CN105335875A - 购买力预测方法和装置 - Google Patents
购买力预测方法和装置 Download PDFInfo
- Publication number
- CN105335875A CN105335875A CN201510729459.XA CN201510729459A CN105335875A CN 105335875 A CN105335875 A CN 105335875A CN 201510729459 A CN201510729459 A CN 201510729459A CN 105335875 A CN105335875 A CN 105335875A
- Authority
- CN
- China
- Prior art keywords
- purchasing power
- sub
- time section
- time period
- forecast model
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (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
本公开揭示了一种购买力预测方法和装置,属于数据回归预测领域。所述购买力预测方法包括:获取购买力预测模型,该购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系;获取目标用户在第二历史时间段内的历史购买信息,该历史购买信息包括目标用户在第二历史时间段内的目标购买因子;根据历史购买信息以及购买力预测模型,预测目标用户在未来的目标时间段内的目标购买力。解决了相关技术中购买力预测准确度较低的问题;达到了提高预测得到的购买力的准确度的效果。
Description
技术领域
本公开涉及数据回归预测领域,特别涉及一种购买力预测方法及装置。
背景技术
在很多应用场景中,服务器经常需要预测用户的购买力。比如,在服务器为用户提供推荐信息时,服务器需要先获取该用户的购买力,进而根据购买力进行推荐。相关技术中,服务器直接获取该用户在前一个月的购买总额,并将该购买总额确定为该用户在下一个月的购买力。
发明内容
为了解决相关技术中购买力预测准确度不高的问题,本公开提供一种购买力预测方法和装置。所述技术方案如下:
根据本公开实施例的第一方面,提供一种购买力预测方法,该方法包括:
获取购买力预测模型,该购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系;
获取目标用户在第二历史时间段内的历史购买信息,该历史购买信息包括目标用户在第二历史时间段内的目标购买因子;
根据历史购买信息以及购买力预测模型,预测目标用户在未来的目标时间段内的目标购买力。
可选的,第二历史时间段包括n个子时间段,目标购买因子中包括目标用户在n个子时间段中的每个子时间段内的实际购买力,或者,历史购买信息中还包括目标用户在n个子时间段中的每个子时间段内的实际购买力,n为大于0的整数;
根据历史购买信息以及购买力预测模型,预测目标用户在未来的目标时间段内的目标购买力,包括:
对于n个子时间段中的每个子时间段,将该子时间段内的目标购买因子作为购买力预测模型的输入,并将购买力预测模型的输出确定为目标用户在该子时间段内的预测购买力;
根据n个子时间段内的每个子时间段的实际购买力以及每个子时间段所对应的预测购买力,确定目标用户的实际购买力与预测购买力之间的映射关系;
根据映射关系预测目标用户在目标时间段内的目标购买力。
可选的,根据映射关系预测目标用户在目标时间段内的目标购买力,包括:
将根据购买力预测模型预测得到的第三历史时间段内的预测购买力作为映射关系的输入,并将映射关系的输出确定为目标购买力,第三历史时间段为目标时间段之前的最近的历史时间段。
可选的,根据历史购买信息以及购买力预测模型,预测目标用户在未来的目标时间段内的目标购买力,包括:
将第二历史时间段中目标时间段之前的最近一个子时间段内的目标购买因子作为购买力预测模型的输入,并将购买力预测模型的输出确定为目标购买力。
可选的,获取购买力预测模型之前,方法还包括:
对于每个样本用户,获取样本用户在第一历史时间段内的购买因子,购买因子包括:样本用户在每个购买项上的购买额度、样本用户在第一历史时间段内的购买力、样本用户在第四历史时间段中的i个子时间段内的每个子时间段的购买力以及样本用户在第四历史时间段内的平均购买力中的至少一种,第四历史时间段早于第一历史时间段,i≥1;
根据预设回归方法对购买因子进行回归,得到购买力预测模型。
可选的,该方法还包括:
根据目标购买力以及预设对应关系,向目标用户所对应的终端发送目标购买力所对应的推荐信息;
预设对应关系包括目标购买力与推荐信息之间的对应关系。
根据本公开实施例的第二方面,提供一种购买力预测装置,该装置包括:
模型获取模块,被配置为获取购买力预测模型,购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系;
信息获取模块,被配置为获取目标用户在第二历史时间段内的历史购买信息,历史购买信息包括目标用户在第二历史时间段内的目标购买因子;
预测模块,被配置为根据信息获取模块获取的历史购买信息以及模型获取模块获取的购买力预测模型,预测目标用户在未来的目标时间段内的目标购买力。
可选的,所述第二历史时间段包括n个子时间段,所述目标购买因子中包括所述目标用户在所述n个子时间段中的每个子时间段内的实际购买力,或者,所述历史购买信息中还包括所述目标用户在所述n个子时间段中的每个子时间段内的实际购买力,n为大于0的整数;
预测模块,包括:
第一确定子模块,被配置为对于n个子时间段中的每个子时间段,将子时间段内的目标购买因子作为购买力预测模型的输入,并将购买力预测模型的输出确定为目标用户在子时间段内的预测购买力;
第二确定子模块,被配置为根据n个子时间段内的每个子时间段的实际购买力以及每个子时间段所对应的预测购买力,确定目标用户的实际购买力与预测购买力之间的映射关系;
预测子模块,被配置为根据第二确定子模块确定出的映射关系预测目标用户在目标时间段内的目标购买力。
可选的,预测子模块,还被配置为:将根据购买力预测模型预测得到的第三历史时间段内的预测购买力作为映射关系的输入,并将映射关系的输出确定为目标购买力,第三历史时间段为目标时间段之前的最近的历史时间段。
可选的,预测模块,还被配置为:将第二历史时间段中目标时间段之前的最近一个子时间段内的目标购买因子作为购买力预测模型的输入,并将购买力预测模型的输出确定为目标购买力。
可选的,该装置还包括:
因子获取模块,对于每个样本用户,获取样本用户在第一历史时间段内的购买因子,购买因子包括:样本用户在每个购买项上的购买额度、样本用户在第一历史时间段内的购买力、样本用户在第四历史时间段中的i个子时间段内的每个子时间段的购买力以及样本用户在第四历史时间段内的平均购买力中的至少一种,第四历史时间段早于第一历史时间段,i≥1;
回归模块,被配置为根据预设回归方法对因子获取模块获取的购买因子进行回归,得到购买力预测模型。
可选的,该装置还包括:
发送模块,被配置为根据目标购买力以及预设对应关系,向目标用户所对应的终端发送目标购买力所对应的推荐信息;
预设对应关系包括目标购买力与推荐信息之间的对应关系。
根据本公开实施例的第三方面,提供一种购买力预测装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为:
获取购买力预测模型,该购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系;
