CN105677925A - 数据库用户数据处理方法和装置 - Google Patents
数据库用户数据处理方法和装置 Download PDFInfo
- Publication number
- CN105677925A CN105677925A CN201610190985.8A CN201610190985A CN105677925A CN 105677925 A CN105677925 A CN 105677925A CN 201610190985 A CN201610190985 A CN 201610190985A CN 105677925 A CN105677925 A CN 105677925A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- predetermined characteristic
- parameters sortnig
- described predetermined
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/22—Arrangements for sorting or merging computer data on continuous record carriers, e.g. tape, drum, disc
- G06F7/24—Sorting, i.e. extracting data from one or more carriers, rearranging the data in numerical or other ordered sequence, and rerecording the sorted data on the original carrier or on a different carrier or set of carriers sorting methods in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种数据库用户数据处理方法和装置,涉及数据挖掘领域。其中,本发明的数据库用户数据处理方法包括:选定用户数据中多个预定特征,预定特征包括正向特征和逆向特征;根据预定特征的数据获取正向化数据;标准化处理预定特征的正向化数据,获取标准化数据;根据多个预定特征的权重,基于预定特征的标准化数据确定用户排序参数;按照用户排序参数对用户进行排序,获得排序用户列表。通过这样的方法,能够基于预定特征对应的权重对用户预定特征的数据进行运算,生成用户排序参数,并按照用户排序参数的大小排序。这样的数据处理方式运算量小,效率高,且能够根据用户数据对用户进行更加客观的排序和评价。
Description
技术领域
本发明涉及数据挖掘技术领域,特别涉及一种数据库用户数据处理方法和装置。
背景技术
数据库是按照数据结构来组织、存储和管理数据的仓库,在日常信息管理中,往往需要数据库来存储数据,特别是在数据量较大时,需要使用数据库来存储和维护数据。在数据库中可以存储多种数据,例如用户数据、系统数据、员工数据等。
针对数据库中存储的海量数据进行挖掘分析往往能够获得非常有价值的信息,目前,在数据挖掘技术领域,操作人员可以通过特征词匹配的方式进行排查、监控,或是提取数据进行计算处理寻找规律。但是,由于数据库中存储的数据特征繁多,且数量庞大,这样的数据挖掘方式一方面需要计算量颇大的关键词检索匹配或大量的数据分析,效率低且对运算设备的要求高;另一方面,数据挖掘的结果在一定程度上依赖于操作者配置的关键词和参数,以及操作者的经验,具有一定主观性,使得数据挖掘结果不够准确。如何使数据挖掘结果更准确、客观地体现数据本身特点和规律,是数据挖掘技术领域的一个课题。
发明内容
本发明的一个目的在于提出一种客观高效的数据挖掘方案。
根据本发明的一个方面,提出一种数据库用户数据处理方法,包括:选定用户数据中多个预定特征,预定特征包括正向特征和逆向特征;根据预定特征的数据获取预定特征的正向化数据,正向化数据包括正向特征的数据和将正向化处理后的逆向特征的数据;标准化处理预定特征的正向化数据,获取预定特征的标准化数据;根据多个预定特征的权重基于预定特征的标准化数据确定用户排序参数;按照用户排序参数对用户进行排序,获得排序用户列表。
可选地,对逆向特征的数据进行正向化处理包括:获取逆向特征的数据的最大值;将逆向特征的数据的最大值减去逆向特征的数据,确定逆向特征的正向化数据。
可选地,标准化处理预定特征的正向化数据获取预定特征的标准化数据包括:采用离差标准化的方式标准化处理预定特征的正向化数据,获取预定特征的标准化数据。
可选地,还包括:根据用户排序参数分位数个数对排序用户列表分组,获得分组排序用户列表。
可选地,预定特征包括:用户首次记录到统计日期的时间长度、用户最近一次记录到统计日期的时间长度、用户在预定时间内的记录频率、用户在预定时间内的记录数据总和,以及用户在预定时间内的记录数据总和占标准数据总和的比例。
通过这样的方法,能够基于预定特征对应的权重对用户预定特征的数据进行运算,生成用户排序参数,并按照用户排序参数的大小排序。这样的数据处理方式运算量小,效率高,且能够根据用户数据对用户进行客观的排序。
根据本发明的另一个方面,提出一种数据库用户数据处理方法,包括:选定用户数据中多个预定特征,预定特征包括正向特征和逆向特征;确定预定特征的分位数个数,根据分位数个数确定预定特征的用户分类阈值;基于每个预定特征的用户分类阈值分类,获得多特征分类用户集合。
可选地,确定预定特征的分位数个数,根据分位数个数确定预定特征的用户分类阈值包括:将预定特征的数据进行排序;根据预定特征的分位数个数将数据等分,确定分割点的数据为预定特征的用户分类阈值。
可选地,还包括:根据预定特征的数据获取多特征分类用户集合中预定特征的正向化数据,正向化数据包括正向特征的数据和正向化处理后的逆向特征的数据;标准化处理预定特征的正向化数据获取预定特征的标准化数据;根据多个预定特征对应的权重,基于预定特征的标准化数据确定多特征分类用户集合中的用户排序参数;根据用户排序参数对用户进行排序,获得分类排序用户列表。
