CN106372964A

CN106372964A - 一种行为忠诚度的识别及管理方法、系统和终端

Info

Publication number: CN106372964A
Application number: CN201610755244.XA
Authority: CN
Inventors: 曹杰; 冯雨晖; 宿晓坤; 李华剑
Original assignee: BEIJING HONGMA MEDIA CULTURE DEVELOPMENT CO LTD
Current assignee: BEIJING HONGMA MEDIA CULTURE DEVELOPMENT CO LTD
Priority date: 2016-08-29
Filing date: 2016-08-29
Publication date: 2017-02-01

Abstract

本发明提供了一种行为忠诚度的识别及管理方法、系统和终端。该方法包括：获取网络用户的目标行为数据；提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据；将所述行为忠诚度特征数据量化；将所述量化后的行为忠诚度特征数据建模；将所述建模后输出的数据固化。本发明提供的一种行为忠诚度的识别及管理方法、系统和终端通过得出用户行为对某一基础行为特征的忠诚度，在进行用户精准营销的时候，可以更精准的圈定用户，提升营销转化率。

Description

一种行为忠诚度的识别及管理方法、系统和终端

技术领域

本发明涉及电子商务领域，尤其涉及一种行为忠诚度的识别及管理方法、系统和终端。

背景技术

在电商或者社交等以用户为基础的行业中往往会存在对用户忠诚度的评定，用户忠诚度又叫客户忠诚度，又可称为客户粘度，是指客户对某一特定产品或服务产生了好感，形成了"依附性"偏好，进而重复购买的一种趋向。通过此项指标可以了解用户对电商或者对社交平台的忠诚度，为优化用户体验、提升企业的服务品质提供数据支持和指导。

发明人在研究的过程中发现，现有技术中，并没有提及用户对企业以外的第三方的忠诚度，如，在演出娱乐行业中，用户是以艺人为导向进行消费的，如果可以提取用户对艺人的忠诚度这一重要的指标，便可有正对性对用户的消费行为进行分类，有利于企业核心竞争力的形成，对企业业务流程和组织结构将产生重大的影响。

用户对艺人的忠诚度虽然是一个抽象性的特征，但是可以通过科学的方法对其进行量化评估，用户在网络中的行为，包括但不限于对演唱会、明星周边的浏览、咨询、订阅、收藏、购买、评论，在社交媒体中发表的言论，对新闻资源的评论、转发等等，都可以展现出用户对艺人的忠诚度。如有在演出娱乐业中票务网站的用户对演出项目中的艺人的忠诚度的评定及管理，则会对会员营销、项目营销、个性化推荐、演出评估、演出预测等进行有向指导。

因此，急需一种对网络中行为忠诚度的识别及管理的技术方案，来提升营销转化率。

发明内容

本发明的主要目的在于提供一种行为忠诚度的识别及管理方法、系统和终端，从而丰富企业的用户画像，为会员营销、项目营销、个性化推荐、演出评估、演出预测等打下坚实的数据基础，为下一步的营销目标提供有向指导。

