CN110740193A - 一种平台活跃度的预测方法、装置、存储介质及电子设备 - Google Patents
一种平台活跃度的预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110740193A CN110740193A CN201911046567.1A CN201911046567A CN110740193A CN 110740193 A CN110740193 A CN 110740193A CN 201911046567 A CN201911046567 A CN 201911046567A CN 110740193 A CN110740193 A CN 110740193A
- Authority
- CN
- China
- Prior art keywords
- activity
- platform
- user
- users
- amount
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种平台活跃度的预测方法、装置、存储介质及电子设备。该方法包括：获取目标用户在注册后的每一个时间周期内的活跃度指标参数，并根据活跃度指标参数确定目标用户在平台中的活跃度；获取所述平台中的参考活跃度；其中，所述参考活跃度的时间周期的个数大于所述目标用户的时间周期的个数；根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果。通过运行本申请所提供的技术方案，可以实现准确的对用户的平台活跃度进行预测的效果。
Description
技术领域
本申请实施例涉及计算机技术领域，尤其涉及一种平台活跃度的预测方法、装置、存储介质及电子设备。
背景技术
随着科技的迅速发展，网购已经成为符合用户需求的购物方式。除了网购以外，还有原有的物流方面需求，共同组成了一个庞大的物流系统。
为了能够便利车辆驾驶人员，往往会为物流司机提供一个平台。物流司机往往可以通过注册、登录等操作，来查看平台上面为物流司机提供的物流信息，例如各种物流需求信息。因此，平台是否能够健康的运营，物流司机在平台上面的活跃度是重要因素。现有的物流司机的活跃度的确定方式，往往是根据注册时间来确定的。也就是说，注册时间越长，用户的活跃度越高。但这就造成了用户的活跃度随着时间的推移逐渐增高，而这并不能够表征所有用户的活跃度。对于任意一个平台，也不能够实现所有用户的活跃度都随着时间的推移逐渐增高的情况。因此，这种活跃度的确定方式给出了一种错误的活跃度预估结果。如何能够正确的预估司机的活跃度，是能否保证平台稳定的运营的基础。
发明内容
本申请实施例提供一种平台活跃度的预测方法、装置、存储介质及电子设备，以实现准确的对用户的平台活跃度进行预测的效果。
第一方面，本申请实施例提供了一种平台活跃度的预测方法，该方法包括：
获取目标用户在注册后的每一个时间周期内的活跃度指标参数，并根据活跃度指标参数确定目标用户在平台中的活跃度；
获取所述平台中的参考活跃度；其中，所述参考活跃度的时间周期的个数大于所述目标用户的时间周期的个数；
根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果。
可选的，所述活跃度指标参数包括：目标用户在平台中的浏览量、点击量、搜索量、收藏量、沟通次数、交定金次数、接单量以及评论量中的至少一种；
相应的，根据活跃度指标参数确定目标用户在平台中的活跃度，包括：
根据目标用户在平台中的活跃度指标参数，以及各活跃度指标参数的目标维度数值，确定目标用户的活跃度。
可选的，采用如下公式确定目标用户的活跃度：
θ＝α1·pv+α2·click+α3·search+α4·clc+α5·contact+α6·order+α7·achieve+α8·comment+bubble；
其中，θ为活跃度，pv为用户浏览量，click为用户点击量，search为用户搜索量，clc为用户收藏量，contact为用户沟通次数，order为用户交定金次数，achieve为用户接单量，comment为用户评论量，bubble是0-1之间的平衡值；
α1为平台中全部用户打开平台次数与全部用户浏览量之比；
α2为平台中全部用户打开平台次数与全部用户点击量之比；
α3为平台中全部用户打开平台次数与全部用户搜索量之比；
α4为平台中全部用户打开平台次数与全部用户收藏量之比；
α5为平台中全部用户打开平台次数与全部用户沟通次数之比；
α6为平台中全部用户打开平台次数与全部用户交定金次数之比；
α7为平台中全部用户打开平台次数与全部用户接单量之比；
α8为平台中全部用户打开平台次数与全部用户评论量之比。
可选的，根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果，包括：
获取所述参考活跃度在各个时间周期的活跃度波动情况；
根据所述参考活跃度在预估时间周期的活跃度波动情况，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果。
