CN109447669A - 一种商圈模型建立方法及其系统 - Google Patents
一种商圈模型建立方法及其系统 Download PDFInfo
- Publication number
- CN109447669A CN109447669A CN201810890893.XA CN201810890893A CN109447669A CN 109447669 A CN109447669 A CN 109447669A CN 201810890893 A CN201810890893 A CN 201810890893A CN 109447669 A CN109447669 A CN 109447669A
- Authority
- CN
- China
- Prior art keywords
- trade company
- model
- commercial circle
- seed
- illustraton
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及商圈模型建立方法及其建立系统。该方法包括下述步骤:交易数据获取步骤,获取规定区域中所有商户节点的交易数据;商户模型图构成步骤,基于所述交易数据建立所有商户节点构成的商户模型图;种子商户选择步骤,在所述商户模型图中选择特定的商户节点作为种子商户;以及商圈模型计算步骤,在所述商户模型图中以该种子商户为起点基于随机漫步算法计算获得该规定区域中的商圈模型。根据本发明能够不需要人工走访就能够高效率地建立商圈模型。
Description
技术领域
本发明涉及数据处理技术,具体地涉及基于随机颁布算法建立商圈模型的商圈模型建立方法以及商圈模型建立系统。
背景技术
目前商户商圈的确定方法大概主要分为三种:
(1)通过商户地址信息来界定商圈,商户的地址信息一般包含XX路XX号等信息,通过圈定商圈的地理位置范围,判断商户地址是否包含在商圈的地理位置范围内,即可实现商户所属商圈的确定;
(2)通过分析交易数据实现商圈界定,通过商户在交易上存在的关联性及时间间隔,实现商户所属商圈的确定;
(3)通过商户之间的连续交易间隔,以商圈中的某个商户为聚类中心,通过聚类算法找出属于商圈的商户。
对于上述三种商户圈建立的方法,分别存在下述问题:
(1)通过商户地址信息来界定商圈,由于大量的地址文本信息过于模糊,并且存在大量商户注册地址与实际经营地址不一致的情况,会导致商户定位错误,商圈界定不确切;
(2)通过分析交易数据实现商圈界定,分析商户的线下交易数据,根据与种子商户终端的邻近交易满足特定时间阈值,来确定商户是否属于特定商圈。该方法没有考虑到商户中普遍存在的终端移机情况,仅利用时间差值,特别是最小时间、平均时间确定邻近商户,存在着一定的误差。
(3)使用种子商户作为商圈中心点,在通过交易间隔进行聚类可以作为一种建立商圈的方法,但由于银行卡交易的特性—高额低频,就很可能存在某商圈商户与种子商户没有直接交易联系的情况,在聚类方法中,由于该商户与种子商户没有直接联系,就很有可能被认为与种子商户的距离过远而被剔除,所以该方法也存在缺陷。
公开于本发明背景部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
鉴于上述问题,本发明旨在提供一种不需要人工实地走访而是通过随机漫步建立商圈模型的商圈模型建立方法以及商圈模型建立系统。
本发明的商圈模型建立方法,其特征在于,包括下述步骤:
交易数据获取步骤,获取规定区域中所有商户节点的交易数据;
商户模型图构成步骤,基于所述交易数据建立所有商户节点构成的商户模型图;
种子商户选择步骤,在所述商户模型图中选择特定的商户节点作为种子商户;以及
商圈模型计算步骤,在所述商户模型图中以该种子商户为起点基于随机漫步算法计算获得该规定区域中的商圈模型。
优选地,在商户模型图构成步骤中,商户作为商户模型图的节点,将顾客在商户之间的消费行为形成了边、将与消费行为有关的消费信息作为边的权重。
优选地,所述与消费行为有关的消费信息为消费金额或者消费的频次。
优选地,所述商圈模型计算步骤包括:
第1子步骤:P随机漫步者以设定的移动概率从种子商户为起点,重复N次进行随机漫步,随机漫步访问到M个可到达商户,其中所述移动概率为:
其中,NA-B表示节点A和B之间的交易笔数,∑N表示节点A与其他所有节点的所有交易笔数,N表示从种子起点开始一共进行漫步的次数,“IF Min(InterA-B)>规定时间:PA-B=0”的含义是:如果两个商户之间最小交易时间间隔大于规定时间,则移动概率为0;
第2子步骤:计算随机漫步者访问到的各商户的平均访问次数,其中,所述平均访问次数为X/N,X为漫步到该商户的次数,N表示从种子起点开始一共进行漫步的次数;
