CN105426395B - 一种受众画像生成方法及系统 - Google Patents

Abstract

本发明公开一种目标受众画像生成方法及系统，方法包括：确定每个目标所包括的标识，获取至少一个标识对，每个所述标识对包括两个所述标识，获取每个标识对的关联数据；根据每个标识对的关联数据确定该标识对的关系密切程度；根据所述关系密切程度，将同一目标所包括的标识进行串联，将串联后的标识作为目标受众画像与目标关联；根据所述目标受众画像向目标执行相应的推送动作。本发明根据关系密切程度，对标识进行串联，使得标识的关联关系更为精确有效，从而能够建立很好的目标受众画像，以便基于不同的标识向所述目标推送广告或者优惠措施等。

Description

一种受众画像生成方法及系统

技术领域

本发明涉及数据挖掘相关技术领域，特别是一种受众画像生成方法及系统。

背景技术

互联网+给我们带来了大数据的灵感，SGMS聚焦于如何挖掘大数据背后的商业价值，不仅投资大数据还要让大数据变现。大数据第一次使得企业能够通过互联网便利地获取用户更为广泛的反馈信息，为进一步精准、快速地分析用户上网行为、消费习惯等重要商业信息提供了足够的数据基础。伴随着企业对目标客户了解的逐步深入，现有技术引入了目标受众画像即User Profile的概念。

目标受众画像的建立主要在于标识体系的建立与标识(ID)的关联，然而，由于数据标识之间有着间接或直接的关联关系，寻找他们之间的关联关系非常复杂，特别是当涉及到多账号的情况下，现有的标识关联方案并不能建立精确的标识关联，从而导致目标受众画像的建立并不准确。

发明内容

基于此，有必要针对现有技术对标识的关联关系建立不准确的技术问题，提供一种受众画像生成方法及系统。

本发明提供一种目标受众画像生成方法，包括：

数据整合步骤，包括：确定每个目标所包括的标识，获取至少一个标识对，每个所述标识对包括两个所述标识，获取每个标识对的关联数据；

关系密切程度计算步骤，包括：根据每个标识对的关联数据确定该标识对的关系密切程度；

匹配步骤，包括：根据所述关系密切程度，将同一目标所包括的标识进行串联，将串联后的标识作为目标受众画像与目标关联；

推送步骤，包括：根据所述目标受众画像向目标执行相应的推送动作。

本发明提供一种目标受众画像生成系统，包括：

数据整合模块，用于：确定每个目标所包括的标识，获取至少一个标识对，每个所述标识对包括两个所述标识，获取每个标识对的关联数据；

关系密切程度计算模块，用于：根据每个标识对的关联数据确定该标识对的关系密切程度；

匹配模块，用于：根据所述关系密切程度，将同一目标所包括的标识进行串联，将串联后的标识作为目标受众画像与目标关联；

推送模块，用于：根据所述目标受众画像向目标执行相应的推送动作。

本发明根据关系密切程度，对标识进行串联，使得标识的关联关系更为精确有效，从而能够建立很好的目标受众画像，以便基于不同的标识向所述目标推送广告或者优惠措施等。

附图说明

图1为本发明一种目标受众画像生成方法的工作流程图；

图2为本发明一个实施例的关系网络；

图3为本发明最佳实施例的工作流程图；

图4为本发明一种目标受众画像生成系统的结构模块图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细的说明。

如图1所示为本发明一种目标受众画像生成方法的工作流程图，包括：

步骤S101，包括：确定每个目标所包括的标识，获取至少一个标识对，每个所述标识对包括两个所述标识，获取每个标识对的关联数据；

步骤S102，包括：根据每个标识对的关联数据确定该标识对的关系密切程度；

步骤S103，包括：根据所述关系密切程度，将同一目标所包括的标识进行串联，将串联后的标识作为目标受众画像与目标关联；

步骤S104，包括：根据所述目标受众画像向目标执行相应的推送动作。

对于一个目标用户，其可以有多个标识，例如：车辆识别码(Vin)、电话号码(Phone)、身份证号(RID)和Cookie id等。这些标识会存放在系统中，可以是本地系统也可以是远端服务器系统。目标是准备分析的个体，可以通过用户名等方式区分。步骤S101在确认了目标以后，获取关于该目标的标识以及关于标识的标识对，标识对中的两个标识关联，例如Vin1-Phone1对表示车辆识别码为Vin1且电话号码为Phone1的一对标识。当两个标识对所关联的相同类型的标识的值均相同时，则这两个标识对为同一标识对，当两个标识对所关联的相同类型的标识的值不同时，则这两个标识对为不同的标识对。例如：Vin1-Phone1与Vin1-Phone2，由于Phone1与Phone2不相同，因此为两个不同的标识对。