获取目标用户在第二历史时间段内的历史购买信息,该历史购买信息包括目标用户在第二历史时间段内的目标购买因子;
根据历史购买信息以及购买力预测模型,预测目标用户在未来的目标时间段内的目标购买力。
本公开的实施例提供的技术方案可以包括以下有益效果:
通过获取购买力预测模型以及目标用户在第二历史时间段内的历史购买信息,根据购买力预测模型以及历史购买信息确定目标用户在未来的目标时间段内的目标购买力;其中,购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系,历史购买信息包括目标用户在第二历史时间段内的目标购买因子;解决了相关技术中将前一个月的购买总额直接作为下一个月的购买力时,预测得到该购买力准确度较低的问题;达到了可以根据通过各个样本用户的购买因子训练得到的购买力预测模型以及目标用户的历史购买信息来预测目标用户的购买力,提高预测得到的购买力的准确度的效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种购买力预测方法的流程图;
图2A是根据另一示例性实施例示出的一种购买力预测方法的流程图;
图2B是根据一示例性实施例示出的根据线性回归方法计算得到的实际购买力与预测购买力之间映射关系的示意图;
图2C是根据一示例性实施例示出的另一种购买力预测方法的流程图;
图2D是根据一示例性实施例示出的再一种购买力预测方法的流程图;
图2E是根据一示例性实施例示出的根据购买力预测模型和购买因子更新购买力预测模型的方法的示意图;
图2F是根据一示例性实施例示出的又一种购买力预测方法的流程图;
图3是根据一示例性实施例示出的一种购买力预测装置的框图;
图4是根据另一示例性实施例示出的一种购买力预测装置的框图;
图5是根据一示例性实施例示出的一种用于预测购买力的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种购买力预测方法的流程图,如图1所示,该购买力预测方法包括以下步骤。
在步骤101中,获取购买力预测模型,购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系。
在步骤102中,获取目标用户在第二历史时间段内的历史购买信息,历史购买信息包括目标用户在第二历史时间段内的目标购买因子。
在步骤103中,根据历史购买信息以及购买力预测模型,预测目标用户在未来的目标时间段内的目标购买力。
综上所述,本公开实施例中提供的购买力预测方法,通过获取购买力预测模型以及目标用户在第二历史时间段内的历史购买信息,根据购买力预测模型以及历史购买信息确定目标用户在未来的目标时间段内的目标购买力;其中,购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系,历史购买信息包括目标用户在第二历史时间段内的目标购买因子;解决了相关技术中将前一个月的购买总额直接作为下一个月的购买力时,预测得到该购买力准确度较低的问题;达到了可以根据通过各个样本用户的购买因子训练得到的购买力预测模型以及目标用户的历史购买信息来预测目标用户的购买力,提高预测得到的购买力的准确度的效果。
图2A是根据一示例性实施例示出的一种购买力预测方法的流程图,如图2A所示,该购买力预测方法包括以下步骤。
在步骤201中,获取购买力预测模型,购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系。
可选的,服务器可以获取本地存储的购买力预测模型,或者,服务器可以从其他服务器中获取该购买力预测模型。
本实施例中的样本用户可以有一个,也可以有多个。且,第一历史时间段可以包括m个子时间段,m为大于0的整数。比如,第一历史时间段包括过去的某一个月;或者,第一历史时间段同时包括过去的多个月份,如,同时包括过去的1月份、2月份、3月份和4月份。另外,上述只是以一个月为单位时间段来举例说明,可选的,还可以以其他时间长度为单位时间段,比如,以两个月为单位时间段,也就是说第一历史时间段中的每个子时间段均为2个月,本实施例对此并不做限定。
样本用户在第一历史时间段内的购买因子可以包括样本用户在每个购买项上的购买额度、样本用户在第一历史时间段内的购买力、样本用户在第四历史时间段中的i个子时间段内的每个子时间段的购买力以及样本用户在第四历史时间段内的平均购买力中的至少一种,第四历史时间段早于第一历史时间段,i≥1。
可选的,样本用户在第一历史时间段内的购买因子可以包括样本用户在第一历史时间段中的m个子时间段中的每个子时间段内的购买因子,并且对于每个子时间段,样本用户在该子时间段内的购买因子包括:样本用户在该子时间段内在每个购买项上的购买额度、样本用户在该子时间段内的购买力、样本用户在第四历史时间段中的i个子时间段内的每个子时间段的购买力以及样本用户在第四历史时间段内的平均购买力中的至少一种;第四历史时间段早于该子时间段,i≥1。
其中,购买项可以为样本用户购买电影票、团购吃饭、购物网站购物或者团购KTV(KaraokTV,卡拉ok)。
由于不同购买因子对购买力预测模型的影响程度不同,并且,实验数据证明样本用户在子时间段内的购买力和样本用户在第四历史时间段中的i个子时间段内的每个子时间段的购买力对购买力预测模型的影响较高,因此购买因子可以优先包括上述两项。可选的,购买因子越多,训练得到的购买力预测模型越准确,计算复杂度也会相应的越高,所以实际实现时,设计人员可以根据实际需求来决定购买因子的具体内容,本实施例对此并不做限定。此外,本实施例只是以购买因子为上述几种来举例说明,可选的,购买因子还可能会包括其他内容,本实施例对此也不做限定。
购买力预测模型为预测购买力与购买因子之间的对应关系。该对应关系可以为线性关系,也可以为非线性关系,本实施例对此并不做限定。比如,以购买因子包括X1、X2和X3,且购买力预测模型为线性关系来举例说明,购买力预测模型可以为:Y=A*X1+B*X2+C*X3。其中,Y为购买力,A、B和C均为常量。
在步骤202中,获取目标用户在第二历史时间段内的历史购买信息,历史购买信息包括目标用户在第二历史时间段内的目标购买因子,第二历史时间段包括n个子时间段,目标购买因子中包括目标用户在n个子时间段中的每个子时间段内的实际购买力,或者,历史购买信息中还包括目标用户在n个子时间段中的每个子时间段内的实际购买力,n为大于0的整数。
可选的,n通常为大于等于2的整数。并且,n个子时间段中时间最新的子时间段为需要预测的目标时间段之前的最近的时间段。比如,以n为4来举例说明,在服务器要预测目标用户在6月份的购买力时,服务器可以获取目标用户在5月份、4月份、3月份以及2月份的历史购买信息。当然,实际实现时,n个子时间段还可以为目标时间段之前的任意的时间段。比如,仍然以n为4,且服务器需要预测目标用户在6月份的购买力来举例说明,服务器可以获取目标用户在4月份、2月份、去年11月份以及去年8月份的历史购买信息,本实施例对此并不做限定。
可选的,本步骤可以包括:获取目标用户在第二历史时间段中的n个子时间段内的每个子时间段的历史购买信息,每个子时间段的历史购买信息中包括在该子时间段的购买因子。其中,获取目标用户在每个子时间段内的购买因子的步骤可以包括:
若购买因子包括目标用户在子时间段内在每个购买项上的购买额度,则本步骤可以包括:从目标用户的终端中获取终端在该子时间段内接收到的订单短信,根据获取到的订单短信提取目标用户在每个购买项上的购买额度。
