CN107578058A - 忠诚度聚类的方法和装置 - Google Patents

Abstract

本发明提供一种忠诚度聚类的方法和装置，能够解决无法自适应地选择计算忠诚度所需的特征以及无法并行地计算所有网站、品牌、视频、社交平台或支付平台等的忠诚度的问题。该方法包括：获取样本，将所述样本分类为不同用户特征；利用Kmeans聚类模型选择计算忠诚度所需的特征，根据所述特征利用Kmeans聚类模型获得忠诚度的聚类中心点；根据所述忠诚度的聚类中心点对用户的忠诚度进行聚类。

Description

忠诚度聚类的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种忠诚度聚类的方法和装置。

背景技术

用户忠诚度可以体现一个用户是否是网站、品牌、视频、社交平台或支付平台等的忠实用户，企业在进行精准营销时，可以结合用户是否忠诚进行精细化营销。如用户较为忠诚，则为了让该类用户保持一定的忠诚度，可根据其消费情况定期给一些优惠券，返利等；如用户不够忠诚，则为了让该用户最大限度的成为企业的忠诚用户，则可针对该类型用户进行精准化营销，在该类用户徘徊犹豫期进行发送优惠活动消息、优惠券等。所以用户忠诚度能较好地支持精准营销、商品推荐等一系列业务。

以电子商务行业为例，在常见的电子商务模式(B2B、B2C和C2C)中，需要实现精准营销，而精准营销则需要准确的用户画像作为支持，用户的忠诚度是电子商务网站用户画像中最重要的标签之一。现有的用户忠诚度模型是网站全站的忠诚度表现，其仅能体现用户在网站全站的忠诚度，而在实际应用场景中，不同品牌用户的忠诚度表现差异性较大，所以要针对不同的品牌的业务特征，开发一套适合不同品牌的忠诚度标签。

现有技术中，若需针对不同的网站、品牌、视频、社交平台或支付平台等开发相应的忠诚度标签，需人工确定各个网站、品牌、视频、社交平台或支付平台等所需的特征，且人工无法准确的判断所需的是哪几种特征，故所需的工作量较大，不易开发。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

1、特征差异较大，不同的网站、品牌、视频、社交平台或支付平台等之间特征有一定的特征差异，有些特征在某些聚类时很显著，但在另外的聚类时可能是无用的特征，现有技术不能自适应地选择计算忠诚度所需的特征；

2、工程量较大，人工干预量比较大，需要对不同的网站、品牌、视频、社交平台或支付平台等手动选择它们最合适的特征，假设有100个品牌，则需要人工进行100次聚类。

发明内容

有鉴于此，本发明实施例提供一种忠诚度聚类的方法和装置，能够解决无法自适应地选择计算忠诚度所需的特征以及无法并行地计算所有网站、品牌、视频、社交平台或支付平台等的忠诚度的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种忠诚度聚类的方法。

本发明实施例一种忠诚度聚类的方法包括：获取样本，将所述样本分类为不同用户特征；利用Kmeans聚类模型选择计算忠诚度所需的特征，根据所述特征利用Kmeans聚类模型获得忠诚度的聚类中心点；根据所述忠诚度的聚类中心点对用户的忠诚度进行聚类。

可选地，利用Kmeans聚类模型选择计算忠诚度所需的特征包括：随机选择用户特征和样本，根据随机选择的用户特征和样本构建Kmeans聚类模型，计算根据随机选择的用户特征和样本构建的Kmeans聚类模型的WSSSE(组内误差平方和)；重复不小于100次上述步骤；选择最小的WSSSE所对应的用户特征作为计算忠诚度所需的特征。

可选地，随机选择用户特征和样本包括：随机选择m个用户特征，随机选择s个样本；其中，m不大于用户特征的总数，s不小于样本数量的0.5％且不大于样本数量的1.5％。

可选地，将所述样本分类为不同用户特征包括：定义忠诚度的类型，构建用户特征集合。

可选地，所述忠诚度的类型包括：高度-忠诚型、中度-忠诚型、近期-普通型、远期-普通型、近期-偶然型、近期-投机型、远期-偶然型、远期-投机型。

可选地，所述用户特征集合至少包括以下一种：购物天数、优惠率、末单距今天数、SKU(每个商品的属性信息，唯一)、三级品类数、父单量、加购SKU数、浏览时长、浏览SKU数、浏览三级品类数。

为实现上述目的，根据本发明实施例的再一方面，提供了一种忠诚度聚类的装置。

本发明实施例一种忠诚度聚类的装置包括：指标特征模块，用于获取样本，将所述样本分类为不同用户特征；随机Kmeans模型模块，用于利用Kmeans聚类模型选择计算忠诚度所需的特征，根据所述特征利用Kmeans聚类模型获得忠诚度的聚类中心点；输出模块，用于根据所述忠诚度的聚类中心点对用户的忠诚度进行聚类。

可选地，随机Kmeans模型模块还用于：随机选择用户特征和样本，根据随机选择的用户特征和样本构建Kmeans聚类模型，计算根据随机选择的用户特征和样本构建的Kmeans聚类模型的WSSSE(组内误差平方和)；重复不小于100次上述步骤；选择最小的WSSSE所对应的用户特征作为计算忠诚度所需的特征。

可选地，随机Kmeans模型模块还用于：随机选择m个用户特征，随机选择s个样本；其中，m不大于用户特征的总数，s不小于样本数量的0.5％且不大于样本数量的1.5％。

可选地，指标特征模块还用于：定义忠诚度的类型，构建用户特征集合。

可选地，所述忠诚度的类型包括：高度-忠诚型、中度-忠诚型、近期-普通型、远期-普通型、近期-偶然型、近期-投机型、远期-偶然型、远期-投机型

可选地，所述用户特征集合至少包括以下一种：购物天数、优惠率、末单距今天数、SKU、三级品类数、父单量、加购SKU数、浏览时长、浏览SKU数、浏览三级品类数。

为实现上述目的，根据本发明实施例的再一方面，提供了一种实现忠诚度聚类的方法的电子设备。

本发明实施例的一种电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的忠诚度聚类的方法。

为实现上述目的，根据本发明实施例的又一方面，提供了一种计算机可读介质。

本发明实施例的一种计算机可读介质，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本发明实施例的忠诚度聚类的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用随机Kmeans模型选择计算忠诚度所需特征，进行用户的忠诚度聚类的技术手段，所以克服了不同网站、品牌、视频、社交平台或支付平台等之间特征差异较大带来的需要手动选择最适特征、人工干预量大的技术问题，进而达到自适应地选择计算忠诚度所需特征以及并行地计算所有用户忠诚度聚类结果的技术效果；通过忠诚度的用户特征信息，从而可以清晰地将样本分类为不同用户特征，以便后续根据用户特征进行计算忠诚度所需特征的选择；通过忠诚度的类型信息(标签)，从而可以对网站、品牌、视频、社交平台或支付平台等的忠诚型用户进行精准营销，提升复购率与GMV(GMV泛指成交金额)等，还可以针对其他相似网站、品牌、视频、社交平台或支付平台等的忠诚度较高用户进行精准营销，提升站内拉新(拉入新用户)与GMV等，还可以利用各个用户的忠诚度差异进行差异化营销；通过随机选择用户特征和样本构建Kmeans聚类模型，计算该Kmeans聚类模型的WSSSE(组内误差平方和)并选取最小的WSSSE所对应的用户特征，从而可以较准确地获取计算忠诚度所需特征，以便后续根据计算忠诚度所需的特征实现用户忠诚度的聚类。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的忠诚度聚类的方法的主要步骤的示意图；

图2是根据本发明实施例一的系统架构的示意图；

图3是根据本发明实施例的忠诚度聚类的装置的主要模块的示意图；

图4是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本发明实施例的技术方案通过计算机随机选择用户特征和样本，Kmeans聚类，WSSSE(组内误差平方和)计算与比较，从而自适应地完成计算忠诚度所需的特征的选择，然后再利用Kmeans聚类算法进行忠诚度的聚类。另外，本发明技术方案还能够并行地计算所有忠诚度的聚类中心点，减少工作量。

图1是根据本发明实施例的忠诚度聚类的方法的主要步骤的示意图。

如图1所示，本发明实施例的忠诚度聚类的方法主要包括如下步骤：

步骤S11：获取样本，将所述样本分类为不同用户特征。在本步骤中，可以通过定义忠诚度的类型，构建用户特征集合来获得不同用户特征。忠诚度的类型可分为：高度-忠诚型、中度-忠诚型、近期-普通型、远期-普通型、近期-偶然型、近期-投机型、远期-偶然型、远期-投机型。用户特征集合通过模型样本提取、用户特征加工和数据清洗来构建。

模型样本提取中，可以提取近1年有过购物、浏览、登陆或支付等行为的用户作为目标用户，然后选择这些用户近一年的用户特征作为模型聚类的样本。用户特征加工的特征集合可以但不限于包括：购物天数、优惠率、末单距今天数、SKU、三级品类数、父单量、加购SKU数、浏览时长、浏览SKU数、浏览三级品类数。数据清洗可以首先根据具体的业务场景需求，排除刷单用户(客单价小于5元，且订单量大于10单)、风险用户(如黄牛商家、机器注册的用户)和企业用户等异常用户，确保模型的适用性和健壮性。其次，可以排除某些极大值(采用箱型图等方法)，补全缺失值(采用均值补全)等。最后，为了保证不同数量级的特征相差过大，提升模型的收敛速度，可以对数据进行归一化处理。

步骤S12：利用Kmeans聚类模型选择计算忠诚度所需的特征，根据所述特征利用Kmeans聚类模型获得忠诚度的聚类中心点。本步骤采用了两层聚类，第一层Kmeans聚类模型是用小样本和随机的用户特征进行Kmeans聚类，然后选择WSSSE最小的Kmeans聚类模型对应的特征组合，接着第二层Kmeans聚类模型使用该特征组合和全量的样本去进行第二层Kmeans聚类，得到最终的忠诚度的聚类中心点。

步骤S13：根据所述忠诚度的聚类中心点对用户的忠诚度进行聚类。本步骤可以根据忠诚度的聚类中心点对所有用户的忠诚度进行聚类，即利用本模型得到的各个聚类中心点将这些用户的忠诚度聚到相应的类，然后打上该类的标签。

下面将结合具体的实施例介绍本发明技术方案的具体实施过程。

实施例一：以常见的品牌忠诚度聚类为例，介绍本发明技术方案的具体实施过程。

图2是根据本发明实施例一的系统架构的示意图。

如图2所示，本发明实施例的技术方案首先构建了用户特征集合；其次，通过计算机随机选择用户特征和样本，Kmeans聚类，WSSSE(组内误差平方和)计算与比较而自适应地完成计算品牌忠诚度所需的特征的选择；然后再利用Kmeans聚类算法获得多品牌忠诚度的聚类中心点，进行多品牌忠诚度的聚类。本发明技术方案能够并行地计算所有品牌忠诚度的聚类中心点。

具体品牌忠诚度聚类的实现方案具体如下：

1.定义品牌忠诚度

品牌忠诚度是指消费者在购买决策中，多次表现出来对某个品牌有偏向性的(而非随意的)行为反应。它是一种行为过程，也是一种心理(决策和评估)过程。品牌忠诚度的形成不完全是依赖于产品的品质、知名度、品牌联想及传播，它与消费者本身的特性密切相关，依赖于消费者的产品使用经历。提高品牌的忠诚度，对一个企业的生存与发展，扩大市场份额极其重要。

品牌忠诚度的类型例如：高度-忠诚型、中度-忠诚型、近期-普通型、远期-普通型、近期-偶然型、近期-投机型、远期-偶然型、远期-投机型。

2.用户特征集合构建模块

(1)模型样本提取

提取近1年有过购物行为的用户作为目标用户，然后选择这些用户近一年的用户特征作为模型聚类的样本。

(2)用户特征加工

分类品牌忠诚度聚类计算所需要的特征，例如：

1)购物天数：用户在近一年中购物的天数。

2)优惠率：用户使用优惠券的比例。

3)末单距今天数：用户最近一次下单距今天数。

4)SKU(每个商品的属性信息，唯一)数：用户近一年购买的SKU数量。

5)三级品类数：用户近一年中购买的三级品类数量。

6)父单量：用户近一年中购买的父单数量。

7)加购SKU数：用户近一年中加入购物车的SKU数量。

8)浏览时长：用户近一年中浏览的时长。

9)浏览SKU数：用户近一年中浏览的SKU数量。

10)浏览三级品类数：用户近一年中浏览的三级品类数量。

(3)数据清洗

首先根据具体的业务场景需求，排除刷单用户(客单价小于5元，且订单量大于10单)、风险用户(如黄牛商家、机器注册的用户)和企业用户等异常用户，确保模型的适用性和健壮性。其次，排除某些极大值(采用箱型图等方法)，补全缺失值(采用均值补全)等。最后，为了保证不同数量级的特征相差过大，提升模型的收敛速度，对数据进行归一化处理。

3.详细聚类方案

本方案采用了两层聚类，第一层采用小样本Kmeans聚类和WSSSE值计算与比较确定某个品牌所需要的特征，第二层根据最合适的特征，利用全量样本进行Kmeans聚类，这次聚类得到的即该品牌的最终聚类中心点。

WSSSE(组内误差平方和)是一种有效的计算Kmeans聚类效果的方法,该值越小,聚类效果越好，其含义就是对各个类别下的样本，求样本与中心点的欧式距离的平方和。其计算公式如下：

其中，x_i表示某一样本，c_k表示该样本所属类别的中心点。

详细聚类方案的整体流程如下：

(1)对于每一个品牌i(此处可以并行计算所有的品牌)；

(2)从全部的特征中随机选出m个特征；

(3)从全部的样本中随机选出s个样本；

(4)选择k个类的初始中心；

(5)在第j次迭代中，对任意一个样本，求其到k个中心的距离，将该样本归到距离最短的中心所在的类；

(6)利用均值等方法更新该类的中心值；

(7)对于所有的k个聚类中心，如果利用(4)(5)(6)的迭代法更新后，值保持不变，则迭代结束，否则继续迭代(4)(5)(6)；

(8)计算该次聚类模型的WSSSE；

(9)对于该品牌i，重复(2)(3)(4)(5)(6)(7)(8)步骤t次，取WSSSE最小的一次用户特征；

(10)利用该用户特征完成全量样本聚类，得到该品牌忠诚度的聚类中心点；

(11)并行地对所有品牌重复(1)(2)(3)(4)(5)(6)(7)(8)(9)(10),得到n个品牌忠诚度的聚类中心点。

需要说明的是，上述详细聚类方案的整体流程中，m可以但不限于不大于10且不小于3，s可以但不限于等于总样本数量的1％，t可以但不限于不小于100，t的选择随着s的数量可采取一定的变动，s越小时，t越大。

4.输出

根据上述品牌忠诚度的聚类中心点对所有用户的品牌忠诚度进行聚类，给每个用户打上各个品牌忠诚度的标签。即将这些用户的品牌忠诚度聚到相应的类，然后打上该类的标签。

根据本发明实施例一的品牌忠诚度聚类的方法可以看出，因为采用随机Kmeans模型选择计算品牌忠诚度所需特征，进行用户的品牌忠诚度聚类的技术手段，所以克服了不同品牌间特征差异较大带来的需要对不同品牌手动选择其最适特征、人工干预量大的技术问题，进而达到自适应地选择计算品牌忠诚度所需特征以及并行地计算所有用户品牌忠诚度聚类结果的技术效果；通过品牌忠诚度的用户特征信息，从而可以清晰地将样本分类为不同用户特征，以便后续根据用户特征进行计算品牌忠诚度所需特征的选择；通过品牌忠诚度的类型信息(标签)，从而可以在各个品牌的超级品牌日期间对该品牌的忠诚型用户进行精准营销，提升复购率与GMV(GMV泛指成交金额)，还可以针对其他相似品牌的忠诚度较高用户进行精准营销，提升站内拉新(拉入新用户)与GMV，还可以利用各个用户的品牌忠诚度差异进行差异化营销；通过随机选择用户特征和样本构建Kmeans聚类模型，计算该Kmeans聚类模型的WSSSE(组内误差平方和)并选取最小的WSSSE所对应的用户特征，从而可以较准确地获取计算品牌忠诚度所需特征，以便后续根据计算品牌忠诚度所需的特征实现用户品牌忠诚度的聚类。

实施例二：以常见的游戏忠诚度聚类为例，介绍本发明技术方案的聚类方案。

与实施例一类似，游戏忠诚度聚类也首先构建了用户特征集合；然后通过计算机随机选择用户特征和样本，Kmeans聚类，WSSSE(组内误差平方和)计算与比较而自适应地完成计算游戏忠诚度所需的特征的选择；之后再利用Kmeans聚类算法获得多游戏忠诚度的聚类中心点，进行多游戏忠诚度的聚类。本发明技术方案能够并行地计算所有游戏忠诚度的聚类中心点，从而得到用户对不同游戏的忠诚度。

其中，用户特征集合可以取近一年有过登陆行为的用户，然后选择这些用户近一年的用户特征作为模型聚类的样本。用户特征可以选择用户登录次数，每次游戏时长，消费次数，消费金额等。详细的聚类方案的整体流程如下：

(1)对于每一个游戏i；

(2)随机选择m个特征；

(3)随机选择s个用户样本；

(4)选择k个类的初始中心；

(5)在第j次迭代中，对任意一个样本，求其到k个中心的距离，将该样本归到距离最短的中心所在的类；

(6)利用均值等方法更新该类的中心值；

(7)对于所有的k个聚类中心，如果利用(4)(5)(6)的迭代法更新后，值保持不变，则迭代结束，否则继续迭代(4)(5)(6)；

(8)计算该次聚类模型的WSSSE(组内误差平方和)；

(9)对于该游戏i，重复(2)(3)(4)(5)(6)(7)(8)步骤t次，取WSSSE最小的一次用户特征；

(10)利用该用户特征完成全量样本聚类，得到该游戏忠诚度的聚类中心点；

(11)并行地对所有游戏重复(1)(2)(3)(4)(5)(6)(7)(8)(9)(10),得到n个游戏忠诚度的聚类中心点。

需要说明的是，上述详细聚类方案的整体流程中，m可以但不限于不大于10且不小于3，s可以但不限于等于总样本数量的1％，t可以但不限于不小于100，t的选择随着s的数量可采取一定的变动，s越小时，t越大。

根据上述游戏忠诚度的聚类中心点对所有用户的游戏忠诚度进行聚类，给每个用户打上各个游戏忠诚度的标签。即将这些用户的游戏忠诚度聚到相应的类，然后打上该类的标签。

实施例三：以常见的直播室忠诚度聚类为例，介绍本发明技术方案的聚类方案。

与实施例一、实施例二类似，直播室忠诚度聚类也首先构建了用户特征集合；然后通过计算机随机选择用户特征和样本，Kmeans聚类，WSSSE(组内误差平方和)计算与比较而自适应地完成计算游戏忠诚度所需的特征的选择；之后再利用Kmeans聚类算法获得多直播室忠诚度的聚类中心点，进行多直播室忠诚度的聚类。本发明技术方案能够并行地计算所有直播室忠诚度的聚类中心点，从而得到用户对不同直播室的忠诚度。

这里的直播室可以根据相应的业务取前N个进行其用户忠诚度的聚类，N可以设置相应的阈值，其根据具体的业务场景确定，比如关注排名前N个的直播室、付费排名前N个的直播室等。

用户特征集合可以取近一年有过登陆行为的用户，然后选择这些用户近一年的用户特征作为模型聚类的样本。用户特征可以选择用户进入直播间次数，每次直播观看时长，消费次数，消费金额等。详细的聚类方案的整体流程如下：

(1)对于每一个直播室i；

(2)随机选择m个特征；

(3)随机选择s个用户样本；

(4)选择k个类的初始中心；

(5)在第j次迭代中，对任意一个样本，求其到k个中心的距离，将该样本归到距离最短的中心所在的类；

(6)利用均值等方法更新该类的中心值；

(7)对于所有的k个聚类中心，如果利用(4)(5)(6)的迭代法更新后，值保持不变，则迭代结束，否则继续迭代(4)(5)(6)；

(8)计算该次聚类模型的WSSSE(组内误差平方和)；

(9)对于该直播室i，重复(2)(3)(4)(5)(6)(7)(8)步骤t次，取WSSSE最小的一次用户特征；

(10)利用该用户特征完成全量样本聚类，得到该直播室忠诚度的聚类中心点；

(11)并行地对所有直播室重复(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)，得到n个直播室忠诚度的聚类中心点。

需要说明的是，上述详细聚类方案的整体流程中，m可以但不限于不大于10且不小于3，s可以但不限于等于总样本数量的1％，t可以但不限于不小于100，t的选择随着s的数量可采取一定的变动，s越小时，t越大。

根据上述直播室忠诚度的聚类中心点对所有用户的直播室忠诚度进行聚类，给每个用户打上各个直播室忠诚度的标签。即将这些用户的直播室忠诚度聚到相应的类，然后打上该类的标签。

根据本发明实施例的忠诚度聚类的方法可以看出，因为采用随机Kmeans模型选择计算忠诚度所需特征，进行用户的忠诚度聚类的技术手段，所以克服了不同网站、品牌、游戏、直播平台、视频、社交平台或支付平台等之间特征差异较大带来的需要手动选择最适特征、人工干预量大的技术问题，进而达到自适应地选择计算忠诚度所需特征以及并行地计算所有用户忠诚度聚类结果的技术效果；通过忠诚度的用户特征信息，从而可以清晰地将样本分类为不同用户特征，以便后续根据用户特征进行计算忠诚度所需特征的选择；通过忠诚度的类型信息(标签)，从而可以对网站、品牌、游戏、直播平台、视频、社交平台或支付平台等的忠诚型用户进行精准营销，还可以针对其他相似网站、品牌、游戏、直播平台、视频、社交平台或支付平台等的忠诚度较高用户进行精准营销，提升站内拉新(拉入新用户)等，还可以利用各个用户的忠诚度差异进行差异化营销；通过随机选择用户特征和样本构建Kmeans聚类模型，计算该Kmeans聚类模型的WSSSE(组内误差平方和)并选取最小的WSSSE所对应的用户特征，从而可以较准确地获取计算忠诚度所需特征，以便后续根据计算忠诚度所需的特征实现用户忠诚度的聚类。

图3是根据本发明实施例的忠诚度聚类的装置的主要模块的示意图；

如图3所示，本发明实施例的忠诚度聚类的装置300主要包括：指标特征模块301、随机Kmeans模型模块302、输出模块303。其中：

指标特征模块301可用于获取样本，将所述样本分类为不同用户特征；

随机Kmeans模型模块302可用于利用Kmeans聚类模型选择计算忠诚度所需的特征，根据所述特征利用Kmeans聚类模型获得忠诚度的聚类中心点；

输出模块303可用于根据所述忠诚度的聚类中心点对用户的忠诚度进行聚类。

此外，指标特征模块301还可用于：定义忠诚度的类型，构建用户特征集合。其中，忠诚度的类型可以但不限于包括：高度-忠诚型、中度-忠诚型、近期-普通型、远期-普通型、近期-偶然型、近期-投机型、远期-偶然型、远期-投机型。

本发明实施例中，所述用户特征集合可以但不限于包括：购物天数、优惠率、末单距今天数、SKU、三级品类数、父单量、加购SKU数、浏览时长、浏览SKU数、浏览三级品类数中的一种或几种。

需要说明的是，随机Kmeans模型模块302还可用于：随机选择m个用户特征和s个样本，根据随机选择的用户特征和样本构建Kmeans聚类模型，计算根据随机选择的用户特征和样本构建的Kmeans聚类模型的WSSSE(组内误差平方和)，其中，m可以但不限于不大于10，s可以但不限于等于总样本数量的1％；重复t次上述步骤，其中，t可以但不限于等于100；选择最小的WSSSE所对应的用户特征作为计算忠诚度所需的特征。

从以上描述可以看出，因为采用随机Kmeans模型选择计算忠诚度所需特征，进行用户的忠诚度聚类的技术手段，所以克服了不同网站、品牌、游戏、直播平台、视频、社交平台或支付平台等之间特征差异较大带来的需要手动选择最适特征、人工干预量大的技术问题，进而达到自适应地选择计算忠诚度所需特征以及并行地计算所有用户忠诚度聚类结果的技术效果；通过忠诚度的用户特征信息，从而可以清晰地将样本分类为不同用户特征，以便后续根据用户特征进行计算忠诚度所需特征的选择；通过忠诚度的类型信息(标签)，从而可以对网站、品牌、游戏、直播平台、视频、社交平台或支付平台等的忠诚型用户进行精准营销，提升复购率与GMV(GMV泛指成交金额)等，还可以针对其他相似网站、品牌、游戏、直播平台、视频、社交平台或支付平台等的忠诚度较高用户进行精准营销，提升站内拉新(拉入新用户)与GMV等，还可以利用各个用户的忠诚度差异进行差异化营销；通过随机选择用户特征和样本构建Kmeans聚类模型，计算该Kmeans聚类模型的WSSSE(组内误差平方和)并选取最小的WSSSE所对应的用户特征，从而可以较准确地获取计算忠诚度所需特征，以便后续根据计算忠诚度所需的特征实现用户忠诚度的聚类。

根据本发明的实施例，本发明还提供了一种电子设备和一种可读介质。

本发明的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的忠诚度聚类的方法。

本发明的计算机可读介质，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本发明实施例的忠诚度聚类的方法。

图4是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

如图4所示，其示出了适于用来实现本申请实施例的终端设备的计算机系统400的结构示意图。图4示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本发明公开的实施例，上文系统架构图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行系统架构图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机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。而在本申请中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括指标特征模块、随机Kmeans模块和输出模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，指标特征模块还可以被描述为“获取样本将所述样本分类为不同用户特征的模块”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取样本，将所述样本分类为不同用户特征；利用Kmeans聚类模型选择计算忠诚度所需的特征，根据所述特征利用Kmeans聚类模型获得忠诚度的聚类中心点；根据所述忠诚度的聚类中心点对用户的忠诚度进行聚类。

上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

根据本发明实施例的技术方案，因为采用随机Kmeans模型选择计算忠诚度所需特征，进行用户的忠诚度聚类的技术手段，所以克服了不同网站、品牌、游戏、直播平台、视频、社交平台或支付平台等之间特征差异较大带来的需要手动选择最适特征、人工干预量大的技术问题，进而达到自适应地选择计算忠诚度所需特征以及并行地计算所有用户忠诚度聚类结果的技术效果；通过忠诚度的用户特征信息，从而可以清晰地将样本分类为不同用户特征，以便后续根据用户特征进行计算忠诚度所需特征的选择；通过忠诚度的类型信息(标签)，从而可以对网站、品牌、游戏、直播平台、视频、社交平台或支付平台等的忠诚型用户进行精准营销，提升复购率与GMV(GMV泛指成交金额)等，还可以针对其他相似网站、品牌、游戏、直播平台、视频、社交平台或支付平台等的忠诚度较高用户进行精准营销，提升站内拉新(拉入新用户)与GMV等，还可以利用各个用户的忠诚度差异进行差异化营销；通过随机选择用户特征和样本构建Kmeans聚类模型，计算该Kmeans聚类模型的WSSSE(组内误差平方和)并选取最小的WSSSE所对应的用户特征，从而可以较准确地获取计算忠诚度所需特征，以便后续根据计算忠诚度所需的特征实现用户忠诚度的聚类。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (14)

1.一种忠诚度聚类的方法，其特征在于，包括：

获取样本，将所述样本分类为不同用户特征；

利用Kmeans聚类模型选择计算忠诚度所需的特征，根据所述特征利用Kmeans聚类模型获得忠诚度的聚类中心点；

根据所述忠诚度的聚类中心点对用户的忠诚度进行聚类。

2.根据权利要求1所述的方法，其特征在于，利用Kmeans聚类模型选择计算忠诚度所需的特征包括：

随机选择用户特征和样本，根据随机选择的用户特征和样本构建Kmeans聚类模型，计算根据随机选择的用户特征和样本构建的Kmeans聚类模型的组内误差平方和；

重复不小于100次上述步骤；

选择最小的组内误差平方和所对应的用户特征作为计算忠诚度所需的特征。

3.根据权利要求2所述的方法，其特征在于，随机选择用户特征和样本包括：

随机选择m个用户特征，随机选择s个样本；其中，

m不大于用户特征的总数，s不小于样本数量的0.5％且不大于样本数量的1.5％。

4.根据权利要求1所述的方法，其特征在于，将所述样本分类为不同用户特征包括：

定义忠诚度的类型，构建用户特征集合。

5.根据权利要求4所述的方法，其特征在于，所述忠诚度的类型包括：

高度-忠诚型、中度-忠诚型、近期-普通型、远期-普通型、近期-偶然型、近期-投机型、远期-偶然型、远期-投机型。

6.根据权利要求4所述的方法，其特征在于，所述用户特征集合至少包括以下一种：

购物天数、优惠率、末单距今天数、SKU、三级品类数、父单量、加购SKU数、浏览时长、浏览SKU数、浏览三级品类数。

7.一种忠诚度聚类的装置，其特征在于，包括：

指标特征模块，用于获取样本，将所述样本分类为不同用户特征；

随机Kmeans模型模块，利用Kmeans聚类模型选择计算忠诚度所需的特征，根据所述特征利用Kmeans聚类模型获得忠诚度的聚类中心点；

输出模块，根据所述忠诚度的聚类中心点对用户的忠诚度进行聚类。

8.根据权利要求7所述的装置，其特征在于，随机Kmeans模型模块还用于：

随机选择用户特征和样本，根据随机选择的用户特征和样本构建Kmeans聚类模型，计算根据随机选择的用户特征和样本构建的Kmeans聚类模型的组内误差平方和；

重复不小于100次上述步骤；

选择最小的组内误差平方和所对应的用户特征作为计算忠诚度所需的特征。

9.根据权利要求8所述的装置，其特征在于，随机Kmeans模型模块还用于：

随机选择m个用户特征，随机选择s个样本；其中，

m不大于用户特征的总数，s不小于样本数量的0.5％且不大于样本数量的1.5％。

10.根据权利要求7所述的装置，其特征在于，指标特征模块还用于：

定义忠诚度的类型，构建用户特征集合。

11.根据权利要求10所述的装置，其特征在于，所述忠诚度的类型包括：

高度-忠诚型、中度-忠诚型、近期-普通型、远期-普通型、近期-偶然型、近期-投机型、远期-偶然型、远期-投机型。

12.根据权利要求10所述的装置，其特征在于，所述用户特征集合至少包括以下一种：

购物天数、优惠率、末单距今天数、SKU、三级品类数、父单量、加购SKU数、浏览时长、浏览SKU数、浏览三级品类数。

13.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。