步骤S102计算出每个标识对的关系密切程度，例如计算出Vin1-Phone1的关系密切程度，计算出Vin1-Phone2的关系密切程度等。该关系密切程度用于在步骤S103中串联标识，并将串联后的标识作为目标受众画像。作为一个例子，其中一个目标受众画像为：Vin1-Phone1-RID1-Cookie id1。因此每个目标可以采用一个目标受众画像进行描述。

在步骤S104中则可以据此执行相应的推送动作，例如将采用Vin-Phone-RID-Cookie id的连接顺序的目标受众画像执行一种推送动作，而对采用Vin-RID-Phone-Cookie id的连接顺序的目标受众画像执行一种推送动作。也可以是根据标识的范围选择推送动作，例如对于Phone为某个区域范围或者RID的某几位在某个区域范围设定特定的推送动作等。即步骤S104可以具体为：根据所述目标受众画像所包括的标识的串联顺序和/或标识的范围选择相应的推送动作，向目标执行所述推送动作。

推送动作可以是推送广告或者优惠信息等。本发明的目标受众画像不仅能清楚的反映了所关联用户的所包括的标识，且由于标识是根据关系密切程度进行串联，因此本发明所生成的目标受众画像还能反映出各种标识之间的关系密切程度，从而使得后续的推送动作更为精确。

在其中一个实施例中：

所述步骤S101，具体包括：

获取同一目标同一标识对在多个系统中的多个关联数据，根据每个系统对该标识对的预设系统关联权重，将多个相同类型的所述关联数据加权整合为一个整合后关联数据；

所述步骤S102，具体包括：根据每个标识对的整合后关联数据确定该标识对的关系密切程度。

标识对可以存放在多个系统中，即在多个系统中可能存在相同的标识对，例如存在相同的Vin1-Phone1。针对这种情况，本实施例采用的方式是对其关联数据进行加权整合。比如Vin1与Phone1在系统S1与系统S2中都记录其关联数据，则根据各系统衡量该Vin1-Phone1的关联数据的重要性(比如系统S1对Vin1与Phone1的关联数据的重要性比系统S2更大)，则通过数据加权将系统S1与系统S2中的Vin1-Phone1的关联数据进行整合成一条Vin1-Phone1的关联数据。

在其中一个实施例中，所述标识对的整合后关联数据包括：sy、DefaultDi、Ti、Times、LD和day，其中，sy多个系统对该标识对的预设系统关联权重的最大值，DefaultDi为该标识对的预设初始关系密切值，Ti为关联次数权重，Times为该标识对在多个系统中的关联次数的整合后数据，LD为时间权重，day为该标识对在多个系统中保存的最后日期与当前日期的差值的倒数的整合后数据；

所述标识对的关系密切程度采用如下方式得到：

关系密切程度FDi为：FDi＝sy×DefaultDi×(Ti×tanh(Times)+LD×day)。

本实施例具体给出关系密切程度的计量方式，该公式综合考虑了标识对所在的系统、关系对的保持次数和关系对的保存时间，使得对于标识对的关系密切程度的量化更为精准科学。

在其中一个实施例中，还包括修正关系密切程度步骤，所述修正关系密切程度步骤，具体包括：

修正每个标识对的关系密切程度为其中：

其中，

D为预设的修正参数，FDi(k)为第k对标识对的关系密切程度，为第k对标识对的关系密切程度的修正值，M(k)为表示与第k对标识对具有相同目标且存在的直接关联的其他标识对的集合，L(k)为M(k)的元素个数，FDi(j)为M(k)集合中的第j对标识对的关系密切程度。

M(k)是关于第k对标识对的一个集合，该集合包括所有与第k对标识对存在的直接关联的其他标识对。作为一个例子，考虑第k对标识对为Vink-Phonek，在所有系统中与Vink-Phonek的目标Ok相关的标识对有Phonek-RIDk、RIDk-Cookie idk、RIDk-Vink，则与Vink-Phonek存在直接关联的其他标识对为Phonek-RIDk和RIDk-Vink。即与第k对标识对具有相同目标且存在的直接关联的其他标识对，其所包括的标识至少有一个与第k对标识对所包括的其中一个标识相同。

