CN109657950A - 层次分析方法、装置、设备及计算机可读存储介质 - Google Patents
层次分析方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109657950A CN109657950A CN201811495556.7A CN201811495556A CN109657950A CN 109657950 A CN109657950 A CN 109657950A CN 201811495556 A CN201811495556 A CN 201811495556A CN 109657950 A CN109657950 A CN 109657950A
- Authority
- CN
- China
- Prior art keywords
- user
- group
- index
- process model
- analytic hierarchy
- 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.)
- Granted
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q30/01—Customer relationship services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明提供一种层次分析方法、装置、设备及计算机可读存储介质。本发明的方法,通过预先建立用户画像标签及标签分组,将层次分析模型中的二层及以上的指标,添加到用户画像标签;根据用户的历史消费数据和所述用户画像标签,将用户划分为至少两个用户组;针对每个用户组,通过去除二层及以上指标的所述层次分析模型进行层次分析处理,确定每个目标方案对应于所述目标组的组合权重值,并将组合权重值最大的目标方案作为所述该用户组的推荐方案,从而将复杂层级的问题转化为前置的用户分组问题,将多个指标层的层次分析模型精简为只保留一层指标层的层次分析模型,避免了指标层级过多导致的误差放大效应,提高了层次分析的效率和准确率。
Description
技术领域
本发明涉及层次分析技术领域,尤其涉及一种层次分析方法、装置、设备及计算机可读存储介质。
背景技术
对于线上客户咨询推荐系统,目前主要使用层次分析法来进行建模。层次分析法是将决策问题按总目标、各层指标直至具体的备投方案的顺序分解为不同的层次结构,然后用求解判断矩阵特征向量的办法,求得每一层次的各元素对上一层次某元素的优先权重,最后再加权和的方法递阶归并各备择方案对总目标的最终权重,此最终权重最大者即为最优方案。
随着业务发展,指标层的层次数量升高,计算复杂度将倍增;复杂场景下,层次单排序和总排序的一致性检验不通过时,需要返回到最上层重新设定权重,导致计算量倍数级增大,层次分析方法的效率很低。
发明内容
本发明提供一种层次分析方法、装置、设备及计算机可读存储介质,用以解决现有的层次分析模型随着指标层数量的增加,计算复杂度将倍增,导致计算量倍数级增大,层次分析方法的效率很低的问题。
本发明的一个方面是提供一种层次分析方法,包括:
根据所有用户的历史行为信息和自然属性信息,确定用户画像标签以及标签组;
将层次分析模型中的二层及以上的指标,添加到用户画像标签;
根据用户的历史消费数据和所述用户画像标签,将用户划分为至少两个用户组;
将每个所述用户组分别作为目标组,通过去除二层及以上指标的所述层次分析模型进行层次分析处理,确定每个目标方案对应于所述目标组的组合权重值;
将组合权重值最大的目标方案作为所述目标组的推荐方案。
本发明的另一个方面是提供一种层次分析装置,包括:
用户画像模块,用于根据所有用户的历史行为信息和自然属性信息,确定用户画像标签以及标签组;
层次分析模块,用于:
将层次分析模型中的二层及以上的指标,添加到用户画像标签;
根据用户的历史消费数据和所述用户画像标签,将用户划分为至少两个用户组;
将每个所述用户组分别作为目标组,通过去除二层及以上指标的所述层次分析模型进行层次分析处理,确定每个目标方案对应于所述目标组的组合权重值;
将组合权重值最大的目标方案作为所述目标组的推荐方案。
本发明的另一个方面是提供一种层次分析设备,包括:
存储器,处理器,以及存储在所述存储器上并可在所述处理器上运行的计算机程序,
所述处理器运行所述计算机程序时实现上述所述的层次分析方法。
本发明的另一个方面是提供一种计算机可读存储介质,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所述的层次分析方法。
本发明提供的层次分析方法、装置、设备及计算机可读存储介质,通过预先建立用户画像标签及标签分组,将层次分析模型中的二层及以上的指标,添加到用户画像标签;根据用户的历史消费数据和所述用户画像标签,将用户划分为至少两个用户组;针对每个用户组,通过去除二层及以上指标的所述层次分析模型进行层次分析处理,确定每个目标方案对应于所述目标组的组合权重值,并将组合权重值最大的目标方案作为所述该用户组的推荐方案,从而将复杂层级的问题转化为前置的用户分组问题,将多个指标层的层次分析模型精简为只保留一层指标层的层次分析模型,避免了指标层级过多导致的误差放大效应,提高了层次分析的效率和准确率。
