CN109949070B - 用户黏度评估方法、装置、计算机设备及存储介质 - Google Patents
用户黏度评估方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109949070B CN109949070B CN201910079152.8A CN201910079152A CN109949070B CN 109949070 B CN109949070 B CN 109949070B CN 201910079152 A CN201910079152 A CN 201910079152A CN 109949070 B CN109949070 B CN 109949070B
- Authority
- CN
- China
- Prior art keywords
- app
- clustering
- user
- user viscosity
- cluster
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 97
- 239000013598 vector Substances 0.000 claims description 64
- 238000004590 computer program Methods 0.000 claims description 15
- 230000001174 ascending effect Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了用户黏度评估方法、装置、计算机设备及存储介质。该方法包括:获取待分析APP应用程序所属的行业领域,及对应行业领域中包括的APP应用程序集合;根据APP用户黏度指标集合中各APP用户黏度指标及聚类目标数,将APP应用程序集合进行聚类得到聚类结果;获取待分析APP应用程序所属的目标聚类簇,以获取在各聚类结果中对应的评分值;将待分析APP应用程序在各聚类结果中对应的评分值分别乘以对应的权重值并求和,得到对应的用户黏度评估指标值。该方法采用聚类算法实现了对待分析APP应用程序的用户黏度的客观评估计算,使得对于不同类型不同行业的APP也可根据用户黏度评估指标值进行对比。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种用户黏度评估方法、装置、计算机设备及存储介质。
背景技术
目前,针对移动应用程序(即安装在智能终端上的APP应用程序)使用频度或黏度有多种评估计算方法,但相关算法均仅关注目标应用的使用时长、使用次数等指标的绝对值,或通过行业经验值来评估目标应用的表现。这种方式仅可适用于少数APP,对于多数APP而言会导致评估结论不准确。
对于不同行业类型的APP,无法用统一的经验值来进行评估,导致缺乏可统一评估各种APP频度黏度的评估方法。而且对于不同类型,不同行业的APP也无法进行对比。
发明内容
本发明实施例提供了一种用户黏度评估方法、装置、计算机设备及存储介质,旨在解决现有技术中对移动应用程序仅关注目标应用的使用时长、使用次数等指标的绝对值,或通过行业经验值来评估目标应用的表现,仅可适用于少数APP,对于多数APP会导致评估结论不准确的问题。
第一方面,本发明实施例提供了一种用户黏度评估方法,其包括:
接收所选定的待分析APP应用程序,获取所述待分析APP应用程序对应所属的行业领域,及获取所述行业领域中所包括的APP应用程序集合;
获取预先设置的APP用户黏度指标集合中所包括的APP用户黏度指标,及指标个数;
根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果;
获取所述待分析APP应用程序在各聚类结果中所属的目标聚类簇,以获取所述待分析APP应用程序在各聚类结果中对应的评分值;以及
将所述待分析APP应用程序在每一聚类结果中对应的评分值分别乘以对应聚类结果预设的权重值并求和,得到与所述待分析APP应用程序对应的用户黏度评估指标值。
第二方面,本发明实施例提供了一种用户黏度评估装置,其包括:
行业领域定位单元,用于接收所选定的待分析APP应用程序,获取所述待分析APP应用程序对应所属的行业领域,及获取所述行业领域中所包括的APP应用程序集合;
初始参数获取单元,用于获取预先设置的APP用户黏度指标集合中所包括的APP用户黏度指标,及指标个数;
聚类单元,用于根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果;
目标聚类簇定位单元,用于获取所述待分析APP应用程序在各聚类结果中所属的目标聚类簇,以获取所述待分析APP应用程序在各聚类结果中对应的评分值;以及
评估指标值计算单元,用于将所述待分析APP应用程序在每一聚类结果中对应的评分值分别乘以对应聚类结果预设的权重值并求和,得到与所述待分析APP应用程序对应的用户黏度评估指标值。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器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,所述处理器执行所述计算机程序时实现上述第一方面所述的用户黏度评估方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的用户黏度评估方法。
本发明实施例提供了一种用户黏度评估方法、装置、计算机设备及存储介质。该方法包括接收所选定的待分析APP应用程序,获取所述待分析APP应用程序对应所属的行业领域,及获取所述行业领域中所包括的APP应用程序集合;获取预先设置的APP用户黏度指标集合中所包括的APP用户黏度指标,及指标个数;根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果;获取所述待分析APP应用程序在各聚类结果中所属的目标聚类簇,以获取所述待分析APP应用程序在各聚类结果中对应的评分值;以及将所述待分析APP应用程序在每一聚类结果中对应的评分值分别乘以对应聚类结果预设的权重值并求和,得到与所述待分析APP应用程序对应的用户黏度评估指标值。该方法实现了对待分析APP应用程序的用户黏度的客观评估计算,使得对于不同类型不同行业的APP也可根据用户黏度评估指标值进行对比。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明实施例提供的用户黏度评估方法的流程示意图;
图2为本发明实施例提供的用户黏度评估方法的子流程示意图;
图3为本发明实施例提供的用户黏度评估方法的另一子流程示意图;
图4为本发明实施例提供的用户黏度评估方法的另一流程示意图;
图5为本发明实施例提供的用户黏度评估装置的示意性框图;
图6为本发明实施例提供的用户黏度评估装置的子单元示意性框图;
图7为本发明实施例提供的用户黏度评估装置的另一子单元示意性框图;
图8为本发明实施例提供的用户黏度评估装置的另一示意性框图;
图9为本发明实施例提供的计算机设备的示意性框图。
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做出创造性劳动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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1为本发明实施例提供的用户黏度评估方法的流程示意图,该用户黏度评估方法应用于服务器中,该方法通过安装于服务器中的应用软件进行执行。
如图1所示,该方法包括步骤S110~S150。
S110、接收所选定的待分析APP应用程序,获取所述待分析APP应用程序对应所属的行业领域,及获取所述行业领域中所包括的APP应用程序集合。
在本实施例中,当在服务器中需对某一APP应用程序(即待分析APP应用程序)分析其用户黏度评估指标值时,需先获取该APP应用程序所属的行业领域(例如XX证券APP属于金融领域APP),之后即可获知该行业领域内所包括的多个APP应用程序组成的APP应用程序集合,从而根据待分析APP应用程序所属行业领域来定向分析该待分析APP应用程序的用户黏度指标。
在一实施例中,步骤S110中具体包括:
获取所述行业领域对应的多个APP应用程序,得到多个APP应用程序中下载量排名位于预设的第一排名值之前的APP应用程序,以组成APP应用程序集合。
例如,金融领域APP的总个数为10000个,为了降低数据处理量,可以只选择获取下载量位于前99位的APP应用程序加上所述待分析APP应用程序,组成一个包括100个APP应用程序的APP应用程序集合。
S120、获取预先设置的APP用户黏度指标集合中所包括的APP用户黏度指标,及指标个数。
在本实施例中,为了从多个维度分析分析所述待分析APP应用程序的用户黏度评估指标值,可将所述APP应用程序集合作为数据分析基础,对所述APP应用程序集合进行各个不同维度的聚类。此时,需预先设置APP用户黏度指标集合中所包括的APP用户黏度指标及指标个数。
具体的,可设置APP用户黏度指标集合中包括用户人均启动次数和用户人均使用时长这两个APP用户黏度指标。当设置了上述2个APP用户黏度指标后,即可根据每一指标对所述APP应用程序集合进行聚类,例如根据用户人均启动次数这一指标对所述APP应用程序集合进行一次聚类,也根据用户人均使用时长对所述APP应用程序集合进行一次聚类。
S130、根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果。
在本实施例中,根据用户人均启动次数这一指标对所述APP应用程序集合进行一次聚类,也根据用户人均使用时长对所述APP应用程序集合进行一次聚类时,两次聚类过程均可以使用k-means聚类或是谱聚类。通过聚类能进一步判断待分析APP应用程序所归属的聚类簇,从而客观的判断该待分析APP应用程序的用户黏度评估指标值。
在一实施例中,如图2所示,作为步骤S130的第一实施例,包括:
S1311、在所述APP应用程序集合中选取与所述聚类目标数相同个数的APP应用程序,将所选取的APP应用程序作为每一簇的初始聚类中心;
S1312、根据所述APP应用程序集合中各APP应用程序对应的APP用户黏度指标与各初始聚类中心的APP用户黏度指标之间的相异值,将APP应用程序集合进行划分,得到初始聚类结果;
S1313、根据初始聚类结果,获取每一簇的调整后聚类中心;
S1314、根据调整后聚类中心,将所述APP应用程序集合进行划分,直至聚类结果保持相同的次数多于预设的次数,得到与所述聚类目标数的个数相对应的聚类簇,以组成聚类结果。
在本实施例中,根据用户人均启动次数或根据用户人均使用时长对所述APP应用程序集合进行聚类时,过程是相同的。具体的,根据用户人均启动次数对所述APP应用程序集合进行聚类,得到第一聚类结果;根据用户人均使用时长对所述APP应用程序集合进行聚类,得到第二聚类结果。
采用k-means算法进行,具体如下:
a)从n个APP应用程序集合中任意选取k个APP应用程序,并作为k个簇的初始聚类中心;其中,APP应用程序集合的初始总个数为n,从其中任意选择k个APP应用程序(k<n,k是用户指定的参数,即所期望的簇的个数,也即预设的聚类目标数),将初始选择的k个APP应用程序作为初始聚类中心。
b)分别计算剩下的APP应用程序对应的APP用户黏度指标到k个簇初始聚类中心对应APP用户黏度指标之间的相异度,将剩下的APP应用程序分别划归到相异度最低的簇,得到初始聚类结果;即是剩下的每一APP应用程序选择与其APP用户黏度指标距离最近的初始聚类中心,并与该初始聚类中心归为一类;这样就以初始选择的初始聚类中心将APP应用程序集合划分为k簇,每一簇数据都有一个初始聚类中心。
c)根据初始聚类结果,重新计算k个簇各自的聚类中心;具体计算方法是取每一簇中所有APP应用程序的APP用户黏度指标的平均值,选择一个与该平均值最接近的APP用户黏度指标对应的APP应用程序作为新的聚类中心,重新选择该簇数据中更优的聚类中心。
d)将n个APP应用程序按照新的中心重新聚类;
e)重复e)步骤,直到聚类结果不再变化,得到与所述聚类目标数的个数相对应的聚类簇以组成聚类结果。
在一实施例中,如图3所示,作为步骤S130的第二实施例,包括:
S1321、获取所输入的相似度矩阵和聚类目标数;
S1322、根据所述相似度矩阵构建与所述APP应用程序集合对应的各节点相应的相似矩阵;
S1323、根据所述相似矩阵构建邻接矩阵和对角矩阵,由所述对角矩阵与所述邻接矩阵之差得到拉普拉斯矩阵;
S1324、获取所述拉普拉斯矩阵中的多个特征值的排名,若判断特征值的排名位于预设的第二排名值之前,获取对应的特征向量以组成目标特征向量集合;
S1325、将目标特征向量集合中每一特征向量转置为列向量并依次组合,以得到目标向量矩阵;
S1326、通过k-means算法将目标向量矩阵中各行向量进行聚类,得到与所述聚类目标数相同的子团,以通过每一子团对应的聚类簇组成聚类结果。
