CN107679916A - 用于获取用户兴趣度的方法及装置 - Google Patents
用于获取用户兴趣度的方法及装置 Download PDFInfo
- Publication number
- CN107679916A CN107679916A CN201710946948.XA CN201710946948A CN107679916A CN 107679916 A CN107679916 A CN 107679916A CN 201710946948 A CN201710946948 A CN 201710946948A CN 107679916 A CN107679916 A CN 107679916A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- interest
- classification
- generate
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开一种用于获取用户兴趣度的方法及装置。涉及计算机信息处理领域,该方法包括:获取用户特征集数据,所述特征集数据包括多个分类数据;将所述特征集数据进特征处理,生成指标数据;通过所述指标数据与所述分类数据,确定用户对每个所述分类数据的兴趣数值,生成兴趣数据;将所述兴趣度数据进行标准化处理,生成用户兴趣度。本申请公开的用于获取用户兴趣度的方法及装置,能够精确地获得用户兴趣度,进而针对不同的场景进行商品或者用户信息推广。
Description
技术领域
本发明涉及计算机信息处理,具体而言,涉及一种用于获取用户兴趣度的方法及装置。
背景技术
电商崛起,信息爆炸的21世纪,企业要想长期稳定的生存,首先必须吸引用户,其次需要经营用户,从而使得用户成为企业的忠诚用户。如何很好的经营用户,是现有技术中的难题,随着用户行为数据的记录,数据挖掘算法技术的成熟,企业可以通过多种方法来经营用户,其中最为常见也最核心的就是对用户进行精准营销,在对的时间把对的商品推荐给对的人。要对用户进行精准营销,亦或是某供应商需要把自己的商品卖给对的人,就需要借助用户画像来实现,而用户兴趣度模型是衡量用户对某个品类或者品牌想要购买的一个兴趣程度,即企业可以根据用户的兴趣度模型推荐合适的商品给用户,供应商可以根据兴趣度模型圈定对自己商品感兴趣的人群进行营销,从而企业/供应商以及用户达到双赢的目的。
现有技术方案是直接根据用户在统计时间内(近1年或者历史以来)购买次数top3的品类作为用户感兴趣的品类。在现有技术中,只有用户感兴趣的品类,并没有具体数值衡量用户对该品类的兴趣程度,若两个用户购买最多的品类都是同一个,无法区分出这两个用户到底谁对该品类的兴趣度更高。而且,现有技术中覆盖用户较少,现有技术只统计了一段时间内有过购买的用户,忽略了品类新用户,部分未购买或者未来一小段时间内会购买的浏览用户,这部分用户也应该参与兴趣度模型计算。更进一步,现有技术的方法无法在品类维度进行筛选用户,因为比较的是用户自身购买top的品类,所以在品类维度是无法筛选出用户,比如供应商现在想把一款手机通过push消息的方式触达用户,这就需要圈定对这款手机最感兴趣的用户,则该模型目前无法实现针对品类进行用户比较。
因此,需要一种新的用于获取用户兴趣度的方法及装置。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它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
有鉴于此,本发明提供一种用于获取用户兴趣度的方法及装置能够精确地获得用户兴趣度,进而针对不同的场景进行商品或者用户信息推广。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的一方面,提出一种用于获取用户兴趣度的方法,该方法包括:获取用户特征集数据,所述特征集数据包括多个分类数据;将所述特征集数据进特征处理,生成指标数据;通过所述指标数据与所述分类数据,确定用户对每个所述分类数据的兴趣数值,生成兴趣数据;将所述兴趣度数据进行标准化处理,生成用户兴趣度。
在本公开的一种示例性实施例中,所述获取用户特征集数据,包括:获取用户的订单特征集数据。
在本公开的一种示例性实施例中,所述获取用户的订单特征集数据,包括:获取用户历史购买数据;提取所述用户历史购买数据中满足预定条件的数据,生成所述订单特征集数据。
在本公开的一种示例性实施例中,所述将所述特征集数据进特征处理,生成指标数据,包括:通过加权处理,将所述特征集数据进特征处理,生成指标数据;加权公式包括:
其中,b为购买汇总值,bn为用户在该分类下的购买次数,bn max为该分类下购买次数最大值,br为用户最后一单距当前天数,bc为用户在该分类下的购买周期,a1,a2为权重系数。
在本公开的一种示例性实施例中,所述获取用户特征集数据,包括:获取用户的浏览特征集数据。