比如,服务器获取到的终端在5月份接收到的订单短信中有3条购买电影票的短信、2条团购吃饭的短信以及1条团购KTV的短信,则服务器即可根据获取到的3条购买电影票的短信来提取每张电影票的票价,并累加得到目标用户在5月份购买电影票上的总购买金额如‘75元’,将该购买金额‘75元’作为电影票所对应的购买额度。类似的,服务器可以计算得到团购吃饭所对应的购买额度以及KTV所对应的购买额度。
实际实现时,服务器还可以从终端中的购物APP(Application,应用程序)中获取目标用户在该子时间段内的订单信息,根据获取到的订单信息来确定各个购买项的购买金额,本实施例对此并不做限定。
若购买因子包括目标用户在该子时间段内的购买力,则本步骤可以包括:服务器从目标用户的终端中获取子时间段所对应的账单短信,从获取到的短信中提取目标用户在子时间段内的购买力。
可选的,服务器可以从终端中获取来自预设号码的该账单短信。比如,服务器从终端中获取来自‘95566’的5月份的账单短信,提取账单短信中的账单金额,将提取到的账单金额作为目标用户在5月份的购买力。
可选的,运营商可能会在子时间段的下一个子时间段内发送账单短信,所以服务器还可以从终端中获取终端在子时间段之后最近一次接收到的账单短信,并从获取到的账单短信中获取目标用户在子时间段内的购买力,本实施例对此并不做限定。
若购买因子包括目标用户在第五历史时间段中的i个子时间段内的每个子时间段的购买力,则本步骤可以包括:服务器从目标用户的终端中获取i个子时间段内的每个子时间段所对应的账单短信,从获取到的账单短信中提取目标用户在每个第五历史时间段内的购买力。
其中,i≥1。以i为2,且服务器当前需要获取目标用户在5月份的购买因子来举例说明,服务器可以获取目标用户前两个月如在4月份和3月份的购买力。本步骤与上述步骤类似,本实施例在此不再赘述。
若购买因子包括目标用户在第五历史时间段内的平均购买力,则本步骤可以包括:服务器从目标用户的终端中获取第五历史时间段中的i个子时间段内的每个子时间段所对应的账单短信,从获取到的账单短信中提取目标用户在每个子时间段内的购买力,然后计算获取到的各个购买力的平均值。
本实施例所说的第五历史时间段早于当前获取购买因子所对应的子时间段。
需要补充说明的一点是,本实施例只是以服务器通过上述获取方式获取各个购买因子来举例说明,可选的,服务器还可以通过其他获取方式来获取该购买因子,本实施对具体获取方式并不做限定。并且,本实施例也只是以购买因子包括上述几种来举例说明,可选的,购买因子还可能会包括其他内容,本实施例对此也不做限定。
需要补充说明的另一点是,本实施例中的历史购物信息中还包括目标用户在第二历史时间段中的n个子时间段中的每个子时间段内的实际购买力。实际实现时,若购买因子中已经包含n个子时间段中的每个子时间段的实际购买力,则服务器无需重新获取,而若购买因子中不包含n个子时间段中的每个子时间段的实际购买力,则服务器可以采用上述获取方式获取该实际购买力,并将获取到的各个实际购买力与各个购买因子一同作为历史购买信息。
在步骤203中,对于n个子时间段中的每个子时间段,将子时间段内的目标购买因子作为购买力预测模型的输入,并将购买力预测模型的输出确定为目标用户在子时间段内的预测购买力。
在服务器获取到n个子时间段中的每个子时间段的购买因子之后,服务器可以将每个子时间段的购买因子作为购买力预测模型的输入,然后计算购买力预测模型的输出,将输出作为目标用户在该子时间段内的预测购买力。
这样,服务器即可计算得到目标用户在n个子时间段内的n个预测购买力。
可选的,在服务器将购买因子作为购买力预测模型的输入之前,服务器还可以先对每个购买因子进行数值特征化,将数值特征化后的因子作为购买力预测模型的输入,本实施例对此并不做限定。
在步骤204中,根据n个子时间段内的每个子时间段的实际购买力以及每个子时间段所对应的预测购买力,确定目标用户的实际购买力与预测购买力之间的映射关系。
若n为1,则服务器可以计算目标用户在该子时间段的实际购买力与预测购买力之间的比值k,根据该比值k确定该映射关系。比如,实际购买力为y,预测购买力为x,比值为k,则该映射关系为y=k*x。
若n>1,则服务器根据预设回归方法、n个子时间段内的每个子时间段的实际购买力以及每个子时间段所对应的预测购买力,回归得到实际购买力与预测购买力之间的映射关系。
可选的,服务器可以通过线性回归的方法来回归得到该映射关系。比如,以n为15来举例,请参考图2B,图2B的x轴为预测购买力,y轴为实际购买力,图中的每个点表示一个子时间段内的实际购买力与预测购买力,则服务器根据图2B即可确定得到映射关系。如得到y=k*x+b,其中,k和b为常量。
在步骤205中,根据映射关系预测目标用户在目标时间段内的目标购买力。
可选的,本步骤可以包括:
将根据购买力预测模型预测得到的第三历史时间段内的预测购买力作为映射关系的输入,并将映射关系的输出确定为目标购买力。
其中,第三历史时间段为目标时间段之前的最近的历史时间段。比如,以目标时间段为还未结束的6月份来举例,第三历史时间段可以为5月份。
实际实现时,第三历史时间段可以是第二历史时间段中的一个子时间段,也可以是不同于第二历史时间段中的各个子时间段的时间段。并且,在第三历史时间段为第二历史时间段中的子时间段时,服务器可以直接将步骤203中计算得到的该子时间段内的预测购买力作为映射关系的输入,计算该映射关系的输出,将计算得到的输出作为目标用户在目标时间段内的目标购买力。
比如,以目标时间段为6月份,第二历史时间段为5月份、4月份、3月份和2月份来举例,服务器可以直接将步骤203中计算得到的5月份的购买力输入至步骤204中确定的映射关系中,并将该映射关系的计算结果确定为目标用户在6月份的目标购买力。
而若第三历史时间段不是第二历史时间段中的某一个子时间段,则服务器可以获取目标用户在第三历史时间段内的购买因子,将该购买因子输入至购买力预测模型,并将该购买力预测模型的输出作为目标用户在第三历史时间段内的预测购买力。此后,服务器将计算得到的预测购买力输入至映射关系,将映射关系的计算结果确定为目标用户在目标时间段内的目标购买力。
比如,以目标时间段为6月份,第二历史时间段为4月份、2月份、去年11月份以及去年8月份,则此时,服务器可以先获取目标用户在5月份的购买因子,将该购买因子作为购买力预测模型的输入,将购买力预测模型的输出作为映射关系的输入,进而将映射关系的输出确定为目标用户在6月份的目标购买力。
本实施例所说的第一历史时间段、第二历史时间段、第三历史时间段、第四历史时间段和第五历史时间段均为目标时间段之前的时间段,且目标时间段为还未发生的时间段或者还未结束的时间段。
综上所述,本公开实施例中提供的购买力预测方法,通过获取购买力预测模型以及目标用户在第二历史时间段内的历史购买信息,根据购买力预测模型以及历史购买信息确定目标用户在未来的目标时间段内的目标购买力;其中,购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系,历史购买信息包括目标用户在第二历史时间段内的目标购买因子;解决了相关技术中将前一个月的购买总额直接作为下一个月的购买力时,预测得到该购买力准确度较低的问题;达到了可以根据通过各个样本用户的购买因子训练得到的购买力预测模型以及目标用户的历史购买信息来预测目标用户的购买力,提高预测得到的购买力的准确度的效果。
通过根据目标用户在第二历史时间段中的n个子时间段内的每个子时间段的实际购买力以及每个子时间段的预测购买力来训练得到映射关系,进而根据该映射关系来修正通过购买力预测模型计算得到的预测购买力,使得服务器预测得到的目标用户的目标购买力更贴近目标用户的实际情况,提高了预测得到的目标购买力的准确度。