在本实施例中,在采用谱聚类对所述APP应用程序集合根据某一APP用户黏度指标进行聚类时,先以每一APP应用程序的用户人均启动次数或用户人均使用时长作为主数据,以APP应用程序的剩余数据作为属性数据(如APP应用程序的运营商、APP应用程序的程序大小等数据),将每一APP应用程序对应转化为一个节点,节点与节点之间的联系权重可以通过属性数据中某一个或多个字段的相似性来确定,例如节点1的APP应用程序的运营商为X1,而节点2的APP应用程序的运营商也为X2,则节点1与节点2之间的联系权重可以视为1。
谱聚类是一种基于图论的聚类方法,通过对样本数据的拉普拉斯矩阵的特征向量进行聚类,从而达到对样本数据聚类的目的。谱聚类可以理解为将高维空间的数据映射到低维,然后在低维空间用其它聚类算法(如k-means)进行聚类。
为了实现对高维空间的理赔数据映射到低维空间,需将所述理赔数据对应的节点先根据式(1)进行相似矩阵的构建:
其中,n为所述APP应用程序集合对应的节点个数,xi和xj分别表示任意一个节点,σ表示节点的标准差,sij则组成了相似矩阵。
由所输入的相似度矩阵来构建与所述APP应用程序集合对应的节点相应的相似矩阵有∈-邻近法,K邻近法和全连接法。例如,全连接法的计算公式如式1。
之后根据式2来计算对角矩阵,式2具体如下:
其中,di表示相似矩阵中每一行的元素之和,由di组成对角矩阵wij则表示相似矩阵中第i行第j列的元素。
当由所述对角矩阵与所述邻接矩阵之差得到拉普拉斯矩阵后,即可以拉普拉斯矩阵中对应的每一特征向量转置为列向量,从而组成目标向量矩阵。最后通过k-means算法将目标向量矩阵中各行向量进行聚类,得到与所述目标聚类数目相同的子团,以通过每一子团对应的聚类簇组成聚类结果。
S140、获取所述待分析APP应用程序在各聚类结果中所属的目标聚类簇,以获取所述待分析APP应用程序在各聚类结果中对应的评分值。
在本实施例中,在完成了聚类之后,再对聚类结果中每一聚类簇根据APP用户黏度指标的平均值大小进行升序排序,得到排序后的聚类结果,然后对排序后的聚类结果中每一聚类簇根据排名值设置评分值。
在一实施例中,步骤S140之前包括:
S1401、获取与每一APP用户黏度指标一一对应的聚类结果各自对应的当前聚类中心,将与每一APP用户黏度指标一一对应的聚类结果按当前聚类中心的升序顺序设置评分值。
在本实施例中,例如,所述APP应用程序集合根据用户人均启动次数进行聚类得到聚类结果,聚类结果分为了5个聚类簇,分别记为聚类簇1-聚类聚5,其中聚类簇1的用户人均启动次数的平均值为100次,聚类簇2的用户人均启动次数的平均值为130次,聚类簇3的用户人均启动次数的平均值为80次,聚类簇4的用户人均启动次数的平均值为160次,聚类簇5的用户人均启动次数的平均值为70次。根据用户人均启动次数的平均值升序排序,得到排序后的聚类结果为聚类簇5、聚类簇3、聚类簇1、聚类簇2、及聚类簇4。此时可针对聚类簇5根据其排名值1设置评分值1、针对聚类簇3根据其排名值2设置评分值2、针对聚类簇1根据其排名值3设置评分值3、针对聚类簇2根据其排名值4设置评分值4、针对聚类簇4根据其排名值5设置评分值5。
同样的,所述APP应用程序集合根据用户人均使用时长进行聚类得到聚类结果,聚类结果分为了5个聚类簇,分别记为聚类簇6-聚类聚10,其中聚类簇6的用户人均使用时长的平均值为100分钟,聚类簇7的用户人均使用时长的平均值为130分钟,聚类簇8的用户人均使用时长的平均值为80分钟,聚类簇9的用户人均使用时长的平均值为160分钟,聚类簇10的用户人均使用时长的平均值为70分钟。根据用户人均使用时长的平均值升序排序,得到排序后的聚类结果为聚类簇10、聚类簇8、聚类簇6、聚类簇7、及聚类簇9。此时可针对聚类簇10根据其排名值1设置评分值1、针对聚类簇8根据其排名值2设置评分值2、针对聚类簇6根据其排名值3设置评分值3、针对聚类簇7根据其排名值4设置评分值4、针对聚类簇9根据其排名值5设置评分值5。
S150、将所述待分析APP应用程序在每一聚类结果中对应的评分值分别乘以对应聚类结果预设的权重值并求和,得到与所述待分析APP应用程序对应的用户黏度评估指标值。
在本实施例中,例如获取了与用户人均启动次数对应的第一聚类结果,并获取了与用户人均使用时长对应的第二聚类结果,若所述待分析APP应用程序在第一聚类结果属于聚类簇2,对应的第一评分值为4;在第二聚类结果属于聚类簇9,对应的第二评分值为5;若设置的第一聚类结果对应的第一权重值为0.5,设置的第二聚类结果对应的第二权重值为0.5,则与所述待分析APP应用程序对应的用户黏度评估指标值=第一评分值*第一权重值+第二评分值*第二权重值=4*0.5+5*0.5=4.5。
通过与所述待分析APP应用程序对应的用户黏度评估指标值,可得到进行科学对比评估的频度黏度值,APP运营管理方可以利用这一算法指导APP提升其频度黏度表现。而且对于不同行业类型的APP,都可以量化计算用户黏度评估指标值这一指标,从而实现不同类型不同行业的APP进行对比。
该方法实现了对待分析APP应用程序的用户黏度的客观评估计算,使得对于不同类型不同行业的APP也可根据用户黏度评估指标值进行对比。
本发明实施例还提供一种用户黏度评估装置,该用户黏度评估装置用于执行前述用户黏度评估方法的任一实施例。具体地,请参阅图5,图5是本发明实施例提供的用户黏度评估装置的示意性框图。该用户黏度评估装置100可以配置于服务器中。
如图5所示,用户黏度评估装置100包括行业领域定位单元110、初始参数获取单元120、聚类单元130、目标聚类簇定位单元140、评估指标值计算单元150。
行业领域定位单元110,用于接收所选定的待分析APP应用程序,获取所述待分析APP应用程序对应所属的行业领域,及获取所述行业领域中所包括的APP应用程序集合。
在本实施例中,当在服务器中需对某一APP应用程序(即待分析APP应用程序)分析其用户黏度评估指标值时,需先获取该APP应用程序所属的行业领域(例如XX证券APP属于金融领域APP),之后即可获知该行业领域内所包括的多个APP应用程序组成的APP应用程序集合,从而根据待分析APP应用程序所属行业领域来定向分析该待分析APP应用程序的用户黏度指标。
在一实施例中,行业领域定位单元110中具体用于:
获取所述行业领域对应的多个APP应用程序,得到多个APP应用程序中下载量排名位于预设的第一排名值之前的APP应用程序,以组成APP应用程序集合。
例如,金融领域APP的总个数为10000个,为了降低数据处理量,可以只选择获取下载量位于前99位的APP应用程序加上所述待分析APP应用程序,组成一个包括100个APP应用程序的APP应用程序集合。
初始参数获取单元120,用于获取预先设置的APP用户黏度指标集合中所包括的APP用户黏度指标,及指标个数。