在本公开的一种示例性实施例中,所述获取用户的浏览特征集数据,包括:获取用户历史浏览数据;过滤所述用户浏览数据中满足预定条件的数据之后,生成所述浏览特征集数据。
在本公开的一种示例性实施例中,所述将所述特征集数据进特征处理,生成指标数据,包括:通过加权处理,将所述特征集数据进特征处理,生成指标数据;加权公式包括:
s=a1(pv/pvmax)+a2(psku/pskumax)+a3(ptime/ptimemax);
其中,s为浏览特征汇总值,pv为浏览次数,pvmax为在该分类下浏览次数最大值,psku为该分类下浏览的库存量单位数,pskumax为该分类下浏览库存量单位数最大值,ptime为该品类下平均停留时长,ptimemax为该品类下平均停留时长最大值。
在本公开的一种示例性实施例中,所述确定用户对每个所述分类数据的兴趣数值,生成兴趣数据,包括:在第一维度中确定用户对每个所述分类数据的兴趣数值,生成第一兴趣数据;在第二维度中确定用户对每个所述分类数据的兴趣数值,生成第二兴趣数据;以及通过所述第一兴趣数据与所述第二兴趣数据生成所述兴趣数据。
在本公开的一种示例性实施例中,所述将所述兴趣度数据进行标准化处理,生成用户兴趣度,包括:通过加权平均法对所述兴趣度数据进行标准化处理,生成所述用户兴趣度。
在本公开的一种示例性实施例中,还包括:通过所述用户兴趣度进行信息推广。
在本公开的一种示例性实施例中,还包括:通过TF-IDF方法与所述指标数据,所述分类数据,确定用户对每个所述分类数据的兴趣数值,生成所述兴趣数据。
根据本发明的一方面,提出一种用于获取用户兴趣度的装置,该装置包括:特征模块,用于获取用户特征集数据,所述特征集数据包括多个分类数据;指标模块,用于将所述特征集数据进特征处理,生成指标数据;数据模块,用于通过所述指标数据与所述分类数据,确定用户对每个所述分类数据的兴趣数值,生成兴趣数据;标准化模块,用于将所述兴趣度数据进行标准化处理,生成用户兴趣度。
根据本发明的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本发明的一方面,提出一种计算机可读介质,其上存储有计算机程序,其特征在于,程序被处理器执行时实现如上文中的方法。
根据本发明的用于获取用户兴趣度的方法及装置,能够精确地获得用户兴趣度,进而针对不同的场景进行商品或者用户信息推广。
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的,并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种用于获取用户兴趣度的方法的系统架构。
图2是根据一示例性实施例示出的一种用于获取用户兴趣度的方法的流程图。
图3是根据另一示例性实施例示出的一种用于获取用户兴趣度的方法的流程图。
图4是根据一示例性实施例示出的一种用于获取用户兴趣度的装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6是根据一示例性实施例示出的一种计算机可读介质示意图。
具体实施例
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在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。
此外,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例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,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。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的,因此不能用于限制本发明的保护范围。
下面结合附图对本公开示例实施方式进行详细说明。
图1是根据一示例性实施例示出的一种用于信息推广的方法的系统架构。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如用户兴趣度计算数值、产品推送信息)反馈给终端设备。
需要说明的是,本申请实施例所提供的用户兴趣度计算方法一般由服务器105执行,相应地,推送消息的展示网页一般设置于客户端101中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2是根据一示例性实施例示出的一种用于获取用户兴趣度的方法的流程图。
如图2所示,在S202中,获取用户特征集数据,所述特征集数据包括多个分类数据。可例如,通过用户浏览或者购买的历史数据提取用户特征集数据。可例如,根据具体的业务场景需求,需要排除刷单用户、风险用户和企业用户等异常用户,确保模型的适用性和健壮性。还可例如剔除掉虚拟商品(生活旅行,游戏充值等),赠品,测试商品和邮费差价补贴等商品。用户的特征集数据在品类(分类)下订单和浏览特征数据都在剔除了以上不需要内容的基础上进行统计。用户特征集数据按照不同的商品品类对应生成不同的分类数据。用户特征集数据还可例如包括用户订单特征集数据以及浏览特征集数据。本发明不以此为限。