附图说明
图1为本发明实施例提供的现有层次分析模型示意图;
图2为本发明实施例一提供的层次分析方法流程图;
图3为本发明实施例二提供的层次分析方法流程图;
图4为本发明实施例二提供的一种层次分析模型的示意图;
图5为本发明实施例二提供的另一层次分析模型的示意图;
图6为本发明实施例三提供的层次分析装置的结构示意图;
图7为本发明实施例五提供的层次分析设备的结构示意图。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明所涉及的术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
首先对现有的层次分析过程进行示例性说明:
如图1所示的应用于旅游方案推荐的现有的层次分析模型,总体目标为:用户分组X所适合的旅游方案。评估指标包括一层指标和二层指标,一层指标包括:主题T,住宿A,美食F和观光I。主题T对应的二层指标包括:T1,T2,T3,T4,T5;住宿A对应的二层指标包括:A1,A2,A3,A4;美食F对应的二层指标包括:F1,F2,F3,F4;观光I对应的二层指标包括:I1,I2,I3,I4,I5。目标方案有2个:旅游方案1和旅游方案2。
采用现有的层次分析方法进行层次分析处理的过程如下:
预先通过大数据的统计结果以及经验值,确定各个一层指标之间的比率以及权重(如以下表1所示)。
表1
指标 | 主题T | 住宿A | 美食F | 观光I | 权重ω |
主题T | 1 | 3 | 1/5 | 1/3 | 0.136 |
住宿A | 1/3 | 1 | 1/5 | 1/3 | 0.076 |
美食F | 5 | 5 | 1 | 3 | 0.543 |
观光I | 3 | 3 | 1/3 | 1 | 0.245 |
那么,总体目标和一层指标间的成对比较矩阵为4*4的矩阵,成对比较矩阵Atarget如下:
权重向量如下:
ωtarget=(0.136,0.076,0.543,0.245)
对于Atarget可以计算得到:特征值为λ=4.005,一致性指标CI=0.002一致性比率RI=0.90,由此可以计算得到检验系数CR=0.0022,可见检验系数CR小于0.1。
在一层指标和二层指标间的成对比较矩阵共4个,分别为2个5*5矩阵,2个4*4矩阵,如下:
第一个是T1-T5对应的成对比较矩阵:
ωtheme=(0.301,0.079,0.127,0.233,0.260)
对于Atheme可以计算得到:特征值λ=5.002,一致性指标CI=0.0005,一致性比率RI=1.12,由此可以计算得到检验系数CR=0.0004,可见检验系数CR小于0.1。
第二个是A1-A4对应的成对比较矩阵:
ωaccomm=(0.344,0.354,0.161,0.141)
对于Aaccomm可以计算得到:特征值λ=4.0002,一致性指标CI=0.00009,一致性比率RI=0.90,由此可以计算得到检验系数CR=0.0001,可见检验系数CR小于0.1。
第三个是F1-F4对应的成对比较矩阵:
ωfood=(0.118,0.183,0.221,0.477)
对于Afood可以计算得到:特征值λ=4.005,一致性指标CI=0.002,一致性比率RI=0.90,由此可以计算得到检验系数CR=0.0022,可见检验系数CR小于0.1。
第四个是I1-I5对应的成对比较矩阵:
ωitinerary=(0.166,0.098,0.405,0.251,0.079)
对于Aitinerary可以计算得到:特征值λ=5.006,一致性指标CI=0.0015,一致性比率RI=1.12,由此可以计算得到检验系数CR=0.0013,可见检验系数CR小于0.1。
一层指标与二层指标层间的检验系数为:
总体的成对比较矩阵为:
总体的权重向量为:
在二层指标和目标方案层间的成对比较矩阵共18个2*2矩阵,如下:
2*18的权重向量为:
总体检验系数CR=0.0022+0.0011+0.0684=0.0717,总体检验系数CR小于0.1,总体一致性检验符合标准,本模型成立。
为了便于理解,这里仅仅列举了指标层为两层(总层级为四层)的情况,随着业务发展,层次数量升高,计算复杂度将倍增。另外,由于权重向量为人工设定,指标层级过多时,会产生误差放大效应,导致层次分析模型准确度低;复杂场景下,层次单排序和总排序的一致性检验不能通过时,需要返回到最上层重新设定权重,导致数据统计和计算工作量倍数级增大,影响模型效率。
实施例一
图2为本发明实施例一提供的层次分析方法流程图。本实施例提供的方法,可以应用于互联网保险中,用户对于航旅意外险、健康险、寿险相关的保险进行咨询的场景。本实施例以购买航旅意外险前,用户对旅游场景进行咨询为例,对层次分析方法进行示例性地说明。