在本实施例中,为了从多个维度分析分析所述待分析APP应用程序的用户黏度评估指标值,可将所述APP应用程序集合作为数据分析基础,对所述APP应用程序集合进行各个不同维度的聚类。此时,需预先设置APP用户黏度指标集合中所包括的APP用户黏度指标及指标个数。
具体的,可设置APP用户黏度指标集合中包括用户人均启动次数和用户人均使用时长这两个APP用户黏度指标。当设置了上述2个APP用户黏度指标后,即可根据每一指标对所述APP应用程序集合进行聚类,例如根据用户人均启动次数这一指标对所述APP应用程序集合进行一次聚类,也根据用户人均使用时长对所述APP应用程序集合进行一次聚类。
聚类单元130,用于根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果。
在本实施例中,根据用户人均启动次数这一指标对所述APP应用程序集合进行一次聚类,也根据用户人均使用时长对所述APP应用程序集合进行一次聚类时,两次聚类过程均可以使用k-means聚类或是谱聚类。通过聚类能进一步判断待分析APP应用程序所归属的聚类簇,从而客观的判断该待分析APP应用程序的用户黏度评估指标值。
在一实施例中,如图6所示,作为聚类单元130的第一实施例,包括:
初始聚类中心获取单元1311,用于在所述APP应用程序集合中选取与所述聚类目标数相同个数的APP应用程序,将所选取的APP应用程序作为每一簇的初始聚类中心;
初始聚类单元1312,用于根据所述APP应用程序集合中各APP应用程序对应的APP用户黏度指标与各初始聚类中心的APP用户黏度指标之间的相异值,将APP应用程序集合进行划分,得到初始聚类结果;
聚类中心调整单元1313,用于根据初始聚类结果,获取每一簇的调整后聚类中心;
聚类调整单元1314,用于根据调整后聚类中心,将所述APP应用程序集合进行划分,直至聚类结果保持相同的次数多于预设的次数,得到与所述聚类目标数的个数相对应的聚类簇,以组成聚类结果。
在本实施例中,根据用户人均启动次数或根据用户人均使用时长对所述APP应用程序集合进行聚类时,过程是相同的。具体的,根据用户人均启动次数对所述APP应用程序集合进行聚类,得到第一聚类结果;根据用户人均使用时长对所述APP应用程序集合进行聚类,得到第二聚类结果。
在一实施例中,如图7所示,作为聚类单元130的第二实施例,包括:
初始输入单元1321,用于获取所输入的相似度矩阵和聚类目标数;
相似矩阵获取单元1322,用于根据所述相似度矩阵构建与所述APP应用程序集合对应的各节点相应的相似矩阵;
拉普拉斯矩阵获取单元1323,用于根据所述相似矩阵构建邻接矩阵和对角矩阵,由所述对角矩阵与所述邻接矩阵之差得到拉普拉斯矩阵;
目标特征向量集获取单元1324,用于获取所述拉普拉斯矩阵中的多个特征值的排名,若判断特征值的排名位于预设的第二排名值之前,获取对应的特征向量以组成目标特征向量集合;
目标向量矩阵获取单元1325,用于将目标特征向量集合中每一特征向量转置为列向量并依次组合,以得到目标向量矩阵;
子团获取单元1326,用于通过k-means算法将目标向量矩阵中各行向量进行聚类,得到与所述聚类目标数相同的子团,以通过每一子团对应的聚类簇组成聚类结果。
在本实施例中,在采用谱聚类对所述APP应用程序集合根据某一APP用户黏度指标进行聚类时,先以每一APP应用程序的用户人均启动次数或用户人均使用时长作为主数据,以APP应用程序的剩余数据作为属性数据(如APP应用程序的运营商、APP应用程序的程序大小等数据),将每一APP应用程序对应转化为一个节点,节点与节点之间的联系权重可以通过属性数据中某一个或多个字段的相似性来确定,例如节点1的APP应用程序的运营商为X1,而节点2的APP应用程序的运营商也为X2,则节点1与节点2之间的联系权重可以视为1。
谱聚类是一种基于图论的聚类方法,通过对样本数据的拉普拉斯矩阵的特征向量进行聚类,从而达到对样本数据聚类的目的。谱聚类可以理解为将高维空间的数据映射到低维,然后在低维空间用其它聚类算法(如k-means)进行聚类。当由所述对角矩阵与所述邻接矩阵之差得到拉普拉斯矩阵后,即可以拉普拉斯矩阵中对应的每一特征向量转置为列向量,从而组成目标向量矩阵。最后通过k-means算法将目标向量矩阵中各行向量进行聚类,得到与所述目标聚类数目相同的子团,以通过每一子团对应的聚类簇组成聚类结果。
目标聚类簇定位单元140,用于获取所述待分析APP应用程序在各聚类结果中所属的目标聚类簇,以获取所述待分析APP应用程序在各聚类结果中对应的评分值。
在本实施例中,在完成了聚类之后,再对聚类结果中每一聚类簇根据APP用户黏度指标的平均值大小进行升序排序,得到排序后的聚类结果,然后对排序后的聚类结果中每一聚类簇根据排名值设置评分值。
在一实施例中,用户黏度评估装置100还包括:
评分值设置单元1401,用于获取与每一APP用户黏度指标一一对应的聚类结果各自对应的当前聚类中心,将与每一APP用户黏度指标一一对应的聚类结果按当前聚类中心的升序顺序设置评分值。
在本实施例中,例如,所述APP应用程序集合根据用户人均启动次数进行聚类得到聚类结果,聚类结果分为了5个聚类簇,分别记为聚类簇1-聚类聚5,其中聚类簇1的用户人均启动次数的平均值为100次,聚类簇2的用户人均启动次数的平均值为130次,聚类簇3的用户人均启动次数的平均值为80次,聚类簇4的用户人均启动次数的平均值为160次,聚类簇5的用户人均启动次数的平均值为70次。根据用户人均启动次数的平均值升序排序,得到排序后的聚类结果为聚类簇5、聚类簇3、聚类簇1、聚类簇2、及聚类簇4。此时可针对聚类簇5根据其排名值1设置评分值1、针对聚类簇3根据其排名值2设置评分值2、针对聚类簇1根据其排名值3设置评分值3、针对聚类簇2根据其排名值4设置评分值4、针对聚类簇4根据其排名值5设置评分值5。
同样的,所述APP应用程序集合根据用户人均使用时长进行聚类得到聚类结果,聚类结果分为了5个聚类簇,分别记为聚类簇6-聚类聚10,其中聚类簇6的用户人均使用时长的平均值为100分钟,聚类簇7的用户人均使用时长的平均值为130分钟,聚类簇8的用户人均使用时长的平均值为80分钟,聚类簇9的用户人均使用时长的平均值为160分钟,聚类簇10的用户人均使用时长的平均值为70分钟。根据用户人均使用时长的平均值升序排序,得到排序后的聚类结果为聚类簇10、聚类簇8、聚类簇6、聚类簇7、及聚类簇9。此时可针对聚类簇10根据其排名值1设置评分值1、针对聚类簇8根据其排名值2设置评分值2、针对聚类簇6根据其排名值3设置评分值3、针对聚类簇7根据其排名值4设置评分值4、针对聚类簇9根据其排名值5设置评分值5。
评估指标值计算单元150,用于将所述待分析APP应用程序在每一聚类结果中对应的评分值分别乘以对应聚类结果预设的权重值并求和,得到与所述待分析APP应用程序对应的用户黏度评估指标值。