在S204中,将所述特征集数据进特征处理,生成指标数据。通过加权处理,将所述特征集数据进特征处理,生成指标数据。可例如,根据数据中不同的购买数量、浏览次数,购买时间等等,对所述特征集数据进行加权处理,生成指标数据。
在S206中,通过所述指标数据与所述分类数据,确定用户对每个所述分类数据的兴趣数值,生成兴趣数据。可例如,通过TF-IDF方法,通过所述指标数据与所述分类数据,确定用户对每个所述分类数据的兴趣数值,生成兴趣数据。TF-IDF(term frequency–inversedocument frequency)是一种用于信息检索与数据挖掘的常用加权技术。TF意思是词频(Term Frequency),IDF意思是逆向文件频率(Inverse Document Frequency)。TFIDF的主要思想是:如果某个词或短语在一篇文章中出现的频率TF高,并且在其他文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。TFIDF实际上是:TF*IDF,TF词频(Term Frequency),IDF逆向文件频率(Inverse Document Frequency)。TF表示词条在文档d中出现的频率。IDF的主要思想是:如果包含词条t的文档越少,也就是n越小,IDF越大,则说明词条t具有很好的类别区分能力。如果某一类文档C中包含词条t的文档数为m,而其它类包含t的文档总数为k,显然所有包含t的文档数n=m+k,当m大的时候,n也大,按照IDF公式得到的IDF的值会小,就说明该词条t类别区分能力不强。
在S208中,将所述兴趣度数据进行标准化处理,生成用户兴趣度。可例如,将兴趣度数据进行归一化处理,得到0-100的用户兴趣度分值。
根据本发明的用于获取用户兴趣度的方法,通过由用户的历史数据进行特征处理获取特征集数据,进而采用TF-IDF方法计算用户兴趣度的方式,能够精确地获得用户兴趣度,进而针对不同的场景进行商品或者用户信息推广。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施例。
在本公开的一种示例性实施例中,所述获取用户特征集数据,包括:获取用户的订单特征集数据。可例如包括:获取用户历史购买数据;提取所述用户历史购买数据中满足预定条件的数据,生成所述订单特征集数据。
在现实场景中,用户购买特征都是用户的收货地址和用户常用地址是相同的订单的数据,即用户购买的商品是给自己使用,由于在本发明中,需要获取的是用户自身的兴趣度,所以代购等行为并不能代表用户自己的兴趣行为,可例如,对用户历史购买数据做如下的统计处理。
1、用户品类购买次数:统计用户在近1年内每个品类下购买的次数
2、用户品类购买周期:计算每个用户在每个品类下的购买周期,其中购买周期的计算方法如下表所示:
购买天数 | 最近一单距今天数 | 最终购买周期 |
=1 | <平均购买周期 | =平均购买周期 |
>=1 | >自身购买周期 | =(今天-首单)/购买天数 |
>=2 | <自身购买周期 | =(最近一单-首单)/(购买天数-1) |
=1 | >平均购买周期 | =(今天-首单) |
可例如,计算出在品类下购买天数大于等于2天的用户的购买周期,计算方法:自身购买周期=(最近一单时间-首单时间)/(购买天数-1)。然后取这些用户购买周期的均值作为平均购买周期,其次根据表1计算出每个用户在每个品类下的购买周期。
3、用户品类最近一单距今时间:统计出用户在每个品类下最近一单的下单时间距离今天的天数。
通过以上统计数据生成订单特征集数据。
通过加权处理,将所述订单特征集数据进特征处理,生成指标数据;加权公式包括:
其中,b为购买汇总值,bn为用户在该分类下的购买次数,bn max为该分类下购买次数最大值,br为用户最后一单距当前天数,bc为用户在该分类下的购买周期,a1,a2为权重系数。
在本公开的一种示例性实施例中,所述获取用户特征集数据,包括:获取用户的浏览特征集数据。可例如包括:获取用户历史浏览数据;过滤所述用户浏览数据中满足预定条件的数据之后,生成所述订单特征集数据。
计算用户浏览特征时,需要保证用户浏览的质量,可例如限制用户浏览入口来源,过滤掉活动页或者从活动链接直接跳转来的浏览,因为该部分浏览用户,多数是因为促销活动才吸引过来,对计算用户本身的品类兴趣度并不能起到关键作用;其次还需要过滤掉页面停留时间较短的用户浏览数据,该部分数据对用户兴趣度衡量的质量也不具有参考性,因为用户可能是因为不小心点击的链接或者是点击之后并不感兴趣。去掉这两部分浏览数据后,统计用户近15天在品类下的浏览天数,浏览pv,以及浏览的sku数和平均页面停留时长指标,通过以上数据生成浏览特征集数据。
通过加权处理,将所述浏览特征集数据进特征处理,生成指标数据;加权公式包括:
s=a1(pv/pvmax)+a2(psku/pskumax)+a3(ptime/ptimemax) (2);