本发明一方面提供了一种行为忠诚度的识别及管理方法，包括：

获取网络用户的目标行为数据；

提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据；

将所述行为忠诚度特征数据量化；

将所述量化后的行为忠诚度特征数据建模；

将所述建模后输出的数据固化。

进一步的，所述获取网络用户的目标行为数据，包括：

获取至少一个网络目标用户基于自身行为产生的目标行为数据。

进一步的，所述提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据，包括：

提取所述目标行为数据中携带基础行为特征的多个目标行为特征数据；

将多个所述目标行为特征数据分类，并将分类后的目标行为特征数据定性为基于所述基础行为特征的行为忠诚度特征数据。

进一步的，所述将所述行为忠诚度特征数据量化，包括：

查询所述基础行为特征携带的基础行为特征值；

计算所述行为忠诚度特征数据基于所述基础行为特征值的目标特征及目标特征值。

进一步的，所述将所述量化后的行为忠诚度特征数据建模，包括：

将量化后的行为忠诚度特征数据建立线性权重模型后输出权重模型的权重参数；

将量化后的行为忠诚度特征数据建立聚类分析模型后输出聚类模型的每个类别的数据口径。

进一步的，所将所述建模后输出的数据固化，包括：

将所述建模后输出的权重模型的权重参数和输出的聚类模型的每个类别的数据口径固化。

本发明另一方面还提供了一种行为忠诚度的识别及管理系统，包括：

获取模块，用于获取网络用户的目标行为数据；

提取模块，用于提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据；

量化模块，用于将所述行为忠诚度特征数据量化；

建模模块，用于将所述量化后的行为忠诚度特征数据建模；

固化模块，用于将所述建模后输出的数据固化。

进一步的，所述获取模块，包括：

获取单元，用于获取至少一个网络目标用户基于自身行为产生的目标行为数据。

进一步的，所述提取模块，包括：

提取单元，用于提取所述目标行为数据中携带基础行为特征的多个目标行为特征数据；

定性单元，用于将多个所述目标行为特征数据分类，并将分类后的目标行为特征数据定性为基于所述基础行为特征的行为忠诚度特征数据。

进一步的，所述量化模块，包括：

查询单元，用于查询所述基础行为特征携带的基础行为特征值；

量化单元，用于计算所述行为忠诚度特征数据基于所述基础行为特征值的目标特征及目标特征值。

进一步的，所述建模模块，包括：

第一建模单元，用于将量化后的行为忠诚度特征数据建立线性权重模型后输出权重模型的权重参数；

第二建模单元，用于将量化后的行为忠诚度特征数据建立聚类分析模型后输出聚类模型的每个类别的数据口径。

进一步的，所述固化模块，包括：

固化单元，用于将所述输出的权重模型的权重参数和输出的聚类模型的每个类别的数据口径固化。

本发明另一方面还提供了一种行为忠诚度的识别及管理终端，包括前述任一项所述的系统。

本发明通过获取网络用户的目标行为数据；提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据；将所述行为忠诚度特征数据量化；将所述量化后的行为忠诚度特征数据建模；将所述建模后输出的数据固化的技术方案，得出用户行为对某一基础行为特征的忠诚度，在进行用户精准营销的时候，可以更精准的圈定用户，提升营销转化率。

附图说明

图1为根据本发明的一种行为忠诚度的识别及管理方法的实施例一的流程图；

图2为根据本发明的一种行为忠诚度的识别及管理系统的实施例二的流程图；

图3为根据本发明的一种行为忠诚度的识别及管理系统获取模块的实施例二的流程图；

图4为根据本发明的一种行为忠诚度的识别及管理系统提取模块的实施例二的流程图；

图5为根据本发明的一种行为忠诚度的识别及管理系统量化模块的实施例二的流程图；

图6为根据本发明的一种行为忠诚度的识别及管理系统建模模块的实施例二的流程图；

图7为根据本发明的一种行为忠诚度的识别及管理系统固化模块的实施例二的流程图；

图8为根据本发明的一种行为忠诚度的识别及管理终端的实施例三的流程图。

具体实施方式

下面结合附图对本发明实施例提供的了一种行为忠诚度的识别及管理方法、系统及终端进行详细描述。

本发明结合用户的目标行为数据(如浏览、咨询、订阅、收藏、购买、评论等行为)设计权重模型，评估用户对某一基础行为特征(如艺人)的忠诚度，并对忠诚度划分等级，从行为上全方位的描述了用户对某一基础行为特征的粘度。

实施例一

参照图1，图1示出了本发明的方法的一实施例的流程图，包括步骤S110-S150。

本发明实施例一提供了一种行为忠诚度的识别及管理方法，包括：

在步骤S110中，获取网络用户的目标行为数据。

具体的，获取至少一个网络目标用户基于自身行为产生的目标行为数据。例如，可根据情况通过网络爬虫或自有的业务数据获取目标行为数据，优选为网站的注册用户的行为数据作为目标行为数据，所述目标行为数据包括但不限于购买行为产生的订单数据；订阅行为产生的订阅数据；评论行为产生的评论数据；搜索行为产生的搜索数据；浏览行为产生的浏览数据；收藏行为产生的收藏数据；注册信息数据；购买行为发生时的问答数据中的一种或多种。

在步骤S120中，提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据。

具体的，提取所述目标行为数据中携带基础行为特征的多个目标行为特征数据，将多个所述目标行为特征数据分类，并将分类后的目标行为特征数据定性为基于所述基础行为特征的行为忠诚度特征数据。其中，所述基础行为特征包括存储的艺人、公司、商品等的多维度特征。基础行为特征携带基础行为特征识别数据。所述目标行为特征数据包括携带基础行为特征的多维度信息，包括正反馈信息和负反馈信息。

一具体应用例子，如获取网络用户的目标行为数据为用户购买行为产生的订单数据，基础行为特征以某艺人为例，提取所述购买行为产生的订单数据中携带艺人的行为特征的行为忠诚度特征数据如下：

忠诚度特征数据一：价格因素：用户在艺人身上花费的资金数额+时间属性；

忠诚度特征数据二：质量因素：用户与艺人相关订单的退单行为(成单比例)+时间属性；

忠诚度特征数据三：购买意愿深度细分：

(1)用户对艺人的项目的重复购买的行为；

(2)用户购买的艺人的项目的交叉度(品类上的)；

(3)从浏览项目详情页面到下单的犹豫时间；

(4)用户在艺人相关的项目详情页面上的停留时间；

(5)用户在购买渠道的多样性：PC、移动、电话门市等；

(6)用户跨地域购买情况：演出地与收货地之间的距离。

忠诚度特征数据四：付款成分深度细分：价格忠诚度分析：低价项目购买频次，价格忍耐能力；激励忠诚度分析：购买项目的时候使用了优惠券、超级票等优惠政策的频率及金额占比。

另一具体应用例子，如获取网络用户的目标行为数据为用户订阅行为产生的订阅数据，基础行为特征以某艺人为例，提取所述订阅行为产生的订阅数据中携带艺人的行为特征的行为忠诚度特征数据如下：忠诚度特征数据为：订阅行为：订单项目或者艺人+时间属性。

另一具体应用例子，如获取网络用户的目标行为数据为用户评论行为产生的评论数据，基础行为特征以某艺人为例，提取所述评论行为产生的评论数据中携带艺人的行为特征的行为忠诚度特征数据如下：忠诚度特征数据为：NLP技术获取艺人的提及的数量+时间属性；NLP技术获取包含艺人的项目的提及的数量+时间属性。

另一具体应用例子，如获取网络用户的目标行为数据为用户搜索行为产生的搜索数据，基础行为特征以某艺人为例，提取所述搜索行为产生的搜索数据中携带艺人的行为特征的行为忠诚度特征数据如下：忠诚度特征数据为：艺人被搜索的次数+时间属性；艺人的项目的次数+时间属性。

另一具体应用例子，如获取网络用户的目标行为数据为用户浏览行为产生的浏览数据，基础行为特征以某艺人为例，提取所述浏览行为产生的浏览数据中携带艺人的行为特征的行为忠诚度特征数据如下：浏览艺人的次数+时间属性；浏览了艺人的项目的次数+时间属性。

另一具体应用例子，如获取网络用户的目标行为数据为用户收藏行为产生的收藏数据，基础行为特征以某艺人为例，提取所述收藏行为产生的收藏数据中携带艺人的行为特征的行为忠诚度特征数据如下：收藏艺人的行为+时间属性；收藏艺人的项目行为+时间属性。

另一具体应用例子，如获取网络用户的目标行为数据为用户注册信息，基础行为特征以某艺人为例，提取所述用户注册信息中携带艺人的行为特征的行为忠诚度特征数据如下：用户身份信息的完备程度：用户在购买的时候，身份证、联系方式(电话、邮箱)信息的绑定情况来评估；用户对艺人的熟悉程度：用户在购买的时候，问答信息回答的正确率及思考时间。

在步骤S130中，将所述行为忠诚度特征数据量化。

包括：查询所述基础行为特征携带的基础行为特征值；计算所述行为忠诚度特征数据基于所述基础行为特征值的目标特征及目标特征值。

其中，行为忠诚度特征数据的量化分析主要是对步骤S120中的行为忠诚度特征数据进行量化，目的在于抽取网络用户的目标行为数据对基础行为特征(如艺人)在各行为上的特征及特征值。量化过程涉及多种方法，包括但不限于：平均值、最大值、最小值、中位数、连续数据的离散化、隐式评分转换等。

一优选实施例，以下是在步骤S120中所列的行为忠诚度特征数据进行量化的过程：

其中，符号定义说明：用户：U；用户列表：{U}；项目：I；项目列表：{I}；艺人：A；艺人列表：{A}；品类：C；品类列表：{C}；订单：O；订单列表：{O}；用户对艺人X行为关联表：UA_X；用户对项目X行为关联表：UI_X；项目与艺人关联表：IA；项目与品类关联表：IC；列表中的元素X：(X)。

一具体应用例子，购买行为产生的订单数据中携带艺人的行为特征的行为忠诚度特征数据的价格特征计算：

1.用户对项目的成交订单行为UI_O和项目与艺人关联表IA关联，得到{U－A－O}；

2.按(U－A)分组得到{U－A－{O}}；

3.对{U－A－{O}}中的每一个元素(U－A－{O})；

a)最大订单金额：Max(O_money)；

b)最小订单金额：Min(O_money)；

c)订单总金额：Sum(O_money)；

d)平均订单金额：Avg(O_money)；

4.在分组的基础上计算全局的：

a)最大订单金额均值：GMaxAvg(Max(O_money))；

b)最小订单金额均值：GMinAvg(Min(O_money))；

c)订单总金额均值：GSumAvg(Sum(O_money))；

d)全局平均订单金额：GAvg(Avg(O_money))；

5.对每一个(U－A－{O})分组中价格等级划分为16级，依据表：

等级值	平均订单金额	订单总额	最大订单金额	最小订单金额
					1	<	<	<	<
2	<	<	<	>＝
					3	<	<	>＝	<
4	<	<	>＝	>＝
					5	<	>＝	<	<
6	<	>＝	<	>＝
					7	<	>＝	>＝	<
8	<	>＝	>＝	>＝
					9	>＝	<	<	<
10	>＝	<	<	>＝
					11	>＝	<	>＝	<
12	>＝	<	>＝	>＝
					13	>＝	>＝	<	<
14	>＝	>＝	<	>＝
					15	>＝	>＝	>＝	<
16	>＝	>＝	>＝	>＝

其中从左到右，每一列的值的组成如下：

(1)平均订单金额与全局平均订单金额对比；

(2)订单总额与全局订单总额均值对比；

(3)最大订单金额与全局最大订单金额均值对比；

(4)最小订单金额与全局最小订单金额均值对比。

6.依据表所得到的等级值，即为用户购买行为产生的订单数据中携带艺人的行为特征的行为忠诚度特征数据的价格特征值。

另一具体应用例子，购买行为产生的订单数据中携带艺人的行为特征的行为忠诚度特征数据退单特征计算：

1.用户对项目的所有订单行为UI_O和项目与艺人关联表IA关联，得到{U－A－O}；2.按(U－A)分组得到{U－A－{O}}；3.对{U－A－{O}}中的每一个元素(U－A－{O})：

成功订单计数：SCount(O_success)；

未成功订单计数：FCount(O_failed)；

成单比率：SFRate(O)＝SCount(O_success)/FCount(O_failed)；

4.上述的成单比率，即为用户购买－退单特征值:

SFRate(O)＝(SCount(O_success))/(FCount(O_failed))。

另一具体应用例子，购买行为产生的订单数据中携带艺人的行为特征的行为忠诚度特征数据意愿特征计算：

1.用户对项目的所有订单行为UI_O和项目与艺人关联表IA关联，得到{U－A－O}；

2.按(U－A)分组得到{U－A－{O}}；

3.对{U－A－{O}}中的每一个元素(U－A－{O})：a)订单数：Count(O)；b)品类数：Count(O_category)；c)购买渠道数：Count(O_channel)；d)收货城市City(R)市与演出城市City(P)之间的平均距离：Avg(dist(City(R),City(P)))；

4.在分组的基础上计算全局的：

a)全局平均订单数：Avg(Count(O))；

b)全局平均品类数据：Avg(Count(O_cagegory))；

c)全局平均购买渠道数：Avg(Count(O_channel))；

d)全局平均城市距离：GAvg(distance(City(R),City(P)))。

5.依据上述产生的每分组和全局的计算值，依据下公式得出意愿特征等级值：

\begin{matrix} w_{1} \times \frac{C o u n t (O)}{A v g (C o u n t (O))} + w_{2} \times \frac{C o u n t (O_c a t e g o r y)}{A v g (C o u n t (O_c a t e g o r y))} + w_{3} \times \frac{C o u n t (O_c h a n n e l)}{A v g (C o u n t (O_c h a n n e l))} \\ + w_{4} \times \frac{A v g (d i s (C i t y (R), C i t y (P)))}{G A v g (d i s t (C i t y (R), C i y t (P)))} \end{matrix}

另一具体应用例子，购买行为产生的订单数据中携带艺人的行为特征的行为忠诚度特征数据付款成分特征计算：

2.按(U－A)分组得到{U－A－{O}}；

3.对{U－A－{O}}中的每一个元素(U－A－{O})，计算维度值：

a)低价项目的购买频次：Count(O_lowprice)；

b)高价项目的购买频次：Count(O_highprice)；

c)优惠券使用频次：Count(O_coupon)；

d)总优惠券金额占总消费金额比：CouponRate(O)；

e)超级票使用频次：Count(O_sticket)；

f)总超级票金额占总消费金额比：STicketRate(O)。

4.在分组的基础上进行计算各维度的全局量：

a)全局低价项目购买平均频次：Avg(Count(O_lowprice))；

b)全局高价项目购买平均频次：Avg(Count(O_highprice))；

c)全局优惠券使用平均频次：Avg(Count(O_coupon))；

d)全局总优惠券金额占总消费金额平均占比：Avg(CouponRate(O))；

e)全局超级票使用平均频次：Avg(Count(O_sticket))；

f)全局超级票金额占总消费金额比：Avg(STicketRate(O))；

5.使用如下公式进行合并：

V_{{U, A}} = Σ_{i = 1}^{N} w_{i} \times \frac{D_{i}}{G_{i}}

其中：

(1){Di}为付款成分中分析得到的维度信息量化值列表；

(2){Gi}为付款成分中分析得到的对应维度的全局量化值列表；

(3){Wi}为付款成分中分析得到的对应维度合并时的权重值。

另一具体应用例子，订阅、评论、搜索、浏览、收藏行为产生的订单数据中携带艺人的行为特征的行为忠诚度特征数据特征值计算：

对订阅、评论、搜索、浏览、收藏的每一个行为，X＝{订阅、评论、搜索、浏览、收藏}，做如下操作：

1.用户对项目的所有X行为UI_X和项目与艺人关联表IA关联，得到{U－A－{X1}}；

2.按(U－A)分组得到{U－A－{X1}}；

3.用户对艺人的所有X行为表UA_X，得到{U－A－{X2}}，将它与2中产生的结果进行合并，得到：{U－A－{X}}；

4.对{U－A－{X}}中的每一个元素(U－A－{X})，计算：

a)X行为的发生的频次：Freq(X)；

5.计算全局的X行为发生的频次计算均值：Avg(Freq(X))；

6.依据如下公式计算特征值：

\underset{x &Element; X}{Σ} W_{x} \frac{F r e q (x)}{A v g (F r e q (x))}

其中：{Wx}表示各行为类型的权重。

另一具体应用例子，用户注册信息数据中携带艺人的行为特征的行为忠诚度特征数据的信息完备度特征值计算：

注册用户信息的完备度量化中维度划分：

a)是否绑定身份证信息：Has(IDCard)；

b)存在注册手机号信息：Has(RegMobile)；

c)存在注册邮箱信息：Has(RegEmail)；

d)存在收货手机号信息：Has(RecvMobile)；

e)存在收货邮箱信息：Has(RecvEmail)；

其中：

2.依据如下权重公式，计算用户身份信息完备度：InfoRate：

I n f o R a t e = \underset{d &Element; D}{Σ} W_{d} \times H a s (d)

3.用户对艺人的熟悉程度：FamiliarRate：

a)购买艺人项目时在问答环节首轮答题平均正确率：Avg(CorrectRate(Q))；

b)购买艺人项目时在问答环节:

首轮答题平均耗时(单位：秒)：Avg(Elapse(Q))；

全局首轮答题平均答题耗时(单位：秒)：GAvg(Elapse(Q))；

c)熟悉度计算如下：

F a m i l a r R a t e = W_{1} \times A v g (C o r r e c t R a t e (Q)) + W_{2} \times \frac{A v g (E l a p s e (Q)}{G A v g (E l a s p e (Q))}

4.用户信息完备度CompleteRate计算如下：

CompleteRate＝W₁×InfoRate+W₂×FamilarRate。

在步骤S140中，将所述量化后的行为忠诚度特征数据建模。

包括：将量化后的行为忠诚度特征数据建立线性权重模型后输出权重模型的权重参数；将量化后的行为忠诚度特征数据建立聚类分析模型后输出聚类模型的每个类别的数据口径。

一优选实施例，针对步骤S130的优选实施例，本步骤中完成用户对艺人忠诚度进行最终的评定及定级：用户对艺人忠诚度评定：主要使用线性权重模型进行确定；用户对艺人忠诚度定级：主要使用聚类分析模型进行确定。得到的输出结果：权重模型的权重参数；聚类模型的每个类别的数据口径。

一具体的实施方法：

通过步骤S130可以得到6个维度上的用户对艺人的特征值信息：

a)价格特征计算：UP_PF；

b)退单特征计算：UP_RF；

c)意愿特征计算：UP_WF；

d)付款成分特征计算：UP_MF；

e)订阅、评论、搜索、浏览、收藏行为－特征值计算：UO_FV；

f)信息完备度－特征值计算：UI_FV；

特征向量结构如下：

{U－A－Features}

其中：Features＝{UP_PF,UP_RF,UP_WF,UP_MF,UO_FV}

得到的特征向量，有两种方式评估用户对艺人的忠诚度：(1)通过权重模型进行确定；(2)使用聚类分析的方法确定用户对艺人忠诚度级别。

1)权重模型：

{LV}_{U - A} = \underset{x &Element; F e a t u r e s}{Σ} W_{x} * x

其中，{Wx}表示每一个特征值上加的权重值。

2)聚类分析：

聚类分析，主要是为了圈定用户对艺人忠诚度的群体，有多种方式可以使用，包括但不限于:基于划分聚类算法、基于层次聚类算法、基于密度聚类算法、基于网格的聚类算法、基于神经网络的聚类算法，这里使用基于划分聚类算法中的kmeans进行分析；

Kmeans的方法步骤如下：

a)从D中随机取k个元素，作为k个簇的各自的中心。

b)分别计算剩下的元素到k个簇中心的相异度，将这些元素分别划归到相异度最低的簇。

c)根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数。

d)将D中全部元素按照新的中心重新聚类。

e)重复步骤d，直到聚类结果不再变化。

f)将结果输出。

在KMeans的基础上，通过对聚类结果进行人工抽样分析确定各个聚类的特点，然后对聚类结果定级，生成最终的用户艺人忠诚度等级。

在步骤S150中，将所述建模后输出的数据固化。

包括：将所述建模后输出的权重模型的权重参数和输出的聚类模型的每个类别的数据口径固化。如，通过程序代码固化。

本发明实施例一，通过获取网络用户的目标行为数据；提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据；将所述行为忠诚度特征数据量化；将所述量化后的行为忠诚度特征数据建模；将所述建模后输出的数据固化的技术方案，通过多维度分析，分析范围涉及到用户直接对艺人的行为以及间接对艺人的行为；通过隐式转换分析，将抽象的忠诚度概念通过用户的行为进行量化计算；并通过聚类分析，从数据本身的特征出发圈定用户对艺人忠诚度的级别；得出用户行为对某一基础行为特征的忠诚度，在进行用户精准营销的时候，可以更精准的圈定用户，提升营销转化率。

实施例二

如图2-7所示，本发明实施例二还提供了一种行为忠诚度的识别及管理系统200，包括：

获取模块21，用于获取网络用户的目标行为数据。

提取模块22，用于提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据。

量化模块23，用于将所述行为忠诚度特征数据量化。

建模模块24，用于将所述量化后的行为忠诚度特征数据建模。

固化模块25，用于将所述建模后输出的数据固化。

所述获取模块21，包括：

获取单元211，用于获取至少一个网络目标用户基于自身行为产生的目标行为数据。

所述提取模块22，包括：

提取单元221，用于提取所述目标行为数据中携带基础行为特征的多个目标行为特征数据；

定性单元222，用于将多个所述目标行为特征数据分类，并将分类后的目标行为特征数据定性为基于所述基础行为特征的行为忠诚度特征数据。

所述量化模块23，包括：

查询单元231，用于查询所述基础行为特征携带的基础行为特征值；

量化单元232，用于计算所述行为忠诚度特征数据基于所述基础行为特征值的目标特征及目标特征值。

所述建模模块24，包括：

第一建模单元241，用于将量化后的行为忠诚度特征数据建立线性权重模型后输出权重模型的权重参数；

第二建模单元242，用于将量化后的行为忠诚度特征数据建立聚类分析模型后输出聚类模型的每个类别的数据口径。

所述固化模块25，包括：

固化单元251，用于将所述输出的权重模型的权重参数和输出的聚类模型的每个类别的数据口径固化。具体实现的功能和处理方式参见实施例一的步骤S110-S150。

由于本实施例二的系统所实现的处理及功能基本相应于前述图1所示的方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例一中的相关说明，在此不做赘述。

本发明实施例二，通过获取模块获取网络用户的目标行为数据；并通过提取模块提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据；通过量化模块将所述行为忠诚度特征数据量化；又通过建模模块将所述量化后的行为忠诚度特征数据建模；通过固化模块将所述建模后输出的数据固化的技术方案，通过多维度分析，分析范围涉及到用户直接对艺人的行为以及间接对艺人的行为；通过隐式转换分析，将抽象的忠诚度概念通过用户的行为进行量化计算；并通过聚类分析，从数据本身的特征出发圈定用户对艺人忠诚度的级别；得出用户行为对某一基础行为特征的忠诚度，在进行用户精准营销的时候，可以更精准的圈定用户，提升营销转化率。

实施例三

本发明实施例三还提供了一种行为忠诚度的识别及管理终端300，包括前述任一项所述的系统200。

本发明实施例三，通过获取网络用户的目标行为数据；提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据；将所述行为忠诚度特征数据量化；将所述量化后的行为忠诚度特征数据建模；将所述建模后输出的数据固化的技术方案，通过多维度分析，分析范围涉及到用户直接对艺人的行为以及间接对艺人的行为；通过隐式转换分析，将抽象的忠诚度概念通过用户的行为进行量化计算；并通过聚类分析，从数据本身的特征出发圈定用户对艺人忠诚度的级别；得出用户行为对某一基础行为特征的忠诚度，在进行用户精准营销的时候，可以更精准的圈定用户，提升营销转化率。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种行为忠诚度的识别及管理方法，其特征在于，包括：

获取网络用户的目标行为数据；

将所述行为忠诚度特征数据量化；

将所述量化后的行为忠诚度特征数据建模；

将所述建模后输出的数据固化。

2.如权利要求1所述的方法，其特征在于，所述获取网络用户的目标行为数据，包括：

3.如权利要求1或2所述的方法，其特征在于，所述提取所述目标行为数据中携带基础行为特征的至少一个行为忠诚度特征数据，包括：

4.如权利要求1-3之一所述的方法，其特征在于，所述将所述行为忠诚度特征数据量化，包括：

查询所述基础行为特征携带的基础行为特征值；

5.如权利要求1-4之一所述的方法，其特征在于，所述将所述量化后的行为忠诚度特征数据建模，包括：

6.如权利要求1-5之一所述的方法，其特征在于，所将所述建模后输出的数据固化，包括：

7.一种行为忠诚度的识别及管理系统，其特征在于，包括：

获取模块，用于获取网络用户的目标行为数据；

量化模块，用于将所述行为忠诚度特征数据量化；

建模模块，用于将所述量化后的行为忠诚度特征数据建模；

固化模块，用于将所述建模后输出的数据固化。

8.如权利要求7所述的系统，其特征在于，所述获取模块，包括：

9.如权利要求7或8所述的系统，其特征在于，所述提取模块，包括：

10.如权利要求7-9之一所述的系统，其特征在于，所述量化模块，包括：

11.如权利要求7-10之一所述的系统，其特征在于，所述建模模块，包括：

12.如权利要求7-11之一所述的系统，其特征在于，所述固化模块，包括：

13.一种行为忠诚度的识别及管理终端，包括如权利要求7-12任一项所述的系统。