CN109447694A - 一种用户特征分析方法及其系统 - Google Patents

Abstract

本发明包括一种用户特征分析方法及其系统，用户特征分析方法，包括模型训练过程：收集用户的特征数据；将特征数据进行处理得到对应的显示特征；将特征数据和显示特征作为训练数据集中的输入数据，采用训练数据集训练得到预测模型；还包括利用预测模型对预测特征进行预测的过程：收集用户的特征数据并进行处理得到对应的显示特征；将用户的特征数据和对应的显示特征作为预测模型的输入数据，预测得到关联于特征数据的预测特征，预测模型同时输出各个预测特征的可信度；根据可信度筛选得到可以进行合并的预测特征作为待合并特征，并将显示特征和待合并特征进行合并得到用户完整的用户特征；重复执行，以得到多个用户的用户特征并建立用户画像仓库。

Description

一种用户特征分析方法及其系统

技术领域

本发明涉及通信技术领域，尤其涉及一种用户特征分析方法及其系统。

背景技术

对于精准营销、数据分析和产品推荐等领域而言，需要通过各类数据来预测需要结果，而随着互联网的蓬勃发展，预测模型作为一种新的技术，越来越受到人们的重视。然而，现有的预测研究中，往往将数据直接通过预测模型来输出预测结果，通常会导致根据该预测结果与实际偏差较大。

发明内容

针对现有技术中存在的上述问题，现提供一种旨在提高预测特征可信度的用户特征分析方法及其系统。

具体技术方案如下：

一种用户特征分析方法，其中，包括模型训练过程，具体包括：

步骤A1，收集用户的特征数据；

步骤A2，将特征数据进行处理得到对应的显示特征；

步骤A3，将特征数据和显示特征作为训练数据集中的输入数据，采用训练数据集训练得到预测模型，预测模型用于预测得到特征数据中的预测特征；

还包括利用预测模型对预测特征进行预测的过程，具体包括：

步骤B1，收集用户的特征数据并进行处理得到对应的显示特征；

步骤B2，将用户的特征数据和对应的显示特征作为预测模型的输入数据，预测得到关联于特征数据的预测特征，预测模型同时输出各个预测特征的可信度；

步骤B3，根据可信度筛选得到可以进行合并的预测特征作为待合并特征，并将显示特征和待合并特征进行合并得到一个用户的完整的用户特征；

步骤B4：重复执行步骤B1至步骤B3，以得到多个用户的用户特征并建立用户画像仓库。

优选的，用户特征分析方法，其中，步骤B1包括以下步骤：

步骤B11，将用户根据预设条件分为多个用户区；

步骤B12，同时收集每个用户区对应的用户的特征数据；

步骤B13，判断用户的特征数据是否需要实时处理；

当用户的特征数据需要实时处理时，执行步骤S14；

当用户的特征数据不需要实时处理时，执行步骤S15；

步骤B14，将特征数据送入实时消息队列中，以进行实时处理，得到特征数据中的显示特征，并将特征数据和显示特征保存存储器中，执行步骤B16；

步骤B15，保存特征数据，随后再对特征数据进行处理，以得到特征数据中的显示特征，并将显示特征保存于存储器中，执行步骤B16；

步骤B16，在步骤B2之前，首先从存储器中获取特征数据和对应的显示特征。

优选的，用户特征分析方法，其中，步骤A2和步骤B1中的将特征数据进行处理得到对应的显示特征具体包括以下步骤：

步骤S21，确定特征数据中需要进行筛选的特征类型；

步骤S22，将特征数据根据特征类型进行筛选，得到显示特征。

优选的，用户特征分析方法，其中，用户具有对应的用户统一标识，用户统一标识作为用户画像仓库的索引。

优选的，用户特征分析方法，其中，用户统一标识为用户的手机号。

还包括一种用户特征分析系统，其中，采用上述任一用户特征分析方法，具体包括，

模型建立模块，模型建立模块用于建立预测模型，包括，

第一收集单元，用于收集用户的特征数据；

第一处理单元，与第一收集单元连接，用于将特征数据进行处理得到对应的显示特征；

模型建立单元，与第一处理单元连接，用于将特征数据和显示特征作为训练数据集中的输入数据，采用训练数据集训练得到预测模型；

预测模块，预测模块与模型建立模块连接，预测模块根据预测模型对预测特征进行预测，包括，

第二收集单元，用于收集用户的特征数据；

第二处理单元，与第二收集单元连接，用于将特征数据进行处理得到对应的显示特征；

预测单元，与第二处理单元连接，用于将用户的特征数据和对应的显示特征作为预测模型的输入数据，预测得到关联于特征数据的预测特征，预测模型同时输出各个预测特征的可信度；