可选的，根据所述参考活跃度在预估时间周期的活跃度波动情况，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果，包括：
根据所述参考活跃度在预估时间周期的活跃度波动曲线，以及预设波动倍率，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果。
第二方面，本申请实施例提供了一种平台活跃度的预测装置，该装置包括：
目标用户活跃度确定模块，用于获取目标用户在注册后的每一个时间周期内的活跃度指标参数，并根据活跃度指标参数确定目标用户在平台中的活跃度；
参考活跃度获取模块，用于获取所述平台中的参考活跃度；其中，所述参考活跃度的时间周期的个数大于所述目标用户的时间周期的个数；
活跃度预测模块，用于根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果。
可选的，所述活跃度指标参数包括：目标用户在平台中的浏览量、点击量、搜索量、收藏量、沟通次数、交定金次数、接单量以及评论量中的至少一种；
相应的，所述活跃度预测模块具体用于：
根据目标用户在平台中的活跃度指标参数，以及各活跃度指标参数的目标维度数值，确定目标用户的活跃度。
可选的，采用如下公式确定目标用户的活跃度：
θ＝α1·pv+α2·click+α3·search+α4·clc+α5·contact+α6·order+α7·achieve+α8·comment+bubble；
其中，θ为活跃度，pv为用户浏览量，click为用户点击量，search为用户搜索量，clc为用户收藏量，contact为用户沟通次数，order为用户交定金次数，achieve为用户接单量，comment为用户评论量，bubble是0-1之间的平衡值；
α1为平台中全部用户打开平台次数与全部用户浏览量之比；
α2为平台中全部用户打开平台次数与全部用户点击量之比；
α3为平台中全部用户打开平台次数与全部用户搜索量之比；
α4为平台中全部用户打开平台次数与全部用户收藏量之比；
α5为平台中全部用户打开平台次数与全部用户沟通次数之比；
α6为平台中全部用户打开平台次数与全部用户交定金次数之比；
α7为平台中全部用户打开平台次数与全部用户接单量之比；
α8为平台中全部用户打开平台次数与全部用户评论量之比。
可选的，活跃度预测模块，包括：
参考活跃度波动情况获取单元，用于获取所述参考活跃度在各个时间周期的活跃度波动情况；
目标用户活跃度预测单元，用于根据所述参考活跃度在预估时间周期的活跃度波动情况，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果。
可选的，所述目标用户活跃度预测单元具体用于：
根据所述参考活跃度在预估时间周期的活跃度波动曲线，以及预设波动倍率，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器运行时实现如本申请实施例所述的平台活跃度的预测方法。
第四方面，本申请实施例提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器运行所述计算机程序时实现如本申请实施例所述的平台活跃度的预测方法。
本申请实施例所提供的技术方案，获取目标用户在注册后的每一个时间周期内的活跃度指标参数，并根据活跃度指标参数确定目标用户在平台中的活跃度；获取所述平台中的参考活跃度；其中，所述参考活跃度的时间周期的个数大于所述目标用户的时间周期的个数；根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果。通过采用本申请所提供的技术方案，可以实现准确的对用户的平台活跃度进行预测的效果。
附图说明
图1是本申请实施例一提供的平台活跃度的预测方法的流程图；
图2是本申请实施例一提供的平台活跃度预测示意图；
图3是本申请实施例一提供的平台活跃度预测示意图；
图4是本申请实施例二提供的平台活跃度的预测装置的结构示意图；
图5是本申请实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本申请实施例一提供的平台活跃度的预测方法的流程图，本实施例可适于平台用户统计的情况，该方法可以由本申请实施例所提供的平台活跃度的预测装置运行，该装置可以由软件和/或硬件的方式来实现，并可集成于用于安装有平台应用程序的智能终端的电子设备中。
如图1所示，所述平台活跃度的预测方法包括：
S110、获取目标用户在注册后的每一个时间周期内的活跃度指标参数，并根据活跃度指标参数确定目标用户在平台中的活跃度。
其中，活跃度指标可以包括浏览、点击以及完成订单等，活跃度指标参数可以是该用户的浏览次数，点击次数以及完成订单的数量。每个时间周期可以是以天为单位，也可以是一小时或者以周为单位。本技术方案，目标用户可以是刚刚在平台上完成注册一周以内的用户，也可以是其他注册时长的用户，对于新注册的用户来说，可以通过对用户的活跃度的掌握，确定是否辅助用户提供更全面的服务，以此有利于将用户由成长期进入到稳定期，有利于用户的发展。在本实施例中，目标用户在平台中的活跃度可以根据目标用户的活跃度指标参数进行量化计算，这样设置的好处是可以客观的对用户的活跃度做出评价，同时也为用户的活跃度预测提供量化标准。