第3子步骤:每次随机漫步将平均访问次数最多并且不在商户商圈的商户加入商圈作为新的种子商户,不断迭代上述第1子步骤和第2子步骤,直到满足设定的漫步停止条件,由此构成商圈模型。
优选地,所述漫步停止条件为:新添加商户访问次数/商圈的商户数<规定阈值。
优选地,每次随机漫步的移动步数为固定值。
优选地,设定所述随机漫步者每次在商户节点之间的移动中有规定的概率回到种子商户。
优选地,在所述第2子步骤中:从所述M个可到达商户中剔除平均访问次数低于阈值的商户后作为可到达商户。
本发明的商圈模型建立系统,其特征在于,具备:
交易数据获取模块,用于获取规定区域中所有商户节点的交易数据;
商户模型图构成模块,用于基于所述交易数据建立所有商户节点构成的商户模型图;
种子商户选择模块,在所述所有商户节点中选择特定商户作为种子商户;以及
商圈模型计算模块,用于以该种子商户为起点在所述商户模型图中基于随机漫步算法计算获得该规定区域中的商圈模型。
优选地,所述商户模型图构成模块将商户作为商户模型图的节点并且将顾客在商户之间的消费行为形成了边、将与消费行为有关的消费信息作为边的权重。
优选地,所述与消费行为有关的消费信息为消费金额或者消费的频次。
优选地,所述商圈模型计算模块包括:
第一子模块:用于使得随机漫步者以设定的移动概率P从种子商户为起点,重复N次进行随机漫步,其中所述移动概率:
其中,NA-B表示节点A和B之间的交易笔数,∑N表示节点A与其他所有节点的所有交易笔数,N表示从种子起点开始一共进行漫步的次数,“IF Min(InterA-B)>规定时间:PA-B=0”的含义是:如果两个商户之间最小交易时间间隔大于规定时间,则移动概率为0;
第二子模块:用于计算随机漫步者访问到各商户的平均访问次数,其中,所述平均访问次数为X/N,X为漫步到该商户的次数;
第三子模块:用于将平均访问次数最多并且不在商户商圈的商户加入商圈并作为新的种子商户,使得不断迭代上述子第一子模块和第二子模块进行的动作,直到满足设定的漫步停止条件,由此构成商圈模型。
优选地,所述漫步停止条件为:新添加商户访问次数/商圈商户数<规定阈值。
优选地,每次随机漫步的移动步数为固定值。
优选地,设定所述随机漫步者每次在商户节点之间的移动中有规定的概率回到种子商户。
优选地,在所述第二子模块中从所述M个可到达商户中剔除平均访问次数低于阈值的商户后作为可到达商户。
本发明的计算机可读介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现上述的商圈模型建立方法。
本发明的计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述的商圈模型建立方法。
如上所述,根据本发明的商圈模型建立方法以及商圈模型建立系统,不需要通过人工实地走访的方式建立商圈而是能够通过随机漫步建立商圈模型,由此能够降低成本,提高效率和准确性。
通过纳入本文的附图以及随后与附图一起用于说明本发明的某些原理的具体实施方式,本发明的方法和装置所具有的其它特征和优点将更为具体地变得清楚或得以阐明。
附图说明
图1是表示商户的无向图模型。
图2是表示商圈商户的选择示意图。
图3是表示建立的商圈的示意图。
图4是表示本发明的基于随机漫步算法的商圈模型建立方法的流程示意图。
图5是表示本发明的商圈模型建立系统的示意图。
具体实施方式
下面介绍的是本发明的多个实施例中的一些,旨在提供对本发明的基本了解。并不旨在确认本发明的关键或决定性的要素或限定所要保护的范围。
首先,对于本发明的基于随机漫步算法的商圈模型建立方法的原理进行说明。
本发明的商圈模型建立方法基于随机漫步算法来实现,具体地是,利用持卡人的消费行为来描述商户之间的关系,并通过商户之间的不同关系得出属于同一商圈的商户。其中,所谓随机漫步(Random walk),也称随机游走,是一种数学统计模型,它由一连串轨迹所组成,其中每一次都是随机的,它能用来表示不规则的变动形式,如同一个人(称为随机漫步者)乱步所形成的随机记录。
图1是表示商户无向图模型。
商圈是由大量商户形成,这种情况下,商户与商户之间由顾客的消费行为形成了一种天然的多对多关系,如图1所示,商圈中的商户就是图结构中的节点,顾客在商户之间的消费行为形成了边,消费的金额频次等情况形成了边的权重,消费的前后次序形成了边的方向。所以在本发明中选择以无向带权图模型的方式描述商户之间的关系,最终形成的商圈则为该带权无向图的子图。
