CN110163661A - 营销信息推广方法、装置、电子设备及计算机可读介质 - Google Patents
营销信息推广方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN110163661A CN110163661A CN201910331002.1A CN201910331002A CN110163661A CN 110163661 A CN110163661 A CN 110163661A CN 201910331002 A CN201910331002 A CN 201910331002A CN 110163661 A CN110163661 A CN 110163661A
- Authority
- CN
- China
- Prior art keywords
- data
- various dimensions
- characteristic
- user
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003542 behavioural effect Effects 0.000 claims abstract description 36
- 230000006399 behavior Effects 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 22
- 238000011156 evaluation Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 6
- 230000007306 turnover Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000013524 data verification Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种基于多维度特征模型的营销信息推广方法、装置、电子设备及计算机可读介质。该方法包括：获取用户的特征数据，所述特征数据包括浏览数据与行为数据；通过所述浏览数据与所述行为数据生成多维度特征数据，所述多维度特征数据包括时长维度数据，行为维度数据，频率维度数据，金额维度数据、和偏好特征数据；将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标；以及基于所述多维度兴趣指标确定营销信息以推送给所述用户。本公开涉及的基于多维度特征模型的营销信息推广方法、装置、电子设备及计算机可读介质，能够取得用户在时间序列上的兴趣偏好，根据时间与兴趣偏好的关系企业可以更有针对性的为用户营销信息推广。
Description
技术领域
本公开涉及计算机信息处理领域，具体而言，涉及一种基于多维度特征模型的营销信息推广方法、装置、电子设备及计算机可读介质。
背景技术
在消费时尚的年代，消费者越来越追求具有个性化、情感化的商品，而不再满足于一般的大众化商品。客户消费观念从理性消费走向感情消费。所以，对于当前的公司而言，用户的个性化判定是其关注的核心问题。由于客户的多样性，企业也希望能够针对不同的客户采取多样调整手段，实现精细化运营，为公司争取最大的利润，这就需要对不同类型的用户进行用户精细化运营，通过各类营销信息提高不同类型的用户在产品中的活跃度、留存率和付费率。
目前的营销信息推广手段，大部分是通过大数据生成的，根据海量用户数据，提取出用户的特征，然后企业根据自己的为不同的用户推荐不同的营销信息。目前这种基于大数据分析的营销信息推广手段存在着弊端，用户的基本特征中的某些部分是不变的，比如性别，年龄，有些基本特征是随着时间的流逝经常改变的，比如用户的喜好，用户的现金流、用户的工作特征等等。现有技术中对用户进行营销信息推广时依赖于一些基础数据，对用户的分类特征表现单一，无法系统全面的反应用户的特征。
因此，需要一种新的基于多维度特征模型的营销信息推广方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，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，本公开提供一种基于多维度特征模型的营销信息推广方法、装置、电子设备及计算机可读介质，能够取得用户在时间序列上的兴趣偏好，根据时间与兴趣偏好的关系企业可以更有针对性的为用户营销信息推广。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提出一种基于多维度特征模型的营销信息推广方法，该方法包括：通过监听方式获取用户的特征数据，所述特征数据包括浏览数据与行为数据；通过所述浏览数据与所述行为数据生成多维度特征数据，所述多维度特征数据包括时长维度数据，行为维度数据，频率维度数据，金额维度数据、和偏好特征数据；将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标；以及基于所述多维度兴趣指标确定营销信息以推送给所述用户。
在本公开的一个实施例中，还包括：通过历史用户的特征数据与至少一个机器学习模型建立所述多维度特征模型。
在本公开的一个实施例中，通过所述浏览数据与所述行为数据生成多维度特征数据包括：基于所述行为数据确定多个目标行为及其对应的时间；将所述多个目标行为按照其对应的时间排序；以及通过排序后的所述多个目标行为与所述浏览数据生成所述多维度特征数据。
