单价和计划发出的短信总数计算得到短信发送成本。
116.步骤708，根据短信发送成功数目以及计划发出的短信总数计算得到当前短信通道促达率。
117.步骤710，根据发放优惠券成本和短信发送成本计算得到计划已花费的总成本，用户推荐任务效果指标包括目标用户申完率、发放优惠券成本、短信发送成本、当前短信通道促达率和计划已花费的总成本。
118.具体地，可以根据目标用户中完成用户实名身份验证的总数与目标用户中注册用户数计算得到目标用户申完率，具体可以是，可以将目标用户中注册用户数与目标用户中完成用户实名身份验证的总数的比值确定为目标用户申完率。
119.具体地，可以根据优惠券发放总张数和优惠券数值计算得到发放优惠券成本，具体可以是，可以将优惠券发放总张数和优惠券的乘积确定为发放优惠券成本。
120.具体地，可以根据短信单价和计划发出的短信总数计算得到短信发送成本，具体可以是，将短信单价和计划发出的短信总数的乘积确定为短信发送成本。
121.具体地，可以根据短信发送成功数目以及计划发出的短信总数计算得到当前短信通道促达率，具体可以是，将短信发送成功数目以及计划发出的短信总数的比值确定为当前短信通道促达率。
122.具体地，根据发放优惠券成本和短信发送成本计算得到计划已花费的总成本，具体可以是，求和发放优惠券成本和短信发送成本，得到计划已花费的总成本。最后，用户推荐任务效果指标包括目标用户申完率、发放优惠券成本、短信发送成本、当前短信通道促达率和计划已花费的总成本。
123.应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
124.在一个实施例中，如图8所示，提供了一种用户推荐任务调整装置800，包括：获取模块802、执行模块804、计算模块806、处理模块808和调整模块810，其中：
125.获取模块802，用于获取待调整用户推荐任务，待调整用户推荐任务关联有当前用户推荐任务目标。
126.执行模块804，用于在待调整用户推荐任务执行过程中，获取待调整用户推荐任务中目标用户的相关参数。
127.计算模块806，用于根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标。
128.处理模块808，用于获取与待调整用户推荐任务匹配的用户推荐任务调整流程，通过用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标确定待调整用户推荐任务对应的目标调整方式。
129.调整模块810，用于通过目标调整方式对待调整用户推荐任务进行调整，得到已调整用户推荐任务。
130.在一个实施例中，用户推荐任务调整装置800获取训练用户推荐任务对应的任务特征变量集，训练用户推荐任务关联有训练用户推荐任务目标，训练用户推荐任务与待调整用户推荐任务为同类型的用户推荐任务，从任务特征变量集中识别出当前任务特征变量，调整训练用户推荐任务中当前任务特征变量对应的变量参数，验证当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低，在当前任务特征变量的调整对训练用户推荐任务目标是上升时，根据当前任务特征变量生成训练用户推荐任务对应的用户推荐任务调整流程，不同类型的用户推荐任务对应不同的用户推荐任务调整流程。
131.在一个实施例中，用户推荐任务调整装置800获取第一识别模型，第一识别模型用于识别任务特征变量集中需要调整的任务特征变量，将任务特征变量集中各任务特征变量输入至第一识别模型，得到第一识别模型输出的各任务特征变量对应的特征变量调整概率，根据特征变量调整概率从任务特征变量集中确定当前任务特征变量，当前任务特征变量为任务特征变量集中需要调整的任务特征变量。
132.在一个实施例中，用户推荐任务调整装置800获取第二识别模型，第二识别模型用于识别当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低，将调整后的训练用户推荐任务输入至第二识别模型，通过第二识别模型进行识别，得到调整后的训练用户推荐任务达到训练用户推荐任务目标的概率，根据概率确定当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低。
133.在一个实施例中，用户推荐任务调整装置800根据第一训练样本集，第一训练样本集为调整特征维度后已经知道训练用户推荐任务的训练用户推荐任务目标是提升或降低的第一训练样本组成的集合，通过第一识别模型对第一训练样本集中的第一训练样本进行识别，得到各第一训练样本对应的第一概率，将各第一训练样本按照第一概率进行降序排列和等频分箱，统计每个分箱中提升和降低的样本数，计算每个分箱中通过的提升样本数和降低样本数的权重，根据第一训练样本和对应的权重构建得到第二识别模型。
134.在一个实施例中，用户推荐任务调整装置800根据目标用户中完成用户实名身份验证的总数与目标用户中注册用户数计算得到目标用户申完率，根据优惠券发放总张数和优惠券数值计算得到发放优惠券成本，根据短信单价和计划发出的短信总数计算得到短信