在本发明中,模型基于一个基本的假设:若两商户间交易间隔频次越多,时间越短,那么在地理位置上就离得越近。考虑有两个商户A和B,在一段时间(如一个季度)内,持卡人可能先后在两个商户进行消费,因此我们可以统计每一次发生先后交易的时间间隔,获得关于这两个商户的大量的消费时间间隔,并用这些间隔描述商户间的地理关系。若使用图1中所示模型的方式描述商户之间的关系,则商户为图1中的节点,边则代表商户之间的关系,关系由间隔描述。
在生成的图模型中,使用随机漫步算法找到属于同一商圈的商户,其中商户A移动至商户B的概率P为:
其中,NA-B表示节点A和B之间的交易笔数,∑N表示节点A与其他所有节点的所有交易笔数,N表示从种子起点开始一共进行漫步的次数,“IF Min(InterA-B)>1.5hr:PA-B=0”的含义是:如果两个商户之间最小交易时间间隔大于1.5小时,则移动概率为0;
接着,需要选取种子商户。种子商户的选取是建立商圈的第一步,种子商户的选择对最终实际商圈中商户的确定有较大影响,但暂时还没有统一的标准,从实际使用中看一般的经验是选取一些交易量比较大、品牌比较大众、和其它商户关联比较多的商户或者是一些地地标型商户比如优衣库、屈臣氏、家乐福、沃尔玛、该商圈的大型百货商场等。当然种子商户的选择并不是一次性决定的,当选择一个潜在种子商户后可以先执行算法,查看最终形成的商圈结果,然后根据结果调整模型中的参数。在反复进行长尝试后最终确定种子商户。
再者,从全量商户图中找出商圈。在本发明中,在随机漫步的方法上基于k-path。在复杂图模型网络中的随机漫步是指以图模型节点为载体,基于设定的概率从图中任意一节点转移到与之相连的另一邻居节点的状态转移过程。设G为某个给定的复杂图模型,根据复杂图模型的统计规律:图模型中两节点之间距离越远,在节点之间存在联系的可能性就越小,相互影响力越弱,即存在于同一商圈的可能性也就越小。
本算法模型设定随机漫步者在复杂图模型中随机漫步的生命周期是确定且有限的,将其可以移动的步数限制在一定的范围内。由此我们得出k-path的定义。
k-path表示随机漫步者在图模型G中随机漫步,每步都以给定的概率选择一条边作为移动至邻接节点的游走路径,直至游走完k步或满足其它停止条件,其中,k>0且k∈N。
根据k-path的定义,k-path随机漫步的方式为,每轮随机漫步前选定1个起始节点,总共完成m轮随机漫步,组成包含m个节点的随机漫步起始节点集Es。每轮随机漫步过程中都包含k步(k-path),随机漫步者根据当前所在节点相连边的权重计算其选择路径的概率,边的权重越大,可能选择的概率越大,边的权重越小,可能选择的概率越小。
以选定种子为起点,不断选取随机漫步结果中访问频次最高的商户加入商圈中,并通过(所选商户访问频次/商圈商户数)这一指标通过一个阈值参数作为停止条件。
图2是表示商圈商户的选择示意图。如图2所示,从种子商户开始漫步,不断选取随机漫步中访问频次最高的商户,即如图2中的访问频次为90的商户加入商圈并成为新的种子起点开始随机漫步。
通过上述的随机漫步,能够建立图3所示的交易商圈模型,替代了地理商圈。
接着,对于基于上述原理而创建的商圈模型建立方法进行说明。
图4是表示本发明的基于随机漫步算法的商圈模型建立方法的流程示意图。
如图4所示,本发明的基于随机漫步算法的商圈模型建立方法包括下述步骤:
交易数据获取步骤S100:获取规定区域中所有商户节点的交易数据;
商户模型图构成步骤S200:基于所述交易数据建立所有商户节点构成的商户模型图;
种子商户选择步骤S300:在所述所有商户节点选择特定商户作为种子商户;以及
商圈模型计算步骤S400:以该种子商户为起点基于随机漫步算法计算获得该规定区域中的商圈模型。
其中,在商户模型图构成步骤S200中,商户作为商户模型图的节点,将顾客在商户之间的消费行为形成了边、将与消费行为有关的消费信息作为边的权重,形成无方向的商户模型图。其中,与消费行为有关的消费信息例如为消费金额或者消费的频次。
其中,在种子商户选择步骤S400中,例如选取该区域中交易量最大的节点,或者知名品牌,或者大型百货商场。
商圈模型计算步骤S400具体包括:
第1子步骤:P随机漫步者以设定的移动概率从种子商户为起点,重复N次进行随机漫步,随机漫步访问到M个可到达商户,其中所述移动概率为:
其中,NA-B表示节点A和B之间的交易笔数,ΣN表示节点A与其他所有节点的所有交易笔数,N表示从种子起点开始一共进行漫步的次数,“IF Min(InterA-B)>1.5hr:PA-B=0”的含义是:如果两个商户之间最小交易时间间隔大于1.5小时,则移动概率为0;
第2子步骤:用于计算随机漫步者访问到各商户的平均访问次数,其中,所述平均访问次数为X/N,X为漫步到该商户的次数,N表示从种子起点开始一共进行漫步的次数;
第3子步骤:将平均访问次数最多并且不在商户商圈的商户加入商圈并作为新的种子商户,不断迭代上述第1子步骤和第2子步骤,直到满足设定的漫步停止条件,由此构成商圈模型。