在本公开的一个实施例中，通过排序后的所述多个目标行为与所述浏览数据生成所述多维度特征数据包括：通过首个目标行为与末尾目标行为的间隔时间确定所述时长维度数据；和/或通过所述末尾目标行为所对应的时间确定所述行为维度数据；和/或通过所述多个目标行为的数量确定所述频率维度数据；和/或通过所述行为数据中的金额确定所述金额维度数据；和/或通过所述浏览数据生成所述偏好特征数据。
在本公开的一个实施例中，将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标包括：将所述多维度特征数据进行分箱编码；将分箱编码后的所述多维度特征数据输入所述多维度特征模型中；所述多维度特征模型对所述多维度特征数据进行聚类和分组以确定所述用户的所述多维度兴趣指标。
在本公开的一个实施例中，所述多维度特征模型对所述多维度特征数据进行聚类和分组以确定所述用户的所述多维度兴趣指标包括：所述多维度特征模型按照多维度评价指标对所述多维度特征数据进行聚类和分组以确定所述多维度兴趣指标。
在本公开的一个实施例中，所述多维度特征模型按照多维度评价指标对所述多维度特征数据进行聚类和分组以确定所述多维度兴趣指标包括：所述多维度特征模型按照多维度评价指标对所述多维度特征数据进行无监督聚类以确定所述用户的所述多维度兴趣指标；和/或所述多维度特征模型按照多维度评价指标对所述多维度特征数据进行决策树分组以确定所述用户的所述多维度兴趣指标。
在本公开的一个实施例中，通过历史用户的特征数据与至少一个机器学习模型建立所述多维度特征模型包括：通过历史用户的特征数据与无监督学习模型建立所述多维度特征模型；和/或通过历史用户的特征数据与有监督学习模型建立所述多维度特征模型。
在本公开的一个实施例中，通过历史用户的特征数据与至少一个机器学习模型建立所述多维度特征模型包括：通过历史用户的特征数据生成历史多维度特征数据；通过所述历史多维度特征数据生成训练集数据与测试集数据；分别对训练集数据与测试集数据中的所述历史多维度特征数据的每一维度数据进行分箱编码；以及将分箱编码后的训练集数据输入所述至少一个机器学习模型中，通过分箱编码后的测试集数据进行验证以建立所述多维度特征模型。
在本公开的一个实施例中，将分箱编码后的训练集数据输入所述至少一个机器学习模型中，通过分箱编码后的测试集数据进行验证以建立所述多维度特征模型包括：将分箱编码后的训练集数据输入所述至少一个机器学习模型中，生成多维度评价指标；通过分箱编码后的测试集数据验证所述多维度评价指标；以及在验证通过后基于所述多维度评价指标确定所述多维度特征模型。
根据本公开的一方面，提出一种基于多维度特征模型的营销信息推广装置，该装置包括：特征数据模块，用于通过监听方式获取用户的特征数据，所述特征数据包括浏览数据与行为数据；多维度数据模块，用于通过所述浏览数据与所述行为数据生成多维度特征数据，所述多维度特征数据包括时长维度数据，行为维度数据，频率维度数据，金额维度数据、和偏好特征数据；模型计算模块，用于将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标；以及信息推送模块，用于基于所述多维度兴趣指标确定营销信息以推送给所述用户。
在本公开的一个实施例中，还包括：模型训练模块，用于通过历史用户的特征数据与至少一个机器学习模型建立所述多维度特征模型。
在本公开的一个实施例中，所述多维度数据模块包括：时间单元，用于基于所述行为数据确定多个目标行为及其对应的时间；排序单元，用于将所述多个目标行为按照其对应的时间排序；以及特征单元，用于通过排序后的所述多个目标行为与所述浏览数据生成所述多维度特征数据。
在本公开的一个实施例中，所述特征单元包括：时长子单元，用于通过首个目标行为与末尾目标行为的间隔时间确定所述时长维度数据；和/或行为子单元，用于通过所述末尾目标行为所对应的时间确定所述行为维度数据；和/或频率子单元，用于通过所述多个目标行为的数量确定所述频率维度数据；和/或属性子单元，用于通过所述行为数据中的金额确定所述金额维度数据；和/或偏好子单元，用于通过所述浏览数据生成所述偏好特征数据。
在本公开的一个实施例中，所述模型计算模块包括：处理单元，用于将所述多维度特征数据进行分箱编码；模型单元，用于将分箱编码后的所述多维度特征数据输入所述多维度特征模型中；计算单元，用于所述多维度特征模型对所述多维度特征数据进行聚类和分组以确定所述多维度兴趣指标。
在本公开的一个实施例中，所述计算单元，还用于所述多维度特征模型按照多维度评价指标对所述多维度特征数据进行聚类和分组以确定所述多维度兴趣指标。
在本公开的一个实施例中，所述计算单元，还用于所述多维度特征模型按照多维度评价指标对所述多维度特征数据进行无监督聚类以确定所述用户的所述多维度兴趣指标；和/或所述多维度特征模型按照多维度评价指标对所述多维度特征数据进行决策树分组以确定所述用户的所述多维度兴趣指标。
在本公开的一个实施例中，所述模型训练模块包括：聚类单元，用于通过历史用户的特征数据与无监督学习模型建立所述多维度特征模型；和/或决策单元，用于通过历史用户的特征数据与有监督学习模型建立所述多维度特征模型。
在本公开的一个实施例中，所述模型训练模块包括：历史数据单元，用于通过历史用户的特征数据生成历史多维度特征数据；训练测试单元，用于通过所述历史多维度特征数据生成训练集数据与测试集数据；分箱编码单元，用于分别对训练集数据与测试集数据中的所述历史多维度特征数据的每一维度数据进行分箱编码；以及训练单元，用于将分箱编码后的训练集数据输入所述至少一个机器学习模型中，通过分箱编码后的测试集数据进行验证以建立所述多维度特征模型。