其中,s为浏览特征汇总值,pv为浏览次数,pvmax为在该分类下浏览次数最大值,psku为该分类下浏览的库存量单位数,pskumax为该分类下浏览库存量单位数最大值,ptime为该品类下平均停留时长,ptimemax为该品类下平均停留时长最大值。
在本公开的一种示例性实施例中,所述确定用户对每个所述分类数据的兴趣数值,生成兴趣数据,包括:在第一维度中确定用户对每个所述分类数据的兴趣数值,生成第一兴趣数据;在第二维度中确定用户对每个所述分类数据的兴趣数值,生成第二兴趣数据;以及通过所述第一兴趣数据与所述第二兴趣数据生成所述兴趣数据。
在本发明中,第一维度可例如为用户维度。计算每个用户在每个品类(分类)下的用户兴趣度,用户自身进行比较,确定用户对每个品类的兴趣度值。可例如采用类TF-IDF方法,用户购买和浏览计算方法一致,故下面就统计计算用户的购买/浏览兴趣度值。
Step1,计算类IF1,用户在该品类下的购买值(浏览值),计算b/s值。用户购买值中的b/s值为公式1中对应的数值,用户浏览值中的b/s为公式2中对应的数值。
Step2,计算类IDF1,log(所有用户在所有品类下购买值的和(所有b值的和)/该用户在所有品类下的购买值的和(该用户所有b值的和))。
Step3,计算用户在品类下的兴趣度值,即S1=IF1*IDF1。
在本发明中,第二维度可例如为品类维度。
计算每个品类下用户的兴趣度,品类维度确定用户的兴趣度,同样采用类TF-IDF方法,用户购买和浏览计算方法一致。
Step1,计算类IF2,用户在该品类下的购买值(浏览值),计算b值。用户购买值中的b值为公式1中对应的数值,用户浏览值为公式2中对应的数值。
Step2,计算类IDF2,log(所有用户在所有品类下购买值的和(所有b值的和)/该品类下所有用户的购买值的和(所有该品类b值的和))。
Step3,计算品类下用户的兴趣度值,即S2=IF2*IDF2。
品类维度和用户维度计算兴趣度值唯一不同的是在计算IDF时,用户是在用户维度进行汇总,即用户在所有品类中的购买值和,而品类是在品类维度汇总,统计的是品类在所有用户中的购买值的和。
在本公开的一种示例性实施例中,所述将所述兴趣度数据进行标准化处理,生成用户兴趣度,包括:通过加权平均法对所述兴趣度数据进行标准化处理,生成所述用户兴趣度。
Step1,将购买兴趣度和浏览兴趣度加权平均汇总:
Su=a1Sbu+a2Ssu (3);
Sc=a1Sbc+a2Ssc (4);
其中,Sc表示品类维度用户兴趣度;Su表示用户维度品类兴趣度,a1,a2为权重系数,Sbc品类维度用户购买兴趣度,Ssc品类维度用户浏览兴趣度;Sbu用户维度品类浏览兴趣度,Ssu用户维度品类购买兴趣。
Step2,将品类兴趣度和用户兴趣度加权平均汇总
S=a1Su+a2Sc (5);
其中,S表示用户品类兴趣度,Sc表示品类维度用户兴趣度;Su表示用户维度品类兴趣度,a1,a2为权重系数。
Step3,将step2中的结果进行标准化,得到0-100的用户兴趣度分值。
St=S/Smax*100 (6);
其中,St为用户品类兴趣度标准化分值,Smax为step2中用户品类兴趣度S的最大值。
根据本发明的用于获取用户兴趣度的方法,在计算用户品类兴趣度模型在购买的行为数据基础上增加用户一段时间内的浏览行为数据,从而可以提高用户覆盖度,同时也可以促进品类拉新;其次利用类TF-IDF法分别从用户维度和品类维度两方面统计用户品类兴趣度,方便针对不同的场景进行选品或者选人,并且标准化用户品类兴趣度值,方便不同用户不同品类之间进行比较。
在本公开的一种示例性实施例中,还包括:通过所述用户兴趣度进行信息推广。
图3是根据另一示例性实施例示出的一种用于获取用户兴趣度的方法的示意图。
如图所示,在S302中,用户/商品过滤。
在S304中,订单特征集。
在S306中,订单特征集中特征处理(汇总)。
在S308中,订单特征集中品类/用户购买兴趣度。
在S314中,浏览特征集。
在S316中,浏览特征集中特征处理(汇总)。
在S318中,浏览特征集中品类/用户购买兴趣度。
在S320中,兴趣度加权平均标准化。
在S322中,输出结果,用户品类兴趣度。
根据本发明的用于获取用户兴趣度的方法,可以输出用户在每个品类下的兴趣度模型,该方法既可从用户维度进行比较也可以从品类维度进行比较;同时也可以将中间模型结果输出,如用户在品类维度的兴趣度模型,即只可以从用户维度进行比较,即筛选出用户较为感兴趣的品类;再者品类维度的用户兴趣度模型,即从品类维度进行比较,针对不同的品类,圈定合适的人群。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,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。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
图4是根据一示例性实施例示出的一种用于获取用户兴趣度的装置的框图。
特征模块402用于获取用户特征集数据,所述特征集数据包括多个分类数据。
指标模块404用于将所述特征集数据进特征处理,生成指标数据。
数据模块406用于通过所述指标数据与所述分类数据,确定用户对每个所述分类数据的兴趣数值,生成兴趣数据。
标准化模块408用于将所述兴趣度数据进行标准化处理,生成用户兴趣度。
根据本发明的用于获取用户兴趣度的装置,通过由用户的历史数据进行特征处理获取特征集数据,进而采用TF-IDF方法计算用户兴趣度的方式,能够精确地获得用户兴趣度,进而针对不同的场景进行商品或者用户信息推广。
图5是根据一示例性实施例示出的一种电子设备的框图。
下面参照图5来描述根据本发明的这种实施方式的电子设备200。图5显示的电子设备200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5所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理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210可以执行如图2,图3中所示的步骤。
所述存储单元220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)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205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230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200也可以与一个或多个外部设备300(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200交互的设备通信,和/或与使得该电子设备200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250进行。并且,电子设备200还可以通过网络适配器260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。网络适配器260可以通过总线230与电子设备200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200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、或者网络设备等)执行根据本公开实施方式的上述电子处方流转处理方法。
图6是根据一示例性实施例示出的一种计算机可读介质示意图。
参考图6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400,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。
所述计算机可读存储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。可读存储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。可读存储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)。
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,使得该计算机可读介质实现如下功能:获取用户特征集数据,所述特征集数据包括多个分类数据;将所述特征集数据进特征处理,生成指标数据;通过所述指标数据与所述分类数据,确定用户对每个所述分类数据的兴趣数值,生成兴趣数据;将所述兴趣度数据进行标准化处理,生成用户兴趣度。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施例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、移动终端、或者网络设备等)执行根据本发明实施例的方法。
通过以上的详细描述,本领域的技术人员易于理解,根据本发明实施例的用于获取用户兴趣度的方法及装置具有以下优点中的一个或多个。
根据一些实施例,本发明的用于获取用户兴趣度的方法,通过由用户的历史数据进行特征处理获取特征集数据,进而采用TF-IDF方法计算用户兴趣度的方式,能够精确地获得用户兴趣度,进而针对不同的场景进行商品或者用户信息推广。
根据另一些实施例,本发明的用于获取用户兴趣度的方法,可以输出用户在每个品类下的兴趣度模型,该方法既可从用户维度进行比较也可以从品类维度进行比较;同时也可以将中间模型结果输出,如用户在品类维度的兴趣度模型,即只可以从用户维度进行比较,即筛选出用户较为感兴趣的品类;再者品类维度的用户兴趣度模型,即从品类维度进行比较,针对不同的品类,圈定合适的人群。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本发明可实施的范畴。
Claims (13)
1.一种用于获取用户兴趣度的方法,其特征在于,包括:
获取用户特征集数据,所述特征集数据包括多个分类数据;
将所述特征集数据进特征处理,生成指标数据;
通过所述指标数据与所述分类数据,确定用户对每个所述分类数据的兴趣数值,生成兴趣数据;
将所述兴趣度数据进行标准化处理,生成用户兴趣度。
2.如权利要求1所述的方法,其特征在于,所述获取用户特征集数据,包括:
获取用户的订单特征集数据。
3.如权利要求2所述的方法,其特征在于,所述获取用户的订单特征集数据,包括:
获取用户历史购买数据;
提取所述用户历史购买数据中满足预定条件的数据,生成所述订单特征集数据。
4.如权利要求3所述的方法,其特征在于,所述将所述特征集数据进特征处理,生成指标数据,包括:
通过加权处理,将所述订单特征集数据进特征处理,生成指标数据;
加权公式包括:
<mrow>
<mi>b</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>n</mi>
</msub>
<mo>/</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>r</mi>
</msub>
<mo>/</mo>
<msub>
<mi>b</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>b</mi>
<mi>r</mi>
</msub>
<mo><</mo>
<msub>
<mi>b</mi>
<mi>c</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>n</mi>
</msub>
<mo>/</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>b</mi>
<mi>r</mi>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>b</mi>
<mi>c</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,b为购买汇总值,bn为用户在该分类下的购买次数,bnmax为该分类下购买次数最大值,br为用户最后一单距当前天数,bc为用户在该分类下的购买周期,a1,a2为权重系数。
5.如权利要求1所述的方法,其特征在于,所述获取用户特征集数据,包括:
获取用户的浏览特征集数据。
6.如权利要求2所述的方法,其特征在于,所述获取用户的浏览特征集数据,包括:
获取用户历史浏览数据;
过滤所述用户浏览数据中满足预定条件的数据之后,生成所述浏览特征集数据。
7.如权利要求6所述的方法,其特征在于,所述将所述特征集数据进特征处理,生成指标数据,包括:
通过加权处理,将所述浏览特征集数据进特征处理,生成指标数据;
加权公式包括:
s=a1(pv/pvmax)+a2(psku/pskumax)+a3(ptime/ptimemax);
其中,s为浏览特征汇总值,pv为浏览次数,pvmax为在该分类下浏览次数最大值,psku为该分类下浏览的库存量单位数,pskumax为该分类下浏览库存量单位数最大值,ptime为该品类下平均停留时长,ptimemax为该品类下平均停留时长最大值。
8.如权利要求1所述的方法,其特征在于,所述确定用户对每个所述分类数据的兴趣数值,生成兴趣数据,包括:
在第一维度中确定用户对每个所述分类数据的兴趣数值,生成第一兴趣数据;
在第二维度中确定用户对每个所述分类数据的兴趣数值,生成第二兴趣数据;以及
通过所述第一兴趣数据与所述第二兴趣数据生成所述兴趣数据。
9.如权利要求8所述的方法,其特征在于,所述将所述兴趣度数据进行标准化处理,生成用户兴趣度,包括:
通过加权平均法对所述兴趣度数据进行标准化处理,生成所述用户兴趣度。
10.如权利要求1所述的方法,其特征在于,所述通过所述指标数据与所述分类数据,确定用户对每个所述分类数据的兴趣数值,生成兴趣数据,包括:
通过TF-IDF方法与所述指标数据,所述分类数据,确定用户对每个所述分类数据的兴趣数值,生成所述兴趣数据。
11.一种用于获取用户兴趣度的装置,其特征在于,包括:
特征模块,用于获取用户特征集数据,所述特征集数据包括多个分类数据;
指标模块,用于将所述特征集数据进特征处理,生成指标数据;
数据模块,用于通过所述指标数据与所述分类数据,确定用户对每个所述分类数据的兴趣数值,生成兴趣数据;
标准化模块,用于将所述兴趣度数据进行标准化处理,生成用户兴趣度。
12.一种电子设备,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1-10中任一所述的方法。
13.一种计算机可读介质,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1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710946948.XA CN107679916A (zh) | 2017-10-12 | 2017-10-12 | 用于获取用户兴趣度的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710946948.XA CN107679916A (zh) | 2017-10-12 | 2017-10-12 | 用于获取用户兴趣度的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107679916A true CN107679916A (zh) | 2018-02-09 |
Family
ID=61140592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710946948.XA Pending CN107679916A (zh) | 2017-10-12 | 2017-10-12 | 用于获取用户兴趣度的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679916A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767288A (zh) * | 2018-12-15 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 产品信息同步方法、装置、计算机设备及存储介质 |
CN110162690A (zh) * | 2018-10-23 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 确定用户对物品的兴趣度的方法与装置、设备和存储介质 |
CN111310060A (zh) * | 2020-05-13 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 推荐方法、装置、电子设备及计算机可读存储介质 |
CN113590925A (zh) * | 2020-04-30 | 2021-11-02 | 中国移动通信集团北京有限公司 | 一种用户确定方法、装置、设备及计算机存储介质 |
CN114374736A (zh) * | 2021-12-10 | 2022-04-19 | 厦门立林科技有限公司 | 一种基于app通知的用户行为分析方法、装置以及平台 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102141986A (zh) * | 2010-01-28 | 2011-08-03 | 北京邮电大学 | 基于用户行为的个性化信息提供方法及系统 |
CN102831199A (zh) * | 2012-08-07 | 2012-12-19 | 北京奇虎科技有限公司 | 建立兴趣模型的方法及装置 |
CN102982042A (zh) * | 2011-09-07 | 2013-03-20 | 中国移动通信集团公司 | 一种个性化内容推荐方法、平台以及系统 |
CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
CN106250526A (zh) * | 2016-08-05 | 2016-12-21 | 浪潮电子信息产业股份有限公司 | 一种基于内容及用户行为的文本类推荐方法和装置 |
CN107025310A (zh) * | 2017-05-17 | 2017-08-08 | 长春嘉诚信息技术股份有限公司 | 一种自动实时新闻推荐方法 |
CN107145506A (zh) * | 2017-03-22 | 2017-09-08 | 无锡中科富农物联科技有限公司 | 一种改进基于内容的农资商品推荐方法 |
-
2017
- 2017-10-12 CN CN201710946948.XA patent/CN107679916A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102141986A (zh) * | 2010-01-28 | 2011-08-03 | 北京邮电大学 | 基于用户行为的个性化信息提供方法及系统 |
CN102982042A (zh) * | 2011-09-07 | 2013-03-20 | 中国移动通信集团公司 | 一种个性化内容推荐方法、平台以及系统 |
CN102831199A (zh) * | 2012-08-07 | 2012-12-19 | 北京奇虎科技有限公司 | 建立兴趣模型的方法及装置 |
CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
CN106250526A (zh) * | 2016-08-05 | 2016-12-21 | 浪潮电子信息产业股份有限公司 | 一种基于内容及用户行为的文本类推荐方法和装置 |
CN107145506A (zh) * | 2017-03-22 | 2017-09-08 | 无锡中科富农物联科技有限公司 | 一种改进基于内容的农资商品推荐方法 |
CN107025310A (zh) * | 2017-05-17 | 2017-08-08 | 长春嘉诚信息技术股份有限公司 | 一种自动实时新闻推荐方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162690A (zh) * | 2018-10-23 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 确定用户对物品的兴趣度的方法与装置、设备和存储介质 |
CN109767288A (zh) * | 2018-12-15 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 产品信息同步方法、装置、计算机设备及存储介质 |
CN113590925A (zh) * | 2020-04-30 | 2021-11-02 | 中国移动通信集团北京有限公司 | 一种用户确定方法、装置、设备及计算机存储介质 |
CN111310060A (zh) * | 2020-05-13 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 推荐方法、装置、电子设备及计算机可读存储介质 |
CN114374736A (zh) * | 2021-12-10 | 2022-04-19 | 厦门立林科技有限公司 | 一种基于app通知的用户行为分析方法、装置以及平台 |
CN114374736B (zh) * | 2021-12-10 | 2023-04-28 | 厦门立林科技有限公司 | 一种基于app通知的用户行为分析方法、装置以及平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729937B (zh) | 用于确定用户兴趣标签的方法及装置 | |
CN107330445B (zh) | 用户属性的预测方法和装置 | |
US9208437B2 (en) | Personalized information pushing method and device | |
CN107679916A (zh) | 用于获取用户兴趣度的方法及装置 | |
US20150278813A1 (en) | Determining a temporary transaction limit | |
CN107220852A (zh) | 用于确定目标推荐用户的方法、装置和服务器 | |
CN109636430A (zh) | 对象识别方法及其系统 | |
CN111783039B (zh) | 风险确定方法、装置、计算机系统和存储介质 | |
CN107507041A (zh) | 用户模型的构建方法和构建装置 | |
CN110020124B (zh) | 用于相关产品挖掘的方法及装置 | |
CN111311294A (zh) | 数据处理方法、装置、介质及电子设备 | |
CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
US9460163B1 (en) | Configurable extractions in social media | |
Zhao et al. | Anatomy of a web-scale resale market: a data mining approach | |
CN110827101A (zh) | 一种店铺推荐的方法和装置 | |
CN110599281A (zh) | 一种确定目标店铺的方法和装置 | |
Zhang et al. | The approaches to contextual transaction trust computation in e‐Commerce environments | |
CN112287208B (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
US20140108290A1 (en) | Merchant influence scoring | |
CN107357847B (zh) | 数据处理方法及其装置 | |
CN112991033A (zh) | 一种确定物品价值属性的方法和装置 | |
CN110020118B (zh) | 一种计算用户之间相似度的方法及装置 | |
CN113837843B (zh) | 产品推荐方法、装置、介质及电子设备 | |
CN113327145B (zh) | 一种物品推荐方法和装置 | |
CN103514227A (zh) | 一种更新数据库的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180209 |