其中,作为一个示例,所述漫步停止条件可以设置为:新添加商户访问次数/商圈的商户数<规定阈值。
其中,作为一个示例,每次随机漫步的移动步数为固定值,该固定值可以根据用户预先设置。
为了防止随机漫步者移动得过分远,例如作为一个示例,可以设定所述随机漫步者每次在商户节点之间的移动中有规定的概率(例如60%、50%、40%等的概率)回到种子商户。
在所述第2子步骤中,作为一个示例,可以是从所述M个可到达商户中剔除平均访问次数低于阈值的商户后作为可到达商户,这样能够使得获得的商圈更加精确。
以上对于本发明的商户圈建立方法进行了说明。接着,对于本发明的商户模型建立系统进行说明。
图5是表示本发明的商圈模型建立系统的示意图。
如图5所示,本发明的商圈模型建立系统具备:
交易数据获取模块110,用于获取规定区域中所有商户节点的交易数据;
商户模型图构成模块120,用于基于所述交易数据建立所有商户节点构成的商户模型图;
种子商户选择模块130,在所述所有商户节点中选择特定商户作为种子商户;以及
商圈模型计算模块140,用于以该种子商户为起点基于随机漫步算法计算获得该规定区域中的商圈模型。
其中,商户模型图构成模块120将商户作为商户模型图的节点,将顾客在商户之间的消费行为形成了边、将与消费行为有关的消费信息作为边的权重。所述与消费行为有关的消费信息为消费金额或者消费的频次。
其中,商圈模型计算模块140包括:
第一子模块141,用于使得随机漫步者以设定的移动概率P从种子商户为起点,重复N次进行随机漫步,其中所述移动概率:
其中,NA-B表示节点A和B之间的交易笔数,∑N表示节点A与其他所有节点的所有交易笔数,N表示从种子起点开始一共进行漫步的次数,“IF Min(InterA-B)>1.5hr:PA-B=0”的含义是:如果两个商户之间最小交易时间间隔大于1.5小时,则移动概率为0;
第二子模块142,用于计算随机漫步者访问到各商户的平均访问次数,其中,所述平均访问次数为X/N,X为漫步到该商户的次数,N表示从种子起点开始一共进行漫步的次数;
第三子模块143,用于将平均访问次数最多并且不在商户商圈的商户加入商圈并作为新的种子商户,使得不断迭代上述子第一子模块和第二子模块进行的动作,直到满足设定的漫步停止条件,由此构成商圈模型。
其中,在第三子模块143中,将漫步停止条件设定为:新添加商户访问次数/商圈商户数<规定阈值。
其次,在第一子模块141中设定每次随机漫步的移动步数为固定值。而且,在第一子模块141中可以设定所述随机漫步者每次在商户节点之间的移动中有规定的概率回到种子商户,例如,有60%、50%、40%等的概率回到种子商户。
而且,在第二子模块142中从所述M个可到达商户中剔除平均访问次数低于阈值的商户后作为可到达商户。
接着,对于本发明的商户模型建立方法的一个实施例进行说明。
在该实施例中四川成都盐市口商圈为例建立商户模型。
以下,对于该实施例进行说明。
(1)首先,获取该四川省成都市所有的银行卡交易数据,并且通过这些交易数据建立一张四川省成都市所有商户的图结构。
例如在下表1中表示了四川省成都市所有商户、与商户相连接的连接商户以及边权重的关系。
表1:
(2)其次,在该商圈中找到与其他商户有较多交易联系的商户A,并以商户A作为盐市口商圈的种子商户。
(3)随机漫步者以商户A为起点多次重复进行随机漫步,这里每次做10次随机漫步,每次随机漫步的移动步数为固定值,本文选取走180步,随机漫步者在商户节点之间的移动概率为先前构件图是所设定的权重,即两节点之间的交易笔数除以随机漫步者所在节点与其它相连接节点的所有交易笔数。
优选地,为了防止随机漫步者移动的过远,使得部分离种子商户过远的商户被错误的归入本商圈,随机漫步者每次在节点之间的移动都有50%的概率回到种子起点商户。
图结构中每个商户的实际漫步结果如表2,并剔除移动过程中平均访问次数少于0.2次商户,结果共生成101个可到达商户:
表2:
遍历可到达商户,将平均访问次数最多且不在商圈商户里的可到达商户(商户53)添加到商圈商户,以新添加的商圈商户(商户53)作为起点,再次进行随机漫步并添加访问次数最多的商户,不断迭代以上过程,直到满足下式的条件:
经过反复多次实验和调整,该商圈阈值参数设为0.1,如表3所示,总共有94个可到达商户加入商圈商户。
表3:
由此,最终得到一个由1个起点商户和94个商圈商户组成的商圈。例如与大众点评网的商圈数据比较,正确率(模型中实际属于商圈的商户数/模型商户数)为81%。由此,根据本发明的商圈模型建立方法,能够通过POS交易数据较构建地理上的商圈并且能够的以下技术效果:
(1)完全基于商户之间的银行卡交易数据,除种子商户的选取使用到了商户的地址信息,可以做到完全规避商户信息地址不准确的问题;
(2)相对于仅利用时间间隔,特别是最小时间、平均时间确定邻近商户过于简单和片面,使用随机漫步算法可以有效规避移机,并自动确定最合适的商圈大小;
(3)在本发明中以种子商户为起点,通过随机漫步寻找到最常经过的商户加入商圈中,无论是与种子商户有直接联系还是间接联系都可能加入到商圈中,可以有效解决商圈中商户与种子商户不存在直接交易联系就可能被认为不属于商圈的问题。
另外,在上述实施例中采用了银行卡交易数据,作为变换方式,也可以采用支付宝、微信的交易数据。
本发明也提供一种计算机可读介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时上述的商圈模型建立方法。
本发明也提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述的商圈模型建立方法。
以上,例子主要说明了本发明的商圈模型建立方法以及商圈模型建立系统。尽管只对其中一些本发明的具体实施方式进行了描述,但是本领域普通技术人员应当了解,本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此,所展示的例子与实施方式被视为示意性的而非限制性的,在不脱离如所附各权利要求所定义的本发明精神及范围的情况下,本发明可能涵盖各种的修改与替换。
Claims (18)
1.一种商圈模型建立方法,其特征在于,包括下述步骤:
交易数据获取步骤,获取规定区域中所有商户节点的交易数据;
商户模型图构成步骤,基于所述交易数据建立所有商户节点构成的商户模型图;
种子商户选择步骤,在所述商户模型图中选择特定的商户节点作为种子商户;以及
商圈模型计算步骤,在所述商户模型图中以该种子商户为起点基于随机漫步算法计算获得该规定区域中的商圈模型。
2.如权利要求1所述的商圈模型建立方法,其特征在于,
在商户模型图构成步骤中,商户作为商户模型图的节点,将顾客在商户之间的消费行为形成了边,并且将与消费行为有关的消费信息作为边的权重。
3.如权利要求2所述的商圈模型建立方法,其特征在于,
所述与消费行为有关的消费信息为消费金额或者消费的频次。
4.如权利要求1所述的商圈模型建立方法,其特征在于,
所述商圈模型计算步骤包括:
第1子步骤:P随机漫步者以设定的移动概率从种子商户为起点,重复N次进行随机漫步,随机漫步访问到M个可达商户,其中所述移动概率为:
其中,NA-B表示节点A和B之间的交易笔数,∑N表示节点A与其他所有节点的所有交易笔数,N表示从种子起点开始一共进行漫步的次数,“IF Min(InterA-B)>规定时间:PA-B=0”表示是:如果两个商户之间最小交易时间间隔大于规定时间,则移动概率为0;
第2子步骤:计算随机漫步者访问到各商户的平均访问次数,其中,所述平均访问次数为X/N,X为漫步到该商户的次数;
第3子步骤:每次随机漫步将平均访问次数最多并且不在商户商圈的商户加入商圈作为新的种子商户,不断迭代上述第1子步骤和第2子步骤,直到满足设定的漫步停止条件,由此构成商圈模型。
5.如权利要求4所述的商圈模型建立方法,其特征在于,
所述漫步停止条件设置为:新添加商户访问次数/商圈的商户数<规定阈值。
6.如权利要求4所述的商圈模型建立方法,其特征在于,
每次随机漫步的移动步数为固定值。
7.如权利要求4所述的商圈模型建立方法,其特征在于,
设定所述随机漫步者每次在商户节点之间的移动中有规定的概率回到种子商户。
8.如权利利要求4所述的商圈模型建立方法,其特征在于,
在所述第2子步骤中:从所述M个可到达商户中剔除平均访问次数低于阈值的商户后作为可到达商户。
9.一种商圈模型建立系统,其特征在于,具备:
交易数据获取模块,用于获取规定区域中所有商户节点的交易数据;
商户模型图构成模块,用于基于所述交易数据建立所有商户节点构成的商户模型图;
种子商户选择模块,在所述所有商户节点中选择特定商户作为种子商户;以及
商圈模型计算模块,用于以该种子商户为起点在所述商户模型图中基于随机漫步算法计算获得该规定区域中的商圈模型。
10.如权利要求9所述的商圈模型建立系统,其特征在于,
所述商户模型图构成模块将商户作为商户模型图的节点并且将顾客在商户之间的消费行为形成了边、将与消费行为有关的消费信息作为边的权重。
11.如权利要求10所述的商圈模型建立系统,其特征在于,
所述与消费行为有关的消费信息为消费金额或者消费的频次。
12.如权利要求9所述的商圈模型建立系统,其特征在于,所述商圈模型计算模块包括:
第一子模块:用于使得随机漫步者以设定的移动概率P从种子商户为起点,重复N次进行随机漫步,其中所述移动概率:
其中,NA-B表示节点A和B之间的交易笔数,∑N表示节点A与其他所有节点的所有交易笔数,N表示从种子起点开始一共进行漫步的次数,“IF Min(InterA-B)>规定时间:PA-B=0”表示是:如果两个商户之间最小交易时间间隔大于规定时间,则移动概率为0;
第二子模块:用于计算随机漫步者访问到各商户的平均访问次数,其中,所述平均访问次数为X/N,X为漫步到该商户的次数;
第三子模块:用于将平均访问次数最多并且不在商户商圈的商户加入商圈并作为新的种子商户,使得不断迭代上述子第一子模块和第二子模块进行的动作,直到满足设定的漫步停止条件,由此构成商圈模型。
13.如权利要求12所述的商圈模型建立系统,其特征在于,所述漫步停止条件为:新添加商户访问次数/商圈商户数<规定阈值。
14.如权利要求12所述的商圈模型建立系统,其特征在于,
每次随机漫步的移动步数为固定值。
15.如权利要求12所述的商圈模型建立系统,其特征在于,
设定所述随机漫步者每次在商户节点之间的移动中有规定的概率回到种子商户。
16.如权利利要求12所述的商圈模型建立系统,其特征在于,
在所述第二子模块中从所述M个可到达商户中剔除平均访问次数低于阈值的商户后作为可到达商户。
17.一种计算机可读介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-8中任意一项所述的商圈模型建立方法。
18.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8中任意一项所述的商圈模型建立方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810890893.XA CN109447669A (zh) | 2018-08-07 | 2018-08-07 | 一种商圈模型建立方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810890893.XA CN109447669A (zh) | 2018-08-07 | 2018-08-07 | 一种商圈模型建立方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447669A true CN109447669A (zh) | 2019-03-08 |
Family
ID=65533251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810890893.XA Pending CN109447669A (zh) | 2018-08-07 | 2018-08-07 | 一种商圈模型建立方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447669A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932318A (zh) * | 2020-09-21 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 区域划分方法、装置、电子设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130046797A1 (en) * | 2005-05-10 | 2013-02-21 | Netseer, Inc. | Methods and apparatus for distributed community finding |
CN105260410A (zh) * | 2015-09-22 | 2016-01-20 | 天津大学 | 基于亲密度和影响力的微博社交兴趣圈挖掘方法及其装置 |
CN105590223A (zh) * | 2014-12-29 | 2016-05-18 | 中国银联股份有限公司 | 商户的商圈信息的标定 |
CN108197224A (zh) * | 2017-12-28 | 2018-06-22 | 广州虎牙信息科技有限公司 | 用户群分类方法、存储介质以及终端 |
CN108228820A (zh) * | 2017-12-30 | 2018-06-29 | 厦门太迪智能科技有限公司 | 用户查询意图理解方法、系统及计算机终端 |
-
2018
- 2018-08-07 CN CN201810890893.XA patent/CN109447669A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130046797A1 (en) * | 2005-05-10 | 2013-02-21 | Netseer, Inc. | Methods and apparatus for distributed community finding |