通过对关联密切程度的修正，使得其能够更为平滑，以来突显关系网络中关系密切程度高的标识对。

在其中一个实施例中，所述步骤S103，具体包括：

以目标的任一标识作为初始标识，生成关于初始标识的关系网络，所述关系网络包括多个具有连接关系的标识，且相连接的两个标识关联所述目标所包括的其中一个标识对；

从初始标识出发，按照标识对的关系密切程度对所述关系网络进行路径搜索，优先选择与前一标识的关系密切程度高的标识，将搜索出来的路径上的标识进行串联；

将串联后的标识作为目标受众画像与目标关联。

例如，以Vin1作为初始标识出发，假设所关联的目标有以下标识对：

Vin1-Phone1、RID-Phone1、RID-Vin1、RID-Vin2、RID-Cookie id1、RID-Phone2，则其关系网络如图2所示。

对该关系网络根据每个标识对的关系密切程度进行路径搜索，路径搜索可以采用现有算法，从而得到一条从初始标识出发的路径，将该路径上的所有标识按照路径的顺序依次串联则得到目标受众画像。

如图3所示为本发明最佳实施例的工作流程图，包括：

步骤S301，引入数据；

步骤S302，对数据进行整合，针对不同系统中的ID关联数据进行整合和提取；

步骤S303，定义关系密切程度，根据整合后的数据中数据本身的属性，定义各标识对的关系密切程度；ID间的关系密切程度是用来衡量ID与ID之间的关系链情况，该值越大，说明关系越牢固。

步骤S304，修正关系密切程度，修正各ID间的关系密切程度，使ID间的关系度量更加准确。

步骤S305，获取最终关系密切程度，得到最终的ID间的关系密切程度。

步骤S306，匹配ID，根据ID间的关系密切程度，根据广度遍历和深度遍历进行精确匹配，将每个个体所含ID进行串联。

当引入新数据后，重新匹配个体的所有ID。

如图4所示为本发明一种目标受众画像生成系统的结构模块图，包括：

数据整合模块401，用于：确定每个目标所包括的标识，获取至少一个标识对，每个所述标识对包括两个所述标识，获取每个标识对的关联数据；

关系密切程度计算模块402，用于：根据每个标识对的关联数据确定该标识对的关系密切程度；

匹配模块403，用于：根据所述关系密切程度，将同一目标所包括的标识进行串联，将串联后的标识作为目标受众画像与目标关联；

推送模块404，用于：根据所述目标受众画像向目标执行相应的推送动作。

在其中一个实施例中，

数据整合模块401，具体用于：获取同一目标同一标识对在多个系统中的多个关联数据，根据每个系统对该标识对的预设系统关联权重，将多个相同类型的所述关联数据加权整合为一个整合后关联数据；

所述关系密切程度计算模块402，具体用于：根据每个标识对的整合后关联数据确定该标识对的关系密切程度。

在其中一个实施例中，所述标识对的整合后关联数据包括：sy、DefaultDi、Ti、Times、LD和day，其中，sy多个系统对该标识对的预设系统关联权重的最大值，DefaultDi为该标识对的预设初始关系密切值，Ti为关联次数权重，Times为该标识对在多个系统中的关联次数的整合后数据，LD为时间权重，day为该标识对在多个系统中保存的最后日期与当前日期的差值的倒数的整合后数据；

所述标识对的关系密切程度采用如下方式得到：

关系密切程度FDi为：FDi＝sy×DefaultDi×(Ti×tanh(Times)+LD×day)。

在其中一个实施例中，还包括修正关系密切程度模块，所述修正关系密切程度模块，具体用于：

修正每个标识对的关系密切程度为其中：

其中，

D为预设的修正参数，FDi(k)为第k对标识对的关系密切程度，为第k对标识对的关系密切程度的修正值，M(k)为表示与第k对标识对具有相同目标且存在的直接关联的其他标识对的集合，L(k)为M(k)的元素个数，FDi(j)为M(k)集合中的第j对标识对的关系密切程度。

在其中一个实施例中，所述匹配模块403，具体用于：

以目标的任一标识作为初始标识，生成关于初始标识的关系网络，所述关系网络包括多个具有连接关系的标识，且相连接的两个标识关联所述目标所包括的其中一个标识对；

从初始标识出发，按照标识对的关系密切程度对所述关系网络进行路径搜索，优先选择与前一标识的关系密切程度高的标识，将搜索出来的路径上的标识进行串联；

将串联后的标识作为目标受众画像与目标关联。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种目标受众画像生成方法，其特征在于，包括：