发送成本，根据短信发送成功数目以及计划发出的短信总数计算得到当前短信通道促达率，根据发放优惠券成本和短信发送成本计算得到计划已花费的总成本，用户推荐任务效果指标包括目标用户申完率、发放优惠券成本、短信发送成本、当前短信通道促达率和计划已花费的总成本。
135.关于用户推荐任务调整装置的具体限定可以参见上文中对于用户推荐任务调整方法的限定，在此不再赘述。上述用户推荐任务调整装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
136.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户推荐任务调整流程。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用户推荐任务调整方法。
137.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用户推荐任务调整方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
138.本领域技术人员可以理解，图9或图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
139.在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取待调整用户推荐任务，待调整用户推荐任务关联有当前用户推荐任务目标，在待调整用户推荐任务执行过程中，获取待调整用户推荐任务中目标用户的相关参数，根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标，获取与待调整用户推荐任务匹配的用户推荐任务调整流程，通过用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标确定待调整用户推荐任务对应的目标调整方式，通过目标调整方式对待调整用户推荐任务进行调整，得到已调整用户推荐任务。
140.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练用户推荐
任务对应的任务特征变量集，训练用户推荐任务关联有训练用户推荐任务目标，训练用户推荐任务与待调整用户推荐任务为同类型的用户推荐任务，从任务特征变量集中识别出当前任务特征变量，调整训练用户推荐任务中当前任务特征变量对应的变量参数，验证当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低，在当前任务特征变量的调整对训练用户推荐任务目标是上升时，根据当前任务特征变量生成训练用户推荐任务对应的用户推荐任务调整流程，不同类型的用户推荐任务对应不同的用户推荐任务调整流程。
141.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第一识别模型，第一识别模型用于识别任务特征变量集中需要调整的任务特征变量，将任务特征变量集中各任务特征变量输入至第一识别模型，得到第一识别模型输出的各任务特征变量对应的特征变量调整概率，根据特征变量调整概率从任务特征变量集中确定当前任务特征变量，当前任务特征变量为任务特征变量集中需要调整的任务特征变量。
142.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第二识别模型，第二识别模型用于识别当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低，将调整后的训练用户推荐任务输入至第二识别模型，通过第二识别模型进行识别，得到调整后的训练用户推荐任务达到训练用户推荐任务目标的概率，根据概率确定当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低。
143.在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据第一训练样本集，第一训练样本集为调整特征维度后已经知道训练用户推荐任务的训练用户推荐任务目标是提升或降低的第一训练样本组成的集合，通过第一识别模型对第一训练样本集中的第一训练样本进行识别，得到各第一训练样本对应的第一概率，将各第一训练样本按照第一概率进行降序排列和等频分箱，统计每个分箱中提升和降低的样本数，计算每个分箱中通过的提升样本数和降低样本数的权重，根据第一训练样本和对应的权重构建得到第二识别模型。