需要补充说明的一点是,上述实施例只是以服务器通过步骤203至步骤205来预测目标用户在目标时间段内的目标购买力来举例说明。可选的,请参考图2C,步骤203至步骤205还可以替换为步骤206。
在步骤206中,将第二历史时间段中目标时间段之前的最近一个子时间段内的目标购买因子作为购买力预测模型的输入,并将购买力预测模型的输出确定为目标购买力。
在服务器获取到目标用户在第二历史时间段内包含目标购买因子的历史购买信息之后,服务器可以直接将该第二历史时间段中时间最新的子时间段的购买因子作为购买力预测模型的输入,并将购买力预测模型的输出确定为目标用户在目标时间段内的目标购买力。
可选的,在服务器通过步骤206来预测目标购买力时,第二历史时间段中的子时间段的个数n可以为1,且该子时间段的结束时刻与目标时间段的起始时刻为同一时刻。
比如,以目标时间段为6月份为例,第二历史时间段可以为5月份。服务器在获取到5月份的购买因子之后,直接将该购买因子输入至购买力预测模型,然后将购买力预测模型的输出确定为目标用户在6月份的目标购买力。
通过根据目标用户在第二历史时间段的购买因子以及购买力预测模型直接计算目标用户在目标时间段的目标购买力,避免了服务器训练映射关系时的复杂操作,降低了服务器的计算复杂度,提高了服务器预测目标购买力的效率。
需要补充说明的另一点是,服务器可以从本地获取购买力预测模型,也可以从其他服务器中获取该购买力预测模型,且当服务器从本地获取时,服务器可以预先训练并存储该购买力预测模型。可选的,请参考图2D,服务器预测并存储购买力预测模型的步骤可以包括:
在步骤207中,对于每个样本用户,获取样本用户在第一历史时间段内的购买因子,购买因子包括:样本用户在每个购买项上的购买额度、样本用户在第一历史时间段内的购买力、样本用户在第四历史时间段内的i个子时间段中的每个子时间段的购买力以及样本用户在第四历史时间段内的平均购买力中的至少一种。
其中,i≥1。本步骤与步骤202中的获取目标用户在第二历史时间段内的目标购买因子的获取方式类似,本实施例在此不再赘述。
在步骤208中,根据预设回归方法对购买因子进行回归,得到购买力预测模型。
可选的,服务器可以采用神经网络回归方法对获取到的购买因子进行回归,得到回归得到的购买力预测模型。
可选的,本步骤可以包括:
第一,服务器初始化购买力预测模型。
第二,服务器将每个样本用户在第一历史时间段中的第t个子时间段的购买因子输入至购买力预测模型,得到购买力预测模型的输出。
1≤t≤m,且t的初始值为1。
在将第t个子时间段的购买因子输入至购买力预测模型之后,购买力预测模型的输出即为通过该购买力预测模型预测得到的该样本用户在第t个子时间段的预测购买力。
第三,在t<m时,根据第t个子时间段的实际购买力与购买力预测模型的输出的差值更新购买力预测模型。
可选的,服务器还可以根据购买力预测模型的输出与第t个子时间段的实际购买力的差值更新购买力预测模型。
比如,请参考图2E,服务器将第t个子时间段的各个购买因子X1、X2、X3,…,Xj输入至购买力预测模型,在t<m时,根据第t个子时间段的实际购买力Y0与购买力预测模型的输出Y之间的差值更新购买力预测模型,j为购买因子的个数。
第四,令t+1,并重复执行上述第二个步骤。
服务器通过购买力预测模型预测得到的第一历史时间段中的m个子时间段中的每个子时间段的预测购买力以及每个子时间段的实际购买力不断的对购买力预测模型进行更新,使得服务器可以得到符合普通用户的购买力预测模型,提高了后续根据该购买力预测模型预测目标用户的目标购买力的准确度。
需要补充说明的再一点是,请参考图2F,在服务器预测得到目标用户在目标时间段内的目标购买力之后,服务器还可以执行如下步骤:
在步骤209中,根据目标购买力以及预设对应关系,向目标用户所对应的终端发送目标购买力所对应的推荐信息。
服务器可以为不同购买力的用户设置不同的推荐信息,并存储购买力和推荐信息之间的预设对应关系。比如,服务器为购买力超过5k的用户设置有关汽车的推荐信息,为购买力超过2k的用户设置有关家电的推荐信息,为购买力超过1k的用户设置有关服装的推荐信息,而为购买力低于1k的用户设置有关美食的推荐信息。
在服务器预测得到目标用户的目标购买力之后,服务器可以依据存储的该预设对应关系查询与目标购买力对应的推荐信息,发送该推荐信息至目标用户所对应的终端。
通过根据预测得到的目标购买力来为目标用户提供推荐信息,提高了该推荐信息被推荐至目标用户的终端之后被目标用户采纳的概率,避免了服务器发送推荐信息至目标用户的终端之后,由于该推荐信息与自身的购买力不符而导致的该推荐信息并不会被目标用户采纳,浪费了服务器的网络资源的问题。同时,这也避免了对目标用户无用的推荐信息被发送至目标用户的终端之后,该推荐信息给用户带来的困扰,提高了用户的用户体验。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图3是根据一示例性实施例示出的一种购买力预测装置的框图,如图3所示,该购买力预测装置可以包括但不限于:模型获取模块310、信息获取模块320和预测模块330。
模型获取模块310,被配置为获取购买力预测模型,该购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系。
信息获取模块320,被配置为获取目标用户在第二历史时间段内的历史购买信息,历史购买信息包括目标用户在第二历史时间段内的目标购买因子。
预测模块330,被配置为根据信息获取模块320获取的历史购买信息以及模型获取模块310获取的购买力预测模型,预测目标用户在未来的目标时间段内的目标购买力。
综上所述,本公开实施例中提供的购买力预测装置,通过获取购买力预测模型以及目标用户在第二历史时间段内的历史购买信息,根据购买力预测模型以及历史购买信息确定目标用户在未来的目标时间段内的目标购买力;其中,购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系,历史购买信息包括目标用户在第二历史时间段内的目标购买因子;解决了相关技术中将前一个月的购买总额直接作为下一个月的购买力时,预测得到该购买力准确度较低的问题;达到了可以根据通过各个样本用户的购买因子训练得到的购买力预测模型以及目标用户的历史购买信息来预测目标用户的购买力,提高预测得到的购买力的准确度的效果。
图4是根据另一示例性实施例示出的一种购买力预测装置的框图,如图4所示,该购买力预测装置可以包括但不限于:模型获取模块410、信息获取模块420和预测模块430。
模型获取模块410,被配置为获取购买力预测模型,该购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系。
可选的,模型获取模块410可以获取本地存储的购买力预测模型,或者,模型获取模块410可以从其他服务器中获取该购买力预测模型。
本实施例中的样本用户可以有一个,也可以有多个。且,第一历史时间段可以包括m个子时间段,m为大于0的整数。
样本用户在第一历史时间段内的购买因子可以包括样本用户在每个购买项上的购买额度、样本用户在第一历史时间段内的购买力、样本用户在第四历史时间段中的i个子时间段内的每个子时间段的购买力以及样本用户在第四历史时间段内的平均购买力中的至少一种,第四历史时间段早于第一历史时间段,i≥1。
可选的,样本用户在第一历史时间段内的购买因子可以包括样本用户在第一历史时间段中的m个子时间段中的每个子时间段内的购买因子,并且对于每个子时间段,样本用户在该子时间段内的购买因子包括:样本用户在该子时间段内在每个购买项上的购买额度、样本用户在该子时间段内的购买力、样本用户在第四历史时间段中的i个子时间段内的每个子时间段的购买力以及样本用户在第四历史时间段内的平均购买力中的至少一种;第四历史时间段早于该子时间段,i≥1。