合并单元，与预测单元连接，用于根据可信度筛选得到可以进行合并的预测特征作为待合并特征，并将显示特征和待合并特征进行合并得到一个用户的完整的用户特征；

用户画像仓库单元，与合并单元连接，用于获取多个用户的用户特征并建立用户画像仓库。

优选的，用户特征分析系统，其中，用户特征分析系统还包括存储器，预测模块与存储器连接，第二收集单元包括，

分区组件，用于将用户根据预设条件分为多个用户区；

收集组件，与分区组件连接，用于同时收集每个用户区对应的用户的特征数据；

判断组件，与收集组件连接，用于对用户的特征数据是否需要实时处理进行判断；

第一处理组件，与判断组件连接，包括实时消息队列，第一处理组件用于将需要实时处理的用户的特征数据送入实时消息队列中，实时队列对特征数据进行实时处理，得到特征数据中的显示特征，并将特征数据和显示特征保存存储器中；

第二处理组件，与判断组件连接，第二处理组件用于将不需要实时处理的用户的特征数据保存到存储器中，再从存储器中提取特征数据并进行处理，以得到特征数据中的显示特征，并将显示特征保存于存储器中。

优选的，用户特征分析系统，其中，第一处理单元包括，

第一确定特征类型组件，用于确定特征数据中需要进行筛选的特征类型；

第一筛选组件，与第一确定特征类型组件连接，用于将特征数据根据维度进行筛选，得到显示特征。

优选的，用户特征分析系统，其中，第二处理单元包括，

第二确定特征类型组件，用于确定特征数据中需要进行筛选的特征类型；

第二筛选组件，与第二确定特征类型组件连接，用于将特征数据根据维度进行筛选，得到显示特征。

上述技术方案具有如下优点或有益效果：提高预测特征可信度。

附图说明

参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。

图1为本发明用户特征分析方法实施例的模型训练过程的流程图；

图2为本发明用户特征分析方法实施例的得到预测特征的流程图；

图3为本发明用户特征分析方法实施例的步骤B1的流程图；

图4为本发明用户特征分析方法实施例的得到显示特征的流程图；

图5为本发明用户特征分析系统实施例的结构示意图。

附图标记：1、模型建立模块，11、第一收集单元，12、第一处理单元，13、模型建立单元，2、预测模块，21、第二收集单元，22、第二处理单元，23、预测单元，24、合并单元，25、用户画像仓库单元，3、存储器。

具体实施方式

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作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明包括一种用户特征分析方法，包括模型训练过程，如图1所示，具体包括：

步骤A1，收集用户的特征数据；

步骤A2，将特征数据进行处理得到对应的显示特征；

步骤A3，将特征数据和显示特征作为训练数据集中的输入数据，采用训练数据集训练得到预测模型，预测模型用于预测得到特征数据中的预测特征；

还包括利用预测模型对预测特征进行预测的过程，如图2所示，具体包括：

步骤B1，收集用户的特征数据并进行处理得到对应的显示特征；

步骤B2，将用户的特征数据和对应的显示特征作为预测模型的输入数据，预测得到关联于特征数据的预测特征，预测模型同时输出各个预测特征的可信度，可信度用于表示该预测特征的可靠性；

步骤B3，根据可信度筛选得到可以进行合并的预测特征作为待合并特征，并将显示特征和待合并特征进行合并得到一个用户的完整的用户特征；

步骤B4：重复执行步骤B1至步骤B3，以得到多个用户的用户特征并建立用户画像仓库。

进一步地，在上述实施例中，用户的特征数据包括显示特征和其他特征，其中，其他特征与要得到的预测特征具有一定的关联度，将用户的特征数据和对应的显示特征共同作为预测模型的输入数据可以提高预测得到关联于特征数据的预测特征的可信度。

进一步地，作为优选的实施方式，将用户的特征数据和对应的显示特征同时作为预测模型的输入数据时，以显示特征为主，用户的特征数据包含的其他特征作为辅助信息，从而使预测得到关联于特征数据的预测特征具有较高的可信度，同时降低系统压力。