可选地,对逆向特征的数据进行正向化处理包括:获取逆向特征的数据的最大值;将逆向特征的数据的最大值减去逆向特征的数据,确定逆向特征的正向化数据。
可选地,标准化处理预定特征的正向化数据获取预定特征的标准化数据包括:采用离差标准化的方式标准化处理预定特征的正向化数据,获取预定特征的标准化数据。
可选地,还包括:获取操作者配置的预定分位数个数。
可选地,还包括:获取操作者配置的多个预定特征的权重。
可选地,预定特征包括:用户首次记录到统计日期的时间长度、用户最近一次记录到统计日期的时间长度、用户在预定时间内的记录频率、用户在预定时间内的记录数据总和,以及用户在预定时间内的记录数据总和占标准数据总和的比例。
通过这样的方法,能够基于分位数进行用户分类阈值的确定,并根据多个预定特征的用户分类阈值获取多特征分类用户集合。由于采用分位数确定用户分类阈值,能够使阈值的确定更加客观,且能够适应不同数据情况的需求;获取的多特征分类用户集合能够方便使用者根据需要提取对应集合的数据,使用更加方便。
根据本发明的又一个方面,提出一种数据库用户数据处理装置,包括:特征选定模块,用于选定用户数据中多个预定特征,预定特征包括正向特征和逆向特征;排序参数确定模块,用于根据多个预定特征的权重、基于预定特征的数据确定用户排序参数;其中,排序参数确定模块包括:正向化处理单元,用于根据预定特征的数据获取预定特征的正向化数据,正向化数据包括正向特征的数据和正向化处理后的逆向特征的数据;标准化处理单元,用于标准化处理预定特征的正向化数据,获取预定特征的标准化数据;排序参数获取单元,用于根据多个预定特征的权重基于预定特征的标准化数据确定用户排序参数;用户排序模块,用于按照用户排序参数对用户进行排序,获得排序用户列表。
可选地,正向化处理单元用于获取逆向特征的数据的最大值;将逆向特征的数据的最大值减去逆向特征的数据,确定逆向特征的正向化数据。
可选地,标准化处理单元具体用于采用离差标准化的方式标准化处理预定特征的正向化数据,获取预定特征的标准化数据。
可选地,该装置还包括分组排序列表获取模块,用于根据预定排序参数分位数个数对用户排序模块确定的排序用户列表分组,获得分组排序用户列表。
可选地,预定特征包括:用户首次记录到统计日期的时间长度、用户最近一次记录到统计日期的时间长度、用户在预定时间内的记录频率、用户在预定时间内的记录数据总和,以及用户在预定时间内的记录数据总和占标准数据总和的比例。
这样的装置能够基于预定特征对应的权重对用户预定特征的数据进行运算,生成用户排序参数,并按照用户排序参数的大小排序。这样的数据处理方式运算量小,效率高,且能够根据用户数据对用户进行客观的排序。
根据本发明的再一个方面,提出一种数据库用户数据处理装置,包括:预定特征选定模块,用于选定用户数据中多个预定特征,预定特征包括正向特征和逆向特征;分类阈值确定模块,用于确定预定特征的分位数个数,根据分位数个数确定预定特征的用户分类阈值;用户分类模块,用于基于每个预定特征的用户分类阈值对用户进行分类,获得多特征分类用户集合。
可选地,分类阈值确定模块包括:数据排序单元,用于将预定特征的数据进行排序;阈值确定单元,用于根据预定特征的分位数个数将数据等分,确定分割点的数据为预定特征的用户分类阈值。
可选地,该数据库用户数据处理装置还包括:排序参数确定模块,用于根据多个预定特征的权重基于预定特征的数据确定多特征分类用户集合中的用户排序参数;其中,排序参数确定模块包括:正向化处理单元,用于根据预定特征的数据获取多特征分类用户集合中预定特征的正向化数据,正向化数据包括正向特征的数据和正向化处理后的逆向特征的数据;标准化处理单元,用于标准化处理预定特征的正向化数据,获取预定特征的标准化数据;排序参数获取单元,用于根据多个预定特征的权重基于多特征分类用户集合中预定特征的标准化数据确定用户排序参数;用户排序模块,用于根据用户排序参数对用户进行排序,获得分类排序用户列表。
可选地,正向化处理单元获取逆向特征的数据的最大值;将逆向特征的数据的最大值减去逆向特征的数据,确定逆向特征的正向化数据。
可选地,排序参数获取单元具体用于采用离差标准化的方式标准化处理预定特征的正向化数据,获取预定特征的标准化数据。
可选地,还包括:配置模块,用于供操作者配置预定分位数个数。
可选地,还包括:配置模块,用于供操作者配置预定特征的权重。
可选地,预定特征包括:用户首次记录到统计日期的时间长度、用户最近一次记录到统计日期的时间长度、用户在预定时间内的记录频率、用户在预定时间内的记录数据总和,以及用户在预定时间内的记录数据总和占标准数据总和的比例。
这样的装置能够基于分位数进行用户分类阈值的确定,并根据多个预定特征的用户分类阈值获取多特征分类用户集合。由于采用分位数确定用户分类阈值,能够使阈值的确定更加客观,且能够适应不同数据情况的需求;获取的多特征分类用户集合能够方便使用者根据需要提取对应集合的数据,使用更加方便。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的数据库用户数据处理方法的一个实施例的流程图。
图2为本发明的数据库用户数据处理方法的另一个实施例的流程图。
图3为本发明的数据库用户数据处理方法的又一个实施例的流程图。
图4为本发明的数据库用户数据处理方法的再一个实施例的流程图。
图5为本发明的数据库用户数据处理方法的另外一个实施例的流程图。
图6为本发明的数据库用户数据处理方法的其中一个实施例的流程图。
图7为本发明的数据库用户数据处理装置的一个实施例的示意图。
图8为本发明的数据库用户数据处理装置的排序参数确定模块的一个实施例的示意图。
图9为数据正向化处理方式的效果对比图。
图10为本发明的数据库用户数据处理装置的另一个实施例的示意图。
图11为本发明的数据库用户数据处理装置的又一个实施例的示意图。
图12为本发明的数据库用户数据处理装置的分类阈值确定模块的一个实施例的示意图。
图13为本发明的数据库用户数据处理装置的再一个实施例的示意图。
图14为本发明的数据库用户数据处理装置的另外一个实施例的示意图。
图15为本发明的数据库用户数据处理装置的其中一个实施例的示意图。
图16为本发明的数据库用户数据处理装置的其中另一个实施例的示意图。
具体实施方式
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
本发明的数据库用户数据处理方法的一个实施例的流程图如图1所示。
在步骤101中,选定数据库中用户数据的多个预定特征。预定特征可以包括正向特征和逆向特征。正向特征指在用户评价中起正向作用的特征,正向特征数据越大则用户评价越高;逆向特征指在用户评价中起反作用的特征,逆向特征数据越小则用户评价越高。
在步骤102中,根据预定特征的数据获取预定特征的正向化数据。正向化数据包括正向特征的数据,以及将逆向特征的数据进行正向化处理后的数据。也就是说,如果该预定特征为逆向特征,则通过对该逆向特征的数据进行正向化处理获取该逆向特征的正向化数据;如果预定特征为正向特征,则将该正向特征的数据作为该正向特征的正向化数据。
在步骤103中,标准化处理预定特征的正向化数据,获取预定特征的标准化数据。
在步骤104中,根据多个预定特征的权重基于预定特征的标准化数据确定用户排序参数。
在步骤105中,按照用户排序参数的大小顺序对用户进行排序,获得排序用户列表。
通过这样的方法,能够对数据进行正向化和标准化处理,基于预定特征对应的权重对用户预定特征的数据进行运算,生成用户排序参数,并按照用户排序参数的大小排序。这样的数据处理方式运算量小,效率高,且能够根据用户数据对用户进行更加客观的排序和评价。
在一个实施例中,预定特征包括正向特征和逆向特征,先将逆向特征正向化处理,使得根据正向化处理后的特征数据进行加权计算能够得到客观准确的用户排序参数。在一个实施例中,不同预定特征的单位、量纲不同,对特征数据进行标准化计算,统一量纲,从而便于实现在用户排序参数计算中配置各个特征的权重。
本发明的数据库用户数据处理方法的一个实施例的示意图如图2所示。
在步骤201中,选定数据库中用户数据的多个预定特征,预定特征可以包括正向特征和逆向特征。
在步骤202中,将逆向特征的数据的最大值减去逆向特征的数据,确定逆向特征的正向化数据。根据预定特征的数据获取预定特征的正向化数据,正向化数据包括正向特征的数据和正向化处理后的逆向特征的数据。在一个实施例中,采用下面公式:
x’=max(x)-x(1)
对逆向特征的数据进行正向化处理,其中x为逆向特征的数据,x’为正向化数据,max(x)为逆向特征数据的最大值。
在步骤203中,采用离差标准化的方法处理预定特征的正向化数据,获取预定特征的标准化数据。在一个实施例中,可以采用离差标准化的方式进行正向化数据的标准化处理,即将数据减去其样本平均值,然后除以样本标准差,这样处理后的数据符合标准正太分布,均值为0,标准差为1,其转化函数为:
x”=(x’-mean(x’))/(std(x’))(2)
其中,x”为标准化数据,x’为正向化数据,mean(x’)是对正向化数据求均值,std(x’)是对正向化数据求标准差。
在步骤204中,根据多个预定特征的权重、基于预定特征的标准化数据确定用户排序参数。在一个实施例中,可以根据公式:
Value=∑x”i*wi(3)
确定用户排序参数,其中x”为标准化数据,wi为预定特征i对应的权重。
在步骤205中,按照用户排序参数的大小顺序对用户进行排序,获得排序用户列表。
通过这样的方法,能够对预定特征的数据进行正向化、标准化计算,从而能够获取更加准确的用户排序参数。
本发明的数据库用户数据处理方法的又一个实施例的流程图如图3所示。
在步骤301中,选定数据库中用户数据的多个预定特征,预定特征可以包括正向特征和逆向特征。
在步骤302中,根据多个预定特征对应的权重、基于预定特征的数据确定用户排序参数。每个参数在用户评价中起的作用不同,因此在根据用户预定特征的数据计算用户排序参数时,与每个参数对应的权重结合。
在步骤303中,按照用户排序参数的大小顺序对用户进行排序,获得排序用户列表。
在步骤304中,根据预定排序参数分位数个数对排序用户列表分组,获得分组排序用户列表。例如,预定排序参数分位数个数为n,则将排序用户列表按照预定排序参数大小分为n组,每组用户数相等。
通过这样的方法能够按照用户排序参数的大小将用户分组,从而方便操作者根据需要调取对应分组排序用户列表的数据,便于有针对性的进行数据调用和推送。
本发明的数据库用户数据处理方法的再一个实施例的流程图如图4所示。
在步骤401中,选定用户数据中多个预定特征,预定特征可以包括正向特征和逆向特征。
在步骤402中,确定预定特征对应的分位数个数,根据分位数个数确定预定特征的用户分类阈值。例如某个预定特征对应的分位数个数为k1,则需要确定k1-1个用户分类阈值。各个预定特征对应的分位数个数可以不相同。
在步骤403中,基于每个预定特征的用户分类阈值对用户进行分类,获得多特征分类用户集合。在一个实施例中,确定了5个预定特征,其对应的预定分位数个数分别为k1、k2、k3、k4、k5,则其对应的分组阈值个数分别为k1-1、k2-1、k3-1、k4-1、k5-1个。根据每个预定特征的分组阈值,能够确定k1*k2*k3*k4*k5个多特征分类用户集合。
通过这样的方法,能够基于分位数进行用户分类阈值的确定,并根据多个预定特征的用户分类阈值获取多特征分类用户集合。由于采用分位数确定用户分类阈值,能够使阈值的确定更加客观,且能够适应不同数据情况的需求;获取的多特征分类用户集合能够方便使用者根据需要提取对应集合的数据,使用更加方便。
本发明的数据库用户数据处理方法的另外一个实施例的流程图如图5所示。
在步骤501中,选定用户数据中多个预定特征,预定特征可以包括正向特征和逆向特征。
在步骤502中,将预定特征的数据进行排序。
在步骤503中,根据预定特征对应的分位数个数将数据等分,分割点的数据为预定特征的用户分类阈值。例如某个预定特征对应的分位数个数为k1,则将预定特征的数据按照大小顺序分为k1类,每一类的用户数量相等,相邻两类的分割点数据即为用户分类阈值,需要确定k1-1个用户分类阈值。
在步骤504中,基于每个预定特征的用户分类阈值分类,获得多特征分类用户集合。
通过这样的方法能够采用分位数的方式确定单个预定特征的用户分类阈值,并根据多个预定特征的用户分类阈值进行用户分类,获得多特征分类用户集合,分类的方式更加客观,且计算逻辑清晰,适用于多种场合,便于推广应用。
本发明的数据库用户数据处理方法的其中一个实施例的流程图如图6所示。
在步骤601中,选定用户数据中多个预定特征,预定特征可以包括正向特征和逆向特征。
在步骤602中,将预定特征的数据按照大小顺序排序。
在步骤603中,确定预定特征对应的分位数个数,根据预定特征的分位数个数将数据等分,确定分割点的数据为该预定特征的用户分类阈值。在一个实施例中,可以采用如图5中步骤503的方式确定用户分类阈值。
在步骤604中,基于每个预定特征的用户分类阈值对用户进行分类,获得多特征分类用户集合。
在步骤605中,根据多个预定特征的权重、基于预定特征的数据确定多特征分类用户集合中的用户排序参数。可以分别计算每个多特征分类用户集合计算用户排序参数,也可以根据需要选取一个或多个多特征分类用户集合计算用户排序参数。在一个实施例中,可以采用如图1的实施例中步骤102-104的方式确定用户排序参数;也可以采用如图2的实施例中步骤202-204的方式确定用户排序参数。
在步骤606中,按照用户排序参数的大小顺序对用户进行排序,获得分类排序用户列表。可以针对单个分类用户集合进行排序获取分类排序用户列表,也可以根据需要选取多个多特征分类用户集合进行用户排序参数排序,获得分类排序用户列表。
通过这样的方法,能够在用户分类后计算用户排序参数,从而实现对用户的更准确的评价。由于可以在用户分类后选择一组或多组用户进行用户排序参数计算,更有针对性,且大大减少了需要运算的数据量,提高了效率。
在一个实施例中,操作者可以根据分组粒度需求配置预定分位数个数,从而使多特征分类用户集合的大小、数量符合实际需求,方便操作者利用获得的多特征分类用户集合进行实际应用。
在一个实施例中,可以根据需要配置多个预定特征的权重。操作者根据实际需求配置与每个预定特征对应的权重,在计算用户排序参数时,会使用操作者配置的权重对对应的数据进行加权,从而获得更符合实际需求的用户排序参数,使用户排序参数更有针对性。
在一个实施例中,当业务需求仅需要对整个用户群体做粗粒度划分时,可以获取多特征分类用户集合,选择需要的分类进行实际应用;在一个实施例中,当业务需求需要根据每个用户的用户排序参数进行细粒度具体选择时,可以获得排序用户列表,选择用户排序参数排名靠前的预定数量的用户进行实际业务应用,或选择用户排序参数在预定值以上的用户进行实际业务应用。通过这样的方法,操作者能够根据实际需求选择用户数据处理的方式,获得需要的结果,更加便于操作者的使用。
在一个实施例中,预定特征可以包括用户首次记录到统计日期的时间长度、用户最近一次记录到统计日期的时间长度、用户在预定时间内的记录频率、用户在预定时间内的记录数据总和,以及用户在预定时间内的记录数据总和占标准数据总和的比例。采用这样的特征数据能够从多个角度对用户进行分类、评价,获得的结果更加准确;另外,这样的参数均以数字形式呈现,与现有技术中字符串匹配的方式相比,计算的数据更加客观。
本发明的数据库用户数据处理装置的一个实施例的示意图如图7所示。其中,701为特征选定模块,用于选定数据库中用户数据的多个预定特征。预定特征可以包括正向特征和逆向特征。正向特征指在用户评价中起正向作用的特征,正向特征数据越大则用户评价越高;逆向特征指在用户评价中起反作用的特征,逆向特征数据越小则用户评价越高。702为排序参数确定模块,用于根据多个预定特征对应的权重、基于预定特征的数据确定用户排序参数。由于不同特征在用户评价中的影响力不同,因此在根据用户预定特征的数据计算用户排序参数时,要与对应的权重结合。703为用户排序模块,用于按照用户排序参数的大小顺序对用户进行排序,获得排序用户列表。
这样的装置能够基于预定特征对应的权重对用户预定特征的数据进行运算,生成用户排序参数,并按照用户排序参数的大小排序。这样的数据处理方式运算量小,效率高,且能够根据用户数据对用户进行更加客观的评价。
在一个实施例中,数据库用户数据处理装置可以包括配置模块,与排序参数确定模块702连接,用于供操作者根据需要配置多个预定特征的权重。操作者根据实际需求配置与每个预定特征对应的权重,在计算用户排序参数时,会使用操作者配置的权重对对应的数据进行加权,从而获得更符合实际需求的用户排序参数,使用户排序参数更有针对性。
在一个实施例中,预定特征包括正向特征和逆向特征,先将逆向特征正向化处理,使得根据正向化处理后的特征数据进行加权计算能够得到客观准确的用户排序参数。
在一个实施例中,由于不同预定特征的单位、量纲不同,因此需要对特征数据进行标准化计算,统一量纲,从而便于实现在用户排序参数计算中配置各个特征的权重。
本发明的数据库用户数据处理装置中排序参数确定模块的一个实施例的示意图如图8所示。
821为正向化处理单元,用于根据预定特征的数据获取预定特征的正向化数据。如果预定特征为逆向特征,则通过正向化处理该逆向特征的数据获取该逆向特征的正向化数据;如果预定特征为正向特征,则将该正向特征的数据为该预定特征的正向化数据。在一个实施例中,可以采用多种手段进行数据正向化处理,如指标取倒数法,或用预定特征数据的最大值减去预定特征的数据的方法。在一个实施例中,采用公式:
x’=max(x)-x(1)
进行逆向特征的正向化处理,其中x为逆向特征的数据,x’为正向化数据,max(x)为逆向特征数据的最大值。这样的正向化处理方法为线性变换,不会改变指标值的分布规律,如图9所示:原始数据为从1,2,3,…,101的等差数列,取倒数的方法使得数据分布与原始分布差异较大,而通过上述公式变换后的正向化数据仍然是个等差数列,从而有利于获取更加直观的用户排序参数。
822为标准化处理单元,用于标准化处理预定特征的正向化数据,获取预定特征的标准化数据。在一个实施例中,可以采用极差标准化、均值标准化或离差标准化的方法获取标准化数据。
在一个实施例中,可以采用离差标准化的方式进行正向化数据的标准化处理,即将数据减去其样本平均值,然后除以样本标准差,这样处理后的数据符合标准正太分布,均值为0,标准差为1,其转化函数为:
x”=(x’-mean(x’))/(std(x’))(2)
其中,x”为正向化处理后的数据,x”为标准化数据,mean(x’)是对正向化数据求均值,std(x’)是对正向化数据求标准差。这样的方法稳健性高,不易受极端异常值影响;而极差标准化和均值标准化的方式在有极端异常值的情况下会使分母变得很大或很小,数据就会非常不均匀,而离差标准化方法分母采取标准差计算,受少数极端异常值的影响相对较小,可以较好避免其影响。
823为排序参数获取单元,用于根据多个预定特征的权重、基于预定特征的标准化数据确定用户排序参数。
这样的装置能够对预定特征的数据进行正向化、标准化计算,从而能够获取更加准确的用户排序参数。
本发明的数据库用户数据处理装置的另一个实施例的示意图如图10所示。其中,特征选定模块1001、排序参数确定模块1002和用户排序模块1003的结构和功能与图7的实施例中相似。数据库用户数据处理装置还包括分组排序列表获取模块1004,用于根据预定排序参数分位数个数对排序用户列表分组,获得分组排序用户列表。例如,预定排序参数分位数个数为n,则将排序用户列表按照预定排序参数大小分为n组,每组用户数相等。
这样的装置能够按照用户排序参数的大小将用户分组,从而方便操作者根据需要调取对应分组排序用户列表的数据,便于有针对性的进行数据调用和推送。
本发明的数据库用户数据处理装置的又一个实施例的示意图如图11所示。1101为预定特征选定模块,用于选定用户数据中多个预定特征,预定特征可以包括正向特征和逆向特征。1102为分类阈值确定模块,用于确定预定特征的分位数个数,根据分位数个数确定预定特征的用户分类阈值。1103为用户分类模块,用于基于每个预定特征的用户分类阈值对用户进行分类,获得多特征分类用户集合。例如某个预定特征对应的分位数个数为k1,则将预定特征的数据按照大小顺序分为k1类,每一类的用户数量相等,相邻两类的分割点数据即为用户分类阈值,需要确定k1-1个用户分类阈值。
这样的装置能够基于分位数进行用户分类阈值的确定,并根据多个预定特征的用户分类阈值获取多特征分类用户集合。由于采用分位数确定用户分类阈值,能够使阈值的确定更加客观,且能够适应不同数据情况的需求;获取的多特征分类用户集合能够方便使用者根据需要提取对应集合的数据,使用更加方便。
本发明的数据库用户数据处理装置的分类阈值确定模块的一个实施例的示意图如图12所示。1221为数据排序单元,用于将预定特征的数据进行排序。1222为阈值确定单元,用于根据预定特征对应的分位数个数将数据等分,分割点的数据为预定特征的用户分类阈值。例如某个预定特征对应的分位数个数为k1,则将预定特征的数据按照大小顺序分为k1类,每一类的用户数量相等,相邻两类的分割点数据即为用户分类阈值,需要确定k1-1个用户分类阈值。
这样的装置能够采用分位数的方式确定单个预定特征的用户分类阈值,并根据多个预定特征的用户分类阈值进行用户分类,获得多特征分类用户集合,分类的方式更加客观,且计算逻辑清晰,适用于多种场合,便于推广应用。
本发明的数据库用户数据处理装置的再一个实施例的示意图如图13所示。其中,预定特征选定模块1301、分类阈值确定模块1302和用户分类模块1303的结构和功能与图11的实施例中相似。数据库用户数据处理装置还包括:排序参数确定模块1304和用户排序模块1305。排序参数确定模块1304用于根据多个预定特征对应的权重、基于预定特征的数据确定多特征分类用户集合中的用户排序参数。可以分别计算每个多特征分类用户集合计算用户排序参数,也可以根据需要选取一个或多个多特征分类用户集合计算用户排序参数。用户排序模块1305用于按照用户排序参数的大小顺序对用户进行排序,获得分类排序用户列表。可以针对单个分类用户集合进行排序获取分类排序用户列表,也可以根据需要选取多个多特征分类用户集合进行用户排序参数排序,获得分类排序用户列表。
这样的装置能够在用户分类后计算用户排序参数,从而实现对用户的更准确的评价。由于可以在用户分类后选择一组或多组用户进行用户排序参数计算,更有针对性,且大大减少了需要运算的数据量,提高了效率。
本发明的数据库用户数据处理装置的另外一个实施例的示意图如图14所示。其中,预定特征选定模块1401、分类阈值确定模块1402和用户分类模块1403的结构和功能与图11的实施例中相似。数据库用户数据处理装置还包括配置模块1406,与分类阈值确定模块1402相连接,用于供操作者根据分组粒度需求配置预定分位数个数,从而使多特征分类用户集合的大小、数量符合实际需求,方便操作者利用获得的多特征分类用户集合进行实际应用。
本发明的数据库用户数据处理装置的其中一个实施例的示意图如图15所示。其中,预定特征选定模块1501、分类阈值确定模块1502、用户分类模块1503、排序参数确定模块1504和用户排序模块1505的结构和功能与图13的实施例中相似。数据库用户数据处理装置还包括配置模块1506,与分类阈值确定模块1502和排序参数确定模块1504相连接,供操作者可以根据需要配置预定分位数个数,以及多个预定特征的权重。由于操作者能够根据实际需求配置与每个预定特征对应的权重,在计算用户排序参数时,会使用操作者配置的权重对对应的数据进行加权,从而获得更符合实际需求的用户排序参数,使用户排序参数更有针对性;另外,由于操作者能够根据分组粒度需求配置预定分位数个数,使多特征分类用户集合的大小、数量符合实际需求,方便了操作者利用获得的多特征分类用户集合进行实际应用。
图16为本发明的数据库用户数据处理装置的其中另一个实施例的示意图。其中,预定特征选定模块1601、分类阈值确定模块1602和用户分类模块1603的结构和功能与图11的实施例中相似;同时,预定特征选定模块1601、排序参数确定模块1604和用户排序模块1605的结构和功能与图7的实施例中相似。配置模块1606与预定特征选定模块1601、分类阈值确定模块1602,以及排序参数确定模块1604连接。
当业务仅需要对整个用户群体做粗粒度划分时,操作者可以根据需要通过配置模块1606配置预定分位数个数并传递给分类阈值确定模块1602;操作者通过配置模块1606配置利用预定特征选定模块1601、分类阈值确定模块1602和用户分类模块1603确定多特征用户分类集合,选择需要的分类进行实际应用。
当业务需要根据每个用户的用户排序参数进行细粒度具体选择时,操作者可以根据需要通过配置模块1606配置预定特征的权重;操作者通过配置模块1606利用预定特征选定模块1601、排序参数确定模块1604和用户排序模块1605获得排序用户列表,选择用户排序参数排名靠前的预定数量的用户进行实际业务应用,或选择用户排序参数在预定值以上的用户进行实际业务应用。
使用这样的装置,操作者能够根据实际需求选择用户数据处理的方式,获得需要的结果,更加便于操作者的使用。
在一个实施例中,预定特征可以包括LRFMC模型的五个特征,其中:
L(lifetime):代表客户关系长度,为从第一次消费算起到统计时刻的时间长度。
R(Recency):代表客户最近一次消费距离统计时刻的时间长度。
F(Frequency):代表客户在预定时间内消费频率。
M(Monetary):代表客户在预定时间内的消费金额。
C(CostRatio):代表客户在预定时间内消费的折扣系数。
提取出的用于预定特征用例及对应的数据可以如表1所示:
用户名 | L(天) | R(天) | F(单) | M(元) | C(%) |
张三 | 365 | 7 | 45 | 5000 | 12.5 |
…… | …… | …… | …… | …… | …… |
表1用户预定特征用例及对应数据
利用LRFMC模型确定的预定特征包括用户首次消费到统计日期的时间长度、用户最近一次消费到统计日期的时间长度、用户在预定时间内的消费频率、用户在预定时间内的消费金额总和,以及用户在预定时间内参与的折扣比例。其中,用户最近一次消费到统计日期的时间长度和用户在预定时间内参与的折扣比例为逆向参数,其他为正向参数。例如,用户在预定时间内参与的折扣比例值越大说明用户消费所享受的折扣系数越大,这类用户对可能很大程度上是冲着打折促销等活动来的,所以对此类用户的应当做负评价处理,在推送折扣营销信息时应当在考虑成本制约的情况下有所限制,如果促销预算较大,可以适当放大该类用户的促销消息推送范围,反之,如果促销预算较小,应当减少此类用户的促销信息推送范围。采用这样的特征数据能够对用户的消费进行客观、准确的评价,从而方便操作者针对用户特性部署用户个性化方案。
本发明的数据库用户数据处理装置可以应用于分析客户数据,以便于操作者选择营销活动针对的用户群体。在一个应用案例中,预定特征包括上文中提到的LRFMC,当操作者需要开展针对男装高端用户的活动时,由于男装用户数众多,且营销成本有限,需要识别少量、高价值用户,所以M阈值较大,权重较高。可以配置LRFC阈值为中位数值、M阈值为90%分位数;或设置M权重设为0.4,LRFC设为0.15,按此权重计算最终得分,按得分降序排列,取前1万名用户。在另一个应用案例中,当操作者需要展开针对奢侈品的活动时,由于奢侈品用户相对较少,购买力高且差异性大,因此阈值采取中位数来获取多特征分组用户集合,或配置权重一律相等确定用户排序参数,选择排序用户列表中前5万用户开展活动。将本发明的装置应用于这样的场景时能够供操作者根据实际业务需求配置参数、选择数据处理方式,得到更加符合业务需求的数据。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (20)
1.一种数据库用户数据处理方法,其特征在于,包括:
选定用户数据中多个预定特征,所述预定特征包括正向特征和逆向特征;
根据所述预定特征的数据获取所述预定特征的正向化数据,所述预定特征的正向化数据包括所述正向特征的数据和正向化处理后的所述逆向特征的数据;
标准化处理所述预定特征的正向化数据获取所述预定特征的标准化数据;
根据多个所述预定特征的权重基于所述预定特征的标准化数据确定用户排序参数;
按照所述用户排序参数对用户进行排序获得排序用户列表。
2.根据权利要求1所述的方法,其特征在于,
对所述逆向特征的数据进行正向化处理包括:获取所述逆向特征的数据的最大值;将所述逆向特征的数据的最大值减去所述逆向特征的数据,确定所述逆向特征的正向化数据;
和/或,
所述标准化处理所述预定特征的正向化数据获取所述预定特征的标准化数据包括:采用离差标准化的方式标准化处理所述预定特征的正向化数据,获取所述预定特征的标准化数据。
3.根据权利要求1所述的方法,其特征在于,还包括:
根据所述用户排序参数分位数个数对所述排序用户列表进行分组,获得分组排序用户列表。
4.根据权利要求1所述的方法,其特征在于,所述预定特征包括:用户首次记录到统计日期的时间长度、用户最近一次记录到统计日期的时间长度、用户在预定时间内的记录频率、用户在预定时间内的记录数据总和,以及用户在预定时间内的记录数据总和占标准数据总和的比例。
5.一种数据库用户数据处理方法,其特征在于,包括:
选定用户数据中多个预定特征,所述预定特征包括正向特征和逆向特征;
确定所述预定特征的分位数个数,根据所述分位数个数确定所述预定特征的用户分类阈值;
基于多个所述预定特征的所述用户分类阈值对用户进行分类,获得多特征分类用户集合。
6.根据权利要求5所述的方法,其特征在于,所述确定所述预定特征的分位数个数,根据所述分位数个数确定所述预定特征的用户分类阈值包括:
将所述预定特征的数据进行排序;
根据所述预定特征的分位数个数将数据等分,确定分割点的数据为所述预定特征的用户分类阈值。
7.根据权利要求5所述的方法,其特征在于,还包括:
根据所述预定特征的数据获取所述多特征分类用户集合中所述预定特征的正向化数据,所述正向化数据包括所述正向特征的数据和正向化处理后的所述逆向特征的数据;
标准化处理所述预定特征的正向化数据,获取所述预定特征的标准化数据;
根据多个所述预定特征的权重,基于所述预定特征的标准化数据确定所述多特征分类用户集合中的用户排序参数;根据所述用户排序参数对用户进行排序,获得分类排序用户列表。
8.根据权利要求7所述的方法,其特征在于,
对所述逆向特征的数据进行正向化处理包括:获取逆向特征的数据的最大值;将所述逆向特征的数据的最大值减去所述逆向特征的数据,确定所述逆向特征的正向化数据;
和/或,
所述标准化处理所述预定特征的正向化数据,获取所述预定特征的标准化数据包括:采用离差标准化的方式标准化处理所述预定特征的正向化数据,获取所述预定特征的标准化数据。
9.根据权利要求7所述的方法,其特征在于,还包括:
获取操作者配置的所述分位数个数;
和/或
获取操作者配置的多个所述预定特征的权重。
10.根据权利要求5所述的方法,其特征在于,所述预定特征包括:用户首次记录到统计日期的时间长度、用户最近一次记录到统计日期的时间长度、用户在预定时间内的记录频率、用户在预定时间内的记录数据总和,以及用户在预定时间内的记录数据总和占标准数据总和的比例。
11.一种数据库用户数据处理装置,其特征在于,包括:
特征选定模块,用于选定用户数据中多个预定特征,所述预定特征包括正向特征和逆向特征;
排序参数确定模块,用于根据多个所述预定特征的权重、基于所述预定特征的数据确定用户排序参数;
其中,所述排序参数确定模块包括:
正向化处理单元,用于根据所述预定特征的数据获取所述预定特征的正向化数据,所述正向化数据包括所述正向特征的数据和正向化处理后的所述逆向特征的数据;
标准化处理单元,用于标准化处理所述预定特征的正向化数据,获取所述预定特征的标准化数据;
排序参数获取单元,用于根据多个所述预定特征的权重,基于所述预定特征的标准化数据确定用户排序参数;
用户排序模块,用于按照所述用户排序参数对用户进行排序,获得排序用户列表。
12.根据权利要求11所述的装置,其特征在于,
所述正向化处理单元用于获取所述逆向特征的数据的最大值,将所述逆向特征的数据的最大值减去所述逆向特征的数据,确定所述逆向特征的正向化数据;
和/或,
所述标准化处理单元具体用于采用离差标准化的方式标准化处理预定特征的正向化数据,获取所述预定特征的标准化数据。
13.根据权利要求11所述的装置,其特征在于,还包括:
分组排序列表获取模块,用于根据预定排序参数分位数个数对所述用户排序模块确定的所述排序用户列表分组,获得分组排序用户列表。
14.根据权利要求11所述的装置,其特征在于,所述预定特征包括:用户首次记录到统计日期的时间长度、用户最近一次记录到统计日期的时间长度、用户在预定时间内的记录频率、用户在预定时间内的记录数据总和,以及用户在预定时间内的记录数据总和占标准数据总和的比例。
15.一种数据库用户数据处理装置,其特征在于,包括:
预定特征选定模块,用于选定用户数据中多个预定特征,所述预定特征包括正向特征和逆向特征;
分类阈值确定模块,用于确定所述预定特征的分位数个数,根据所述分位数个数确定所述预定特征的用户分类阈值;
用户分类模块,用于基于每个所述预定特征的用户分类阈值对用户进行分类,获得多特征分类用户集合。
16.根据权利要求15所述的装置,其特征在于,所述分类阈值确定模块包括:
数据排序单元,用于将所述预定特征的数据进行排序;
阈值确定单元,用于根据所述预定特征对应的分位数个数将数据等分,确定分割点的数据为所述预定特征的用户分类阈值。
17.根据权利要求15所述的装置,其特征在于,还包括:
排序参数确定模块,用于根据多个所述预定特征的权重、基于所述预定特征的数据确定多特征分类用户集合中的用户排序参数;
其中,所述排序参数确定模块包括:
正向化处理单元,用于根据所述预定特征的数据获取所述多特征分类用户集合中所述预定特征的正向化数据,所述正向化数据包括所述正向特征的数据和正向化处理后的所述逆向特征的数据;
标准化处理单元,用于标准化处理预定特征的正向化数据,获取所述预定特征的标准化数据;
排序参数获取单元,用于根据多个所述预定特征对应的权重,基于所述多特征分类用户集合中所述预定特征的标准化数据确定用户排序参数;
用户排序模块,用于根据所述用户排序参数对用户进行排序,获得分类排序用户列表。
18.根据权利要求17所述的装置,其特征在于,
所述正向化处理单元用于获取逆向特征的数据的最大值;将所述预定特征的数据的最大值减去所述预定特征的数据,确定所述预定特征的正向化数据;
和/或,
所述排序参数获取单元用于采用离差标准化的方式标准化处理所述预定特征的正向化数据,获取所述预定特征的标准化数据。
19.根据权利要求17所述的装置,其特征在于,还包括:
配置模块,用于供操作者配置所述预定分位数个数,和/或供操作者配置所述预定特征的权重。
20.根据权利要求15所述的装置,其特征在于,所述预定特征包括:用户首次记录到统计日期的时间长度、用户最近一次记录到统计日期的时间长度、用户在预定时间内的记录频率、用户在预定时间内的记录数据总和,以及用户在预定时间内的记录数据总和占标准数据总和的比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610190985.8A CN105677925B (zh) | 2016-03-30 | 2016-03-30 | 数据库用户数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610190985.8A CN105677925B (zh) | 2016-03-30 | 2016-03-30 | 数据库用户数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105677925A true CN105677925A (zh) | 2016-06-15 |
CN105677925B CN105677925B (zh) | 2021-10-15 |
Family
ID=56224602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610190985.8A Active CN105677925B (zh) | 2016-03-30 | 2016-03-30 | 数据库用户数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105677925B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446543A (zh) * | 2016-09-21 | 2017-02-22 | 北京顺源开华科技有限公司 | 健康数据处理方法、装置及服务器集群 |
CN107145995A (zh) * | 2017-03-17 | 2017-09-08 | 北京市安全生产科学技术研究院 | 生产环境安全性预测方法、装置和系统 |
CN107886372A (zh) * | 2017-12-06 | 2018-04-06 | 中国南方航空股份有限公司 | 客户价值发现方法 |
CN110555164A (zh) * | 2019-07-23 | 2019-12-10 | 平安科技(深圳)有限公司 | 群体兴趣标签的生成方法、装置、计算机设备和存储介质 |
CN110598090A (zh) * | 2019-07-23 | 2019-12-20 | 平安科技(深圳)有限公司 | 兴趣标签的生成方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177017A (zh) * | 2011-12-22 | 2013-06-26 | 阿里巴巴集团控股有限公司 | 一种训练服务质量评估模型的方法及装置 |
CN104462245A (zh) * | 2014-11-19 | 2015-03-25 | 亚信科技(南京)有限公司 | 一种用户上网偏好数据识别方法 |
CN105281925A (zh) * | 2014-06-30 | 2016-01-27 | 腾讯科技(深圳)有限公司 | 网络业务用户群组划分的方法和装置 |
-
2016
- 2016-03-30 CN CN201610190985.8A patent/CN105677925B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177017A (zh) * | 2011-12-22 | 2013-06-26 | 阿里巴巴集团控股有限公司 | 一种训练服务质量评估模型的方法及装置 |
CN105281925A (zh) * | 2014-06-30 | 2016-01-27 | 腾讯科技(深圳)有限公司 | 网络业务用户群组划分的方法和装置 |
CN104462245A (zh) * | 2014-11-19 | 2015-03-25 | 亚信科技(南京)有限公司 | 一种用户上网偏好数据识别方法 |
Non-Patent Citations (1)
Title |
---|
王扶东等: ""基于数据挖掘的客户细分方法的研究"", 《计算机工程与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446543A (zh) * | 2016-09-21 | 2017-02-22 | 北京顺源开华科技有限公司 | 健康数据处理方法、装置及服务器集群 |
CN107145995A (zh) * | 2017-03-17 | 2017-09-08 | 北京市安全生产科学技术研究院 | 生产环境安全性预测方法、装置和系统 |
CN107886372A (zh) * | 2017-12-06 | 2018-04-06 | 中国南方航空股份有限公司 | 客户价值发现方法 |
CN107886372B (zh) * | 2017-12-06 | 2023-02-17 | 中国南方航空股份有限公司 | 客户价值发现方法 |
CN110555164A (zh) * | 2019-07-23 | 2019-12-10 | 平安科技(深圳)有限公司 | 群体兴趣标签的生成方法、装置、计算机设备和存储介质 |
CN110598090A (zh) * | 2019-07-23 | 2019-12-20 | 平安科技(深圳)有限公司 | 兴趣标签的生成方法、装置、计算机设备和存储介质 |
CN110598090B (zh) * | 2019-07-23 | 2023-04-11 | 平安科技(深圳)有限公司 | 兴趣标签的生成方法、装置、计算机设备和存储介质 |
CN110555164B (zh) * | 2019-07-23 | 2024-01-05 | 平安科技(深圳)有限公司 | 群体兴趣标签的生成方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105677925B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105677925A (zh) | 数据库用户数据处理方法和装置 | |
CN111062757B (zh) | 基于多路径寻优匹配的信息推荐方法及系统 | |
CN108304427B (zh) | 一种用户客群分类方法和装置 | |
CN108363821A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
CN104298679A (zh) | 应用业务推荐方法及装置 | |
CN107818334A (zh) | 一种移动互联网用户访问模式表征和聚类方法 | |
CN105225135B (zh) | 潜力客户识别方法以及装置 | |
CN105512916A (zh) | 广告精准投放方法和系统 | |
CN108304853A (zh) | 游戏相关度的获取方法、装置、存储介质和电子装置 | |
CN107179930A (zh) | 一种应用卸载推荐方法及装置 | |
CN102402717A (zh) | 数据分析设备和方法 | |
CN111967521A (zh) | 跨境活跃用户识别方法及装置 | |
CN111986027A (zh) | 基于人工智能的异常交易处理方法、装置 | |
CN109145109B (zh) | 基于社交网络的用户群体消息传播异常分析方法及装置 | |
CN114238360A (zh) | 一种用户行为分析系统 | |
CN112150179B (zh) | 一种信息推送方法和装置 | |
CN109462635B (zh) | 一种信息推送方法、计算机可读存储介质及服务器 | |
CN110489175A (zh) | 服务处理方法、装置、服务器及存储介质 | |
US20160274609A1 (en) | Classifying utility consumption of consumers | |
CN115511536A (zh) | 客户终身价值分析方法及装置 | |
CN116245399A (zh) | 模型训练方法、装置、非易失性存储介质及电子设备 | |
CN110210884A (zh) | 确定用户特征数据的方法、装置、计算机设备及存储介质 | |
CN103955526A (zh) | 数据存储方法和装置 | |
CN114238375A (zh) | 指标查询方法、装置、电子设备及存储介质 | |
CN112819520A (zh) | 一种运营商客户生命周期计算方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |