CN109767300A - 基于用户习惯的大数据画像及模型构建方法 - Google Patents

Abstract

本发明涉及大数据分析技术领域，具体为一种基于用户习惯的大数据画像及模型构建方法，包括以下内容：S100：对用户的网购记录和浏览记录对应的商品进行偏好标签和价值标签的数量统计，选取数量前三的偏好标签作为用户的购买偏好，选取数量最多的价值标签作为用户的经济能力；S200：从用户的浏览记录中筛选出符合用户购买偏好的商品；将筛选出的商品与用户购物车内的商品组合形成需求列表；S300：对需求列表的每个商品，根据商品的类别标签找到同类的其他商品，得到推荐列表。本发提供的一种基于用户习惯的大数据画像及模型构建方法，能够充分考虑用户的社交关系网络，并基于社交关系网络为用户提供精准的推广信息。

Description

基于用户习惯的大数据画像及模型构建方法

技术领域

本发明涉及大数据分析技术领域，具体为一种基于用户习惯的大数据画像及模型构建方法。

背景技术

用户画像又称为用户角色(Persona)，即用户信息标签化，是一种勾画目标用户、联系用户诉求和设计方向的有效方式，其目标是在很多的维度上建立针对用户的描述性标签属性。它是通过收集与分析用户基本属性、社会属性、生活习惯、消费行为等信息的数据，抽象出一个用户全貌来挖掘用户需求和分析用户偏好，支撑个性化推荐、自动化营销等大数据应用的基本方式。举例来说，在产品开发时，可以分析用户画像，对产品进行定位与规划；在产品推广时，可以分析用户画像，挖掘潜在客户群体，进行有针对性的产品推荐。

大数据技术是以任何系统的全部数据资源为对象并从中发现数据之间表现的相关性关系的信息处理技术，而用户画像是大数据技术的重要应用。随着信息技术的不断发展，目前用户画像已经广泛应用于互联网的流程优化、目标化消息及广告推送、用户个性化服务与改善等方面，并通过匹配用户画像提供给用户更高效和更有针对性的信息输送以及更贴近个人习惯的用户体验，成为了网络服务背后强大的后台支撑。

目前的电商行业中，构建用户画像的方法一般是根据用户在站内的访问商品类目等行为的日志保存下来，然后在一定的时间窗口内，遍历所有的用户行为日志，按照某些权重衰减函数对其进行计算，得到当前最新用户画像。现有的用户画像模型的构件方法中对每个用户的处理时孤立的，不会考虑用户的社交关系网络，这样的用户画像是不全面的，这就容易导致产品推荐的准确性和成功率降低。

发明内容

本发明意在提供一种基于用户习惯的大数据画像及模型构建方法，能够充分考虑用户的社交关系网络，并基于社交关系网络为用户提供精准的推广信息。

为了解决上述技术问题，本申请提供如下技术方案：

基于用户习惯的大数据画像及模型构建方法，包括以下内容：

S100：对用户的网购记录和浏览记录对应的商品进行偏好标签和价值标签的数量统计，选取数量前三的偏好标签作为用户的购买偏好，选取数量最多的价值标签作为用户的经济能力；

S200：从用户的浏览记录中筛选出符合用户购买偏好的商品；将筛选出的商品与用户购物车内的商品组合形成需求列表；

S300：对需求列表的每个商品，根据商品的类别标签找到同类的其他商品，并根据用户的购买偏好，对同类商品进行筛选，得到推荐列表；

S400：根据用户的购买记录、代付信息、网购账号信息分析用户与其他用户之间的亲密度和社交关系，生成用户的社交关系网络；

S500：向用户的推荐列表中增加与其关系为预设关系类型的用户或者与其亲密度超过预设值的用户的需求列表的产品；

S600：根据用户购买偏好、经济能力、需求列表、推荐列表、社交关系网络生成用户网购模型。

本申请技术方案中，通过S400根据用户的购买行为、购买账号等数据来分析用户之间的社交关系，使得最终生成的用户网购模型中包含用户的社交关系网络，可以使得最终的用户画像模型更加准确，同时利用亲密度以及社交关系，将与用户亲密的其他用户，如用户的亲人、配偶、朋友等的需求列表的产品推送给用户，可以让用户得知其朋友最近的需求，一方面，使得用户在为亲人、配偶或者朋友挑选礼物时，可以让用户挑选的商品是对方所需要的，进而降低用户挑选礼物的难度，确保挑选的礼物对方真的需要和喜欢；另一方面通过这种方式，可以实现精准的推荐，有利于提高推荐的成功率和商品的成交率。