其中,购买项可以为样本用户购买电影票、团购吃饭、购物网站购物或者团购KTV。
由于不同购买因子对购买力预测模型的影响程度不同,并且,实验数据证明样本用户在子时间段内的购买力和样本用户在第四历史时间段中的i个子时间段内的每个子时间段的购买力对购买力预测模型的影响较高,因此购买因子可以优先包括上述两项。可选的,购买因子越多,训练得到的购买力预测模型越准确,计算复杂度也会相应的越高,所以实际实现时,设计人员可以根据实际需求来决定购买因子的具体内容,本实施例对此并不做限定。此外,本实施例只是以购买因子为上述几种来举例说明,可选的,购买因子还可能会包括其他内容,本实施例对此也不做限定。
购买力预测模型为预测购买力与购买因子之间的对应关系。该对应关系可以为线性关系,也可以为非线性关系,本实施例对此并不做限定。
信息获取模块420,被配置为获取目标用户在第二历史时间段内的历史购买信息,历史购买信息包括目标用户在第二历史时间段内的目标购买因子。
可选的,信息获取模块420获取目标用户在第二历史时间段中的n个子时间段内的每个子时间段的历史购买信息,每个子时间段的历史购买信息中包括在该子时间段的购买因子。
若购买因子包括目标用户在子时间段内在每个购买项上的购买额度,则信息获取模块420可以从目标用户的终端中获取终端在该子时间段内接收到的订单短信,根据获取到的订单短信提取目标用户在每个购买项上的购买额度。
若购买因子包括目标用户在该子时间段内的购买力,则信息获取模块420可以从目标用户的终端中获取子时间段所对应的账单短信,从获取到的短信中提取目标用户在子时间段内的购买力。
若购买因子包括目标用户在第五历史时间段中的i个子时间段内的每个子时间段的购买力,则信息获取模块420可以从目标用户的终端中获取i个子时间段内的每个子时间段所对应的账单短信,从获取到的账单短信中提取目标用户在每个第五历史时间段内的购买力。
若购买因子包括目标用户在第五历史时间段内的平均购买力,则信息获取模块420可以从目标用户的终端中获取第五历史时间段中的i个子时间段内的每个子时间段所对应的账单短信,从获取到的账单短信中提取目标用户在每个子时间段内的购买力,然后计算获取到的各个购买力的平均值。
本实施例所说的第五历史时间段早于当前获取购买因子所对应的子时间段。
需要补充说明的一点是,本实施例只是以信息获取模块420通过上述获取方式获取各个购买因子来举例说明,可选的,信息获取模块420还可以通过其他获取方式来获取该购买因子,本实施对具体获取方式并不做限定。并且,本实施例也只是以购买因子包括上述几种来举例说明,可选的,购买因子还可能会包括其他内容,本实施例对此也不做限定。
需要补充说明的另一点是,本实施例中的历史购物信息中还包括目标用户在第二历史时间段中的n个子时间段中的每个子时间段内的实际购买力。实际实现时,若购买因子中已经包含n个子时间段中的每个子时间段的实际购买力,则信息获取模块420无需重新获取,而若购买因子中不包含n个子时间段中的每个子时间段的实际购买力,则信息获取模块420可以采用上述获取方式获取该实际购买力,并将获取到的各个实际购买力与各个购买因子一同作为历史购买信息。
预测模块430,被配置为根据信息获取模块420获取的历史购买信息以及模型获取模块410获取的购买力预测模型,预测目标用户在未来的目标时间段内的目标购买力。
可选的,第二历史时间段包括n个子时间段,目标购买因子中包括目标用户在n个子时间段中的每个子时间段内的实际购买力,或者,历史购买信息中还包括目标用户在n个子时间段中的每个子时间段内的实际购买力,n为大于0的整数。相应的,预测模块430,包括:第一确定子模块431、第二确定子模块432和预测子模块433。
第一确定子模块431,被配置为对于n个子时间段中的每个子时间段,将子时间段内的目标购买因子作为购买力预测模型的输入,并将购买力预测模型的输出确定为目标用户在子时间段内的预测购买力。
在信息获取模块420获取到n个子时间段中的每个子时间段的购买因子之后,第一确定子模块431可以将每个子时间段的购买因子作为购买力预测模型的输入,然后计算购买力预测模型的输出,将输出作为目标用户在该子时间段内的预测购买力。
这样,第一确定子模块431即可计算得到目标用户在n个子时间段内的n个预测购买力。
可选的,在第一确定子模块431将购买因子作为购买力预测模型的输入之前,还可以先对每个购买因子进行数值特征化,将数值特征化后的因子作为购买力预测模型的输入,本实施例对此并不做限定。
第二确定子模块432,被配置为根据n个子时间段内的每个子时间段的实际购买力以及每个子时间段所对应的预测购买力,确定目标用户的实际购买力与预测购买力之间的映射关系。
若n为1,则第二确定子模块432可以计算目标用户在该子时间段的实际购买力与预测购买力之间的比值k,根据该比值k确定该映射关系。
若n>1,则第二确定子模块432根据预设回归方法、n个子时间段内的每个子时间段的实际购买力以及每个子时间段所对应的预测购买力,回归得到实际购买力与预测购买力之间的映射关系。
可选的,服务器可以通过线性回归的方法来回归得到该映射关系。
预测子模块433,被配置为根据第二确定子模块432确定出的映射关系预测目标用户在目标时间段内的目标购买力。
可选的,预测子模块433,还被配置为:将根据购买力预测模型预测得到的第三历史时间段内的预测购买力作为映射关系的输入,并将映射关系的输出确定为目标购买力,第三历史时间段为目标时间段之前的最近的历史时间段。
实际实现时,第三历史时间段可以是第二历史时间段中的一个子时间段,也可以是不同于第二历史时间段中的各个子时间段的时间段。并且,在第三历史时间段为第二历史时间段中的子时间段时,预测子模块433可以直接将第一确定子模块431计算得到的该子时间段内的预测购买力作为映射关系的输入,计算该映射关系的输出,将计算得到的输出作为目标用户在目标时间段内的目标购买力。
而若第三历史时间段不是第二历史时间段中的某一个子时间段,则预测子模块433可以获取目标用户在第三历史时间段内的购买因子,将该购买因子输入至购买力预测模型,并将该购买力预测模型的输出作为目标用户在第三历史时间段内的预测购买力。此后,预测子模块433将计算得到的预测购买力输入至映射关系,将映射关系的计算结果确定为目标用户在目标时间段内的目标购买力。
可选的,预测模块430,还被配置为:将第二历史时间段中目标时间段之前的最近一个子时间段内的目标购买因子作为购买力预测模型的输入,并将购买力预测模型的输出确定为目标购买力。
在信息获取模块420获取到目标用户在第二历史时间段内的包含目标购买因子的历史购买信息之后,预测模块430可以直接将该第二历史时间段中时间最新的子时间段的购买因子作为购买力预测模型的输入,并将购买力预测模型的输出确定为目标用户在目标时间段内的目标购买力。
可选的,在预测模块430预测目标购买力时,第二历史时间段中的子时间段的个数n可以为1,且该子时间段的结束时刻与目标时间段的起始时刻为同一时刻。
可选的,该装置还包括:因子获取模块450和回归模块460。
因子获取模块450,被配置为对于每个样本用户,获取样本用户在第一历史时间段内的购买因子,购买因子包括:样本用户在每个购买项上的购买额度、样本用户在第一历史时间段内的购买力、样本用户在第四历史时间段中的i个子时间段内的每个子时间段的购买力以及样本用户在第四历史时间段内的平均购买力中的至少一种,第四历史时间段早于第一历史时间段,i≥1。
本因子获取模块450与信息获取模块420获取目标用户在第二历史时间段内的目标购买因子的获取方式类似,本实施例在此不再赘述。