在本公开的一个实施例中，所述训练单元包括：输入子单元，用于将分箱编码后的训练集数据输入所述至少一个机器学习模型中，生成多维度评价指标；验证子单元，用于通过分箱编码后的测试集数据验证所述多维度评价指标；以及指标子单元，用于在验证通过后基于所述多维度评价指标确定所述多维度特征模型。
根据本公开的一方面，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。
根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本公开的基于多维度特征模型的营销信息推广方法、装置、电子设备及计算机可读介质，通过用户的浏览数据与行为数据生成多维度特征数据；将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标；以及基于所述多维度兴趣指标确定营销信息以推送给所述用户的方式，能够取得用户在时间序列上的兴趣偏好，根据时间与兴趣偏好的关系企业可以更有针对性的为用户营销信息推广。
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，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、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公开的一些实施例，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基于多维度特征模型的营销信息推广方法及装置的系统应用框图。
图2是根据一示例性实施例示出的一种基于多维度特征模型的营销信息推广方法的流程图。
图3是根据一示例性实施例示出的一种基于多维度特征模型的营销信息推广方法的示意图。
图4是根据一示例性实施例示出的一种基于金融行为模型的用户画像生成方法的示意图。
图5是根据一示例性实施例示出的一种基于金融行为模型的用户画像生成方法的示意图。
图6是根据另一示例性实施例示出的一种基于多维度特征模型的营销信息推广方法的流程图。
图7是根据一示例性实施例示出的一种基于多维度特征模型的营销信息推广装置的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
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公开将全面和完整，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公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开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公开的各方面。
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公开所必须的，因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种基于多维度特征模型的营销信息推广方法及装置的系统应用框图。
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。
在本公开的实施例中，将以用户浏览金融信息平台为例，对本公开中的基于多维度特征模型的营销信息推广方法进行详细说明。值得一提的是，本公开中的多维度特征模型还可应用在多个应用场景和不同商品类别的平台中，本申请不以此为限。
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所浏览的金融平台类网站提供支持的后台管理服务器。服务器105可以对接收到的用户的金融行为数据进行分析等处理，并将处理结果(待推荐信息)反馈给企业客户管理终端。
服务器105可例如通过监听方式获取用户的特征数据，所述特征数据包括浏览数据与行为数据；服务器105可例如通过所述浏览数据与所述行为数据生成多维度特征数据，所述多维度特征数据包括时长维度数据，行为维度数据，频率维度数据，金额维度数据、和偏好特征数据；服务器105可例如将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标；服务器105可例如基于所述多维度兴趣指标确定营销信息以推送给所述用户。
服务器105还可例如通过历史用户的特征数据与至少一个机器学习模型建立所述多维度特征模型。
服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本公开实施例所提供的基于多维度特征模型的营销信息推广方法可以由服务器105执行，相应地，基于多维度特征模型的营销信息推广装置可以设置于服务器105中。而提供给用户进行金融信息浏览的金融网页平台端一般位于终端设备101、102、103中。
根据本公开的基于多维度特征模型的营销信息推广方法及装置，通过用户的浏览数据与行为数据生成多维度特征数据；将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标；以及基于所述多维度兴趣指标确定营销信息以推送给所述用户的方式，能够取得用户在时间序列上的兴趣偏好，根据时间与兴趣偏好的关系企业可以更有针对性的为用户营销信息推广。