本实施例的执行主体可以为服务平台,服务平台建立了数据仓库指标体系和多维度、多层级的内容数据,例如:区域、业务、服务、部门、价值链、合作渠道、时间段等。数据存储和基础设施符合日常数据挖掘和数据可视化的要求。数据仓库、ETL(Extract-Transform-Load)过程完备,且拥有用户画像和用户标签体系,训练数据及样本空间充足,且数据源可信。
如图2所示,该方法具体步骤如下:
步骤S101、根据所有用户的历史行为信息和自然属性信息,确定用户画像标签以及标签组。
本实施例中,通过数据仓库收集内部数据和外部互联网数据,获取用户的历史行为信息和自然属性信息。其中,用户的自然属性信息至少包括用户的性别、年龄、家庭成员、身高等等,本实施例此处不再一一赘述。
根据用户画像体系,获取所有的用户画像标签,并根据标签类型的不同划分为多个标签组。
例如,标签组可以为N组,N为正整数。N组标签可以包括:
第一组:文艺青年,美食家,个性穷游,都市夜生活族,贵族旅游。
第二组:铜牌会员,银牌会员,金牌会员,钻石会员;对应的标签类型为保险客户会员等级。
第三组:0-6时,6-12时,12-18时,18-24时;对应的标签类型为访问时间段。
……
第N-1组:APP访问,官网网页,第三方网站跳转,微信,无线应用通讯协议(Wireless Application Protocol,简称WAP)网站;对应的标签类型为访问途径。
第N组:单身,小家庭,大家族,旅行社,小团体,商务。
另外,本实施例中的用户画像体系为预先建立的用于确定用户画像标签集标签组的模型,可以采用现有的任意一种用户画像模型实现,本实施例此处不做具体限定。
步骤S102、将层次分析模型中的二层及以上的指标,添加到用户画像标签。
本实施例中,将层次分析模型中的二层及以上的指标,添加到用户画像标签,将二层及以上的指标转换为用户画像标签,应用于用户分组。
基于图1所示的层次分析模型,原本在二层指标层的二层指标如下表2所示:
表2
序号 | 主题T | 住宿A | 观光I | 美食F |
1 | 文化 | 民居 | 不观光 | 街头小食 |
2 | 休闲 | 青年旅社 | 短途 | 国际连锁 |
3 | 风景 | 酒店 | 中途 | 本地定食 |
4 | 探险 | 野营 | 长途 | 米其林餐厅 |
5 | 考古 | DIY简餐 |
将二层指标添加到用户画像标签中,可以添加以下几组用户画像标签:
添加的第一组标签包括:文化游,休闲游,风景游,探险游,考古游;对应的标签类型为主题意向。
添加的第二组标签包括:民居,青年旅社,酒店,野营;对应的标签类型为住宿方式。
添加的第三组标签包括:不观光,短途,中途,长途;对应的标签类型为观光类型。
添加的第四组标签包括:街头小食,国际连锁,本地定食,米其林餐厅,DIY简餐;对应的标签类型为美食倾向。
步骤S103、根据用户的历史消费数据和用户画像标签,将用户划分为至少两个用户组。
本实施例中,在得到当前场景的所有用户画像标签及标签分组之后,根据用户的历史消费数据和用户画像标签,将用户划分为至少两个用户组。
具体的,根据用户选择保险计划的历史数据,建立SVM超平面,并通过N组维度(对应于当前场景的N个标签分组),确定出超平面上的预设数量个用户分组。
其中,用户组是一个基于超平面的抽象分组,不同于上述的N个标签分组,且用户组的数量远远小于标签分组的数量N。用户分组的预设数量优选值为2或3,预设数量还可以为其他值,预设数量的值可以由技术人员根据实际应用场景及经验值进行设定,本实施例对此不做具体限定。
本实施例中,得到多个用户分组之后,分别将每个用户组分别作为目标组,通过步骤S104-S105确定目标组的推荐方案。
步骤S104、将每个用户组分别作为目标组,通过去除二层及以上指标的层次分析模型进行层次分析处理,确定每个目标方案对应于目标组的组合权重值。
本实施例中,通过去除二层及以上指标、只保留一层指标的层次分析模型,进行层次分析处理,来确定每个目标方案对应于目标组的组合权重值,能够大大减少计算量,提高层次分析的效率。
步骤S105、将组合权重值最大的目标方案作为目标组的推荐方案。
本发明实施例通过预先建立用户画像标签及标签分组,将层次分析模型中的二层及以上的指标,添加到用户画像标签;根据用户的历史消费数据和用户画像标签,将用户划分为至少两个用户组;针对每个用户组,通过去除二层及以上指标的层次分析模型进行层次分析处理,确定每个目标方案对应于目标组的组合权重值,并将组合权重值最大的目标方案作为该用户组的推荐方案,从而将复杂层级的问题转化为前置的用户分组问题,将多个指标层的层次分析模型精简为只保留一层指标层的层次分析模型,避免了指标层级过多导致的误差放大效应,提高了层次分析的效率和准确率。
实施例二