进一步地，作为优选的实施方式，设定可信度范围，例如大于或等于98％，当预测得到关联于特征数据的预测特征的可信度低于这个设定的可信度范围时(即可信度小于98％)，则该可信度对应的预测特征为不可以进行合并的预测特征，此时可以重新将用户的特征数据和对应的显示特征同时作为预测模型的输入数据，再次得到对应的关联于特征数据的预测特征，直到该预测特征的可信度处于设定的可信度范围。

进一步地，作为优选的实施方式，用户画像仓库中的所有用户画像可以上传到云端，从而进行精准营销、用户分析等操作。

进一步地，作为优选的实施方式，在模型训练的过程之前对用户特征分析系统进行环境搭建。

进一步地，在上述实施例中，如图3所示，步骤B1包括以下步骤：

步骤B11，将用户根据预设条件分为多个用户区，分为多个区的方式可以降低系统收集大批量用户数据的压力，是系统更稳定；

步骤B12，同时收集每个用户区对应的用户的特征数据，加快收集速度；

步骤B13，判断用户的特征数据是否需要实时处理；

当用户的特征数据需要实时处理时，执行步骤S14；

当用户的特征数据不需要实时处理时，执行步骤S15；

步骤B14，将特征数据送入实时消息队列中，以进行实时处理，得到特征数据中的显示特征，并将特征数据和显示特征保存存储器3中，执行步骤B16；

步骤B15，保存特征数据，随后再对特征数据进行处理，以得到特征数据中的显示特征，并将显示特征保存于存储器3中，执行步骤B16；

步骤B16，在步骤B2之前，首先从存储器3中获取特征数据和对应的显示特征。

根据用户的特征数据的不同需求来对用户特征数据进行处理，加快处理速度。

进一步地，作为优选的实施方式，上述预设条件可以为：数据来源地址，即根据用户的数据来源的不同地址将用户分为多个用户区，例如用户的数据来源地址为日志的作为一个用户区，用户的数据来源地址为业务系统数据库的作为一个用户区。

进一步地，作为优选的实施方式，上述预设条件可以为：按照时间进行划分，即根据用户的数据的不同时间将用户分为多个用户区，例如按时间随机挑选部分用户，将每个时间段挑选的用户作为其中一个用户区；例如按用户行为数据发生时序进行分区。

进一步地，作为优选的实施方式，上述预设条件可以为：人口属性，例如用户的性别、年龄、地域、教育、婚姻、生育、职业等；上述预设条件也可以为：内容偏好，例如用户数据中的体育、娱乐、美食、理财、旅游、房产、汽车等；上述预设条件也可以为：网购兴趣，例如用户数据中的服饰、箱包、居家、母婴、饮食、洗护等；上述预设条件也可以为：其他特征，例如用户的使用设备和消费能力。

进一步地，在上述实施例中，如图4所示，步骤A2和步骤B1中的将特征数据进行处理得到对应的显示特征具体包括以下步骤：

步骤S21，确定特征数据中需要进行筛选的特征类型；

步骤S22，将特征数据根据特征类型进行筛选，得到显示特征。

需要说明的是，上述需要进行筛选的特征类型的数量为多个，多个上述特征类型组成了维度，上述维度指业务流程中所需要的维度。

进一步地，作为优选的实施方式，对于上述的模型可以为用于预测用户的手机套餐的用户手机套餐模型，则用户的特征数据为用户的话费额度，用户的流量额度和用户的通话时间等，此时设定维度包括用户每月的话费额度和用户的流量额度，此时将用户的特征数据根据该维度筛选出该用户对应的显示特征。

进一步地，作为优选的实施方式，对于上述的模型可以为用于预测用户的信用的用户信用模型，则用户的特征数据为用户的工作年限，用户的收入和用户的信用历史等，此时设定维度包括用户的收入和用户的信用历史，此时将用户的特征数据根据该维度筛选出该用户对应的显示特征。

进一步地，在上述实施例中，用户具有对应的用户统一标识，用户统一标识作为用户画像仓库的索引，通过用户统一标识可以快速在用户画像仓库中找到对应用户的用户画像。

需要说明的是，一个用户画像为用户的完整的用户特征。

进一步地，作为优选的实施方式，用户统一标识可以为用户的手机号。由于目前移动手机为或不可缺的移动设备，采用用户的手机号码作为用户统一标识更具有普遍性。当然用户统一标识也可以为其他类型，例如用户统一标识可以为用户名称的拼音，例如给每一个用户添加账号，将该账号作为用户的统一标识，以及其他方式。

