CN106408332A - 一种模型构建和目标对象处理方法及装置 - Google Patents

Abstract

本发明公开了一种模型构建和目标对象处理方法及装置。其中，该方法包括：获取至少一个历史对象的第一特征，其中，所述至少一个历史对象中的每个历史对象均包括第一特征和第二特征，所述第一特征包括多个维度；按照所述第一特征的每个维度将所述历史对象进行分组，其中，每个分组分别对应所述多个维度中的一个维度，分组的数量与所述第一特征的维度数量相同；获取所述历史对象的所述第二特征，每个历史对象对应至少一个第二特征，所述历史对象的每个第二特征均是在所述历史对象执行预定操作被增加到所述历史对象中的；至少根据每个分组中的历史对象的第二特征的平均值和标准差构建模型。本发明解决了构建平均值和标准差模型的技术问题。

Description

一种模型构建和目标对象处理方法及装置

技术领域

本发明涉及餐饮模型领域，具体而言，涉及一种模型构建和目标对象处理方法及装置。

背景技术

餐饮业的属于客流量较大的行业。基本符合二八定律，统计发现三次及以上的消费者对餐饮业的平均贡献率为48％，人数却只占19％。常客的消费对于企业稳定现金流，提升企业经营业绩都有着重要的意义。因此稳定和提升常客比例是企业经营中的重要一环，因此需要对常客进行分类计算。

目前，对消费者进行分类方案主要有两种，一种为随机森林，神经网络，SVM为代表的逻辑分类，该分类仅从信息或数据上将用户的信息数据进行逻辑的分割，没有考虑到连续量的分布问题。

另一类是统计上分布，完全从统计学上将人群划分为多个类，对于影响消费者的潜在因素忽略。

针对上述现有技术中忽略影响潜在消费者的问题，目前尚未提出有效的解决方案。

发明内容

本发明的主要目的在于提供一种模型构建和目标对象处理方法及装置，以解决精准统计分类消费者信息的问题，通过消费者市场细分和消费行为隶属度来计算潜在的转化率，从而找到潜在的常客群体。

为了实现上述目的，根据本发明实施例的一个方面，提供了一种模型构建方法。根据本发明的模型构建方法包括：

获取至少一个历史对象的第一特征，其中，所述至少一个历史对象中的每个历史对象均包括第一特征和第二特征，所述第一特征包括多个维度；

按照所述第一特征的每个维度将所述历史对象进行分组，其中，每个分组分别对应所述多个维度中的一个维度，分组的数量与所述第一特征的维度数量相同；

获取所述历史对象的所述第二特征，其中，每个历史对象对应至少一个第二特征，所述历史对象的每个第二特征均是在所述历史对象执行预定操作被增加到所述历史对象中的；

至少根据每个分组中的历史对象的第二特征的平均值和标准差构建模型，其中，所述模型为正态概率模型。

进一步地，根据所述每个分组中的历史对象的第二特征的平均值和标准差构建模型包括：

获取所述每个分组内的每个对象的周期，其中，所述周期＝(所述历史对象最近一次执行所述预定操作的时间-所述历史对象首次执行所述预定操作的时间)/所述历史对象执行所述预定操作的次数；

根据所述每个对象的周期计算每个分组的平均消费周期；

根据所述每个分组中的历史对象在所述平均消费周期内的第二特征的平均值和标准差构建模型。

进一步地，所述每个对象的第二特征包括至少一个维度，至少根据所述每个分组中的历史对象的第二特征的平均值和标准差构建模型包括：

至少根据所述每个分组中的历史对象的第二特征的每个维度平均值和标准差构建所述模型。

为了实现上述目的，根据本发明实施例的一个方面，提供了一种目标对象处理方法。根据本发明的目标对象处理方法包括：

获取目标对象，其中，所述目标对象包括第一特征和第二特征，所述第一特征包括至少一个维度；

将所述目标对象放置在每个维度对应的分组中；

计算所述目标对象在每个分组中的第二特征的平均值；

根据所述平均值使用权利要求1至3中任一项中的所述模型得到所述目标对象在每个分组中的概率；

根据所述目标对象的每个分组中的概率得到所述目标对象的总概率。

进一步地，所述第二特征包括至少一个维度：

计算所述目标对象在每个分组中的第二特征的每个维度对应的平均值；

根据所述平均值使用所述模型得到所述目标对象在每个分组中所述第二特征对应的每个维度的概率；

根据所述目标对象的每个分组的所述每个维度的概率得到所述目标对象在该分组的总概率。

进一步地，根据所述平均值使用所述模型得到所述目标对象在每个分组中的概率包括：

使用如下公式得到所述目标对象在每个分组中的概率：

其中，x为所述目标对象在每个分组中的第二特征的平均值，μ为所述模型中的所述平均值，σ为所述模型中的所述标准差。

进一步地，根据所述目标对象的每个分组中的概率得到所述目标对象的总概率包括：

使用如下公式得到所述总概率：

P＝Πp

其中，p所述目标对象在每个分组中的概率，P为所述总概率。

进一步地，还包括：

根据所述目标对象在所述每个分组中的总概率获取所述目标对象的优先级；

根据所述目标对象的优先级判断是否对所述目标对象进行目标操作。

为了实现上述目的，根据本发明实施例的另一方面，提供了一种模型构建装置。根据本发明的模型构建装置包括：

第一获取模块，用于获取至少一个历史对象的第一特征，其中，所述至少一个历史对象中的每个历史对象均包括第一特征和第二特征，所述第一特征包括多个维度；

分组模块，用于按照所述第一特征的每个维度将所述历史对象进行分组，其中，每个分组分别对应所述多个维度中的一个维度，分组的数量与所述第一特征的维度数量相同；

第二获取模块,用于获取所述历史对象的所述第二特征，其中，每个历史对象对应至少一个第二特征，所述历史对象的每个第二特征均是在所述历史对象执行预定操作被增加到所述历史对象中的；

构建模块，用于至少根据每个分组中的历史对象的第二特征的平均值和标准差构建模型，其中，所述模型为正态概率模型。

为了实现上述目的，根据本发明实施例的另一方面，提供了一种目标对象处理装置。根据本发明的目标对象处理装置包括：

第三获取模块，用于获取目标对象，其中，所述目标对象包括第一特征和第二特征，所述第一特征包括至少一个维度；

放置模块，用于将所述目标对象放置在每个维度对应的分组中；

计算模块，用于计算所述目标对象在每个分组中的第二特征的平均值；

第一得到模块，用于根据所述平均值使用权利要求1至3中任一项中的所述模型得到所述目标对象在每个分组中的概率；

第二得到模块，用于根据所述目标对象的每个分组中的概率得到所述目标对象的总概率。

根据发明实施例，通过逻辑分类和统计概率的方案对消费者市场细分同时结合使用消费行为隶属度来计算潜在的转化率，解决了以往方法忽略影响消费者潜在因素的问题，使转化率比单一的传统方案有一定比例提高，提高运营的活跃度，并降低首次消费者所占比例，达到了计算精度高的效果。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，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是根据本发明实施例1的一种模型构建方法的流程图；

图2是根据本发明实施例2的一种目标对象处理方法的流程图；

图3是根据本发明实施例3的一种模型构建装置的示意图；

图4是根据本发明实施例4的一种目标对象处理装置的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

本发明实施例提供了一种模型构建方法。图1是根据本发明实施例1的一种模型构建方法的流程图。如图1所示，该模型构建方法包括步骤如下：

S102，获取至少一个历史对象的第一特征，其中，所述至少一个历史对象中的每个历史对象均包括第一特征和第二特征，所述第一特征包括多个维度；

S104，按照所述第一特征的每个维度将所述历史对象进行分组，其中，每个分组分别对应所述多个维度中的一个维度，分组的数量与所述第一特征的维度数量相同；

S106，获取所述历史对象的所述第二特征，其中，每个历史对象对应至少一个第二特征，所述历史对象的每个第二特征均是在所述历史对象执行预定操作的过程中被增加到所述历史对象中的；

S108，至少根据每个分组中的历史对象的第二特征的平均值和标准差构建模型，其中，所述模型为正态概率模型。

采用上述实施例，解决了构建平均值和标准差模型的问题。

在本实施例中，技术特点还可以是

根据所述每个分组中的历史对象的第二特征的平均值和标准差构建模型包括：

获取所述每个分组内的每个对象的周期，其中，所述周期＝(所述历史对象最近一次执行所述预定操作的时间-所述历史对象首次执行所述预定操作的时间)/所述历史对象执行所述预定操作的次数；

根据所述每个对象的周期计算每个分组的平均消费周期；

根据所述每个分组中的历史对象在所述平均消费周期内的第二特征的平均值和标准差构建模型。

所述每个对象的第二特征包括至少一个维度，至少根据所述每个分组中的历史对象的第二特征的平均值和标准差构建模型包括：

至少根据所述每个分组中的历史对象的第二特征的每个维度平均值和标准差构建所述模型。

解决了每一组常客客群一个消费周期内的消费特征的平均值和标准差,即消费者数据的累积。结合逻辑分类和统计概率的方案将客户分组后统计转化可能性，提升转化精度。经实践，转化率比单一的传统方案有一定比例提高。对于提高营的活跃度，降低首次消费者所占比例有一定的贡献。通过消费者市场细分和消费行为隶属度来计算潜在的转化率。

实施例2

本发明实施例提供了一种目标对象处理方法。图2是根据本发明实施例2的一种目标对象处理方法的流程图。如图2所示，该目标对象处理方法包括步骤如下：

S202，获取目标对象，其中，所述目标对象包括第一特征和第二特征，所述第一特征包括至少一个维度；

S204，将所述目标对象放置在每个维度对应的分组中；

S206，计算所述目标对象在每个分组中的第二特征的平均值；

S208，根据所述平均值使用实施例1中所述模型得到所述目标对象在每个分组中的概率；

S210，根据所述目标对象的每个分组的所述每个维度的概率得到所述目标对象在该分组的总概率。

解决了目标对象在该分组的总概率问题。在本实施例中，技术特点还可以是

根据所述平均值使用所述模型得到所述目标对象在每个分组中的概率包括：

使用如下公式得到所述目标对象在每个分组中的概率：

其中，x为所述目标对象在每个分组中的第二特征的平均值，μ为所述模型中的所述平均值，为所述模型中的所述标准差。

根据所述目标对象的每个分组中的概率得到所述目标对象的总概率包括：

使用如下公式得到所述总概率：

P＝Πp

其中，p所述目标对象在每个分组中的概率，P为所述总概率。

根据所述目标对象在所述每个分组中的总概率获取所述目标对象的优先级；

根据所述目标对象的优先级判断是否对所述目标对象进行目标操作。

最后找到优先级较高的对象。

解决了找到了转化率较高的消费者的问题。

实施例3

本发明实施例还提供了一种模型构建装置。需要说明的是，本发明实施例的模型构建装置可以用于执行本发明实施例所提供的一种模型构建方法，本发明实施例的模型构建方法也可以通过本发明实施例所提供的模型构建装置执行。

图3是根据本发明实施例3的一种模型构建装置的示意图。如图3所示，一种模型构建装置包括：

第一获取模块32，用于获取至少一个历史对象的第一特征，其中，所述至少一个历史对象中的每个历史对象均包括第一特征和第二特征，所述第一特征包括多个维度；

分组模块34，用于按照所述第一特征的每个维度将所述历史对象进行分组，其中，每个分组分别对应所述多个维度中的一个维度，分组的数量与所述第一特征的维度数量相同；

第二获取模块36，用于获取所述历史对象的所述第二特征，其中，每个历史对象对应至少一个第二特征，所述历史对象的每个第二特征均是在所述历史对象执行预定操作被增加到所述历史对象中的；

构建模块38，用于至少根据每个分组中的历史对象的第二特征的平均值和标准差构建模型，其中，所述模型为正态概率模型。

解决了每一组常客客群一个消费周期内的消费特征的平均值和标准差,即消费者数据的累积。

实施例4

本发明实施例还提供了一种目标对象处理装置。需要说明的是，本发明实施例的目标对象处理装置可以用于执行本发明实施例所提供的一种目标对象处理方法，本发明实施例的目标对象处理方法也可以通过本发明实施例所提供的目标对象处理装置执行。

图4是根据本发明实施例4的一种目标对象处理装置的示意图。如图4所示，一种目标对象处理装置包括：

第三获取模块42，用于获取目标对象，其中，所述目标对象包括第一特征和第二特征，所述第一特征包括至少一个维度；

放置模块44，用于将所述目标对象放置在每个维度对应的分组中；

计算模块46，用于计算所述目标对象在每个分组中的第二特征的平均值；

第一得到模块48，用于根据所述平均值使用所述模型得到所述目标对象在每个分组中的概率；

第二得到模块410，用于根据所述目标对象的每个分组中的概率得到所述目标对象的总概率。

解决了目标对象在该分组的总概率问题。

实施例5

在本实施例中，技术特征包括如下步骤：

步骤S502，选取常客的特征，这些特征包括：

描述特征：性别，年龄，职业，婚否，子女。

消费特征：每餐平均消费额，平均就餐时间，消费距离(可通过LBS获得)，优惠占比，热销菜品占比。

步骤S504，按描述特征的五个维度分组

步骤S506，分别计算每一组常客客群的平均消费周期

平均消费周期＝(末次消费日期-首次消费日期)/消费次数

步骤S508，分别计算每一组常客客群一个消费周期内的消费特征的平均值μ和标准差σ

步骤S510，对于两次及以内的新客，首先按描述特征找到对应的常客客群分组。计算消费特征的平均值，通过特征值的正态分布计算常客单项转化概率合纵转化率。将综合转化率排序后，通过k-means聚类或平均分组的方式，找到转化率相对较高的新消费者。

本实施例中常客代表第一历史对象，描述特征代表第一特征，消费特征代表第二特征。

本实施例中的技术特点还可以是

详细公式如下：

计算平均值

计算消费额单个特征转化概率(正态分布概率密度函数)

计算总转化率(各个单项转化率的乘积)

P-Πp

结合逻辑分类和统计概率的方案将客户分组后统计转化可能性，提升转化精度。经实践，转化率比单一的传统方案有一定比例提高。对于提高营的活跃度，降低首次消费者所占比例有一定的贡献。通过消费者市场细分和消费行为隶属度来计算潜在的转化率。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种模型构建方法，其特征在于，包括：

获取至少一个历史对象的第一特征，其中，所述至少一个历史对象中的每个历史对象均包括第一特征和第二特征，所述第一特征包括多个维度；

按照所述第一特征的每个维度将所述历史对象进行分组，其中，每个分组分别对应所述多个维度中的一个维度，分组的数量与所述第一特征的维度数量相同；

获取所述历史对象的所述第二特征，其中，每个历史对象对应至少一个第二特征，所述历史对象的每个第二特征均是在所述历史对象执行预定操作时被增加到所述历史对象中的；

至少根据每个分组中的历史对象的第二特征的平均值和标准差构建模型，其中，所述模型为正态概率模型。

2.根据权利要求1所述的方法，其特征在于，根据所述每个分组中的历史对象的第二特征的平均值和标准差构建模型包括：

获取所述每个分组内的每个对象的周期，其中，所述周期＝(所述历史对象最近一次执行所述预定操作的时间-所述历史对象首次执行所述预定操作的时间)/所述历史对象执行所述预定操作的次数；

根据所述每个对象的周期计算每个分组的平均消费周期；

根据所述每个分组中的历史对象在所述平均消费周期内的第二特征的平均值和标准差构建模型。

3.根据权利要求1或2所述的方法，其特征在于，所述每个对象的第二特征包括至少一个维度，至少根据所述每个分组中的历史对象的第二特征的平均值和标准差构建模型包括：

至少根据所述每个分组中的历史对象的第二特征的每个维度平均值和标准差构建所述模型。

4.一种目标对象处理方法，其特征在于，包括：

获取目标对象，其中，所述目标对象包括第一特征和第二特征，所述第一特征包括至少一个维度；

将所述目标对象放置在每个维度对应的分组中；

计算所述目标对象在每个分组中的第二特征的平均值；

根据所述平均值使用权利要求1至3中任一项中的所述模型得到所述目标对象在每个分组中的概率；

根据所述目标对象的每个分组中的概率得到所述目标对象的总概率。

5.根据权利要求4所述的方法，其特征在于，所述第二特征包括至少一个维度：

计算所述目标对象在每个分组中的第二特征的每个维度对应的平均值；

根据所述平均值使用权利要求1至3中任一项中的所述模型得到所述目标对象在每个分组中所述第二特征对应的每个维度的概率；

根据所述目标对象的每个分组的所述每个维度的概率得到所述目标对象在该分组的总概率。

6.根据权利要求5所述的方法，其特征在于，根据所述平均值使用所述模型得到所述目标对象在每个分组中的概率包括：

使用如下公式得到所述目标对象在每个分组中的概率：

$p=f\left(x\right|\mathrm{\μ},\mathrm{\σ})=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{\frac{-{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}};$

其中，x为所述目标对象在每个分组中的第二特征的平均值，μ为所述模型中的所述平均值，σ为所述模型中的所述标准差。

7.根据权利要求5所述的方法，其特征在于，根据所述目标对象的每个分组中的概率得到所述目标对象的总概率包括：

使用如下公式得到所述总概率：

P＝Πp；

其中，p为所述目标对象在每个分组中的概率，P为所述总概率。

8.根据权利要求5至7中任一项所述的方法，其特征在于，还包括：

根据所述目标对象在所述每个分组中的总概率获取所述目标对象的优先级；

根据所述目标对象的优先级判断是否对所述目标对象进行目标操作。

9.一种模型构建装置，其特征在于，包括：

第一获取模块，用于获取至少一个历史对象的第一特征，其中，所述至少一个历史对象中的每个历史对象均包括第一特征和第二特征，所述第一特征包括多个维度；

分组模块，用于按照所述第一特征的每个维度将所述历史对象进行分组，其中，每个分组分别对应所述多个维度中的一个维度，分组的数量与所述第一特征的维度数量相同；

第二获取模块，用于所述历史对象的所述第二特征，其中，每个历史对象对应至少一个第二特征，所述历史对象的每个第二特征均是在所述历史对象执行预定操作被增加到所述历史对象中的；

构建模块，用于至少根据每个分组中的历史对象的第二特征的平均值和标准差构建模型，其中，所述模型为正态概率模型。

10.一种目标对象处理装置，其特征在于，包括：

第三获取模块，用于获取目标对象，其中，所述目标对象包括第一特征和第二特征，所述第一特征包括至少一个维度；

放置模块，用于将所述目标对象放置在每个维度对应的分组中；

计算模块，用于计算所述目标对象在每个分组中的第二特征的平均值；

第一得到模块，用于根据所述平均值使用权利要求1至3中任一项中的所述模型得到所述目标对象在每个分组中的概率；

第二得到模块，用于根据所述目标对象的每个分组中的概率得到所述目标对象的总概率。