图3为本发明实施例二提供的层次分析方法流程图;图4为本发明实施例二提供的一种层次分析模型的示意图;图5为本发明实施例二提供的另一层次分析模型的示意图。在上述实施例一的基础上,本实施例中,当有新的访问者是,根据新的访问者的用户画像标签,确定访问者对应的用户组;将访问者对应的用户组的推荐方案推荐给访问者。如图3所示,该方法具体步骤如下:
步骤S201、根据所有用户的历史行为信息和自然属性信息,确定用户画像标签以及标签组。
本实施例中,通过数据仓库收集内部数据和外部互联网数据,获取用户的历史行为信息和自然属性信息。其中,用户的自然属性信息至少包括用户的性别、年龄、家庭成员、身高等等,本实施例此处不再一一赘述。
根据用户画像体系,获取所有的用户画像标签,并根据标签类型的不同划分为多个标签组。
例如,标签组可以为N组,N为正整数。N组标签可以包括:
第一组:文艺青年,美食家,个性穷游,都市夜生活族,贵族旅游。
第二组:铜牌会员,银牌会员,金牌会员,钻石会员;对应的标签类型为保险客户会员等级。
第三组:0-6时,6-12时,12-18时,18-24时;对应的标签类型为访问时间段。
……
第N-1组:APP访问,官网网页,第三方网站跳转,微信,无线应用通讯协议(Wireless Application Protocol,简称WAP)网站;对应的标签类型为访问途径。
第N组:单身,小家庭,大家族,旅行社,小团体,商务。
另外,本实施例中的用户画像体系为预先建立的用于确定用户画像标签集标签组的模型,可以采用现有的任意一种用户画像模型实现,本实施例此处不做具体限定。
可选的,在得到用户画像标签以及标签组之后,根据当前的实际应用场景,可以对用户画像标签进行数据清洗,删除不必要的用户画像标签以及标签组,得到有效的多个标签组,以提高用户分组的效率。
例如,通过支持向量机(Support Vector Machine,简称SVM)进行监督学习,确认有效的旅游场景的访问者类型。例如,在进行数据清洗时,如果样本空间中保险客户比例较低,则删除上述举例中的第二组标签;而对于一日短途游场景,则删除上述举例中的第一组标签。
步骤S202、将层次分析模型中的二层及以上的指标,添加到用户画像标签。
本实施例中,将层次分析模型中的二层及以上的指标,添加到用户画像标签,将二层及以上的指标转换为用户画像标签,应用于用户分组。
具体的,将层次分析模型的一个指标及其下一层的子指标作为一组标签,添加到用户画像标签及标签组;其中该指标可以作为该组标签的标签类型。
例如,基于图1所示的层次分析模型,原本在二层指标层的二层指标如表2所示。将二层指标添加到用户画像标签中,可以添加以下几组用户画像标签:
添加的第一组标签包括:文化游,休闲游,风景游,探险游,考古游;对应的标签类型为主题意向。
添加的第二组标签包括:民居,青年旅社,酒店,野营;对应的标签类型为住宿方式。
添加的第三组标签包括:不观光,短途,中途,长途;对应的标签类型为观光类型。
添加的第四组标签包括:街头小食,国际连锁,本地定食,米其林餐厅,DIY简餐;对应的标签类型为美食倾向。
步骤S203、根据用户的历史消费数据和用户画像标签,将用户划分为至少两个用户组。
本实施例中,在得到当前场景的所有用户画像标签及标签分组之后,根据用户的历史消费数据和用户画像标签,将用户划分为至少两个用户组。
该步骤中,可以根据用户的历史消费数据和用户画像标签,基于支持向量机的分类模型,将用户分为至少两个用户组。
具体的,根据用户选择保险计划的历史数据,建立SVM超平面,并通过N组维度(对应于当前场景的N个标签分组),确定出超平面上的预设数量个用户分组。
其中,用户组是一个基于超平面的抽象分组,不同于上述的N个标签分组,且用户组的数量远远小于标签分组的数量N。
用户分组的预设数量优选值为2或3,预设数量还可以为其他值,预设数量的值可以由技术人员根据实际应用场景及经验值进行设定,本实施例对此不做具体限定。
另外,由于目标方案是动态变化的,无法直接作为观察序列,假定目标方案在一定时间周期内是固定的,从而可以固化用户组与目标方案之间的转换关系。
可选的,本实施例中,当目标方案更新是,可以根据当前的实际应用场景,重新执行步骤S201-S203,更新用户画像标签,标签组,以及用户组。
本实施例中,得到多个用户分组之后,分别将每个用户组分别作为目标组,通过步骤S204-S205确定目标组的推荐方案。
步骤S204、将每个用户组分别作为目标组,通过去除二层及以上指标的层次分析模型进行层次分析处理,确定每个目标方案对应于目标组的组合权重值。
该步骤中,去除层次分析模型的二层及以上的指标,得到只有一层指标的层次分析模型;通过只有一层指标的层次分析模型对目标组进行层次分析处理,确定每个目标方案对应于目标组的组合权重值。
例如,如图1所示的层次分析模型,在去除二次及以上的指标之后,得到如图4所示的新的层次分析模型。如图4所示,新的层次分析模型只包括一层指标层。
可选的,还可以根据具体的应用场景,增加新的一个或者多个一层指标。例如,由于费用的判别原本与二层指标相互关联,因此在一层指标层增加消费指标,增加一层指标后的层次分析模型如图5所示。
另外,对于其他业务场景,可以不增加新的一层指标,或者可以增加一个或者多个一层指标,本实施例此处不做具体限定。