回归模块460,被配置为根据预设回归方法对因子获取模块450获取的购买因子进行回归,得到购买力预测模型。
可选的,服务器可以采用神经网络回归方法对获取到的购买因子进行回归,得到回归得到的购买力预测模型。
可选的,回归模块460还可以被配置为:
初始化购买力预测模型;
将每个样本用户在第一历史时间段中的第t个子时间段的购买因子输入至购买力预测模型,得到购买力预测模型的输出,1≤t≤m,且t的初始值为1;
在t<m时,根据第t个子时间段的实际购买力与购买力预测模型的输出的差值更新购买力预测模型;
令t+1,并重复执行上述将每个样本用户在第一历史时间段中的第t个子时间段的购买因子输入至购买力预测模型,得到购买力预测模型的输出的步骤。
在将第t个子时间段的购买因子输入至购买力预测模型之后,购买力预测模型的输出即为通过该购买力预测模型预测得到的该样本用户在第t个子时间段的预测购买力。
可选的,回归模型460还可以根据购买力预测模型的输出与第t个子时间段的实际购买力的差值更新购买力预测模型。
可选的,该装置还包括:发送模块470。
发送模块470,被配置为根据目标购买力以及预设对应关系,向目标用户所对应的终端发送目标购买力所对应的推荐信息;
预设对应关系包括目标购买力与推荐信息之间的对应关系。
在预测得到目标用户的目标购买力之后,发送模块470可以依据存储的该预设对应关系查询与目标购买力对应的推荐信息,发送该推荐信息至目标用户所对应的终端。
综上所述,本公开实施例中提供的购买力预测装置,通过获取购买力预测模型以及目标用户在第二历史时间段内的历史购买信息,根据购买力预测模型以及历史购买信息确定目标用户在未来的目标时间段内的目标购买力;其中,购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系,历史购买信息包括目标用户在第二历史时间段内的目标购买因子;解决了相关技术中将前一个月的购买总额直接作为下一个月的购买力时,预测得到该购买力准确度较低的问题;达到了可以根据通过各个样本用户的购买因子训练得到的购买力预测模型以及目标用户的历史购买信息来预测目标用户的购买力,提高预测得到的购买力的准确度的效果。
通过根据目标用户在第二历史时间段中的n个子时间段内的每个子时间段的实际购买力以及每个子时间段的预测购买力来训练得到映射关系,进而根据该映射关系来修正通过购买力预测模型计算得到的预测购买力,使得服务器预测得到的目标用户的目标购买力更贴近目标用户的实际情况,提高了预测得到的目标购买力的准确度。
通过根据目标用户在第二历史时间段的购买因子以及购买力预测模型直接计算目标用户在目标时间段的目标购买力,避免了服务器训练映射关系时的复杂操作,降低了服务器的计算复杂度,提高了服务器预测目标购买力的效率。
通过购买力预测模型预测得到的第一历史时间段中的m个子时间段中的每个子时间段的预测购买力以及每个子时间段的实际购买力不断的对购买力预测模型进行更新,使得服务器可以得到符合普通用户的购买力预测模型,提高了后续根据该购买力预测模型预测目标用户的目标购买力的准确度。
通过根据预测得到的目标购买力来为目标用户提供推荐信息,提高了该推荐信息被推荐至目标用户的终端之后被目标用户采纳的概率,避免了服务器发送推荐信息至目标用户的终端之后,由于该推荐信息与自身的购买力不符而导致的该推荐信息并不会被目标用户采纳,浪费了服务器的网络资源的问题。同时,这也避免了对目标用户无用的推荐信息被发送至目标用户的终端之后,该推荐信息给用户带来的困扰,提高了用户的用户体验。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开根据再一示例性实施例提供了一种购买力预测装置,能够实现本公开提供的购买力预测方法,该购买力预测装置包括:处理器、用于存储处理器可执行指令的存储器;
其中,处理器被配置为:
获取购买力预测模型,该购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,购买力预测模型包括预测购买力与购买因子之间的对应关系;
获取目标用户在第二历史时间段内的历史购买信息,该历史购买信息包括目标用户在第二历史时间段内的目标购买因子;
根据历史购买信息以及购买力预测模型,预测目标用户在未来的目标时间段内的目标购买力。
图5是根据一示例性实施例示出的一种用于预测购买力的装置500的框图。例如,装置500可以被提供为一服务器。参照图5,装置500包括处理组件522,其进一步包括一个或多个处理器,以及由存储器532所代表的存储器资源,用于存储可由处理部件522执行的指令,例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件522被配置为执行指令,以执行上述购买力预测方法。
装置500还可以包括一个电源组件526被配置为执行装置500的电源管理,一个有线或无线网络接口550被配置为将装置500连接到网络,和一个输入输出(I/O)接口558。装置500可以操作基于存储在存储器532的操作系统,例如WindowsServerTM,MacOSXTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (13)
1.一种购买力预测方法,其特征在于,所述方法包括:
获取购买力预测模型,所述购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,所述购买力预测模型包括预测购买力与所述购买因子之间的对应关系;
获取目标用户在第二历史时间段内的历史购买信息,所述历史购买信息包括所述目标用户在所述第二历史时间段内的目标购买因子;
根据所述历史购买信息以及所述购买力预测模型,预测所述目标用户在未来的目标时间段内的目标购买力。
2.根据权利要求1所述的方法,其特征在于,所述第二历史时间段包括n个子时间段,所述目标购买因子中包括所述目标用户在所述n个子时间段中的每个子时间段内的实际购买力,或者,所述历史购买信息中还包括所述目标用户在所述n个子时间段中的每个子时间段内的实际购买力,n为大于0的整数;
所述根据所述历史购买信息以及所述购买力预测模型,预测所述目标用户在未来的目标时间段内的目标购买力,包括:
对于所述n个子时间段中的每个子时间段,将所述子时间段内的所述目标购买因子作为所述购买力预测模型的输入,并将所述购买力预测模型的输出确定为所述目标用户在所述子时间段内的预测购买力;
根据所述n个子时间段内的每个子时间段的实际购买力以及每个子时间段所对应的预测购买力,确定所述目标用户的实际购买力与所述预测购买力之间的映射关系;
根据所述映射关系预测所述目标用户在所述目标时间段内的目标购买力。
3.根据权利要求2所述的方法,其特征在于,所述根据所述映射关系预测所述目标用户在所述目标时间段内的目标购买力,包括:
将根据所述购买力预测模型预测得到的第三历史时间段内的预测购买力作为所述映射关系的输入,并将所述映射关系的输出确定为所述目标购买力,所述第三历史时间段为所述目标时间段之前的最近的历史时间段。
4.根据权利要求1所述的方法,其特征在于,所述根据所述历史购买信息以及所述购买力预测模型,预测所述目标用户在未来的目标时间段内的目标购买力,包括:
将所述第二历史时间段中所述目标时间段之前的最近一个子时间段内的所述目标购买因子作为所述购买力预测模型的输入,并将所述购买力预测模型的输出确定为所述目标购买力。
5.根据权利要求1所述的方法,其特征在于,所述获取购买力预测模型之前,所述方法还包括:
