CN110807676A - 长尾用户挖掘方法、装置、电子设备及存储介质 - Google Patents
长尾用户挖掘方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110807676A CN110807676A CN202010013415.8A CN202010013415A CN110807676A CN 110807676 A CN110807676 A CN 110807676A CN 202010013415 A CN202010013415 A CN 202010013415A CN 110807676 A CN110807676 A CN 110807676A
- Authority
- CN
- China
- Prior art keywords
- long
- user
- tail
- tendency
- marketing
- 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
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种长尾用户挖掘方法,涉及互联网技术领域,该方法包括以下步骤:获取用户行为数据,根据用户行为数据和排序模型得到长尾用户;通过LFM模型和uplift算法对长尾用户进行分析,得到综合倾向分;根据综合倾向分确定目标平台的营销目标用户。该方法融合LFM模型和uplift算法对长尾用户进行分析,能够显著区分长尾用户并进行充分挖掘,有利于提升针对长尾用户的营销响应率和营销转化率,进一步提高整体营销响应率,降低营销成本,同时提升用户体验,适用于不同目标平台对长尾用户的挖掘营销。本发明还公开了一种长尾用户挖掘装置、电子设备和计算机存储介质。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种长尾用户挖掘方法、装置、电子设备及存储介质。
背景技术
在大数据和“千人千面”的背景下,营销升级为“精准营销”,对每个用户的需求进行更加精细的个性化分析与投放,能降低营销成本,最大化营销效果。传统的精准营销一般对细分的待营销人群采用召回和排序算法进行精准营销,这种传统方法造成排序靠前的少量头部用户被反复营销,而失去了对排序靠后的大量长尾人群的营销机会。
为了帮助金融类企业降低运营成本,挖掘更多的潜客,同时也为被忽视的长尾用户提供便利化和普惠化的优质金融服务,需要高效精准得分析预测长尾用户对不同金融平台的申贷倾向。而长尾人群因为行为稀疏导致传统排序模型输出的分数非常接近,造成长尾用户区分度低,只使用单一的深度学习或者机器学习方法对尾部人群进行分析营销,很难显著提高尾部人群的召回。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种长尾用户挖掘方法,其融合了LFM模型和uplift算法,对基于排序模型得到的长尾用户进行分析,进而得到综合倾向分,根据该综合倾向分确定目标平台的营销目标用户。
本发明的目的之一采用以下技术方案实现:
获取用户行为数据,根据所述用户行为数据和排序模型得到长尾用户;
通过LFM模型和uplift算法对所述长尾用户进行分析,得到综合倾向分;
根据所述综合倾向分确定目标平台的营销目标用户。
进一步地,根据所述用户行为数据和排序模型得到长尾用户,包括:
通过所述排序模型对所述用户行为数据进行计算,得到历史信贷倾向分,将历史信贷倾向分低于预设分值的用户作为长尾用户。
进一步地,通过LFM模型和uplift算法对所述长尾用户进行分析,得到综合倾向分,包括:
通过所述LFM模型分析所述长尾用户,得到第一信贷倾向分;
通过所述uplift算法分析所述长尾用户,得到第二信贷倾向分;
根据所述第一信贷倾向分和所述第二信贷倾向分,得到所述综合倾向分。
进一步地,通过所述LFM模型分析所述长尾用户,得到第一信贷倾向分,包括:
根据所述长尾用户的用户行为数据提取平台主题,计算每个申贷平台在所述平台主题中的平台权重;
根据所述用户行为数据,计算所述长尾用户对所述平台主题的偏好权重,通过对所述偏好权重和所述平台权重进行乘法计算,得到所述第一信贷倾向分。
进一步地,通过所述uplift算法分析所述长尾用户,得到第二信贷倾向分,包括:
所述uplift算法采用基础模型对所述长尾用户的用户行为数据进行计算,得到所述长尾用户的营销倾向分和未营销倾向分,并对所述营销倾向分和所述未营销倾向分进行减法或除法计算,得到所述第二信贷倾向分;
其中,所述基础模型为逻辑回归模型、XGBoost模型、随机森林模型、K最近邻分类模型和朴素贝叶斯模型中的任一种。