本实施例中,通过去除二层及以上指标、只保留一层指标的层次分析模型,进行层次分析处理,来确定每个目标方案对应于目标组的组合权重值,能够大大减少计算量,提高层次分析的效率。
例如,以目标方案为两个为例,目标方案包括方案一和方案二。针对任意一个用户组User X,假设通过数据统计以及行业经验值配置的一层指标和目标方案层间的成对比较矩阵分为:
一层指标主题、消费、住宿、美食、观光与两个目标方案间的成对比较矩阵分别为:
权重向量为:
在总体目标和一级指标层间的成对比较矩阵Atarget如下:
权重向量为:
ωtarget=(0.263,0.475,0.055,0.099,0.11)。
可以计算得到总体校验系数为CR=0+0.019=0.019,总体校验系数明显0.1,说明当前的层次分析模型通过一致性验证。
组合权重向量为ωsolution=ωtarget*ωcriteria=(0.66316,0.336),也就是方案一的组合权重为0.66316,方案二的组合权重为0.336。
另外,一层指标与目标方案间的成对比较矩阵为通过数据统计以及行业经验值配置得到,可以结合实际业务现状不断进行动态调整。
步骤S205、将组合权重值最大的目标方案作为目标组的推荐方案。
该步骤中,比较各个目标方案的组合权重值的大小,确定组合权重值最大的目标方案,将组合权重值最大的目标方案组作为目标组的推荐方案。
例如,基于步骤S204中的举例,方案一的组合权重为0.66316,方案二的组合权重为0.336,可以确定方案一是组合权重值最大的目标方案,将方案一作为当前的目标组的推荐方案。
步骤S206、根据新的访问者的用户画像标签,确定访问者对应的用户组。
步骤S207、将访问者对应的用户组的推荐方案推荐给访问者。
本实施例中,层次分析模型建立完成之后,每一个新的访问者到来时,根据访问者的用户画像标签,可以将访问者映射到一个用户分组上,将访问者对应用户组的目标方案推荐给该访问者。
本发明实施例通过预先建立用户画像标签及标签分组,将层次分析模型中的二层及以上的指标,添加到用户画像标签;根据用户的历史消费数据和用户画像标签,将用户划分为至少两个用户组;针对每个用户组,通过去除二层及以上指标的层次分析模型进行层次分析处理,确定每个目标方案对应于目标组的组合权重值,并将组合权重值最大的目标方案作为该用户组的推荐方案,从而将复杂层级的问题转化为前置的用户分组问题,将多个指标层的层次分析模型精简为只保留一层指标层的层次分析模型,避免了指标层级过多导致的误差放大效应,提高了层次分析的效率和准确率。
实施例三
图6为本发明实施例三提供的层次分析装置的结构示意图。本发明实施例提供的层次分析装置可以执行层次分析方法实施例提供的处理流程。如图6所示,该层次分析装置30包括:用户画像模块301和层次分析模块302。
具体地,用户画像模块301用于根据所有用户的历史行为信息和自然属性信息,确定用户画像标签以及标签组。
层次分析模块302用于:
将层次分析模型中的二层及以上的指标,添加到用户画像标签;根据用户的历史消费数据和用户画像标签,将用户划分为至少两个用户组;将每个用户组分别作为目标组,通过去除二层及以上指标的层次分析模型进行层次分析处理,确定每个目标方案对应于目标组的组合权重值;将组合权重值最大的目标方案作为目标组的推荐方案。
本发明实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例,具体功能此处不再赘述。
本发明实施例通过预先建立用户画像标签及标签分组,将层次分析模型中的二层及以上的指标,添加到用户画像标签;根据用户的历史消费数据和用户画像标签,将用户划分为至少两个用户组;针对每个用户组,通过去除二层及以上指标的层次分析模型进行层次分析处理,确定每个目标方案对应于目标组的组合权重值,并将组合权重值最大的目标方案作为该用户组的推荐方案,从而将复杂层级的问题转化为前置的用户分组问题,将多个指标层的层次分析模型精简为只保留一层指标层的层次分析模型,避免了指标层级过多导致的误差放大效应,提高了层次分析的效率和准确率。
实施例四
在上述实施例三的基础上,本实施例中,层次分析模块还用于:
根据新的访问者的用户画像标签,确定访问者对应的用户组;将访问者对应的用户组的推荐方案推荐给访问者。
可选的,层次分析模块还用于:
将层次分析模型的一个指标及其下一层的子指标作为一组标签,添加到用户画像标签及标签组。
可选的,层次分析模块还用于:
根据用户的历史消费数据和用户画像标签,基于支持向量机的分类模型,将用户分为至少两个用户组。
可选的,用户组的数量为2或3。
可选的,层次分析模块还用于:
去除层次分析模型的二层及以上的指标,得到只有一层指标的层次分析模型;通过只有一层指标的层次分析模型对目标组进行层次分析处理,确定每个目标方案对应于目标组的组合权重值。
本发明实施例提供的装置可以具体用于执行上述实施例二所提供的方法实施例,具体功能此处不再赘述。