CN105590223A (zh) * | 2014-12-29 | 2016-05-18 | 中国银联股份有限公司 | 商户的商圈信息的标定 |
CN105260410A (zh) * | 2015-09-22 | 2016-01-20 | 天津大学 | 基于亲密度和影响力的微博社交兴趣圈挖掘方法及其装置 |
CN108197224A (zh) * | 2017-12-28 | 2018-06-22 | 广州虎牙信息科技有限公司 | 用户群分类方法、存储介质以及终端 |
CN108228820A (zh) * | 2017-12-30 | 2018-06-29 | 厦门太迪智能科技有限公司 | 用户查询意图理解方法、系统及计算机终端 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932318A (zh) * | 2020-09-21 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 区域划分方法、装置、电子设备及计算机可读存储介质 |
CN111932318B (zh) * | 2020-09-21 | 2021-01-19 | 腾讯科技(深圳)有限公司 | 区域划分方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210073283A1 (en) | Machine learning and prediction using graph communities | |
US20180158108A1 (en) | System and Method for Estimating Mobile Device Locations | |
US8996033B1 (en) | Systems and methods for statistically associating mobile devices to households | |
CN106709606A (zh) | 个性化场景预测方法及装置 | |
CN109992633A (zh) | 基于用户位置的地理围栏确定方法、装置、电子设备 | |
CN105988988A (zh) | 文本地址处理方法及装置 | |
CN109635990A (zh) | 一种训练方法、预测方法、装置及电子设备 | |
CN108696597B (zh) | 推送营销信息的方法和装置 | |
CN109598430A (zh) | 配送范围生成方法、装置、电子设备和存储介质 | |
JP7285521B2 (ja) | 類似のモバイル装置を予測するためのシステムと方法 | |
CN110390585A (zh) | 一种识别异常对象的方法及装置 | |
CN107133289A (zh) | 一种确定商圈的方法和装置 | |
CN110428139A (zh) | 基于标签传播的信息预测方法及装置 | |
CN110245980A (zh) | 基于神经网络模型确定目标用户激励形式的方法和设备 | |
CN114637912B (zh) | 位置社交网络中的基于高覆盖性社区发现的朋友推荐方法及装置 | |
CN110059795A (zh) | 一种融合地理位置与时间特征的移动用户节点组网方法 | |
WO2021036184A1 (zh) | 目标交易码铺设区域推荐方法及系统 | |
CN109447669A (zh) | 一种商圈模型建立方法及其系统 | |
CN104751234B (zh) | 一种用户资产的预测方法及装置 | |
CN108022150A (zh) | 基于o2o数据的推荐方法和系统 | |
Sun et al. | Predicting future locations with semantic trajectories | |
CN111428092A (zh) | 基于图模型的银行精准营销方法 | |
CN110060102A (zh) | 基于偏标记学习的用户所在商铺定位大数据预测方法 | |
CN104778636B (zh) | 船舶装备维修保障信息服务推荐方法 | |
Ma et al. | A new important-place identification method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |