本公开涉及信息处理技术领域，尤其是一种信息分享奖励方法、装置及计算机可读存储介质。
背景技术：
电商在推广时，利用用户对推广页面的分享可以增加新用户的数量和电商的曝光度，从而达到推广效果。
相关技术中，用户只要将推广页面进行分享即可获得奖励，例如获得红包或者增加抽奖概率。
技术实现要素：
发明人注意到，目前的方式下，具有不同好友的用户在分享推广页面或活动页面后带来的效果会有很大的差别，但是，在分享后返回到电商应用或网站后会获得同样的奖励。这样的方式会降低用户分享的积极性，不利于电商的推广。
为了解决上述问题，本公开实施例提出了如下解决方案。
根据本公开实施例的一方面，提供一种信息分享奖励方法，包括：获取分享第一信息的分享用户的社交参数；将所述社交参数输入到流量预测模型，以预测所述分享用户对应的流量参数；将所述流量参数发送给所述第一信息的信息源，以便所述信息源根据所述流量参数对所述分享用户进行奖励。
在一些实施例中，所述流量预测模型根据如下方式进行训练：获取分享第二信息的样本用户的社交参数；统计所述样本用户在分享所述第二信息后的历史流量参数；以所述样本用户的社交参数作为输入、所述历史流量参数作为输出，对所述流量预测模型进行训练。
在一些实施例中，所述方法还包括：统计所述分享用户在分享所述第一信息后的实际流量参数；以所述分享用户的社交参数作为输入、所述实际流量参数作为输出，对所述流量预测模型进行训练。
在一些实施例中，所述社交参数包括下列中的一项或多项：社交对象的性别和数量、曾经分享的信息的浏览数量和互动数量。
在一些实施例中，所述第一信息为网址链接，所述流量参数为所述网址链接被点击的次数，或者，所述网址链接被点击后为所述信息源带来的流量。
在一些实施例中，所述流量预测模型为流量参数与社交参数之间的线性模型。
根据本公开实施例的另一方面，提供一种信息分享奖励装置，包括：获取模块，用于获取分享第一信息的分享用户的社交参数；预测模块，用于将所述社交参数输入到流量预测模型，以预测所述分享用户对应的流量参数；发送模块，用于将所述流量参数发送给所述第一信息的信息源，以便所述信息源根据所述流量参数对所述分享用户进行奖励。
在一些实施例中，所述获取模块还用于获取分享第二信息的样本用户的社交参数；所述装置还包括：统计模块，用于统计所述样本用户在分享所述第二信息后的历史流量参数；训练模块，用于以所述样本用户的社交参数作为输入、所述历史流量参数作为输出，对所述流量预测模型进行训练。
在一些实施例中，所述统计模块还用于统计所述分享用户在分享所述第一信息后的实际流量参数；所述训练模块还用于以所述分享用户的社交参数作为输入、所述实际流量参数作为输出，对所述流量预测模型进行训练。
在一些实施例中，所述社交参数包括下列中的一项或多项：社交对象的性别和数量、曾经分享的信息的浏览数量和互动数量。
在一些实施例中，所述第一信息为网址链接，所述流量参数为所述网址链接被点击的次数，或者，所述网址链接被点击后为所述信息源带来的流量。
在一些实施例中，所述流量预测模型为流量参数与社交参数之间的线性模型。
根据本公开实施例的又一方面，提供一种信息分享奖励装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行上述任意一个实施例所述的方法。
根据本公开实施例的再一方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述任意一个实施例所述的方法。
本公开实施例中，利用流量预测模型可以根据分享用户的社交参数预测出分享用户的流量参数，分享用户的流量参数可以作为对分享用户进行奖励的参考。这样的方式可以提高用户分享的积极性，利于信息源，例如电商的推广。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本公开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简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本公开一些实施例的信息分享奖励方法的流程示意图；
图2是根据本公开一些实施例的流量预测模型的训练方法的流程示意图；
图3是根据本公开一些实施例的信息分享奖励装置的结构示意图；
图4是根据本公开另一些实施例的信息分享奖励装置的结构示意图；
图5是根据本公开又一些实施例的信息分享奖励装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1是根据本公开一些实施例的信息分享奖励方法的流程示意图。
在步骤102，获取分享第一信息的分享用户的社交参数。
这里，第一信息例如可以是网站链接，例如电商的推广页面或活动页面。社交参数可以包括下列中的一项或多项：社交对象的性别和数量、曾经分享的信息的浏览数量和互动数量。
例如，在分享用户将第一信息分享到社交群(例如微信群)或个人社交主页(例如朋友圈)后，可以通过服务端接口实时调用分享用户的社交参数。
以朋友圈为例，社交参数可以包括分享用户的男性好友及其数量、女性好友及其数量、朋友圈的浏览数量、朋友圈的互动数量(例如，点赞数量、评论数量)等。
在步骤104，将社交参数输入到流量预测模型，以预测分享用户对应的流量参数。
这里，流量预测模型为训练好的模型，该模型能够根据输入的社交参数预测出对应的流量参数。在一些实施例中，流量预测模型例如可以为流量参数与社交参数之间的线性模型。然而本公开不限于此，流量预测模型可以是其他的机器学习模型，例如神经网络模型。
在第一信息为网址链接的情况下，流量参数例如可以为网址链接被点击的次数，或者，流量参数可以为网址链接被点击后为第一信息的信息源带来的流量。作为示例，第一信息的信息源例如可以是电商app等其他进行推广的app。
在某些实施例中，流量参数例如还可以是通过点击第一信息进行注册的用户数量、注册后进行购物的用户数量等其他参数。
在步骤106，将流量参数发送给第一信息的信息源，以便信息源根据流量参数对分享用户进行奖励。
例如，分享用户对应的流量参数越大，给该分享用户的奖励越大，例如，给该分享用户的红包数量越大，或者，该分享用户抽到奖的概率越大。
上述实施例中，利用流量预测模型可以根据分享用户的社交参数预测出分享用户的流量参数，分享用户的流量参数可以作为对分享用户进行奖励的参考。这样的方式可以提高用户分享的积极性，利于信息源，例如电商的推广。
图2是根据本公开一些实施例的流量预测模型的训练方法的流程示意图。
在步骤202，获取分享第二信息的样本用户的社交参数。
这里，第二信息例如可以是网站链接，例如电商的推广页面或活动页面。可以获取多个样本用户的社交参数，也可以获取同一个样本用户的多个社交参数。
在步骤204，统计样本用户在分享第二信息后的历史流量参数。
例如，在样本用户分享第二信息、且经过一段时间后，可以统计该次分享带来的流量参数，即历史流量参数。
在步骤206，以样本用户的社交参数作为输入、历史流量参数作为输出，对流量预测模型进行训练。
在一些实施例中，为了提高流量预测模型预测的准确性，可以统计分享用户在分享第一信息后的实际流量参数；然后以分享用户的社交参数作为输入、实际流量参数作为输出，对流量预测模型进行训练。
假设流量参数为y，不同的社交参数(例如男性好友数量、女性好友数量、朋友圈浏览数量、朋友圈互动数量等)可以分别表示为x1,x2,x3,x4,x5,x6,x7,x8…，y与x1,x2,x3,x4,x5,x6,x7,x8…之间的关系可以表示为下式：
y＝θ0 θ1x1 θ2x2 θ3x3 θ4x4 θ5x5 θ6x6 θ7x7 θ8x8 …
以每组x1,x2,x3,x4,x5,x6,x7,x8…作为输入，每组x1,x2,x3,x4,x5,x6,x7,x8…对应的y作为输出，对线性模型进行训练，最终可以得到θ0,θ1,θ2,θ3,θ4,θ5,θ6,θ7,θ8…，从而可以得到流量参数与社交参数之间的关系。
需要说明的是，以上仅以流量预测模型为线性模型为例进行了介绍。本领域技术人员明白，流量预测模型也可以为其他的机器学习模型，例如神经网络模型。类似地，可以以样本用户的社交参数作为输入、历史流量参数作为输出，对神经网络模型进行训练，在此不再赘述。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于装置实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
图3是根据本公开一些实施例的信息分享奖励装置的结构示意图。
如图3所示，该实施例的装置包括获取模块301、预测模块302和发送模块303。
获取模块301用于获取分享第一信息的分享用户的社交参数。
社交参数包括下列中的一项或多项：社交对象的性别和数量、曾经分享的信息的浏览数量和互动数量。
预测模块302用于将社交参数输入到流量预测模型，以预测分享用户对应的流量参数。流量预测模型例如可以为流量参数与社交参数之间的线性模型。
例如，第一信息可以为网址链接，流量参数可以为网址链接被点击的次数，或者，流量参数可以为网址链接被点击后为信息源带来的流量。
发送模块303用于将流量参数发送给第一信息的信息源，以便信息源根据流量参数对分享用户进行奖励。
上述实施例中，利用流量预测模型可以根据分享用户的社交参数预测出分享用户的流量参数，分享用户的流量参数可以作为对分享用户进行奖励的参考。这样的方式可以提高用户分享的积极性，利于信息源，例如电商的推广。