数据整合步骤，包括：确定每个目标所包括的标识，获取至少一个标识对，每个所述标识对包括两个所述标识，获取每个标识对的关联数据；

关系密切程度计算步骤，包括：根据每个标识对的关联数据确定该标识对的关系密切程度；

匹配步骤，包括：根据所述关系密切程度，将同一目标所包括的标识进行串联，将串联后的标识作为目标受众画像与目标关联；

推送步骤，包括：根据所述目标受众画像向目标执行相应的推送动作。

2.根据权利要求1所述的目标受众画像生成方法，其特征在于：

所述数据整合步骤，具体包括：

获取同一目标同一标识对在多个系统中的多个关联数据，根据每个系统对该标识对的预设系统关联权重，将多个相同类型的所述关联数据加权整合为一个整合后关联数据；

所述关系密切程度计算步骤，具体包括：根据每个标识对的整合后关联数据确定该标识对的关系密切程度。

3.根据权利要求2所述的目标受众画像生成方法，其特征在于，所述标识对的整合后关联数据包括：sy、DefaultDi、Ti、Times、LD和day，其中，sy多个系统对该标识对的预设系统关联权重的最大值，DefaultDi为该标识对的预设初始关系密切值，Ti为关联次数权重，Times为该标识对在多个系统中的关联次数的整合后数据，LD为时间权重，day为该标识对在多个系统中保存的最后日期与当前日期的差值的倒数的整合后数据；

所述标识对的关系密切程度采用如下方式得到：

关系密切程度FDi为：FDi＝sy×DefaultDi×(Ti×tanh(Times)+LD×day)。

4.根据权利要求3所述的目标受众画像生成方法，其特征在于，还包括修正关系密切程度步骤，所述修正关系密切程度步骤，具体包括：

修正每个标识对的关系密切程度为其中：

其中，

D为预设的修正参数，FDi(k)为第k对标识对的关系密切程度，为第k对标识对的关系密切程度的修正值，M(k)为表示与第k对标识对具有相同目标且存在的直接关联的其他标识对的集合，L(k)为M(k)的元素个数，FDi(j)为M(k)集合中的第j对标识对的关系密切程度。

5.根据权利要求1所述的目标受众画像生成方法，其特征在于，所述匹配步骤，具体包括：

以目标的任一标识作为初始标识，生成关于初始标识的关系网络，所述关系网络包括多个具有连接关系的标识，且相连接的两个标识关联所述目标所包括的其中一个标识对；

从初始标识出发，按照标识对的关系密切程度对所述关系网络进行路径搜索，优先选择与前一标识的关系密切程度高的标识，将搜索出来的路径上的标识进行串联；

将串联后的标识作为目标受众画像与目标关联。

6.一种目标受众画像生成系统，其特征在于，包括：

数据整合模块，用于：确定每个目标所包括的标识，获取至少一个标识对，每个所述标识对包括两个所述标识，获取每个标识对的关联数据；

关系密切程度计算模块，用于：根据每个标识对的关联数据确定该标识对的关系密切程度；

匹配模块，用于：根据所述关系密切程度，将同一目标所包括的标识进行串联，将串联后的标识作为目标受众画像与目标关联；

推送模块，用于：根据所述目标受众画像向目标执行相应的推送动作。

7.根据权利要求6所述的目标受众画像生成系统，其特征在于：

所述数据整合模块，具体用于：获取同一目标同一标识对在多个系统中的多个关联数据，根据每个系统对该标识对的预设系统关联权重，将多个相同类型的所述关联数据加权整合为一个整合后关联数据；所述关系密切程度计算模块，具体用于：根据每个标识对的整合后关联数据确定该标识对的关系密切程度。

8.根据权利要求7所述的目标受众画像生成系统，其特征在于，所述标识对的整合后关联数据包括：sy、DefaultDi、Ti、Times、LD和day，其中，sy多个系统对该标识对的预设系统关联权重的最大值，DefaultDi为该标识对的预设初始关系密切值，Ti为关联次数权重，Times为该标识对在多个系统中的关联次数的整合后数据，LD为时间权重，day为该标识对在多个系统中保存的最后日期与当前日期的差值的倒数的整合后数据；

所述标识对的关系密切程度采用如下方式得到：

关系密切程度FDi为：FDi＝sy×DefaultDi×(Ti×tanh(Times)+LD×day)。

9.根据权利要求8所述的目标受众画像生成系统，其特征在于，还包括修正关系密切程度模块，所述修正关系密切程度模块，具体用于：

修正每个标识对的关系密切程度为其中：

其中，

D为预设的修正参数，FDi(k)为第k对标识对的关系密切程度，为第k对标识对的关系密切程度的修正值，M(k)为表示与第k对标识对具有相同目标且存在的直接关联的其他标识对的集合，L(k)为M(k)的元素个数，FDi(j)为M(k)集合中的第j对标识对的关系密切程度。

10.根据权利要求6所述的目标受众画像生成系统，其特征在于，所述匹配模块，具体用于：

以目标的任一标识作为初始标识，生成关于初始标识的关系网络，所述关系网络包括多个具有连接关系的标识，且相连接的两个标识关联所述目标所包括的其中一个标识对；

从初始标识出发，按照标识对的关系密切程度对所述关系网络进行路径搜索，优先选择与前一标识的关系密切程度高的标识，将搜索出来的路径上的标识进行串联；

将串联后的标识作为目标受众画像与目标关联。