本发明实施例通过预先建立用户画像标签及标签分组,将层次分析模型中的二层及以上的指标,添加到用户画像标签;根据用户的历史消费数据和用户画像标签,将用户划分为至少两个用户组;针对每个用户组,通过去除二层及以上指标的层次分析模型进行层次分析处理,确定每个目标方案对应于目标组的组合权重值,并将组合权重值最大的目标方案作为该用户组的推荐方案,从而将复杂层级的问题转化为前置的用户分组问题,将多个指标层的层次分析模型精简为只保留一层指标层的层次分析模型,避免了指标层级过多导致的误差放大效应,提高了层次分析的效率和准确率。
实施例五
图7为本发明实施例五提供的层次分析设备的结构示意图。如图7所示,该层次分析设备70包括:处理器701,存储器702,以及存储在存储器702上并可由处理器701执行的计算机程序。
处理器701在执行存储在存储器702上的计算机程序时实现上述任一方法实施例提供的层次分析方法。
本发明实施例通过预先建立用户画像标签及标签分组,将层次分析模型中的二层及以上的指标,添加到用户画像标签;根据用户的历史消费数据和用户画像标签,将用户划分为至少两个用户组;针对每个用户组,通过去除二层及以上指标的层次分析模型进行层次分析处理,确定每个目标方案对应于目标组的组合权重值,并将组合权重值最大的目标方案作为该用户组的推荐方案,从而将复杂层级的问题转化为前置的用户分组问题,将多个指标层的层次分析模型精简为只保留一层指标层的层次分析模型,避免了指标层级过多导致的误差放大效应,提高了层次分析的效率和准确率。
另外,本发明实施例还提供一种计算机可读存储介质,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任一方法实施例提供的层次分析方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以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,机械或其它的形式。
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,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明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,本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是,本发明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。本发明的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种层次分析方法,其特征在于,包括:
根据所有用户的历史行为信息和自然属性信息,确定用户画像标签以及标签组;
将层次分析模型中的二层及以上的指标,添加到用户画像标签;
根据用户的历史消费数据和所述用户画像标签,将用户划分为至少两个用户组;
将每个所述用户组分别作为目标组,通过去除二层及以上指标的所述层次分析模型进行层次分析处理,确定每个目标方案对应于所述目标组的组合权重值;
将组合权重值最大的目标方案作为所述目标组的推荐方案。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据新的访问者的用户画像标签,确定所述访问者对应的用户组;
将所述访问者对应的用户组的推荐方案推荐给所述访问者。
3.根据权利要求1或2所述的方法,其特征在于,所述将层次分析模型中的二层及以上的指标,添加到用户画像标签,包括:
将所述层次分析模型的一个指标及其下一层的子指标作为一组标签,添加到用户画像标签及标签组。
4.根据权利要求1或2所述的方法,其特征在于,所述根据用户的历史消费数据和所述用户画像标签,将用户分为至少两个用户组,包括:
根据用户的历史消费数据和所述用户画像标签,基于支持向量机的分类模型,将用户分为至少两个用户组。
5.根据权利要求4所述的方法,其特征在于,所述用户组的数量为2或3。
6.根据权利要求1或2所述的方法,其特征在于,所述通过去除二层及以上指标的所述层次分析模型进行层次分析处理,确定每个目标方案对应于所述目标组的组合权重值,包括:
去除所述层次分析模型的二层及以上的指标,得到只有一层指标的层次分析模型;
通过只有一层指标的层次分析模型对所述目标组进行层次分析处理,确定每个目标方案对应于所述目标组的组合权重值。
7.一种层次分析装置,其特征在于,包括:
用户画像模块,用于根据所有用户的历史行为信息和自然属性信息,确定用户画像标签以及标签组;
层次分析模块,用于:
将层次分析模型中的二层及以上的指标,添加到用户画像标签;
根据用户的历史消费数据和所述用户画像标签,将用户划分为至少两个用户组;
将每个所述用户组分别作为目标组,通过去除二层及以上指标的所述层次分析模型进行层次分析处理,确定每个目标方案对应于所述目标组的组合权重值;