对于每个样本用户,获取所述样本用户在所述第一历史时间段内的购买因子,所述购买因子包括:所述样本用户在每个购买项上的购买额度、所述样本用户在所述第一历史时间段内的购买力、所述样本用户在第四历史时间段中的i个子时间段内的每个子时间段的购买力以及所述样本用户在所述第四历史时间段内的平均购买力中的至少一种,所述第四历史时间段早于所述第一历史时间段,i≥1;
根据预设回归方法对所述购买因子进行回归,得到所述购买力预测模型。
6.根据权利要求1至5任一所述的方法,其特征在于,所述方法还包括:
根据所述目标购买力以及预设对应关系,向所述目标用户所对应的终端发送所述目标购买力所对应的推荐信息;
所述预设对应关系包括所述目标购买力与所述推荐信息之间的对应关系。
7.一种购买力预测装置,其特征在于,所述装置包括:
模型获取模块,被配置为获取购买力预测模型,所述购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,所述购买力预测模型包括预测购买力与所述购买因子之间的对应关系;
信息获取模块,被配置为获取目标用户在第二历史时间段内的历史购买信息,所述历史购买信息包括所述目标用户在所述第二历史时间段内的目标购买因子;
预测模块,被配置为根据所述信息获取模块获取的所述历史购买信息以及所述模型获取模块获取的所述购买力预测模型,预测所述目标用户在未来的目标时间段内的目标购买力。
8.根据权利要求7所述的装置,其特征在于,所述第二历史时间段包括n个子时间段,所述目标购买因子中包括所述目标用户在所述n个子时间段中的每个子时间段内的实际购买力,或者,所述历史购买信息中还包括所述目标用户在所述n个子时间段中的每个子时间段内的实际购买力,n为大于0的整数;
所述预测模块,包括:
第一确定子模块,被配置对于所述n个子时间段中的每个子时间段,将所述子时间段内的所述目标购买因子作为所述购买力预测模型的输入,并将所述购买力预测模型的输出确定为所述目标用户在所述子时间段内的预测购买力;
第二确定子模块,被配置为根据所述n个子时间段内的每个子时间段的实际购买力以及每个子时间段所对应的预测购买力,确定所述目标用户的实际购买力与所述预测购买力之间的映射关系;
预测子模块,被配置为根据所述第二确定子模块确定出的所述映射关系预测所述目标用户在所述目标时间段内的目标购买力。
9.根据权利要求8所述的装置,其特征在于,
所述预测子模块,还被配置为:将根据所述购买力预测模型预测得到的第三历史时间段内的预测购买力作为所述映射关系的输入,并将所述映射关系的输出确定为所述目标购买力,所述第三历史时间段为所述目标时间段之前的最近的历史时间段。
10.根据权利要求7所述的装置,其特征在于,
所述预测模块,还被配置为:将所述第二历史时间段中所述目标时间段之前的最近一个子时间段内的所述目标购买因子作为所述购买力预测模型的输入,并将所述购买力预测模型的输出确定为所述目标购买力。
11.根据权利要求7所述的装置,其特征在于,所述装置还包括:
因子获取模块,被配置为对于每个样本用户,获取所述样本用户在所述第一历史时间段内的购买因子,所述购买因子包括:所述样本用户在每个购买项上的购买额度、所述样本用户在所述第一历史时间段内的购买力、所述样本用户在第四历史时间段中的i个子时间段内的每个子时间段的购买力以及所述样本用户在所述第四历史时间段内的平均购买力中的至少一种,所述第四历史时间段早于所述第一历史时间段,i≥1;
回归模块,被配置为根据预设回归方法对所述因子获取模块获取的所述购买因子进行回归,得到所述购买力预测模型。
12.根据权利要求7至11任一所述的装置,其特征在于,所述装置还包括:
发送模块,被配置为根据所述目标购买力以及预设对应关系,向所述目标用户所对应的终端发送所述目标购买力所对应的推荐信息;
所述预设对应关系包括所述目标购买力与所述推荐信息之间的对应关系。
13.一种购买力预测装置,其特征在于,所述装置包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取购买力预测模型,所述购买力预测模型为根据样本用户在第一历史时间段内的购买因子训练得到的模型,所述购买力预测模型包括预测购买力与所述购买因子之间的对应关系;
获取目标用户在第二历史时间段内的历史购买信息,所述历史购买信息包括所述目标用户在所述第二历史时间段内的目标购买因子;
根据所述历史购买信息以及所述购买力预测模型,预测所述目标用户在未来的目标时间段内的目标购买力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510729459.XA CN105335875A (zh) | 2015-10-30 | 2015-10-30 | 购买力预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510729459.XA CN105335875A (zh) | 2015-10-30 | 2015-10-30 | 购买力预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105335875A true CN105335875A (zh) | 2016-02-17 |
Family
ID=55286386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510729459.XA Pending CN105335875A (zh) | 2015-10-30 | 2015-10-30 | 购买力预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105335875A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678596A (zh) * | 2016-03-23 | 2016-06-15 | 中国联合网络通信集团有限公司 | 移动终端的更换预测方法及其更换预测系统 |
CN108230059A (zh) * | 2016-12-13 | 2018-06-29 | 中国联合网络通信集团有限公司 | 电影推荐方法及装置 |
CN108492138A (zh) * | 2018-03-19 | 2018-09-04 | 平安科技(深圳)有限公司 | 产品购买预测方法、服务器及存储介质 |
CN108665329A (zh) * | 2017-03-29 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种基于用户浏览行为的商品推荐方法 |
CN109345283A (zh) * | 2018-08-27 | 2019-02-15 | 平安科技(深圳)有限公司 | 礼品分配方法及系统、终端和计算机可读存储介质 |
WO2019072107A1 (zh) * | 2017-10-11 | 2019-04-18 | 北京三快在线科技有限公司 | 消费能力预测 |
CN109903095A (zh) * | 2019-03-01 | 2019-06-18 | 上海拉扎斯信息科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN110766184A (zh) * | 2018-07-25 | 2020-02-07 | 北京京东尚科信息技术有限公司 | 订单量预测方法和装置 |
CN111241159A (zh) * | 2020-01-08 | 2020-06-05 | 山东汇贸电子口岸有限公司 | 确定任务执行时间的方法及装置 |