进一步，S400具体包括：

从用户网购记录中筛选收件人非用户本人的网购记录，得到网购赠送记录；

根据网购赠送记录中的收件人电话号码、姓名关联到相应的用户；

根据赠送的商品以及留言信息判断两个用户的关系，根据网购赠送记录的数量以及对应的价值判断两个用户的亲密度；

根据用户的代付信息，查找相应的代付记录根据代付的留言、金额判断两个用户的关系和亲密度；

根据用户网购账号的好友关系以及备注信息，分析用户与其好友之间的关系和亲密度。

通过网购赠送记录，可以确定受赠人的身份信息、赠送的商品内容、价值，进而可以判断两个用户的关系。通过赠送记录、代付信息、账号好友信息三个方面，对用户的社交关系进行全面的分析和检测。

进一步，还包括反馈调节步骤，所述反馈调节步骤包括社交关系更新步骤，判断用户是否购买了推荐列表中其他用户的需求产品，若是则更新这两个用户之间的亲密度。将用户是否购买了推荐的产品作为一种反馈，来对用户之间的亲密度进行调节。

进一步，所述社交关系包括朋友关系、情侣关系、家人关系，所述预设关系类型为情侣关系和家人关系。通过这三种社交关系基本可以涵盖用户日常所有相关的人际关系。

进一步，商品包含有亲密度标签，所述社交关系更新步骤按照亲密度标签更新两个用户之间的亲密度。根据购买商品所包含的亲密度标签对两个人的亲密度进行更新和调节，进而可以对用户之间的社交关系进行实时的调节。

进一步，S500中向用户的推荐列表中添加的商品与用户的经济能力对应。避免添加推荐的商品超出用户的经济能力范围，进而使得推荐更加精准。

附图说明

图1为本发明基于用户习惯的大数据画像及模型构建方法实施例的流程图。

具体实施方式

下面通过具体实施方式进一步详细说明：

如图1所示，本实施例基于用户习惯的大数据画像及模型构建方法，其主要应用于电商平台，为用户提供更为精准的网购推荐服务，在电商平台内的每个商品都设有偏好标签、价值标签、类别标签以及亲密度标签；偏好标签代表着用户的购物偏好，如看中质量、性价比、中国风等标签，类别标签则代表商品的具体类型，如手机、电脑配件、冬装、夏装、上衣等，主要用于同类推荐，价值标签主要根据商品的价格在同类商品中的排名划分价值等级，以价值等级作为价值标签，本申请中，按照价格由低到高划分为十个等级，如某一个手机，它的价格在整个平台的所有手机里面按从低到高的顺序排序处在40％-50％的范围内，则该手机对应的价值标签为5级。亲密度标签则是根据商品的具体类型和价值提前预设好的属性。

该方法包括以下步骤：

S100：对用户的网购记录和浏览记录对应的商品进行偏好标签和价值标签的数量统计，选取数量前三的偏好标签作为用户的购买偏好，选取数量最多的价值标签作为用户的经济能力；

S200：从用户的浏览记录中筛选出符合用户购买偏好的商品；将筛选出的商品与用户购物车内的商品组合形成需求列表；例如用户对性价比更加看重，同时用户最近的浏览记录都是关于手机的，那么首先从这些手机商品中选出性价比更高的手机然后组合用户购物车内的商品形成用户的需求列表。

S300：对需求列表的每个商品，根据商品的类别标签找到同类的其他商品，并根据用户的购买偏好，对同类商品进行筛选，得到推荐列表；例如用户的需求列表中包含手机和充电宝，则在平台所有的手机、充电宝中按照用户的偏好以及当前需求列表的商品的属性，如价格区间、颜色、款式等，进行筛选，进而将原来的需求列表拓充为推荐列表。

S400：根据用户的购买记录、代付信息、网购账号信息分析用户与其他用户之间的亲密度和社交关系，生成用户的社交关系网络；

S400具体包括：

从用户网购记录中筛选收件人非用户本人的网购记录，得到网购赠送记录；

根据网购赠送记录中的收件人电话号码、姓名关联到相应的用户；

根据赠送的商品以及留言信息判断两个用户的关系，根据网购赠送记录的数量以及对应的价值判断两个用户的亲密度；

根据用户的代付信息，查找相应的代付记录根据代付的留言、金额判断两个用户的关系和亲密度；

根据用户网购账号的好友关系以及备注信息，分析用户与其好友之间的关系和亲密度。

通过网购赠送记录，可以确定受赠人的身份信息、赠送的商品内容、价值，进而可以判断两个用户的关系。通过赠送记录、代付信息、账号好友信息三个方面，对用户的社交关系进行全面的分析和检测，例如用户赠送给另外一个用户一束玫瑰花，并进行了相应的留言，则系统可以根据送的商品为玫瑰花、送的次数以及留言判断两个用户之间的关系为情侣关系或者夫妻关系。又例如，用户购买了某个产品但是让另外一个用户代付，且代付留言中包含有称呼，则可以根据代付的产品的价值以及代付留言中出现的称呼推断两个人之间的关系。