下面借助具体的实施例对本公开的内容进行详细描述：
图2是根据一示例性实施例示出的一种基于多维度特征模型的营销信息推广方法的流程图。基于多维度特征模型的营销信息推广方法20至少包括步骤S202至S208。
如图2所示，在S202中，获取用户的特征数据，所述特征数据包括浏览数据与行为数据。
其中，可通过通过监听方式获取用户的特征数据，更具体的浏览数据可通过Fiddler工具获取，Fiddler工具以web代理服务器的形式进行工作的，客户端先将请求数据发送出去后，Fiddler代理服务器会将数据包进行拦截，代理服务器再冒充客户端发送数据到服务器；同理，服务器将响应数据返回，代理服务器也会将数据拦截，再返回给客户端。通过Fiddler可获取用户网络浏览的驻留时间、驻留页面，点击操作等等相关的浏览数据。
其中，用户的行为数据可为金融相关行为数据，具体可为借款行为，欠款行为等等，逾期行为等等具有金融风险的行为，还可包括欠款金额数据。行为数据可在金融平台上，通过用户的借款记录等等获取，而用户的浏览数据，是通过用户在所有网络平台上的浏览记录生成的。
图3是根据一示例性实施例示出的一种基于多维度特征模型的营销信息推广方法的示意图。图3示例性的描述了用户的特征数据的生成方法，还可例如将用户的浏览数据和行为数据进行数据清洗生成用户特征数据。
在S204中，通过所述浏览数据与所述行为数据生成多维度特征数据，所述多维度特征数据包括时长维度数据，行为维度数据，频率维度数据，金额维度数据、和偏好特征数据。
在一个实施例中，通过所述浏览数据与所述行为数据生成多维度特征数据包括：基于所述行为数据确定多个目标行为及其对应的时间；将所述多个目标行为按照其对应的时间排序；以及通过排序后的所述多个目标行为与所述浏览数据生成所述多维度特征数据。
在一个实施例中，通过排序后的所述金融行为与所述属性数据生成所述多维度特征数据包括：基于每一个金融行为，通过首个金融行为与末尾金融行为的间隔时间确定所述时长维度数据；和/或通过所述末尾金融行为所对应的时间确定所述行为维度数据；和/或通过多个金融行为的数量确定所述频率维度数据；和/或通过所述属性数据中的金额确定所述属性维度数据。
在S206中，将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标。其中，多维度特征模型为具有时间特征的用户管理模型(RFM)，RFM模型是一种用户管理模型，RFM模型有三个要素：最近一次消费(Recency)，消费频率(Frequency)，消费金额(Monetary)。RFM模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱这三项指标来描述该客户的状况。传统RFM模型通过交易环节中三个维度：R、F、M细分用户群体，是用历史数据对用户当前状态的评估。随着各种电子技术的发展，广告与传媒业的快速增加，用户接触到了更多更大量的信息。在当今社会中，用户的喜好和行为在短时间内就会发生巨大的变化，而RFM模型仅通过历史数据分析用户当前状态而得到的数据已经远远不能满足市场快速的发展和变化的需求。所以本公开基于时间序列的用户管理模型提出了多维度特征模型，具体模型的生成过程在图6对应的实施例中进行详细描述。
在一个实施例中，将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标包括：将所述多维度特征数据进行分箱编码；将分箱编码后的所述多维度特征数据输入所述多维度特征模型中；所述多维度特征模型对所述多维度特征数据进行聚类和分组以确定所述用户的所述多维度兴趣指标。
在一个实施例中，所述多维度特征模型对所述多维度特征数据进行聚类和分组以确定所述用户的所述多维度兴趣指标包括：所述多维度特征模型按照多维度评价指标对所述多维度特征数据进行聚类和分组以确定所述多维度兴趣指标。
在S208中，基于所述多维度兴趣指标确定营销信息以推送给所述用户。可根据不同的兴趣指标确定最终用户的兴趣指标。图4是根据一示例性实施例示出的一种基于多维度特征模型的营销信息推广的示意图，其中，根据RFM这三个指标可将每个指标维度再细分出不同的等级，这样就能够细分不同类别的用户，再根据每类用户精准营销在。本公开中可例如把每个维度做一次两分即可，每个维度都分为高低两类，这样在RFM三个维度上可得到了8组用户。这样用户就可以按照不同的维度进行分析，具体可分为：经常借款不违约客户、经常借款欠款客户、资金周转较高客户、资金周转较慢客户、周期性需要资金客户、临时拆解资金客户等等。
而引入了L维度之后，还可得到在未来一段时间之后，用户的行为特征，本公开中可例如把L维度也做一次两分，即为当前和120天之后用户的行为特征，这样就把用户由当前的8个组别扩展到了16个组别，即为16个象限中。当然，L还可做不同的区分，可例如将L分为三个维度，当前，120天和360天，那么用户可由当前的8个维度分为了24个维度，当然，还可将L的维度分为10天，30天等等，L的维度处理方式可根据不同的应用场景和对用户精细化的划分要求而确定。
图5是根据一示例性实施例示出的一种基于多维度特征模型的营销信息推广的示意图。如图5所示，在把用户由当前的8个组别扩展到了16个组别，即为16个象限中的情况下，用户可分组为：当前经常借款不违约客户、当前资金周转较高客户、未来资金周转较慢客户、当前周期性需要资金客户、未来临时拆解资金客户等等。
可根据不同的象限分类为用户确定不同的用户画像标签，可例如，当前用户的象限分类为当前资金周转较高客户，未来120天的表现为未来资金周转较慢客户，则可根据此分类为用户提供不同的营销信息，可例如提供给用户资金额度较高，利息较低的金融服务广告，或者可借款周期较长的金融服务广告等等。
图6是根据另一示例性实施例示出的一种基于多维度特征模型的营销信息推广方法的流程图。图6示例性的说明了“通过历史用户的特征数据与至少一个机器学习模型建立所述多维度特征模型”。
如图6所示，在S602中，通过历史用户的基础数据生成历史多维度特征数据。可通过在金融平台上已注册的用户的基础数据生成历史多维度特征数据。
在S604中，通过所述历史多维度特征数据生成训练集数据与测试集数据。在机器学习中，一般将样本分成独立的三部分训练集(train set)，验证集(validation set)和测试集(test set)。其中，训练集用于建立模型。验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。
在一个实施例中，还可例如，将编码后的所述多个特征数据按照时间序列分为多个数据集，所述数据集包括训练观察集，训练表现集，测试观察集，以及测试表现集；将所述训练观察集，所述训练表现集输入多个机器学习模型中，生成多维度特征指标；通过所述测试观察集，所述测试表现集验证所述多维度特征指标；以及在验证通过后基于所述多维度特征指标确定所述多个初始机器学习模型。
其中，用户的基础数据可按照如下表所示的时间分为训练观察集，训练表现集，测试观察集，以及测试表现集。
在S606中，分别对训练集数据与测试集数据中的所述历史多维度数据的每一维度数据进行分箱编码。
在S608中，将分箱编码后的训练集数据输入所述至少一个机器学习模型中，通过分箱编码后的测试集数据进行验证以建立多维度特征模型。
在一个实施例中，可例如，将分箱编码后的训练集数据输入所述至少一个机器学习模型中，生成多维度评价指标；通过分箱编码后的测试集数据验证所述多维度评价指标；以及在验证通过后基于所述多维度评价指标确定所述时序行为模型。
在本公开的一个实施例中，针对于用户借贷的问题，在机器学习的过程中，可通过所述训练观察集，所述训练表现集中的用户的基础数据确定群体应收利息和人均利息。其中，通过所述测试观察集，所述测试表现集中的用户的基础数据确定平均应还利息；以及通过所述平均应还利息与所述群体应收利息和所述人均利息验证所述多维度特征指标。
更具体的，针对于金融平台的用户特征数据还可通过群体应收利息和人均利息确定该模型的在不同维度上的稳定性：
根据本公开的多维度特征模型，能够对用户在未来一段时间内的用户特征进行验证，提高对用户行为分析的时效，以便为用户提供更有针对性的金融信息服务。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
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，执行本公开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公开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。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图7是根据一示例性实施例示出的一种基于多维度特征模型的营销信息推广装置的框图。如图7所示，基于多维度特征模型的营销信息推广装置70包括：特征数据模块702，多维度数据模块704，模型计算模块706，信息推送模块708，基于多维度特征模型的营销信息推广装置70还可包括：模型训练模块710。
特征数据模块702用于通过监听方式获取用户的特征数据，所述特征数据包括浏览数据与行为数据；
多维度数据模块704用于通过所述浏览数据与所述行为数据生成多维度特征数据，所述多维度特征数据包括时长维度数据，行为维度数据，频率维度数据，金额维度数据、和偏好特征数据；
模型计算模块706用于将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标；以及
信息推送模块708用于基于所述多维度兴趣指标确定营销信息以推送给所述用户。
模型训练模块710用于通过历史用户的特征数据与至少一个机器学习模型建立所述多维度特征模型。
根据本公开的基于多维度特征模型的营销信息推广装置，通过用户的浏览数据与行为数据生成多维度特征数据；将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标；以及基于所述多维度兴趣指标确定营销信息以推送给所述用户的方式，能够取得用户在时间序列上的兴趣偏好，根据时间与兴趣偏好的关系企业可以更有针对性的为用户营销信息推广。
图8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8来描述根据本公开的这种实施方式的电子设备200。图8显示的电子设备200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8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公开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6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方法。
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公开操作的程序代码，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：通过监听方式获取用户的特征数据，所述特征数据包括浏览数据与行为数据；通过所述浏览数据与所述行为数据生成多维度特征数据，所述多维度特征数据包括时长维度数据，行为维度数据，频率维度数据，金额维度数据、和偏好特征数据；将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标；以及基于所述多维度兴趣指标确定营销信息以推送给所述用户。
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，根据本公开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)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开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。
Claims (10)
1.一种基于多维度特征模型的营销信息推广方法，其特征在于，包括：
获取用户的特征数据，所述特征数据包括浏览数据与行为数据；
通过所述浏览数据与所述行为数据生成多维度特征数据，所述多维度特征数据包括时长维度数据，行为维度数据，频率维度数据，金额维度数据、和偏好特征数据；
将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标；以及
基于所述多维度兴趣指标确定营销信息以推送给所述用户。
2.如权利要求1所述的方法，其特征在于，还包括：
通过历史用户的特征数据与至少一个机器学习模型建立所述多维度特征模型。
3.如权利要求1所述的方法，其特征在于，通过所述浏览数据与所述行为数据生成多维度特征数据包括：
基于所述行为数据确定多个目标行为及其对应的时间；
将所述多个目标行为按照其对应的时间排序；以及
通过排序后的所述多个目标行为与所述浏览数据生成所述多维度特征数据。
4.如权利要求3所述的方法，其特征在于，通过排序后的所述多个目标行为与所述浏览数据生成所述多维度特征数据包括：
通过首个目标行为与末尾目标行为的间隔时间确定所述时长维度数据；和/或
通过所述末尾目标行为所对应的时间确定所述行为维度数据；和/或
通过所述多个目标行为的数量确定所述频率维度数据；和/或
通过所述行为数据中的金额确定所述金额维度数据；和/或
通过所述浏览数据生成所述偏好特征数据。
5.一种基于多维度特征模型的营销信息推广装置，其特征在于，包括：
特征数据模块，用于获取用户的特征数据，所述特征数据包括浏览数据与行为数据；
多维度数据模块，用于通过所述浏览数据与所述行为数据生成多维度特征数据，所述多维度特征数据包括时长维度数据，行为维度数据，频率维度数据，金额维度数据、和偏好特征数据；
模型计算模块，用于将所述多维度特征数据输入多维度特征模型中，获取所述用户的多维度兴趣指标；以及
信息推送模块，用于基于所述多维度兴趣指标确定营销信息以推送给所述用户。
6.如权利要求5所述的装置，其特征在于，还包括：
模型训练模块，用于通过历史用户的特征数据与至少一个机器学习模型建立所述多维度特征模型。
7.如权利要求5所述的装置，其特征在于，所述多维度数据模块包括：
时间单元，用于基于所述行为数据确定多个目标行为及其对应的时间；
排序单元，用于将所述多个目标行为按照其对应的时间排序；以及
特征单元，用于通过排序后的所述多个目标行为与所述浏览数据生成所述多维度特征数据。
8.如权利要求5所述的装置，其特征在于，所述特征单元包括：
时长子单元，用于通过首个目标行为与末尾目标行为的间隔时间确定所述时长维度数据；和/或
行为子单元，用于通过所述末尾目标行为所对应的时间确定所述行为维度数据；和/或
频率子单元，用于通过所述多个目标行为的数量确定所述频率维度数据；和/或
属性子单元，用于通过所述行为数据中的金额确定所述金额维度数据；和/或
偏好子单元，用于通过所述浏览数据生成所述偏好特征数据。
9.一种电子设备，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1-4中任一所述的方法。
10.一种计算机可读介质，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1-4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910331002.1A CN110163661A (zh) | 2019-04-23 | 2019-04-23 | 营销信息推广方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910331002.1A CN110163661A (zh) | 2019-04-23 | 2019-04-23 | 营销信息推广方法、装置、电子设备及计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110163661A true CN110163661A (zh) | 2019-08-23 |
Family
ID=67638685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910331002.1A Pending CN110163661A (zh) | 2019-04-23 | 2019-04-23 | 营销信息推广方法、装置、电子设备及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163661A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110659933A (zh) * | 2019-09-03 | 2020-01-07 | 中国建设银行股份有限公司 | 一种生成余额贴尾推荐内容的方法和装置 |
| CN111190967A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 用户多维度数据处理方法、装置及电子设备 |
| CN111932414A (zh) * | 2020-08-07 | 2020-11-13 | 泰康保险集团股份有限公司 | 一种培训管理系统及方法、计算机存储介质、电子设备 |
| CN112800329A (zh) * | 2021-01-29 | 2021-05-14 | 深圳维创乐科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
| CN112818224A (zh) * | 2021-01-26 | 2021-05-18 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、电子设备及可读存储介质 |
| CN114219580A (zh) * | 2021-12-31 | 2022-03-22 | 江苏玖益贰信息科技有限公司 | 一种消费者画像生成装置及画像分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105959745A (zh) * | 2016-05-25 | 2016-09-21 | 北京铭嘉实咨询有限公司 | 广告投放方法和系统 |
| CN108038216A (zh) * | 2017-12-22 | 2018-05-15 | 联想(北京)有限公司 | 信息处理方法、装置及服务器集群 |
| CN108765052A (zh) * | 2018-04-20 | 2018-11-06 | 网易无尾熊（杭州）科技有限公司 | 电商推荐/推送方法及装置、存储介质及计算设备 |
| CN109300039A (zh) * | 2018-12-05 | 2019-02-01 | 山东省城市商业银行合作联盟有限公司 | 基于人工智能和大数据进行智能产品推荐的方法及系统 |
| CN109598300A (zh) * | 2018-11-30 | 2019-04-09 | 成都数联铭品科技有限公司 | 一种评估系统及方法 |
-
2019
- 2019-04-23 CN CN201910331002.1A patent/CN110163661A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105959745A (zh) * | 2016-05-25 | 2016-09-21 | 北京铭嘉实咨询有限公司 | 广告投放方法和系统 |
| CN108038216A (zh) * | 2017-12-22 | 2018-05-15 | 联想(北京)有限公司 | 信息处理方法、装置及服务器集群 |
| CN108765052A (zh) * | 2018-04-20 | 2018-11-06 | 网易无尾熊（杭州）科技有限公司 | 电商推荐/推送方法及装置、存储介质及计算设备 |
| CN109598300A (zh) * | 2018-11-30 | 2019-04-09 | 成都数联铭品科技有限公司 | 一种评估系统及方法 |
| CN109300039A (zh) * | 2018-12-05 | 2019-02-01 | 山东省城市商业银行合作联盟有限公司 | 基于人工智能和大数据进行智能产品推荐的方法及系统 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110659933A (zh) * | 2019-09-03 | 2020-01-07 | 中国建设银行股份有限公司 | 一种生成余额贴尾推荐内容的方法和装置 |
| CN110659933B (zh) * | 2019-09-03 | 2022-05-10 | 中国建设银行股份有限公司 | 一种生成余额贴尾推荐内容的方法和装置 |
| CN111190967A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 用户多维度数据处理方法、装置及电子设备 |
| CN111190967B (zh) * | 2019-12-16 | 2024-04-26 | 北京淇瑀信息科技有限公司 | 用户多维度数据处理方法、装置及电子设备 |
| CN111932414A (zh) * | 2020-08-07 | 2020-11-13 | 泰康保险集团股份有限公司 | 一种培训管理系统及方法、计算机存储介质、电子设备 |
| CN112818224A (zh) * | 2021-01-26 | 2021-05-18 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、电子设备及可读存储介质 |
| CN112818224B (zh) * | 2021-01-26 | 2024-02-20 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、电子设备及可读存储介质 |
| CN112800329A (zh) * | 2021-01-29 | 2021-05-14 | 深圳维创乐科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
| CN114219580A (zh) * | 2021-12-31 | 2022-03-22 | 江苏玖益贰信息科技有限公司 | 一种消费者画像生成装置及画像分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163661A (zh) | 营销信息推广方法、装置、电子设备及计算机可读介质 | |
| CN110111198A (zh) | 用户金融风险预估方法、装置、电子设备及可读介质 | |
| Glaser et al. | Beyond cryptocurrencies-a taxonomy of decentralized consensus systems | |
| CN110135976A (zh) | 用户画像生成方法、装置、电子设备和计算机可读介质 | |
| CN110110012A (zh) | 用户预期价值评估方法、装置、电子设备及可读介质 | |
| CN110111139A (zh) | 行为预估模型生成方法、装置、电子设备及可读介质 | |
| CN106251174A (zh) | 信息推荐方法及装置 | |
| CN112115363A (zh) | 一种推荐方法、计算设备及存储介质 | |
| CN111046237A (zh) | 用户行为数据处理方法、装置、电子设备及可读介质 | |
| CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
| CN111523677A (zh) | 实现对机器学习模型的预测结果进行解释的方法及装置 | |
| CN110135978A (zh) | 用户金融风险评估方法、装置、电子设备和可读介质 | |
| CN110148053A (zh) | 用户信贷额度评估方法、装置、电子设备和可读介质 | |
| US9141708B2 (en) | Methods for generating selection structures, for making selections according to selection structures and for creating selection descriptions | |
| CN110348892A (zh) | 基于用户特征的定制信息生成方法、装置及电子设备 | |
| US10896290B2 (en) | Automated pattern template generation system using bulk text messages | |
| Allaymoun et al. | Big data analysis and data visualization to help make a decision-Islamic banks case study | |
| Khaleelullah et al. | A Framework for Design and Development of Message sharing using Open-Source Software | |
| CN111221881B (zh) | 用户特征数据合成方法、装置及电子设备 | |
| CN112819531A (zh) | 人群包的自定义上线方法、装置及电子设备 | |
| KR20210097204A (ko) | 정보를 출력하는 방법 및 장치 | |
| KR102090951B1 (ko) | 통합 금융 서비스를 제공하는 방법 및 시스템 | |
| US10296928B1 (en) | System and methods for measuring and influencing customer trajectory within a product space | |
| Soni et al. | Big data analytics for market prediction via consumer insight | |
| Aberathne et al. | Real Time Mobile Ad Investigator: An Effective and Novel Approach for Mobile Click Fraud Detection. |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: China |