CN112132209A (zh) * | 2020-09-19 | 2020-12-25 | 北京智能工场科技有限公司 | 一种基于偏向性特征的属性预测方法 |
CN112365295A (zh) * | 2020-12-01 | 2021-02-12 | 杭州拼便宜网络科技有限公司 | 一种下单概率预测方法、装置、设备及可读存储介质 |
CN113506125A (zh) * | 2021-06-21 | 2021-10-15 | 北京琥珀创想科技有限公司 | 用户价值的预测方法、装置以及存储介质 |
-
2015
- 2015-10-30 CN CN201510729459.XA patent/CN105335875A/zh active Pending
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678596A (zh) * | 2016-03-23 | 2016-06-15 | 中国联合网络通信集团有限公司 | 移动终端的更换预测方法及其更换预测系统 |
CN105678596B (zh) * | 2016-03-23 | 2019-12-06 | 中国联合网络通信集团有限公司 | 移动终端的更换预测方法及其更换预测系统 |
CN108230059A (zh) * | 2016-12-13 | 2018-06-29 | 中国联合网络通信集团有限公司 | 电影推荐方法及装置 |
CN108230059B (zh) * | 2016-12-13 | 2022-04-15 | 中国联合网络通信集团有限公司 | 电影推荐方法及装置 |
CN108665329A (zh) * | 2017-03-29 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种基于用户浏览行为的商品推荐方法 |
WO2019072107A1 (zh) * | 2017-10-11 | 2019-04-18 | 北京三快在线科技有限公司 | 消费能力预测 |
CN108492138B (zh) * | 2018-03-19 | 2020-03-24 | 平安科技(深圳)有限公司 | 产品购买预测方法、服务器及存储介质 |
CN108492138A (zh) * | 2018-03-19 | 2018-09-04 | 平安科技(深圳)有限公司 | 产品购买预测方法、服务器及存储介质 |
CN110766184A (zh) * | 2018-07-25 | 2020-02-07 | 北京京东尚科信息技术有限公司 | 订单量预测方法和装置 |
CN109345283A (zh) * | 2018-08-27 | 2019-02-15 | 平安科技(深圳)有限公司 | 礼品分配方法及系统、终端和计算机可读存储介质 |
CN109903095A (zh) * | 2019-03-01 | 2019-06-18 | 上海拉扎斯信息科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN111241159A (zh) * | 2020-01-08 | 2020-06-05 | 山东汇贸电子口岸有限公司 | 确定任务执行时间的方法及装置 |
CN111241159B (zh) * | 2020-01-08 | 2023-07-07 | 山东汇贸电子口岸有限公司 | 确定任务执行时间的方法及装置 |
CN112132209A (zh) * | 2020-09-19 | 2020-12-25 | 北京智能工场科技有限公司 | 一种基于偏向性特征的属性预测方法 |
CN112132209B (zh) * | 2020-09-19 | 2024-05-31 | 北京智能工场科技有限公司 | 一种基于偏向性特征的属性预测方法 |
CN112365295A (zh) * | 2020-12-01 | 2021-02-12 | 杭州拼便宜网络科技有限公司 | 一种下单概率预测方法、装置、设备及可读存储介质 |
CN112365295B (zh) * | 2020-12-01 | 2024-05-31 | 杭州拼便宜网络科技有限公司 | 一种下单概率预测方法、装置、设备及可读存储介质 |
CN113506125A (zh) * | 2021-06-21 | 2021-10-15 | 北京琥珀创想科技有限公司 | 用户价值的预测方法、装置以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105335875A (zh) | 购买力预测方法和装置 | |
CN110083334B (zh) | 模型上线的方法及装置 | |
CN110246037B (zh) | 交易特征预测方法、装置、服务器及可读存储介质 | |
CN110223141B (zh) | 一种匹配方法、装置、计算机设备及存储介质 | |
CN106251174A (zh) | 信息推荐方法及装置 | |
TW202008264A (zh) | 透過深度強化學習進行推薦行銷的方法及裝置 | |
CN109767319A (zh) | 授信额度确定方法、装置、计算机设备和存储介质 | |
CN106250532A (zh) | 应用推荐方法、装置及服务器 | |
CN108460590B (zh) | 信息推荐的方法、装置及电子设备 | |
CN110851699A (zh) | 基于深度强化学习的信息流推荐方法、装置、设备及介质 | |
CN108205775A (zh) | 一种业务对象的推荐方法、装置和客户端 | |
CN105447038A (zh) | 用于获取用户特征的方法和系统 | |
CN110233879A (zh) | 智能推送界面方法、装置、计算机设备及存储介质 | |
CN109697636A (zh) | 一种商户推荐方法、商户推荐装置、电子设备和介质 | |
CN112182118B (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
CN108829718A (zh) | 一种数据处理的方法和装置 | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
CN110135943A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN112579910A (zh) | 信息处理方法、信息处理装置、存储介质和电子设备 | |
Salvietti et al. | A stochastic profit-maximising economic lot scheduling problem with price optimisation | |
CN109087124A (zh) | 一种应用程序价值预测方法及装置 | |
CN111489196B (zh) | 基于深度学习网络的预测方法、装置、电子设备及介质 | |
CN104731788A (zh) | 推广信息的处理方法及设备 | |
CN110689177A (zh) | 订单准备时间的预测方法和装置,电子设备及存储介质 | |
CN112925723B (zh) | 测试服务推荐方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160217 |
|
RJ01 | Rejection of invention patent application after publication |