还包括一种用户特征分析系统，采用上述任一用户特征分析方法，如图5所示，具体包括，

模型建立模块1，模型建立模块1用于建立预测模型，包括，

第一收集单元11，用于收集用户的特征数据；

第一处理单元12，与第一收集单元11连接，用于将特征数据进行处理得到对应的显示特征；

模型建立单元13，与第一处理单元12连接，用于将特征数据和显示特征作为训练数据集中的输入数据，采用训练数据集训练得到预测模型；

预测模块2，预测模块2与模型建立模块1连接，预测模块2根据预测模型对预测特征进行预测，包括，

第二收集单元21，用于收集用户的特征数据；

第二处理单元22，与第二收集单元21连接，用于将特征数据进行处理得到对应的显示特征；

预测单元23，与第二处理单元22连接，用于将用户的特征数据和对应的显示特征作为预测模型的输入数据，预测得到关联于特征数据的预测特征，预测模型同时输出各个预测特征的可信度；

合并单元24，与预测单元23连接，用于根据可信度筛选得到可以进行合并的预测特征作为待合并特征，并将显示特征和待合并特征进行合并得到一个用户的完整的用户特征；

用户画像仓库单元25，与合并单元24连接，用于获取多个用户的用户特征并建立用户画像仓库。

进一步地，在上述实施例中，用户特征分析系统还包括存储器3，预测模块2与存储器3连接，第二收集单元21包括，

分区组件，用于将用户根据预设条件分为多个用户区；

收集组件，与分区组件连接，用于同时收集每个用户区对应的用户的特征数据；

判断组件，与收集组件连接，用于对用户的特征数据是否需要实时处理进行判断；

第一处理组件，与判断组件连接，包括实时消息队列，第一处理组件用于将需要实时处理的用户的特征数据送入实时消息队列中，实时队列对特征数据进行实时处理，得到特征数据中的显示特征，并将特征数据和显示特征保存存储器3中；

第二处理组件，与判断组件连接，第二处理组件用于将不需要实时处理的用户的特征数据保存到存储器3中，再从存储器3中提取特征数据并进行处理，以得到特征数据中的显示特征，并将显示特征保存于存储器3中。

进一步地，在上述实施例中，第一处理单元12包括，

第一确定特征类型组件，用于确定特征数据中需要进行筛选的特征类型；

第一筛选组件，与第一确定特征类型组件连接，用于将特征数据根据维度进行筛选，得到显示特征。

进一步地，在上述实施例中，第二处理单元22包括，

第二确定特征类型组件，用于确定特征数据中需要进行筛选的特征类型；

第二筛选组件，与第二确定特征类型组件连接，用于将特征数据根据维度进行筛选，得到显示特征。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (9)

1.一种用户特征分析方法，其特征在于，包括一模型训练过程，具体包括：

步骤A1，收集用户的特征数据；

步骤A2，将所述特征数据进行处理得到对应的显示特征；

步骤A3，将所述特征数据和所述显示特征作为训练数据集中的输入数据，采用所述训练数据集训练得到一预测模型，所述预测模型用于预测得到所述特征数据中的预测特征；

还包括一利用所述预测模型对预测特征进行预测的过程，具体包括：

步骤B1，收集用户的特征数据并进行处理得到对应的所述显示特征；

步骤B2，将所述用户的特征数据和对应的所述显示特征作为所述预测模型的输入数据，预测得到关联于所述特征数据的所述预测特征，所述预测模型同时输出各个所述预测特征的可信度；