在本实施例中,例如获取了与用户人均启动次数对应的第一聚类结果,并获取了与用户人均使用时长对应的第二聚类结果,若所述待分析APP应用程序在第一聚类结果属于聚类簇2,对应的第一评分值为4;在第二聚类结果属于聚类簇9,对应的第二评分值为5;若设置的第一聚类结果对应的第一权重值为0.5,设置的第二聚类结果对应的第二权重值为0.5,则与所述待分析APP应用程序对应的用户黏度评估指标值=第一评分值*第一权重值+第二评分值*第二权重值=4*0.5+5*0.5=4.5。
通过与所述待分析APP应用程序对应的用户黏度评估指标值,可得到进行科学对比评估的频度黏度值,APP运营管理方可以利用这一算法指导APP提升其频度黏度表现。而且对于不同行业类型的APP,都可以量化计算用户黏度评估指标值这一指标,从而实现不同类型不同行业的APP进行对比。
该装置实现了对待分析APP应用程序的用户黏度的客观评估计算,使得对于不同类型不同行业的APP也可根据用户黏度评估指标值进行对比。
上述用户黏度评估装置可以实现为计算机程序的形式,该计算机程序可以在如图9所示的计算机设备上运行。
请参阅图9,图9是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图9,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行用户黏度评估方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行用户黏度评估方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图9中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下功能:接收所选定的待分析APP应用程序,获取所述待分析APP应用程序对应所属的行业领域,及获取所述行业领域中所包括的APP应用程序集合;获取预先设置的APP用户黏度指标集合中所包括的APP用户黏度指标,及指标个数;根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果;获取所述待分析APP应用程序在各聚类结果中所属的目标聚类簇,以获取所述待分析APP应用程序在各聚类结果中对应的评分值;以及将所述待分析APP应用程序在每一聚类结果中对应的评分值分别乘以对应聚类结果预设的权重值并求和,得到与所述待分析APP应用程序对应的用户黏度评估指标值。
在一实施例中,处理器502在执行所述获取所述行业领域中所包括的APP应用程序集合的步骤时,执行如下操作:获取所述行业领域对应的多个APP应用程序,得到多个APP应用程序中下载量排名位于预设的第一排名值之前的APP应用程序,以组成APP应用程序集合。
在一实施例中,处理器502在执行所述根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果的步骤时,执行如下操作:在所述APP应用程序集合中选取与所述聚类目标数相同个数的APP应用程序,将所选取的APP应用程序作为每一簇的初始聚类中心;根据所述APP应用程序集合中各APP应用程序对应的APP用户黏度指标与各初始聚类中心的APP用户黏度指标之间的相异值,将APP应用程序集合进行划分,得到初始聚类结果;根据初始聚类结果,获取每一簇的调整后聚类中心;根据调整后聚类中心,将所述APP应用程序集合进行划分,直至聚类结果保持相同的次数多于预设的次数,得到与所述聚类目标数的个数相对应的聚类簇,以组成聚类结果;其中,所述APP用户黏度指标集合包括用户人均启动次数及用户人均使用时长;所述APP用户黏度指标为用户人均启动次数或用户人均使用时长。
在一实施例中,处理器502在执行所述根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果的步骤时,执行如下操作:获取所输入的相似度矩阵和聚类目标数;根据所述相似度矩阵构建与所述APP应用程序集合对应的各节点相应的相似矩阵;根据所述相似矩阵构建邻接矩阵和对角矩阵,由所述对角矩阵与所述邻接矩阵之差得到拉普拉斯矩阵;获取所述拉普拉斯矩阵中的多个特征值的排名,若判断特征值的排名位于预设的第二排名值之前,获取对应的特征向量以组成目标特征向量集合;将目标特征向量集合中每一特征向量转置为列向量并依次组合,以得到目标向量矩阵;通过k-means算法将目标向量矩阵中各行向量进行聚类,得到与所述聚类目标数相同的子团,以通过每一子团对应的聚类簇组成聚类结果;其中,所述APP用户黏度指标集合包括用户人均启动次数及用户人均使用时长;所述APP用户黏度指标为用户人均启动次数或用户人均使用时长。
在一实施例中,处理器502在执行所述获取所述待分析APP应用程序在各聚类结果中所属的目标聚类簇,以获取所述待分析APP应用程序在各聚类结果中对应的评分值的步骤之前,还执行如下操作:获取与每一APP用户黏度指标一一对应的聚类结果各自对应的当前聚类中心,将与每一APP用户黏度指标一一对应的聚类结果按当前聚类中心的升序顺序设置评分值。
本领域技术人员可以理解,图9中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图9所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现以下步骤:接收所选定的待分析APP应用程序,获取所述待分析APP应用程序对应所属的行业领域,及获取所述行业领域中所包括的APP应用程序集合;获取预先设置的APP用户黏度指标集合中所包括的APP用户黏度指标,及指标个数;根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果;获取所述待分析APP应用程序在各聚类结果中所属的目标聚类簇,以获取所述待分析APP应用程序在各聚类结果中对应的评分值;以及将所述待分析APP应用程序在每一聚类结果中对应的评分值分别乘以对应聚类结果预设的权重值并求和,得到与所述待分析APP应用程序对应的用户黏度评估指标值。
在一实施例中,所述获取所述行业领域中所包括的APP应用程序集合,包括:获取所述行业领域对应的多个APP应用程序,得到多个APP应用程序中下载量排名位于预设的第一排名值之前的APP应用程序,以组成APP应用程序集合。
在一实施例中,所述APP用户黏度指标集合包括用户人均启动次数及用户人均使用时长;所述APP用户黏度指标为用户人均启动次数或用户人均使用时长;所述根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果,包括:在所述APP应用程序集合中选取与所述聚类目标数相同个数的APP应用程序,将所选取的APP应用程序作为每一簇的初始聚类中心;根据所述APP应用程序集合中各APP应用程序对应的APP用户黏度指标与各初始聚类中心的APP用户黏度指标之间的相异值,将APP应用程序集合进行划分,得到初始聚类结果;根据初始聚类结果,获取每一簇的调整后聚类中心;根据调整后聚类中心,将所述APP应用程序集合进行划分,直至聚类结果保持相同的次数多于预设的次数,得到与所述聚类目标数的个数相对应的聚类簇,以组成聚类结果。
在一实施例中,所述APP用户黏度指标集合包括用户人均启动次数及用户人均使用时长;所述APP用户黏度指标为用户人均启动次数或用户人均使用时长;所述根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果,包括:获取所输入的相似度矩阵和聚类目标数;根据所述相似度矩阵构建与所述APP应用程序集合对应的各节点相应的相似矩阵;根据所述相似矩阵构建邻接矩阵和对角矩阵,由所述对角矩阵与所述邻接矩阵之差得到拉普拉斯矩阵;获取所述拉普拉斯矩阵中的多个特征值的排名,若判断特征值的排名位于预设的第二排名值之前,获取对应的特征向量以组成目标特征向量集合;将目标特征向量集合中每一特征向量转置为列向量并依次组合,以得到目标向量矩阵;通过k-means算法将目标向量矩阵中各行向量进行聚类,得到与所述聚类目标数相同的子团,以通过每一子团对应的聚类簇组成聚类结果。
在一实施例中,所述获取所述待分析APP应用程序在各聚类结果中所属的目标聚类簇,以获取所述待分析APP应用程序在各聚类结果中对应的评分值之前,还包括:获取与每一APP用户黏度指标一一对应的聚类结果各自对应的当前聚类中心,将与每一APP用户黏度指标一一对应的聚类结果按当前聚类中心的升序顺序设置评分值。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、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,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,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。另外,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,也可以是电的,机械的或其它的形式连接。
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发明实施例方案的目的。
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,也可以是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,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种用户黏度评估方法,其特征在于,包括:
接收所选定的待分析APP应用程序,获取所述待分析APP应用程序对应所属的行业领域,及获取所述行业领域中所包括的APP应用程序集合;
获取预先设置的APP用户黏度指标集合中所包括的APP用户黏度指标,及指标个数;
根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果;
获取所述待分析APP应用程序在各聚类结果中所属的目标聚类簇,以获取所述待分析APP应用程序在各聚类结果中对应的评分值;以及
将所述待分析APP应用程序在每一聚类结果中对应的评分值分别乘以对应聚类结果预设的权重值并求和,得到与所述待分析APP应用程序对应的用户黏度评估指标值;
其中,所述APP用户黏度指标集合包括用户人均启动次数及用户人均使用时长;所述APP用户黏度指标为用户人均启动次数或用户人均使用时长;
所述根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果,包括:
在所述APP应用程序集合中选取与所述聚类目标数相同个数的APP应用程序,将所选取的APP应用程序作为每一簇的初始聚类中心;
根据所述APP应用程序集合中各APP应用程序对应的APP用户黏度指标与各初始聚类中心的APP用户黏度指标之间的相异值,将APP应用程序集合进行划分,得到初始聚类结果;
根据初始聚类结果,获取每一簇的调整后聚类中心;
根据调整后聚类中心,将所述APP应用程序集合进行划分,直至聚类结果保持相同的次数多于预设的次数,得到与所述聚类目标数的个数相对应的聚类簇,以组成聚类结果;
又或者,获取所输入的相似度矩阵和聚类目标数;
根据所述相似度矩阵构建与所述APP应用程序集合对应的各节点相应的相似矩阵;
根据所述相似矩阵构建邻接矩阵和对角矩阵,由所述对角矩阵与所述邻接矩阵之差得到拉普拉斯矩阵;
获取所述拉普拉斯矩阵中的多个特征值的排名,若判断特征值的排名位于预设的第二排名值之前,获取对应的特征向量以组成目标特征向量集合;
将目标特征向量集合中每一特征向量转置为列向量并依次组合,以得到目标向量矩阵;
通过k-means算法将目标向量矩阵中各行向量进行聚类,得到与所述聚类目标数相同的子团,以通过每一子团对应的聚类簇组成聚类结果。
2.根据权利要求1所述的用户黏度评估方法,其特征在于,所述获取所述行业领域中所包括的APP应用程序集合,包括:
获取所述行业领域对应的多个APP应用程序,得到多个APP应用程序中下载量排名位于预设的第一排名值之前的APP应用程序,以组成APP应用程序集合。
3.根据权利要求1所述的用户黏度评估方法,其特征在于,所述获取所述待分析APP应用程序在各聚类结果中所属的目标聚类簇,以获取所述待分析APP应用程序在各聚类结果中对应的评分值之前,还包括:
获取与每一APP用户黏度指标一一对应的聚类结果各自对应的当前聚类中心,将与每一APP用户黏度指标一一对应的聚类结果按当前聚类中心的升序顺序设置评分值。
4.一种用户黏度评估装置,其特征在于,包括:
行业领域定位单元,用于接收所选定的待分析APP应用程序,获取所述待分析APP应用程序对应所属的行业领域,及获取所述行业领域中所包括的APP应用程序集合;
初始参数获取单元,用于获取预先设置的APP用户黏度指标集合中所包括的APP用户黏度指标,及指标个数;
聚类单元,用于根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果;