将组合权重值最大的目标方案作为所述目标组的推荐方案。
8.根据权利要求7所述的装置,其特征在于,所述层次分析模块还用于:
根据新的访问者的用户画像标签,确定所述访问者对应的用户组;
将所述访问者对应的用户组的推荐方案推荐给所述访问者。
9.一种层次分析设备,其特征在于,包括:
存储器,处理器,以及存储在所述存储器上并可在所述处理器上运行的计算机程序,
所述处理器运行所述计算机程序时实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,存储有计算机程序,
所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811495556.7A CN109657950B (zh) | 2018-12-07 | 2018-12-07 | 层次分析方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811495556.7A CN109657950B (zh) | 2018-12-07 | 2018-12-07 | 层次分析方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657950A true CN109657950A (zh) | 2019-04-19 |
CN109657950B CN109657950B (zh) | 2020-11-24 |
Family
ID=66113049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811495556.7A Active CN109657950B (zh) | 2018-12-07 | 2018-12-07 | 层次分析方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657950B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111078945A (zh) * | 2019-12-19 | 2020-04-28 | 北京奇艺世纪科技有限公司 | 视频推送方法及装置 |
CN111859188A (zh) * | 2020-07-03 | 2020-10-30 | 美味不用等(上海)信息科技股份有限公司 | 基于大规模矩阵的层次分析的餐厅推荐的方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902706A (zh) * | 2014-03-31 | 2014-07-02 | 东华大学 | 一种基于svm的大数据分类预测方法 |
CN106293074A (zh) * | 2016-07-29 | 2017-01-04 | 维沃移动通信有限公司 | 一种情绪识别方法和移动终端 |
CN107391680A (zh) * | 2017-07-24 | 2017-11-24 | 北京京东尚科信息技术有限公司 | 内容推荐方法、装置和设备 |
CN108776873A (zh) * | 2018-06-12 | 2018-11-09 | 南方电网科学研究院有限责任公司 | 一种综合能源系统运营模式优选方法及装置 |
-
2018
- 2018-12-07 CN CN201811495556.7A patent/CN109657950B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902706A (zh) * | 2014-03-31 | 2014-07-02 | 东华大学 | 一种基于svm的大数据分类预测方法 |
CN106293074A (zh) * | 2016-07-29 | 2017-01-04 | 维沃移动通信有限公司 | 一种情绪识别方法和移动终端 |
CN107391680A (zh) * | 2017-07-24 | 2017-11-24 | 北京京东尚科信息技术有限公司 | 内容推荐方法、装置和设备 |
CN108776873A (zh) * | 2018-06-12 | 2018-11-09 | 南方电网科学研究院有限责任公司 | 一种综合能源系统运营模式优选方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111078945A (zh) * | 2019-12-19 | 2020-04-28 | 北京奇艺世纪科技有限公司 | 视频推送方法及装置 |
CN111859188A (zh) * | 2020-07-03 | 2020-10-30 | 美味不用等(上海)信息科技股份有限公司 | 基于大规模矩阵的层次分析的餐厅推荐的方法和系统 |