步骤B3，根据所述可信度筛选得到可以进行合并的所述预测特征作为待合并特征，并将所述显示特征和所述待合并特征进行合并得到一个用户的完整的用户特征；

步骤B4：重复执行步骤B1至步骤B3，以得到多个用户的所述用户特征并建立一用户画像仓库。

2.如权利要求1所述的用户特征分析方法，其特征在于，所述步骤B1包括以下步骤：

步骤B11，将用户根据一预设条件分为多个用户区；

步骤B12，同时收集每个所述用户区对应的所述用户的特征数据；

步骤B13，判断所述用户的特征数据是否需要实时处理；

当所述用户的特征数据需要实时处理时，执行步骤S14；

当所述用户的特征数据不需要实时处理时，执行步骤S15；

步骤B14，将特征数据送入实时消息队列中，以进行实时处理，得到所述特征数据中的所述显示特征，并将所述特征数据和所述显示特征保存一存储器中，执行步骤B16；

步骤B15，保存特征数据，随后再对所述特征数据进行处理，以得到所述特征数据中的所述显示特征，并将所述显示特征保存于一存储器中，执行步骤B16；

步骤B16，在所述步骤B2之前，首先从所述存储器中获取所述特征数据和对应的所述显示特征。

3.如权利要求1所述的用户特征分析方法，其特征在于，所述步骤A2和步骤B1中的将所述特征数据进行处理得到对应的显示特征具体包括以下步骤：

步骤S21，确定所述特征数据中需要进行筛选的特征类型；

步骤S22，将所述特征数据根据所述特征类型进行筛选，得到所述显示特征。

4.如权利要求1所述的用户特征分析方法，其特征在于，所述用户具有对应的一用户统一标识，所述用户统一标识作为所述用户画像仓库的索引。

5.如权利要求4所述的用户特征分析方法，其特征在于，所述用户统一标识为所述用户的手机号。

6.一种用户特征分析系统，其特征在于，采用上述权利要求1-5任一所述的用户特征分析方法，具体包括，

一模型建立模块，所述模型建立模块用于建立所述预测模型，包括，

一第一收集单元，用于收集用户的特征数据；

一第一处理单元，与所述第一收集单元连接，用于将所述特征数据进行处理得到对应的显示特征；

一模型建立单元，与所述第一处理单元连接，用于将所述特征数据和所述显示特征作为训练数据集中的输入数据，采用所述训练数据集训练得到所述预测模型；

一预测模块，所述预测模块与所述模型建立模块连接，所述预测模块根据所述预测模型对所述预测特征进行预测，包括，

一第二收集单元，用于收集用户的特征数据；

一第二处理单元，与所述第二收集单元连接，用于将所述特征数据进行处理得到对应的显示特征；

一预测单元，与所述第二处理单元连接，用于将所述用户的特征数据和对应的所述显示特征作为所述预测模型的输入数据，预测得到关联于所述特征数据的所述预测特征，所述预测模型同时输出各个所述预测特征的可信度；

一合并单元，与所述预测单元连接，用于根据所述可信度筛选得到可以进行合并的所述预测特征作为待合并特征，并将所述显示特征和所述待合并特征进行合并得到一个用户的完整的用户特征；

一用户画像仓库单元，与所述合并单元连接，用于获取多个用户的所述用户特征并建立所述用户画像仓库。

7.如权利要求6所述的用户特征分析系统，其特征在于，所述用户特征分析系统还包括存储器，所述预测模块与所述存储器连接，所述第二收集单元包括，

一分区组件，用于将用户根据所述预设条件分为多个用户区；

一收集组件，与所述分区组件连接，用于同时收集每个所述用户区对应的所述用户的特征数据；

一判断组件，与所述收集组件连接，用于对所述用户的特征数据是否需要实时处理进行判断；

一第一处理组件，与所述判断组件连接，包括实时消息队列，所述第一处理组件用于将所述需要实时处理的所述用户的特征数据送入所述实时消息队列中，所述实时队列对所述特征数据进行实时处理，得到所述特征数据中的所述显示特征，并将所述特征数据和所述显示特征保存所述存储器中；

一第二处理组件，与所述判断组件连接，所述第二处理组件用于将所述不需要实时处理的所述用户的特征数据保存到所述存储器中，再从所述存储器中提取所述特征数据并进行处理，以得到所述特征数据中的所述显示特征，并将所述显示特征保存于所述存储器中。

8.如权利要求6所述的用户特征分析系统，其特征在于，所述第一处理单元包括，

一第一确定特征类型组件，用于确定所述特征数据中需要进行筛选的特征类型；

一第一筛选组件，与所述第一确定特征类型组件连接，用于将所述特征数据根据所述维度进行筛选，得到所述显示特征。

9.如权利要求6所述的用户特征分析系统，其特征在于，所述第二处理单元包括，

一第二确定特征类型组件，用于确定所述特征数据中需要进行筛选的特征类型；

一第二筛选组件，与所述第二确定特征类型组件连接，用于将所述特征数据根据所述维度进行筛选，得到所述显示特征。