在本实施例中，可选的，所述活跃度指标参数包括：目标用户在平台中的浏览量、点击量、搜索量、收藏量、沟通次数、交定金次数、接单量以及评论量中的至少一种；相应的，根据活跃度指标参数确定目标用户在平台中的活跃度，包括：根据目标用户在平台中的活跃度指标参数，以及各活跃度指标参数的目标维度数值，确定目标用户的活跃度。其中，获取到的用户在平台中操作的行为数据，可以客观上反映出用户对平台信息的了解程度。可以对不同的行为数据设置不同的权重值，来累加得到目标用户的活跃度。在本技术方案中，可以根据各活跃度指标参数的目标维度数值，确定目标用户的活跃度。其中，目标维度数值可以是在操作数量与平台的总浏览次数的比值的这一维度。其中，目标维度数值可以是根据目标用户自身来确定的，也可以是根据平台上部分参照用户或者所有用户的操作数据来确定的。本技术方案这样设置的好处是可以提供一种统一规则的活跃度量化标准，并且综合考虑了多方面的因素，可以提高对活跃度评价的客观性。
在本技术方案中，采用如下公式确定目标用户的活跃度：
θ＝α1·pv+α2·click+α3·search+α4·clc+α5·contact+α6·order+α7·achieve+α8·comment+bubble；
其中，θ为活跃度，pv为用户浏览量，click为用户点击量，search为用户搜索量，clc为用户收藏量，contact为用户沟通次数，order为用户交定金次数，achieve为用户接单量，comment为用户评论量，bubble是0-1之间的平衡值；
α1为平台中全部用户打开平台次数与全部用户浏览量之比；
α2为平台中全部用户打开平台次数与全部用户点击量之比；
α3为平台中全部用户打开平台次数与全部用户搜索量之比；
α4为平台中全部用户打开平台次数与全部用户收藏量之比；
α5为平台中全部用户打开平台次数与全部用户沟通次数之比；
α6为平台中全部用户打开平台次数与全部用户交定金次数之比；
α7为平台中全部用户打开平台次数与全部用户接单量之比；
α8为平台中全部用户打开平台次数与全部用户评论量之比。
其中，本技术方案同时考虑了上述的各种指标参数，并且为各个指标参数设置了权重值，并且在累加之后还可以累加一个平衡值。本技术方案这样设置的好处是可以根据各个用户在平台中的各种指标参数进行运算准确的得到各用户的活跃度。
S120、获取所述平台中的参考活跃度；其中，所述参考活跃度的时间周期的个数大于所述目标用户的时间周期的个数。
其中，参考活跃度可以是一部分用户或者是全部用户的数据。其中，由于是对目标用户的未来某一个或者多个时间周期的预测，所以参考用户的可以用来参考的活跃度的时间周期个数要大于目标用户的时间周期个数。例如目标用户为注册了5天的用户，如果需要对目标用户的后面5天的活跃度进行预测，可以取具有10天及以上的参考用户的数据。例如取一组用户都注册了10天，则可以根据这一组用户后5天的活跃度对目标用户进行活跃度预测。还可以取一组用户都注册了10天以上，而截取注册后前10天的活跃度数据进行预测。本技术方案这样设置的好处是可以根据大多数用户的活跃度发展规律来得到目标用户的活跃度预测结果。
S130、根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果。
其中，未来的时间周期可以是3天、5天、一周以及两周等。可以根据参考活跃度确定目标活跃度的预测结果。
在本实施例中，可选的，根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果，包括：获取所述参考活跃度在各个时间周期的活跃度波动情况；根据所述参考活跃度在预估时间周期的活跃度波动情况，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果。其中，可以根据参考活跃度在各个时间周期的活跃度的波动情况，确定目标活跃度在未来的时间周期内的活跃度大致波动情况，并进行活跃度预测。例如，参考活跃度在目标时间周期是先升后降，则目标用户的预测活跃度也为先升后降。其升降幅度可以与参考活跃度相关，例如将升降幅度乘以0.5，即可以得到升降幅度减半的预测结果。本技术方案这样设置的好处是可以得到准确的预测结果。
在本实施例中，可选的，根据所述参考活跃度在预估时间周期的活跃度波动情况，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果，包括：根据所述参考活跃度在预估时间周期的活跃度波动曲线，以及预设波动倍率，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果。其中，可以将各个时间周期内的活跃度绘制成曲线，即活跃度波动曲线，进而可以确定一个预设的波动倍率，例如上述示例中的0.5，并可以进行进一步的预测。本技术方案这样设置的好处是可以提高对目标用户的活跃度的预测结果的准确性，有助于辅助工作人员确定是否需要进行特殊的处理，来提高目标用户在平台中的活跃度。