目标聚类簇定位单元,用于获取所述待分析APP应用程序在各聚类结果中所属的目标聚类簇,以获取所述待分析APP应用程序在各聚类结果中对应的评分值;以及
评估指标值计算单元,用于将所述待分析APP应用程序在每一聚类结果中对应的评分值分别乘以对应聚类结果预设的权重值并求和,得到与所述待分析APP应用程序对应的用户黏度评估指标值;
其中,所述APP用户黏度指标集合包括用户人均启动次数及用户人均使用时长;所述APP用户黏度指标为用户人均启动次数或用户人均使用时长;
所述根据所述APP用户黏度指标集合中所包括的每一APP用户黏度指标及预先设置的聚类目标数,将所述APP应用程序集合进行聚类,得到与每一APP用户黏度指标一一对应的聚类结果,包括:
在所述APP应用程序集合中选取与所述聚类目标数相同个数的APP应用程序,将所选取的APP应用程序作为每一簇的初始聚类中心;
根据所述APP应用程序集合中各APP应用程序对应的APP用户黏度指标与各初始聚类中心的APP用户黏度指标之间的相异值,将APP应用程序集合进行划分,得到初始聚类结果;
根据初始聚类结果,获取每一簇的调整后聚类中心;
根据调整后聚类中心,将所述APP应用程序集合进行划分,直至聚类结果保持相同的次数多于预设的次数,得到与所述聚类目标数的个数相对应的聚类簇,以组成聚类结果;
又或者,获取所输入的相似度矩阵和聚类目标数;
根据所述相似度矩阵构建与所述APP应用程序集合对应的各节点相应的相似矩阵;
根据所述相似矩阵构建邻接矩阵和对角矩阵,由所述对角矩阵与所述邻接矩阵之差得到拉普拉斯矩阵;
获取所述拉普拉斯矩阵中的多个特征值的排名,若判断特征值的排名位于预设的第二排名值之前,获取对应的特征向量以组成目标特征向量集合;
将目标特征向量集合中每一特征向量转置为列向量并依次组合,以得到目标向量矩阵;
通过k-means算法将目标向量矩阵中各行向量进行聚类,得到与所述聚类目标数相同的子团,以通过每一子团对应的聚类簇组成聚类结果。
5.根据权利要求4所述的用户黏度评估装置,其特征在于,所述行业领域定位单元,还用于:
获取所述行业领域对应的多个APP应用程序,得到多个APP应用程序中下载量排名位于预设的第一排名值之前的APP应用程序,以组成APP应用程序集合。
6.根据权利要求4所述的用户黏度评估装置,其特征在于,还包括:
评分值设置单元,用于获取与每一APP用户黏度指标一一对应的聚类结果各自对应的当前聚类中心,将与每一APP用户黏度指标一一对应的聚类结果按当前聚类中心的升序顺序设置评分值。
7.一种计算机设备,包括存储器、处理器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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的用户黏度评估方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至3任一项所述的用户黏度评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910079152.8A CN109949070B (zh) | 2019-01-28 | 2019-01-28 | 用户黏度评估方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910079152.8A CN109949070B (zh) | 2019-01-28 | 2019-01-28 | 用户黏度评估方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949070A CN109949070A (zh) | 2019-06-28 |
CN109949070B true CN109949070B (zh) | 2024-03-26 |
Family
ID=67007357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910079152.8A Active CN109949070B (zh) | 2019-01-28 | 2019-01-28 | 用户黏度评估方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949070B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544109A (zh) * | 2019-07-25 | 2019-12-06 | 深圳壹账通智能科技有限公司 | 用户画像生成方法、装置、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678683A (zh) * | 2013-12-26 | 2014-03-26 | 浙江省公众信息产业有限公司 | 一种面向精细农业的加权空间模糊聚类方法和设备 |
JP2014160358A (ja) * | 2013-02-19 | 2014-09-04 | Nippon Telegr & Teleph Corp <Ntt> | 時系列データ成分分解装置、方法、プログラム、及び記録媒体 |
CN106815312A (zh) * | 2016-12-21 | 2017-06-09 | 东软集团股份有限公司 | 一种驾驶员评价方法及装置 |
CN108241652A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 关键词聚类方法及装置 |
CN108280477A (zh) * | 2018-01-22 | 2018-07-13 | 百度在线网络技术(北京)有限公司 | 用于聚类图像的方法和装置 |
CN108322363A (zh) * | 2018-02-12 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 推送数据异常监控方法、装置、计算机设备和存储介质 |
CN108388869A (zh) * | 2018-02-28 | 2018-08-10 | 苏州大学 | 一种基于多重流形的手写数据分类方法及系统 |
CN109166017A (zh) * | 2018-10-12 | 2019-01-08 | 平安科技(深圳)有限公司 | 基于重聚类的推送方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10917803B2 (en) * | 2017-06-12 | 2021-02-09 | Cisco Technology, Inc. | Automatic characterization of AP behaviors |
-
2019
- 2019-01-28 CN CN201910079152.8A patent/CN109949070B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014160358A (ja) * | 2013-02-19 | 2014-09-04 | Nippon Telegr & Teleph Corp <Ntt> | 時系列データ成分分解装置、方法、プログラム、及び記録媒体 |
CN103678683A (zh) * | 2013-12-26 | 2014-03-26 | 浙江省公众信息产业有限公司 | 一种面向精细农业的加权空间模糊聚类方法和设备 |
CN106815312A (zh) * | 2016-12-21 | 2017-06-09 | 东软集团股份有限公司 | 一种驾驶员评价方法及装置 |
CN108241652A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 关键词聚类方法及装置 |
CN108280477A (zh) * | 2018-01-22 | 2018-07-13 | 百度在线网络技术(北京)有限公司 | 用于聚类图像的方法和装置 |
CN108322363A (zh) * | 2018-02-12 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 推送数据异常监控方法、装置、计算机设备和存储介质 |
CN108388869A (zh) * | 2018-02-28 | 2018-08-10 | 苏州大学 | 一种基于多重流形的手写数据分类方法及系统 |
CN109166017A (zh) * | 2018-10-12 | 2019-01-08 | 平安科技(深圳)有限公司 | 基于重聚类的推送方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
面向消费防伪领域的客户价值分析;杜孟新;洪云峰;周晓明;;福建电脑;20170225(02);第106-108页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109949070A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871886B (zh) | 基于谱聚类的异常点比例优化方法、装置及计算机设备 | |
CN109859054B (zh) | 网络社团挖掘方法、装置、计算机设备及存储介质 | |
US11526799B2 (en) | Identification and application of hyperparameters for machine learning | |
Ruan et al. | An efficient spectral algorithm for network community discovery and its applications to biological and social networks | |
Akhanli et al. | Comparing clusterings and numbers of clusters by aggregation of calibrated clustering validity indexes | |
TW201909112A (zh) | 圖像特徵獲取 | |
Gao et al. | James–Stein shrinkage to improve k-means cluster analysis | |
Ye et al. | Variable selection via penalized neural network: a drop-out-one loss approach | |
CN110827924B (zh) | 基因表达数据的聚类方法、装置、计算机设备及存储介质 | |
US10445341B2 (en) | Methods and systems for analyzing datasets | |
Ma et al. | A pairwise likelihood-based approach for changepoint detection in multivariate time series models | |
CN112348079A (zh) | 数据降维处理方法、装置、计算机设备及存储介质 | |
JP2022541370A (ja) | データ強化ポリシーの更新方法、装置、デバイス及び記憶媒体 | |
CN110706092A (zh) | 风险用户识别方法和装置,存储介质及电子设备 | |
CN112036476A (zh) | 基于二分类业务的数据特征选择方法、装置及计算机设备 | |
CN112437053A (zh) | 入侵检测方法及装置 | |
CN109949070B (zh) | 用户黏度评估方法、装置、计算机设备及存储介质 | |
CN113536020B (zh) | 数据查询的方法、存储介质和计算机程序产品 | |
CN113033709A (zh) | 链路预测方法和装置 | |
CN111611228B (zh) | 一种基于分布式数据库的负载均衡调整方法及装置 | |
Heim et al. | Active perceptual similarity modeling with auxiliary information | |
US11361003B2 (en) | Data clustering and visualization with determined group number | |
CN111753921A (zh) | 一种高光谱图像聚类方法、装置、设备及存储介质 | |
Gossmann et al. | Identification of significant genetic variants via SLOPE, and its extension to group SLOPE | |
Procházka et al. | Scalable Graph Size Reduction for Efficient GNN Application. |
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 |