进一步地,根据所述第一信贷倾向分和所述第二信贷倾向分,得到所述综合倾向分,包括:
将所述第一信贷倾向分和所述第二信贷倾向分按照权重相加,通过AB测试调整所述权重,得到所述综合倾向分。
进一步地,根据所述综合倾向分确定目标平台的营销目标用户,包括:
将所述长尾用户按照综合倾向分从高到低进行排序,根据目标平台预设的营销成本,选取排序靠前的若干个长尾用户作为营销目标用户。
本发明的目的之二在于提供一种长尾用户挖掘装置,其融合了LFM模型和uplift算法,对基于排序模型得到的长尾用户进行分析,进而得到综合倾向分,根据该综合倾向分确定目标平台的营销目标用户。
本发明的目的之二采用以下技术方案实现:
一种长尾用户挖掘装置,其包括:
长尾用户获取模块,用于获取用户行为数据,根据所述用户行为数据和排序模型得到长尾用户;
倾向分计算模块,用于通过LFM模型和uplift算法对所述长尾用户进行分析,得到综合倾向分;
目标用户确定模块,用于根据所述综合倾向分确定目标平台的营销目标用户。
本发明的目的之三在于提供执行发明目的之一的电子设备,其包括处理器、存储介质以及计算机程序,所述计算机程序存储于存储介质中,所述计算机程序被处理器执行时本发明目的之一的长尾用户挖掘方法。
本发明的目的之四在于提供存储发明目的之一的计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明目的之一的长尾用户挖掘方法。
相比现有技术,本发明的有益效果在于:
本发明融合LFM模型和uplift算法,对长尾用户进行分析,得到长尾用户的综合倾向分,基于该综合倾向分能够将长尾用户进行显著区分,进而对长尾用户进行充分挖掘,确定目标平台对尾部人群的营销目标用户,有利于提升针对长尾用户的营销响应率和营销转化率,进一步提高整体营销响应率,降低营销成本,可以适用于不同目标平台对长尾用户的挖掘营销;同时避免头部客户被反复营销,提升头部客户的用户体验。
附图说明
图1为本发明实施例一的长尾用户挖掘方法流程图;
图2为本发明实施例二的综合倾向分计算流程图;
图3为本发明实施例三的长尾用户挖掘装置的结构框图;
图4为本发明实施例四的电子设备的结构框图。
具体实施方式
以下将结合附图,对本发明进行更为详细的描述,需要说明的是,以下参照附图对本发明进行的描述仅是示意性的,而非限制性的。各个不同实施例之间可以进行相互组合,以构成未在以下描述中示出的其他实施例。
实施例一
实施例一提供了一种长尾用户挖掘方法,旨在通过LFM模型和uplift算法,对基于排序模型得到的长尾用户进行分析,得到长尾用户的综合倾向分,根据该综合倾向分确定目标平台对尾部人群的营销目标用户。这种方法能够充分挖掘长尾用户,有利于提升针对长尾用户的营销响应率和营销转化率,提高整体营销响应率,降低营销成本,同时避免头部客户被反复营销,提升头部客户的用户体验。该方法可以适用于不同目标平台的营销。
请参照图1所示,一种长尾用户挖掘方法,包括以下步骤:
S110、获取用户行为数据,根据所述用户行为数据和排序模型得到长尾用户。
用户行为数据可以从自行创建的金融行业数据库中获取,也可以根据用户的注册标识从第三方数据库获取,以获得多个用户在不同金融平台的行为数据,该行为数据包括注册或申贷等,在此不做限定。用户行为数据包括但不限于用户在至少一种平台的注册行为数据、互联网行为数据、申贷数据。优选地,对用户行为数据进行加工清洗、降维等数据处理,得到处理后的数据,然后根据处理后的数据进行后续计算。
优选地,通过排序模型对用户行为数据进行计算,得到历史信贷倾向分,将历史信贷倾向分低于预设分值的用户作为长尾用户。
使用传统营销的排序模型对用户行为数据进行计算,得到所有用户的历史信贷倾向分。排序模型可以使用的模型不限于逻辑回归模型、XGBoost模型、支持向量机模型、随机森林模型、决策树模型中的一种。排序模型可以是根据用户行为数据已经训练完成的参考模型,也可以是根据用户行为数据即时训练获得的模型,在此不做限定。本实施例中,排序模型使用XGBoost模型。
将用户按照历史信贷倾向分从高到低进行排序,历史信贷倾向分高于预设分值的用户为头部用户,历史信贷倾向分低于预设分值的用户为长尾用户。预设分值由申贷平台的传统营销需求确定。后续的申贷倾向分析针对长尾用户进行,以提升长尾用户的营销响应率和营销转化率。
S120、通过LFM模型和uplift算法对所述长尾用户进行分析,得到综合倾向分。
LFM模型为隐含语义模型,通过隐含特征联系用户兴趣和物品。本实施例中,LFM模型通过平台主题联系用户偏好和申贷平台。根据长尾用户的用户行为数据,提取T个隐含特征作为平台主题Ct(t=1,...,T),用以联系长尾用户和申贷平台,进而判断各个长尾用户在各个申贷平台的申贷倾向。