144.在一个实施例中，待调整用户推荐任务为待调整经营计划，相关参数包括目标用户的总数、目标用户中注册用户数、目标用户中完成用户实名身份验证的总数、优惠券发放总张数、优惠券数值、短信单价、短信发送成功数目和计划发出的短信总数，处理器执行计算机程序时还实现以下步骤：根据目标用户中完成用户实名身份验证的总数与目标用户中注册用户数计算得到目标用户申完率，根据优惠券发放总张数和优惠券数值计算得到发放优惠券成本，根据短信单价和计划发出的短信总数计算得到短信发送成本，根据短信发送成功数目以及计划发出的短信总数计算得到当前短信通道促达率，根据发放优惠券成本和短信发送成本计算得到计划已花费的总成本，用户推荐任务效果指标包括目标用户申完率、发放优惠券成本、短信发送成本、当前短信通道促达率和计划已花费的总成本。
145.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待调整用户推荐任务，待调整用户推荐任务关联有当前用户推荐任务目标，在待调整用户推荐任务执行过程中，获取待调整用户推荐任务中目标用户的相关参数，根据相关参数计算得到待调整用户推荐任务对应的用户推荐任务效果指标，获取与待调整用户推荐任务匹配的用户推荐任务调整流程，通过用户推荐任务调整流程根据用户推荐任务效果指标和当前用户推荐任务目标确定待调整用户推荐任务对应的目标调整方式，通过目标调整方式对待调整用户推荐任务进行调整，得到已调整
用户推荐任务。
146.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练用户推荐任务对应的任务特征变量集，训练用户推荐任务关联有训练用户推荐任务目标，训练用户推荐任务与待调整用户推荐任务为同类型的用户推荐任务，从任务特征变量集中识别出当前任务特征变量，调整训练用户推荐任务中当前任务特征变量对应的变量参数，验证当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低，在当前任务特征变量的调整对训练用户推荐任务目标是上升时，根据当前任务特征变量生成训练用户推荐任务对应的用户推荐任务调整流程，不同类型的用户推荐任务对应不同的用户推荐任务调整流程。
147.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第一识别模型，第一识别模型用于识别任务特征变量集中需要调整的任务特征变量，将任务特征变量集中各任务特征变量输入至第一识别模型，得到第一识别模型输出的各任务特征变量对应的特征变量调整概率，根据特征变量调整概率从任务特征变量集中确定当前任务特征变量，当前任务特征变量为任务特征变量集中需要调整的任务特征变量。
148.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第二识别模型，第二识别模型用于识别当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低，将调整后的训练用户推荐任务输入至第二识别模型，通过第二识别模型进行识别，得到调整后的训练用户推荐任务达到训练用户推荐任务目标的概率，根据概率确定当前任务特征变量的调整对训练用户推荐任务目标是提升还是降低。
149.在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据第一训练样本集，第一训练样本集为调整特征维度后已经知道训练用户推荐任务的训练用户推荐任务目标是提升或降低的第一训练样本组成的集合，通过第一识别模型对第一训练样本集中的第一训练样本进行识别，得到各第一训练样本对应的第一概率，将各第一训练样本按照第一概率进行降序排列和等频分箱，统计每个分箱中提升和降低的样本数，计算每个分箱中通过的提升样本数和降低样本数的权重，根据第一训练样本和对应的权重构建得到第二识别模型。
150.在一个实施例中，待调整用户推荐任务为待调整经营计划，相关参数包括目标用户的总数、目标用户中注册用户数、目标用户中完成用户实名身份验证的总数、优惠券发放总张数、优惠券数值、短信单价、短信发送成功数目和计划发出的短信总数，处理器执行计算机程序时还实现以下步骤：根据目标用户中完成用户实名身份验证的总数与目标用户中注册用户数计算得到目标用户申完率，根据优惠券发放总张数和优惠券数值计算得到发放优惠券成本，根据短信单价和计划发出的短信总数计算得到短信发送成本，根据短信发送成功数目以及计划发出的短信总数计算得到当前短信通道促达率，根据发放优惠券成本和短信发送成本计算得到计划已花费的总成本，用户推荐任务效果指标包括目标用户申完率、发放优惠券成本、短信发送成本、当前短信通道促达率和计划已花费的总成本。
151.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom
(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
152.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
153.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。