图2是本申请实施例一提供的平台活跃度预测示意图，如图2所示，其中r曲线为注册后8天内参考活跃度的曲线。s为目标用户注册后4天内的活跃度曲线。如果当前需要对目标用户4-8天内的活跃度进行预测，可以通过参考活跃度的曲线进行拟合来得到。
图3是本申请实施例一提供的平台活跃度预测示意图，如图3所示，s曲线的虚线部分为目标用户第4-8天内的活跃度曲线预测结果。其中中心曲线可以是用来对r曲线进行拟合的目标曲线，由于s曲线的前半部分已经存在波动，则可以对中心曲线的前半部分无需考虑，而对于4-8天这一部分则可以根据中心曲线的波动形势确定预测活跃度曲线的波动形势。
除此之外，为了辅助确定目标用户的生命周期类型，还可以通过下表进行定义：
生命周期状态与生命周期类型定义表
| 生命周期状态 | 生命周期类型 | 描述 |
| 初生期 | 新增用户 | 处于新生用户没有用户记录 |
| 成长期 | 显性成长 | 最近三次生命周期状态都是成长期 |
| 成长期 | 隐性成长 | 最近三次生命周期状态不全是成长期 |
| 稳定期 | 低稳定 | 处于平稳期阶段，参与度低于1/4分位数 |
| 稳定期 | 中稳定 | 处于平稳期阶段，参与度介于1/4-3/4分位数 |
| 稳定期 | 高稳定 | 处于平稳期阶段，参与度高于3/4分位数 |
| 衰退期 | 轻微衰退 | 连续x个周期进入衰退期或流失期 |
| 衰退期 | 重度微衰退 | 连续x个周期进入衰退期或流失期 |
| 流失期 | 流失期 | 刚进入流失期 |
| 沉默期 | 沉默期 | 长期处于流失期 |
本技术方案，通过将参与度的引入平台生命周期状态与生命周期类型的评价，可以真实的反映出处于稳定器的生命周期状态的用户的具体情况。例如是低稳定性、中稳定性或者是高稳定性。并且在关注用户参与度的同时，可以通过对用户的生命周期状态和生命周期类型进行建模，来根据用户当前所属的生命周期状态和生命周期类型，确定用户是处于哪一个时期，便于针对不同的用户提供不同的策略，来提高用户的活跃度。本方案设计一套完整的用户生命周期策略，极大程度上会提高用户活跃，降低用户流失，反应用户留存，为平台运营的不可或缺的一环。
实施例二
图4是本申请实施例二提供的平台活跃度的预测装置的结构示意图。如图4所示，所述平台活跃度的预测装置，包括：
目标用户活跃度确定模块410，用于获取目标用户在注册后的每一个时间周期内的活跃度指标参数，并根据活跃度指标参数确定目标用户在平台中的活跃度；
参考活跃度获取模块420，用于获取所述平台中的参考活跃度；其中，所述参考活跃度的时间周期的个数大于所述目标用户的时间周期的个数；
活跃度预测模块430，用于根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果。
本申请实施例所提供的技术方案，获取目标用户在注册后的每一个时间周期内的活跃度指标参数，并根据活跃度指标参数确定目标用户在平台中的活跃度；获取所述平台中的参考活跃度；其中，所述参考活跃度的时间周期的个数大于所述目标用户的时间周期的个数；根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果。通过采用本申请所提供的技术方案，可以实现准确的对用户的平台活跃度进行预测的效果。
在上述各技术方案的基础上，可选的，所述活跃度指标参数包括：目标用户在平台中的浏览量、点击量、搜索量、收藏量、沟通次数、交定金次数、接单量以及评论量中的至少一种；
相应的，所述活跃度预测模块具体用于：
根据目标用户在平台中的活跃度指标参数，以及各活跃度指标参数的目标维度数值，确定目标用户的活跃度。
在上述各技术方案的基础上，可选的，采用如下公式确定目标用户的活跃度：
θ＝α1·pv+α2·click+α3·search+α4·clc+α5·contact+α6·order+α7·achieve+α8·comment+bubble；
其中，θ为活跃度，pv为用户浏览量，click为用户点击量，search为用户搜索量，clc为用户收藏量，contact为用户沟通次数，order为用户交定金次数，achieve为用户接单量，comment为用户评论量，bubble是0-1之间的平衡值；
α1为平台中全部用户打开平台次数与全部用户浏览量之比；
α2为平台中全部用户打开平台次数与全部用户点击量之比；
α3为平台中全部用户打开平台次数与全部用户搜索量之比；
α4为平台中全部用户打开平台次数与全部用户收藏量之比；
α5为平台中全部用户打开平台次数与全部用户沟通次数之比；
α6为平台中全部用户打开平台次数与全部用户交定金次数之比；
α7为平台中全部用户打开平台次数与全部用户接单量之比；
α8为平台中全部用户打开平台次数与全部用户评论量之比。
在上述各技术方案的基础上，可选的，活跃度预测模块，包括：
参考活跃度波动情况获取单元，用于获取所述参考活跃度在各个时间周期的活跃度波动情况；
目标用户活跃度预测单元，用于根据所述参考活跃度在预估时间周期的活跃度波动情况，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果。
在上述各技术方案的基础上，可选的，所述目标用户活跃度预测单元具体用于：
根据所述参考活跃度在预估时间周期的活跃度波动曲线，以及预设波动倍率，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果。
上述产品可运行本申请任意实施例所提供的方法，具备运行方法相应的功能模块和有益效果。
实施例三
本申请实施例还提供一种包含计算机可运行指令的存储介质，所述计算机可运行指令在由计算机处理器运行时用于运行一种平台活跃度的预测方法，该方法包括：
获取目标用户在注册后的每一个时间周期内的活跃度指标参数，并根据活跃度指标参数确定目标用户在平台中的活跃度；
获取所述平台中的参考活跃度；其中，所述参考活跃度的时间周期的个数大于所述目标用户的时间周期的个数；
根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被运行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于运行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器运行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可运行指令的存储介质，其计算机可运行指令不限于如上所述的平台活跃度的预测操作，还可以运行本申请任意实施例所提供的平台活跃度的预测方法中的相关操作。
实施例四
本申请实施例提供了一种电子设备，该电子设备中可集成本申请实施例提供的平台活跃度的预测装置。图5是本申请实施例四提供的一种电子设备的结构示意图。如图5所示，本实施例提供了一种电子设备500，其包括：一个或多个处理器520；存储装置510，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520运行，使得所述一个或多个处理器520实现本申请实施例所提供的平台活跃度的预测方法，该方法包括：
获取目标用户在注册后的每一个时间周期内的活跃度指标参数，并根据活跃度指标参数确定目标用户在平台中的活跃度；
获取所述平台中的参考活跃度；其中，所述参考活跃度的时间周期的个数大于所述目标用户的时间周期的个数；
根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果。
当然，本领域技术人员可以理解，处理器520还可以实现本申请任意实施例所提供的平台活跃度的预测方法的技术方案。
图5显示的电子设备500仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，该电子设备500包括处理器520、存储装置510、输入装置530和输出装置540；电子设备中处理器520的数量可以是一个或多个，图5中以一个处理器520为例；电子设备中的处理器520、存储装置510、输入装置530和输出装置540可以通过总线或其他方式连接，图5中以通过总线550连接为例。
存储装置510作为一种计算机可读存储介质，可用于存储软件程序、计算机可运行程序以及模块单元，如本申请实施例中的平台活跃度的预测方法对应的程序指令。
存储装置510可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置510可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置510可进一步包括相对于处理器520远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏、扬声器等设备。
本申请实施例提供的电子设备，可以实现准确的对用户的平台活跃度进行预测的效果。
上述实施例中提供的平台活跃度的预测装置、存储介质及电子设备可运行本申请任意实施例所提供的平台活跃度的预测方法，具备运行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的平台活跃度的预测方法。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种平台活跃度的预测方法，其特征在于，包括：
获取目标用户在注册后的每一个时间周期内的活跃度指标参数，并根据活跃度指标参数确定目标用户在平台中的活跃度；
获取所述平台中的参考活跃度；其中，所述参考活跃度的时间周期的个数大于所述目标用户的时间周期的个数；
根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果。
2.根据权利要求1所述的方法，其特征在于，所述活跃度指标参数包括：目标用户在平台中的浏览量、点击量、搜索量、收藏量、沟通次数、交定金次数、接单量以及评论量中的至少一种；
相应的，根据活跃度指标参数确定目标用户在平台中的活跃度，包括：
根据目标用户在平台中的活跃度指标参数，以及各活跃度指标参数的目标维度数值，确定目标用户的活跃度。
3.根据权利要求2所述的方法，其特征在于，采用如下公式确定目标用户的活跃度：
θ＝α1·pv+α2·click+α3·search+α4·clc+α5·contact+α6·order+α7·achieve+α8·comment+bubble；
其中，θ为活跃度，pv为用户浏览量，click为用户点击量，search为用户搜索量，clc为用户收藏量，contact为用户沟通次数，order为用户交定金次数，achieve为用户接单量，comment为用户评论量，bubble是0-1之间的平衡值；
α1为平台中全部用户打开平台次数与全部用户浏览量之比；
α2为平台中全部用户打开平台次数与全部用户点击量之比；
α3为平台中全部用户打开平台次数与全部用户搜索量之比；
α4为平台中全部用户打开平台次数与全部用户收藏量之比；
α5为平台中全部用户打开平台次数与全部用户沟通次数之比；
α6为平台中全部用户打开平台次数与全部用户交定金次数之比；
α7为平台中全部用户打开平台次数与全部用户接单量之比；
α8为平台中全部用户打开平台次数与全部用户评论量之比。
4.根据权利要求1所述的方法，其特征在于，根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果，包括：
获取所述参考活跃度在各个时间周期的活跃度波动情况；
根据所述参考活跃度在预估时间周期的活跃度波动情况，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果。
5.根据权利要求4所述的方法，其特征在于，根据所述参考活跃度在预估时间周期的活跃度波动情况，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果，包括：
根据所述参考活跃度在预估时间周期的活跃度波动曲线，以及预设波动倍率，对目标活跃度在未来的时间周期内的活跃度进行预测，得到预测结果。
6.一种平台活跃度的预测装置，其特征在于，包括：
目标用户活跃度确定模块，用于获取目标用户在注册后的每一个时间周期内的活跃度指标参数，并根据活跃度指标参数确定目标用户在平台中的活跃度；
参考活跃度获取模块，用于获取所述平台中的参考活跃度；其中，所述参考活跃度的时间周期的个数大于所述目标用户的时间周期的个数；
活跃度预测模块，用于根据所述参考活跃度，确定所述目标活跃度在未来的时间周期内的活跃度预测结果。
7.根据权利要求6所述的装置，其特征在于，所述活跃度指标参数包括：目标用户在平台中的浏览量、点击量、搜索量、收藏量、沟通次数、交定金次数、接单量以及评论量中的至少一种；
相应的，所述活跃度预测模块具体用于：
根据目标用户在平台中的活跃度指标参数，以及各活跃度指标参数的目标维度数值，确定目标用户的活跃度。
8.根据权利要求7所述的装置，其特征在于，采用如下公式确定目标用户的活跃度：
θ＝α1·pv+α2·click+α3·search+α4·clc+α5·contact+α6·order+α7·achieve+α8·comment+bubble；
其中，θ为活跃度，pv为用户浏览量，click为用户点击量，search为用户搜索量，clc为用户收藏量，contact为用户沟通次数，order为用户交定金次数，achieve为用户接单量，comment为用户评论量，bubble是0-1之间的平衡值；
α1为平台中全部用户打开平台次数与全部用户浏览量之比；
α2为平台中全部用户打开平台次数与全部用户点击量之比；
α3为平台中全部用户打开平台次数与全部用户搜索量之比；
α4为平台中全部用户打开平台次数与全部用户收藏量之比；
α5为平台中全部用户打开平台次数与全部用户沟通次数之比；
α6为平台中全部用户打开平台次数与全部用户交定金次数之比；
α7为平台中全部用户打开平台次数与全部用户接单量之比；
α8为平台中全部用户打开平台次数与全部用户评论量之比。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的平台活跃度的预测方法。
10.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，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1-5中任一项所述的平台活跃度的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911046567.1A CN110740193A (zh) | 2019-10-30 | 2019-10-30 | 一种平台活跃度的预测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911046567.1A CN110740193A (zh) | 2019-10-30 | 2019-10-30 | 一种平台活跃度的预测方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110740193A true CN110740193A (zh) | 2020-01-31 |
Family
ID=69271919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911046567.1A Pending CN110740193A (zh) | 2019-10-30 | 2019-10-30 | 一种平台活跃度的预测方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110740193A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112445690A (zh) * | 2020-11-27 | 2021-03-05 | 广州三七互娱科技有限公司 | 信息获取方法、装置及电子设备 |
| CN112612826A (zh) * | 2020-12-21 | 2021-04-06 | 北京达佳互联信息技术有限公司 | 数据处理方法和装置 |
| CN112633573A (zh) * | 2020-12-21 | 2021-04-09 | 北京达佳互联信息技术有限公司 | 活跃状态的预测方法以及活跃度阈值的确定方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030130899A1 (en) * | 2002-01-08 | 2003-07-10 | Bruce Ferguson | System and method for historical database training of non-linear models for use in electronic commerce |
| CN105120487A (zh) * | 2015-09-02 | 2015-12-02 | 中国联合网络通信集团有限公司 | 一种业务数据预测方法及装置 |
| CN105631538A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 一种用户活跃度的预测方法、装置及其应用方法和系统 |
| CN106600344A (zh) * | 2016-12-30 | 2017-04-26 | 广州虎牙信息科技有限公司 | 目标产品活跃用户数据获取方法和装置 |
| CN107370614A (zh) * | 2016-05-13 | 2017-11-21 | 北京京东尚科信息技术有限公司 | 网络用户活跃度评估方法和预测方法 |
| CN109063900A (zh) * | 2018-07-16 | 2018-12-21 | 广州视源电子科技股份有限公司 | 用户转化率预测模型的训练及用户转化率预测方法和装置 |
| CN109272348A (zh) * | 2018-08-22 | 2019-01-25 | 中国平安人寿保险股份有限公司 | 活跃用户数量确定方法及装置、存储介质和电子设备 |
| CN109784589A (zh) * | 2019-03-19 | 2019-05-21 | 广东电网有限责任公司 | 一种电网业扩报装用户接入优化方法、装置和设备 |
| CN110298508A (zh) * | 2019-06-28 | 2019-10-01 | 京东数字科技控股有限公司 | 行为预测方法、装置及设备 |
-
2019
- 2019-10-30 CN CN201911046567.1A patent/CN110740193A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030130899A1 (en) * | 2002-01-08 | 2003-07-10 | Bruce Ferguson | System and method for historical database training of non-linear models for use in electronic commerce |
| CN105120487A (zh) * | 2015-09-02 | 2015-12-02 | 中国联合网络通信集团有限公司 | 一种业务数据预测方法及装置 |
| CN105631538A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 一种用户活跃度的预测方法、装置及其应用方法和系统 |
| CN107370614A (zh) * | 2016-05-13 | 2017-11-21 | 北京京东尚科信息技术有限公司 | 网络用户活跃度评估方法和预测方法 |
| CN106600344A (zh) * | 2016-12-30 | 2017-04-26 | 广州虎牙信息科技有限公司 | 目标产品活跃用户数据获取方法和装置 |
| CN109063900A (zh) * | 2018-07-16 | 2018-12-21 | 广州视源电子科技股份有限公司 | 用户转化率预测模型的训练及用户转化率预测方法和装置 |
| CN109272348A (zh) * | 2018-08-22 | 2019-01-25 | 中国平安人寿保险股份有限公司 | 活跃用户数量确定方法及装置、存储介质和电子设备 |
| CN109784589A (zh) * | 2019-03-19 | 2019-05-21 | 广东电网有限责任公司 | 一种电网业扩报装用户接入优化方法、装置和设备 |
| CN110298508A (zh) * | 2019-06-28 | 2019-10-01 | 京东数字科技控股有限公司 | 行为预测方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 武冠芳: "基于大数据的用户特征及活跃度分析", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112445690A (zh) * | 2020-11-27 | 2021-03-05 | 广州三七互娱科技有限公司 | 信息获取方法、装置及电子设备 |
| CN112445690B (zh) * | 2020-11-27 | 2023-07-25 | 广州三七互娱科技有限公司 | 信息获取方法、装置及电子设备 |
| CN112612826A (zh) * | 2020-12-21 | 2021-04-06 | 北京达佳互联信息技术有限公司 | 数据处理方法和装置 |
| CN112633573A (zh) * | 2020-12-21 | 2021-04-09 | 北京达佳互联信息技术有限公司 | 活跃状态的预测方法以及活跃度阈值的确定方法 |
| CN112612826B (zh) * | 2020-12-21 | 2024-02-06 | 北京达佳互联信息技术有限公司 | 数据处理方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110740193A (zh) | 一种平台活跃度的预测方法、装置、存储介质及电子设备 | |
| CN110209807A (zh) | 一种事件识别的方法、模型训练的方法、设备及存储介质 | |
| CN108834077B (zh) | 基于用户移动特性的跟踪区划分方法、装置及电子设备 | |
| CN110245980B (zh) | 基于神经网络模型确定目标用户激励形式的方法和设备 | |
| US20220253214A1 (en) | Data processing method, apparatus, device, and readable storage medium | |
| CN111046018A (zh) | 基于多目标优化的发电设备运行工况库构建方法和装置 | |
| WO2019085754A1 (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN113705839A (zh) | 一种燃料电池电堆的预测性维护方法以及维护系统 | |
| Xiang et al. | Fault classification for high‐dimensional data streams: A directional diagnostic framework based on multiple hypothesis testing | |
| Audrino et al. | Oracle Properties, Bias Correction, and Bootstrap Inference for Adaptive Lasso for Time Series M‐Estimators | |
| CN111784246B (zh) | 物流路径的估测方法 | |
| CN108808657A (zh) | 一种电力负荷短期预测方法 | |
| CN110909804A (zh) | 基站异常数据的检测方法、装置、服务器和存储介质 | |
| WO2023050649A1 (zh) | 基于数据补全的esg指数确定方法及相关产品 | |
| CN113255769B (zh) | 化合物属性预测模型训练方法和化合物属性预测方法 | |
| CN109657160B (zh) | 基于随机游走访问频数的入度信息估计方法及系统 | |
| CN112785000A (zh) | 面向大规模机器学习系统的机器学习模型训练方法及系统 | |
| CN114581086A (zh) | 基于动态时序网络的钓鱼账户检测方法及系统 | |
| CN114117785A (zh) | 态势感知的实现方法、装置、设备及介质 | |
| CN110611880B (zh) | 一种家庭WiFi预测方法、装置、电子设备及存储介质 | |
| CN114115818A (zh) | 一种微服务划分方法、装置、设备及介质 | |
| CN109436980B (zh) | 电梯部件的状态检测方法和系统 | |
| CN116541252B (zh) | 一种机房故障日志数据处理方法及装置 | |
| CN114265527B (zh) | 一种预测鼠标点击位置的方法、装置、介质及电子设备 | |
| CN114580578B (zh) | 具有约束的分布式随机优化模型训练方法、装置及终端 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200131 |