图4是根据本公开另一些实施例的信息分享奖励装置的结构示意图。与图3所示实施例相比，该实施例的装置还包括统计模块401和训练模块402。
该实施例的获取模块301还用于获取样本用户的社交参数。统计模块401用于统计样本用户分享第二信息后的历史流量参数。训练模块402用于以样本用户的社交参数作为输入、历史流量参数作为输出，对流量预测模型进行训练。
在一些实施例中，统计模块401还用于统计分享用户在分享第一信息后的实际流量参数。训练模块402还用于以分享用户的社交参数作为输入、实际流量参数作为输出，对流量预测模型进行训练。
图5是根据本公开又一些实施例的信息分享奖励装置的结构示意图。
如图5所示，该实施例的装置500包括存储器501以及耦接至该存储器501的处理器502，处理器502被配置为基于存储在存储器501中的指令，执行前述任意一个实施例的方法。
存储器501例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如可以存储有操作系统、应用程序、引导装载程序(bootloader)以及其他程序等。
装置500还可以包括输入输出接口503、网络接口504、存储接口505等。这些接口503、504、505之间、以及存储器501与处理器502之间例如可以通过总线506连接。输入输出接口503为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口504为各种联网设备提供连接接口。存储接口505为sd卡、u盘等外置存储设备提供连接接口。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
1.一种信息分享奖励方法，包括：
获取分享第一信息的分享用户的社交参数；
将所述社交参数输入到流量预测模型，以预测所述分享用户对应的流量参数；
将所述流量参数发送给所述第一信息的信息源，以便所述信息源根据所述流量参数对所述分享用户进行奖励。
2.根据权利要求1所述的方法，其中，所述流量预测模型根据如下方式进行训练：
获取分享第二信息的样本用户的社交参数；
统计所述样本用户在分享所述第二信息后的历史流量参数；
以所述样本用户的社交参数作为输入、所述历史流量参数作为输出，对所述流量预测模型进行训练。
3.根据权利要求2所述的方法，还包括：
统计所述分享用户在分享所述第一信息后的实际流量参数；
以所述分享用户的社交参数作为输入、所述实际流量参数作为输出，对所述流量预测模型进行训练。
4.根据权利要求1所述的方法，其中，所述社交参数包括下列中的一项或多项：
社交对象的性别和数量、曾经分享的信息的浏览数量和互动数量。
5.根据权利要求1所述的方法，其中，所述第一信息为网址链接，所述流量参数为所述网址链接被点击的次数，或者，所述网址链接被点击后为所述信息源带来的流量。
6.根据权利要求1-5任意一项所述的方法，其中，所述流量预测模型为流量参数与社交参数之间的线性模型。
7.一种信息分享奖励装置，包括：
获取模块，用于获取分享第一信息的分享用户的社交参数；
预测模块，用于将所述社交参数输入到流量预测模型，以预测所述分享用户对应的流量参数；
发送模块，用于将所述流量参数发送给所述第一信息的信息源，以便所述信息源根据所述流量参数对所述分享用户进行奖励。
8.根据权利要求7所述的装置，其中，所述获取模块还用于获取分享第二信息的样本用户的社交参数；
所述装置还包括：
统计模块，用于统计所述样本用户在分享所述第二信息后的历史流量参数；
训练模块，用于以所述样本用户的社交参数作为输入、所述历史流量参数作为输出，对所述流量预测模型进行训练。
9.根据权利要求8所述的装置，其中，
所述统计模块还用于统计所述分享用户在分享所述第一信息后的实际流量参数；
所述训练模块还用于以所述分享用户的社交参数作为输入、所述实际流量参数作为输出，对所述流量预测模型进行训练。
10.根据权利要求7所述的装置，其中，所述社交参数包括下列中的一项或多项：
社交对象的性别和数量、曾经分享的信息的浏览数量和互动数量。
11.根据权利要求7所述的装置，其中，所述第一信息为网址链接，所述流量参数为所述网址链接被点击的次数，或者，所述网址链接被点击后为所述信息源带来的流量。
12.根据权利要求7-11任意一项所述的装置，其中，所述流量预测模型为流量参数与社交参数之间的线性模型。
13.一种信息分享奖励装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-6任意一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序指令，其中，该指令被处理器执行时实现权利要求1-6任意一项所述的方法。
技术总结