CN111859188B (zh) * | 2020-07-03 | 2024-03-12 | 美之味(上海)信息技术有限公司 | 基于大规模矩阵的层次分析的餐厅推荐的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109657950B (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Scheiner et al. | Decomposing functional diversity | |
Fisher et al. | Modelling the errors in areal interpolation between zonal systems by Monte Carlo simulation | |
CN104050196B (zh) | 一种兴趣点数据冗余检测方法及装置 | |
Kong et al. | A balanced power consumption algorithm based on enhanced parallel cat swarm optimization for wireless sensor network | |
CN109902708A (zh) | 一种推荐模型训练方法及相关装置 | |
CN109166017A (zh) | 基于重聚类的推送方法、装置、计算机设备及存储介质 | |
CN104281701B (zh) | 分布式多尺度空间数据查询方法及系统 | |
CN106101222A (zh) | 信息的推送方法和装置 | |
CN110019568A (zh) | 基于空间聚类的选址方法、装置、计算机设备及存储介质 | |
CN107146089A (zh) | 一种刷单识别方法及装置,电子设备 | |
CN108352035A (zh) | 用于高效索赔处理的动态拓扑系统和方法 | |
CN105493085B (zh) | 创建数据库表的样本的方法、系统和计算机可读存储介质 | |
CN107395680A (zh) | 店铺群信息推送和输出方法及装置、设备 | |
CN108228844A (zh) | 一种图片筛选方法及装置、存储介质、计算机设备 | |
CN107291539B (zh) | 基于资源重要程度的集群程序调度方法 | |
CN112507106B (zh) | 深度学习模型的训练方法、装置和faq相似度判别方法 | |
CN109376192A (zh) | 一种用户留存分析方法、装置、电子设备及存储介质 | |
CN109657950A (zh) | 层次分析方法、装置、设备及计算机可读存储介质 | |
Shi et al. | Investigating China’s Mid-Yangtze River economic growth region using a spatial network growth model | |
CN108173958A (zh) | 一种多云环境下基于蚁群算法的数据优化存储方法 | |
CN110196951A (zh) | 用户匹配方法及设备 | |
Brida et al. | Analyzing the performance of the South Tyrolean hospitality sector: a dynamic approach | |
CN105847358A (zh) | 一种云计算环境下大数据节点分布的实现方法及其系统 | |
CN110019593A (zh) | 地图数据获取方法、装置及系统、服务器、存储介质 | |
Ichimura et al. | Knowledge discovery of tourist subjective data in smartphone-based participatory sensing system by interactive growing hierarchical SOM and C4. 5 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: Floor 36, Zheshang Building, No. 718 Jianshe Avenue, Jiang'an District, Wuhan, Hubei 430019 Patentee after: TK.CN INSURANCE Co.,Ltd. Patentee after: TAIKANG INSURANCE GROUP Co.,Ltd. Address before: Taikang Life Building, 156 fuxingmennei street, Xicheng District, Beijing 100031 Patentee before: TAIKANG INSURANCE GROUP Co.,Ltd. Patentee before: TK.CN INSURANCE Co.,Ltd. |
|
CP03 | Change of name, title or address |