CN107357874B - 用户分类方法及装置、电子设备、存储介质 - Google Patents

Abstract

本公开涉及一种户分类方法及装置、电子设备、计算机可读存储介质。该用户分类方法包括：选取具有时序性特征的商品品类，并对所选取的商品品类在预设时段内的用户行为数据进行处理统计；根据统计结果生成对应于一用户的时间序列特征；基于一预设算法模型，根据所生成的时间序列特征以及所述预设时段内对应于该用户的参考序列特征得到该用户的分类集群。本公开可提高用户分类的准确度。

Description

用户分类方法及装置、电子设备、存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种用户分类方法及装置、电子设备、以及计算机可读存储介质。

背景技术

Word2vec是Google开源的一款将词表征为实数值向量的高效工具，其利用深度学习的思想，通过训练把对文本内容的处理简化为K维向量空间中的向量运算，而向量空间上的相似度可以用来表示文本语义上的相似度。Word2vec的本质是一种文本特征的处理方法，其刻画了每个词与其上下文的词的集合的相关情况，反应了一种序列的特征。

在电子商务平台中，基于用户的浏览、收藏、购买等相关行为数据来对用户进行分类，有利于为用户提供更加合适和精准的服务，从而获取良好的用户体验度。以区分用户的年龄群组为例，这类任务需要根据用户的相关行为数据来预测用户的年龄，其主要可以基于用户在一段时间内发生的购买品类数量、各品类购买商品数量、首次购买距今时间等统计类指标作为序列特征，利用某一预设算法模型来对用户所属的年龄段进行分类预测。但是，这类特征无法很好的反应出用户在时间序列上所体现的特征，从而可能影响用户分类的准确度。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种用户分类方法及装置、电子设备、以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种用户分类方法，包括：

选取具有时序性特征的商品品类，并对所选取的商品品类在预设时段内的用户行为数据进行处理统计；

根据统计结果生成对应于一用户的时间序列特征；

基于一预设算法模型，根据所生成的时间序列特征以及所述预设时段内对应于该用户的参考序列特征得到该用户的分类集群。

本公开的一种示例性实施例中，选取具有时序性特征的商品品类包括：

选取具有季节性特征的商品品类；或者，

选取具有时间周期性特征的商品品类；或者，

选取具有生命周期性特征的商品品类。

本公开的一种示例性实施例中，选取具有时序性特征的商品品类还包括：

选取用户覆盖率大于预设门槛值的商品品类；

其中，所述用户覆盖率为关注一商品品类的用户数量与总用户数量的比值。

本公开的一种示例性实施例中，对所选取的商品品类在预设时段内的用户行为数据进行统计包括：

获取所选取的商品品类在预设时段内的用户浏览记录、用户收藏记录、用户加购记录、以及用户购买记录中的至少一种用户行为数据；

自所述至少一种用户行为数据中提取不同维度的多项特征指标，并对所述特征指标进行归一化处理；

对归一化处理后的所述特征指标进行多维度统计。

本公开的一种示例性实施例中，对所述特征指标进行归一化处理包括：

对所述特征指标进行正向化处理；和/或，

对所述特征指标进行标准化处理。

本公开的一种示例性实施例中，对所述特征指标进行正向化处理包括：

针对逆向指标，根据公式Xnew＝Max(X)-X进行正向化处理；

其中，X为逆向指标数据，Xnew为正向化处理后的数据，MAX(X)为正向化处理前的逆向指标数据的最大值。

本公开的一种示例性实施例中，对所述特征指标进行标准化处理包括：

根据公式Xnew＝[X-mean(X)]/std(X)进行标准化处理；

其中，X为标准化处理前的数据，Xnew为标准化处理后的数据，mean(X)为标准化处理前的数据的平均值，std(X)为标准化处理前的数据的标准差。

本公开的一种示例性实施例中，根据统计结果生成对应于一用户的时间序列特征包括：

根据统计结果获取对应于一用户的多个预分类集群，并计算该用户与每个所述预分类集群之间的相似系数；

其中，该用户对应的各个所述预分类集群以及与每个所述预分类集群之间的相似系数构成所述时间序列特征。

本公开的一种示例性实施例中，根据统计结果获取对应于一用户的多个预分类集群包括：

根据统计结果获取该用户对应的多个年龄段集群。

本公开的一种示例性实施例中，根据所生成的时间序列特征以及所述预设时段内对应于该用户的参考序列特征得到该用户的分类集群包括：

根据所生成的时间序列特征以及所述预设时段内该用户的所有订单中的商品品类数量得到该用户的分类集群；和/或，

根据所生成的时间序列特征以及所述预设时段内该用户的所有订单中的任一商品品类的首次购买距今时间得到该用户的分类集群；和/或，

根据所生成的时间序列特征以及所述预设时段内该用户的所有订单中的各商品品类购买数量得到该用户的分类集群。

根据本公开的一个方面，提供一种用户分类装置，包括：

统计模块，用于选取具有时序性特征的商品品类，并对所选取的商品品类在预设时段内的用户行为数据进行处理统计；

生成模块，用于根据统计结果生成对应于一用户的时间序列特征；

分类模块，用于基于一预设算法模型，根据所生成的时间序列特征以及所述预设时段内对应于该用户的参考序列特征得到该用户的分类集群。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述的用户分类方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的用户分类方法。

本公开示例性实施方式所提供的用户分类方法及装置，通过选取具有时序性特征的商品品类以反应用户在时间序列上所体现出的特征，并结合其它方面的参考特征，基于一预设算法模型来对用户进行分类。这样一来，由于在进行用户分类时综合考虑了包括时间序列特征的多种因素，因此可以有效的提升用户分类的准确度，使得营销更为精准，从而满足不同场景的多样性营销需求。经过验证，基于本示例实施方式所提供的用户分类方法，针对同样的算法模型可使用户分类的准确度提升3％左右。

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和解释性的，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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出本公开示例性实施例中用户分类方法的流程图；

图2示意性示出本公开示例性实施例中用户分类方法的模型框图；

图3示意性示出本公开示例性实施例中用户分类方法的系统流程图；

图4示意性示出本公开示例性实施例中用户行为数据经过特征指标的归一化处理后的数据样例一；

图5示意性示出本公开示例性实施例中用户行为数据经过特征指标的归一化处理后的数据样例二；

图6示意性示出本公开示例性实施例中用户行为数据经过特征指标的归一化处理后的数据样例三；

图7示意性示出本公开示例性实施例中所获取的时间序列特征数据；

图8示意性示出本公开示例性实施例中算法模型的输入序列数据；

图9示意性示出本公开示例性实施例中用户分类装置的示意框图；

图10示意性示出本公开示例性实施例中电子设备的模块示意图；

图11示意性示出本公开示例性实施例中程序产品的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例实施方式提供一种用户分类方法，如图1所示，所述用户分类方法可以包括：

S1、选取具有时序性特征的商品品类，并对所选取的商品品类在预设时段内的用户行为数据进行处理统计；

S2、根据统计结果生成对应于一用户的时间序列特征；

S3、基于一预设算法模型，根据所生成的时间序列特征以及所述预设时段内对应于该用户的参考序列特征得到该用户的分类集群。

其中，所述时间序列特征是指用户的相关行为数据在时间序列上所体现出的特征，所述参考序列特征是指用户的相关行为数据在其它方面所体现出的特征，例如购买的商品品类数量、各商品品类所购买的商品数量、以及首次购买距今的时间等。

本公开示例性实施方式所提供的用户分类方法，通过选取具有时序性特征的商品品类以反应用户在时间序列上所体现出的特征，并结合其它方面的参考特征，基于一预设算法模型来对用户进行分类。这样一来，由于在进行用户分类时综合考虑了包括时间序列特征的多种因素，因此可以有效的提升用户分类的准确度，使得营销更为精准，从而满足不同场景的多样性营销需求。经过验证，基于本示例实施方式所提供的用户分类方法，针对同样的算法模型可使用户分类的准确度提升3％左右。

下面结合图2和图3对本示例实施方式所提供的用户分类方法进行详细的说明。

在步骤S1中，选取具有时序性特征的商品品类，并对所选取的商品品类在预设时段内的用户行为数据进行处理统计。

本示例实施方式中，所述具有时序性特征的商品品类是指具有明显的时间性特征或者阶段性特征的商品品类，例如母婴类商品、玩具类商品、以及图书类商品等。所述用户行为数据是指用户的浏览、收藏、加购、以及购买等相关操作的行为数据。

本步骤S1中，根据时序性特征的不同，选取具有时序性特征的商品品类可以包括：

选取具有季节性特征的商品品类；或者，

选取具有时间周期性特征的商品品类；或者，

选取具有生命周期性特征的商品品类。

其中，具有季节性特征或者时间周期性特征的商品品类数据可以呈现出明显的时间规律，例如季节性服饰；而具有生命周期性的商品品类数据则符合生命周期曲线，其具体可以包括成长区间、成熟区间、以及衰败区间，例如母婴类商品。

基于此，在对用户行为数据进行处理统计时，所述预设时段的选择可以根据所选取的商品品类的时序特性来进行确定。例如服饰类商品的周期可以视为一年，那么预设时段可以设置为一年；又如母婴类商品的周期可以视为两年，那么预设时段可以设置为两年。

进一步的，在选取了明显具有时序性特征的商品品类的前提下，为了避免特征过于稀疏而影响分类结果，本实施例还可以优先选取用户覆盖率较高的商品品类。即，选取用户覆盖率大于预设门槛值的商品品类；其中，所述用户覆盖率是指关注某一商品品类的用户数量与总体用户数量之间的比值。这样一来，选取覆盖率高的商品品类，其所反应出的特征分布有助于提升用户分类的准确度。

本步骤S1中，对所选取的商品品类在预设时段内的用户行为数据进行处理统计可以包括：

S11、获取所选取的商品品类在预设时段内的用户浏览记录、用户收藏记录、用户加购记录、以及用户购买记录中的至少一种用户行为数据；

S12、自所述至少一种用户行为数据中提取不同维度的多项特征指标，并对所述特征指标进行归一化处理；

S13、对归一化处理后的所述特征指标进行多维度统计。

需要说明的是：为了提高用户分类的准确度，所获取的用户行为数据应当越全面越好，且其中的用户购买记录应为优先获取的必要数据。

在此基础上，由于所获取的用户行为数据未经加工处理，特征不够明显，因此在进行统计之前还需进行不同维度的特征指标提取，以便于从所获取的用户行为数据中尽可能全面的体现出各类指标特征；其中，所述不同维度的特征指标提取是指从不同的角度例如购买频率、购买金额等角度来进行特征指标的提取。

本实施例中，对所述特征指标进行归一化处理可以包括：对所述特征指标进行正向化处理。

这里所述的正向化处理主要是为了解决特征指标方向不一致的问题。其中，有些特征指标是指标值越大评价得分越好，其指标方向与评价得分方向一致，这类特征指标称为正向指标；而有些特征指标是指标值越小评价得分越好，其指标方向与评价得分方向相反，这类特征指标称为逆向指标。例如，首次购买距今时间这一指标即为逆向指标，其度量的是用户首次消费统计日期的时间长度，理论上来说，这一指标的指标值越小的用户营销价值就越高，该用户对推荐的商品或服务也最有可能有反应。

在进行数据统计时，只有各类特征指标的方向一致才具有可比性，因此需要对逆向指标进行正向化处理，当然也可以对正向指标进行逆向化处理，本实施例对此不做具体限定。

在一种实施方式中，可以针对逆向指标根据以下公式进行正向化处理：

Xnew＝Max(X)-X；

其中，X为逆向指标数据，Xnew为正向化处理后的数据，MAX(X)为正向化处理前的逆向指标数据的最大值。

在另一种实施方式中，也可以针对正向指标进行逆向化处理，其原理与逆向指标的正向化处理相似，这里不再赘述。

本实施例中，对所述特征指标进行归一化处理还可以包括：对所述特征指标进行标准化处理。

这里所述的标准化处理主要是为了解决量纲不统一的问题。例如天数、消费频次、消费金额的单位均不一样，无法直接进行比较，需要进行统一的标准化处理。

本实施例中，标准化处理的具体实现方式可以为“标准差标准化”，即，将数据减去其样本平均值再除以样本标准差。经过该“标准差标准化”处理后的数据符合标准正态分布，即均值为0、标准差为1。该标准化处理的具体转化函数如下：

Xnew＝[X-mean(X)]/std(X)；

其中，X为标准化处理前的数据，Xnew为标准化处理后的数据，mean(X)为标准化处理前的数据平均值，std(X)为标准化处理前的数据标准差。

基于以上特征指标的正向化处理和标准化处理，即可得到指标方向一致且量纲统一的特征指标数据，在此基础上对该特征指标进行的统计才具有可比性。针对于具有季节性特征或者时间周期性特征的商品品类例如季节性服饰，该类用户的用户行为数据经过特征指标的归一化处理后的数据样例见图4和图5所示；针对于具有生命周期性特征的商品品类例如母婴类商品，该类用户的用户行为数据经过特征指标的归一化处理后的数据样例见图6所示。

举例而言，本示例选取了母婴类商品作为统计对象，并获取了一用户在12个月内的浏览记录、收藏记录、以及购买记录，根据以上记录进行了消费频次、消费金额、首次购买距今时间等多维度的特征指标提取，并对所提取的特征指标进行了归一化处理(包括正向化处理和标准化处理)，再对经过归一化处理后的特征指标进行了多维度统计，这样获取的统计结果在生成时间序列特征时才具有可比性。

在步骤S2中，根据统计结果生成对应于一用户的时间序列特征。

本示例实施方式中，所述时间序列特征是指基于所选取的具有时序性特征的商品品类进行的数据加工处理及统计而生成的序列特征，且该序列特征的生成可以利用Word2vec模型来实现。

具体而言，根据统计结果生成对应于一用户的时间序列特征可以包括：

根据统计结果获取对应于一用户的多个预分类集群，并计算该用户与每个所述预分类集群之间的相似系数；

其中，该用户对应的各个所述预分类集群以及与每个所述预分类集群之间的相似系数构成所述时间序列特征。

由于上述的统计为多维度统计，因此所得到的统计结果也相应的为多维度统计结果，而在生成序列特征时需要将多维度的统计结果转化为同一维度的统计结果，从而获取相应的时间序列特征。

需要说明的是：本步骤S2所获取的预分类集群的性质与步骤S3所得到的用户分类集群的性质应当相同。例如，若预分类集群是根据年龄进行的分类，那么最终的用户分类集群必然也是根据年龄进行的分类；或者，若预分类集群是根据购买力进行的分类，那么最终的用户分类集群必然也是根据购买力进行的分类。

在一种实施方式中，根据统计结果获取对应于一用户的多个预分类集群可以包括：根据统计结果获取该用户对应的多个年龄段集群。

在另一种实施方式中，根据统计结果获取对应于一用户的多个预分类集群可以包括：根据统计结果获取该用户对应的多个购买力集群。

需要说明的是：本示例实施方式对于用户预分类集群的性质不做具体限定，其可以根据实际需要进行统计分类。

举例而言，如图7所示，基于上述母婴类商品的统计结果获取到该用户的多个年龄段集群以及与各个年龄段集群之间的相似系数，从而构成对应于该用户的时间序列特征；其中，年龄1代表15岁以下、年龄2代表16-25岁、年龄3代表26-35岁、年龄4代表36-45岁、年龄5代表46-55岁、年龄6代表56岁以上。根据本实施例提供的方法可以获取多个用户的时间序列特征，以为最终的用户集群分类奠定基础。

在步骤S3中，基于一预设算法模型，根据所生成的时间序列特征以及所述预设时段内对应于该用户的参考序列特征得到该用户的分类集群。

本示例实施方式中，所述预设算法模型例如可以是……

具体而言，根据所生成的时间序列特征以及所述预设时段内对应于该用户的参考序列特征得到该用户的分类集群可以包括：

根据所生成的时间序列特征以及所述预设时段内该用户的所有订单中的商品品类数量得到该用户的分类集群；和/或，

根据所生成的时间序列特征以及所述预设时段内该用户的所有订单中的任一商品品类的首次购买距今时间得到该用户的分类集群；和/或，

根据所生成的时间序列特征以及所述预设时段内该用户的所有订单中的各商品品类购买数量得到该用户的分类集群。

需要说明的是：本实施例中的参考序列特征不限于上述的商品品类数量、任一商品品类的首次购买距今时间、以及各商品品类购买数量，其可以包括任何有助于统计分析用户行为偏好的指标因素，这里不做具体限定。

举例而言，如图8所示，基于上述母婴类商品的所获取的图7所示时间序列特征，结合该用户在12个月内的订单量、首次购买距今时间等参考序列特征，共同作为预设算法模型的输入特征以进行训练，从而得到该用户最终的年龄段分类集群。

本公开所提供的用户分类方法，基于Word2vec思想的扩展可以有效的提高用户年龄、用户性别、用户购买力等分类算法的精度，使得用户分类更加准确，并且本公开技术方案能够实现工程化，适用于各类用户分类模型，从而能够快速扩展并且满足多样性的业务标签需求。

本示例实施方式中还提供了一种用户分类装置，如图9所示，所述用户分类装置可以包括：

统计模块10，用于选取具有时序性特征的商品品类，并对所选取的商品品类在预设时段内的用户行为数据进行处理统计；

生成模块20，用于根据统计结果生成对应于一用户的时间序列特征；

分类模块30，用于基于一预设算法模型，根据所生成的时间序列特征以及所述预设时段内对应于该用户的参考序列特征得到该用户的分类集群。

其中，所述时间序列特征是指用户的相关行为数据在时间序列上所体现出的特征，所述参考序列特征是指用户的相关行为数据在其它方面所体现出的特征，例如购买的商品品类数量、各商品品类所购买的商品数量、以及首次购买距今的时间等。

本公开示例性实施方式所提供的用户分类装置，综合考虑了包括时间序列特征的多种因素，因此可以有效的提升用户分类的准确度。经过验证，基于本示例实施方式所提供的用户分类方法，针对同样的算法模型可使用户分类的准确度提升3％左右。

需要说明的是：所述用户分类装置中的各模块单元的具体细节已经在对应的用户分类方法中进行了详细的描述，这里不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图10来描述根据本发明的这种实施方式的电子设备600。图10显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图10所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。

其中，所述存储单元620存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述示例性方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤S1：选取具有时序性特征的商品品类，并对所选取的商品品类在预设时段内的用户行为数据进行处理统计；步骤S2：根据统计结果生成对应于一用户的时间序列特征；步骤S3：基于一预设算法模型，根据所生成的时间序列特征以及所述预设时段内对应于该用户的参考序列特征得到该用户的分类集群。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述示例性方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图11所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

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他实施例。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。

Claims (9)

1.一种用户分类方法，其特征在于，包括：

选取具有时序性特征的商品品类，并对所选取的商品品类在预设时段内的用户行为数据进行处理统计；所述具有时序性特征的商品品类包括：具有季节性特征的商品品类；或者，具有时间周期性特征的商品品类；或者，具有生命周期性特征的商品品类；

根据统计结果获取对应于一用户的多个预分类集群，并计算该用户与每个所述预分类集群之间的相似系数；其中，该用户对应的各个所述预分类集群以及与每个所述预分类集群之间的相似系数构成时间序列特征；

基于一预设算法模型，根据所生成的时间序列特征以及所述预设时段内对应于该用户的参考序列特征得到该用户的分类集群，所述得到该用户的分类集群包括：根据所生成的时间序列特征以及所述预设时段内该用户的所有订单中的商品品类数量得到该用户的分类集群；和/或，根据所生成的时间序列特征以及所述预设时段内该用户的所有订单中的任一商品品类的首次购买距今时间得到该用户的分类集群；和/或，根据所生成的时间序列特征以及所述预设时段内该用户的所有订单中的各商品品类购买数量得到该用户的分类集群。

2.根据权利要求1所述的用户分类方法，其特征在于，选取具有时序性特征的商品品类还包括：

选取用户覆盖率大于预设门槛值的商品品类；

其中，所述用户覆盖率为关注一商品品类的用户数量与总用户数量的比值。

3.根据权利要求1所述的用户分类方法，其特征在于，对所选取的商品品类在预设时段内的用户行为数据进行统计包括：

获取所选取的商品品类在预设时段内的用户浏览记录、用户收藏记录、用户加购记录、以及用户购买记录中的至少一种用户行为数据；

自所述至少一种用户行为数据中提取不同维度的多项特征指标，并对所述特征指标进行归一化处理；

对归一化处理后的所述特征指标进行多维度统计。

4.根据权利要求3所述的用户分类方法，其特征在于，对所述特征指标进行归一化处理包括：

对所述特征指标进行正向化处理；和/或，

对所述特征指标进行标准化处理。

5.根据权利要求4所述的用户分类方法，其特征在于，对所述特征指标进行正向化处理包括：

针对逆向指标，根据公式Xnew＝Max(X)-X进行正向化处理；

其中，X为逆向指标数据，Xnew为正向化处理后的数据，MAX(X)为正向化处理前的逆向指标数据的最大值。

6.根据权利要求4所述的用户分类方法，其特征在于，对所述特征指标进行标准化处理包括：

根据公式Xnew＝[X-mean(X)]/std(X)进行标准化处理；

其中，X为标准化处理前的数据，Xnew为标准化处理后的数据，mean(X)为标准化处理前的数据的平均值，std(X)为标准化处理前的数据的标准差。

7.根据权利要求1所述的用户分类方法，其特征在于，根据统计结果获取对应于一用户的多个预分类集群包括：

根据统计结果获取该用户对应的多个年龄段集群。

8.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的用户分类方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的用户分类方法。

Images