S500：向用户的推荐列表中增加与其关系为预设关系类型的用户或者与其亲密度超过预设值的用户的需求列表的产品；社交关系包括朋友关系、情侣关系、家人关系，预设关系类型为情侣关系和家人关系，本实施例中，S500步骤主要向家人、情侣以及亲密度超过预设值的朋友进行对方需求列表产品的推荐，例如用户的家人最近想要买个手提包，则会将该需求推荐至用户的推荐列表中，并对用户进行提醒和推荐，避免用户不知道买什么东西送给家人，如果用户购买了推荐的产品则正好符合家人的需求，进而使得礼物更加的符合收礼人的实际需求。本实施例中向用户的推荐列表中添加的商品与用户的经济能力对应。避免添加推荐的商品超出用户的经济能力范围，进而使得推荐更加精准。

S600：根据用户购买偏好、经济能力、需求列表、推荐列表、社交关系网络生成用户网购模型。

还包括反馈调节步骤，反馈调节步骤包括社交关系更新步骤，判断用户是否购买了推荐列表中其他用户的需求产品，若是则更新这两个用户之间的亲密度。社交关系更新步骤按照亲密度标签更新两个用户之间的亲密度。根据购买商品所包含的亲密度标签对两个人的亲密度进行更新和调节，进而可以对用户之间的社交关系进行实时的调节。

以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (6)

1.基于用户习惯的大数据画像及模型构建方法，其特征在于：包括以下内容：

S100：对用户的网购记录和浏览记录对应的商品进行偏好标签和价值标签的数量统计，选取数量前三的偏好标签作为用户的购买偏好，选取数量最多的价值标签作为用户的经济能力；

S200：从用户的浏览记录中筛选出符合用户购买偏好的商品；将筛选出的商品与用户购物车内的商品组合形成需求列表；

S300：对需求列表的每个商品，根据商品的类别标签找到同类的其他商品，并根据用户的购买偏好，对同类商品进行筛选，得到推荐列表；

S400：根据用户的购买记录、代付信息、网购账号信息分析用户与其他用户之间的亲密度和社交关系，生成用户的社交关系网络；

S500：向用户的推荐列表中增加与其关系为预设关系类型的用户或者与其亲密度超过预设值的用户的需求列表的产品；

S600：根据用户购买偏好、经济能力、需求列表、推荐列表、社交关系网络生成用户网购模型。

2.根据权利要求1所述的基于用户习惯的大数据画像及模型构建方法，其特征在于：S400具体包括：

从用户网购记录中筛选收件人非用户本人的网购记录，得到网购赠送记录；

根据网购赠送记录中的收件人电话号码、姓名关联到相应的用户；

根据赠送的商品以及留言信息判断两个用户的关系，根据网购赠送记录的数量以及对应的价值判断两个用户的亲密度；

根据用户的代付信息，查找相应的代付记录根据代付的留言、金额判断两个用户的关系和亲密度；

根据用户网购账号的好友关系以及备注信息，分析用户与其好友之间的关系和亲密度。

3.根据权利要求2所述的基于用户习惯的大数据画像及模型构建方法，其特征在于：还包括反馈调节步骤，所述反馈调节步骤包括社交关系更新步骤，判断用户是否购买了推荐列表中其他用户的需求产品，若是则更新这两个用户之间的亲密度。

4.根据权利要求3所述的基于用户习惯的大数据画像及模型构建方法，其特征在于：所述社交关系包括朋友关系、情侣关系、家人关系，所述预设关系类型为情侣关系和家人关系。

5.根据权利要求4所述的基于用户习惯的大数据画像及模型构建方法，其特征在于：商品包含有亲密度标签，所述社交关系更新步骤按照亲密度标签更新两个用户之间的亲密度。

6.根据权利要求5所述的基于用户习惯的大数据画像及模型构建方法，其特征在于：S500中向用户的推荐列表中添加的商品与用户的经济能力对应。