计算每个申贷平台Bm(m=1,...,M,M为用户数据中包含的申贷平台数量)在所有平台主题中的平台权重,申贷平台Bm在平台主题Ct中占的平台权重越高,越能作为该平台主题Ct的代表;当申贷平台Bm不属于平台主题Ct时,该申贷平台Bm在平台主题Ct中的平台权重为0。根据长尾用户的用户行为数据,计算每个长尾用户An(n=1,...,N)对各个平台主题Ct(t=1,...,T)的偏好权重,将该偏好权重和各个申贷平台的平台权重相乘,得到各个长尾用户An(n=1,...,N)在各申贷平台Bm(m=1,...,M)的第一信贷倾向分。
uplift算法为营销提升算法,通过对用户在未受到营销活动时与受到营销活动时的申贷倾向程度进行计算,找到易被营销推广活动驱动偏好响应的用户,也就是营销敏感用户,从而提升营销活动对用户响应的投资回报率。
通过uplift算法计算,可以将长尾用户分为四类用户,包括忠实用户、顽固用户、否定用户和肯定用户,其中忠实用户为无论是否对其采取营销活动均会响应的用户,顽固用户为无论是否对其采取营销活动均不会响应的用户,否定用户为营销活动对其有负面作用的用户,肯定用户为营销活动对其有正向作用的用户。uplift算法可以采用K最近邻分类算法或朴素贝叶斯算法,对长尾用户进行分析计算,进而得到第二信贷倾向分,用以定位挖掘长尾用户中的肯定用户,以提升营销活动的反响。
将通过LFM模型得到的第一信贷倾向分和通过uplift算法得到的第二信贷倾向分按权重相加,得到综合倾向分,用作目标平台确定营销目标用户的依据。
S130、根据所述综合倾向分确定目标平台的营销目标用户。
优选地,将长尾用户按照综合倾向分从高到低进行排序,根据目标平台预设的营销成本,选取排序靠前的若干个长尾用户作为营销目标用户。
将长尾用户按照综合倾向分从高到低进行排序,排序越靠前的长尾用户对目标平台偏好和受营销活动影响的综合申贷倾向越大,更加容易受到营销活动影响进而驱动偏好响应,因此选取排序靠前的若干个长尾用户进行营销。根据目标平台预设的营销活动成本,确定长尾用户的选取数量,针对选取的长尾用户进行营销。
根据综合倾向分确定营销目标用户,适用于任意目标平台,有利于降低营销成本,提升针对长尾用户的营销响应率和营销转化率,从而提高整体营销响应率。
实施例二
实施例二是在实施例一基础上进行的改进,融合了LFM模型和uplift算法,对长尾用户进行分析得到综合倾向分,用作目标平台确定营销目标用户的依据,请参照图2,包括以下步骤:
S1201、通过LFM模型分析长尾用户,得到第一信贷倾向分。
优选地,根据长尾用户的用户行为数据提取平台主题,计算每个申贷平台在平台主题中的平台权重。
平台主题根据长尾用户的用户行为数据提取。同时,根据用户行为数据,每个申贷平台自动对应相应的平台主题,一个申贷平台可以对应多个不同的平台主题,计算每个申贷平台对应各个平台主题的概率,该概率即为每个申贷平台在平台主题中的平台权重。当申贷平台B在平台主题C的平台权重越高,该申贷平台B越能作为该平台主题C的代表。当申贷平台B不对应平台主题C时,该申贷平台B在该平台主题C的平台权重为0。
优选地,根据用户行为数据,计算长尾用户对平台主题的偏好权重。具体地,将长尾用户有过历史行为的平台主题数据作为正样本,偏好为1,选取长尾用户没有历史行为的平台主题数据作为负样本,偏好为0,负样本的数量与正样本数量相当。因此,长尾用户对平台主题的偏好权重取值范围为[0,1]。
优选地,通过偏好权重和平台权重乘法计算,得到第一信贷倾向分。具体地,对偏好权重和平台权重使用交替最小二乘法计算,并应用损失函数和随机梯度下降法训练LFM模型,得到第一信贷倾向分,用以判断各个长尾用户在各个申贷平台的申贷倾向。
S1202、通过uplift算法分析长尾用户,得到第二信贷倾向分。
uplift算法采用基础模型对长尾用户的行为数据进行计算,得到长尾用户的营销倾向分和未营销倾向分,并对营销倾向分和未营销倾向分进行减法计算或除法计算,将得到的差值或比率作为第二信贷倾向分,用以量化长尾用户受营销活动的影响。使用的基础模型不限于逻辑回归模型、XGBoost模型、随机森林模型、K最近邻分类模型和朴素贝叶斯模型中的任一种。营销倾向分和未营销倾向分可以使用同一个基础模型计算获得,比如营销倾向分和未营销倾向分均使用逻辑回归模型计算获得;营销倾向分和未营销倾向分也可以分别使用两个基础模型计算获得,比如营销倾向分使用逻辑回归模型计算获得,未营销倾向分使用随机森林模型计算获得。
本实施例中,应用差分响应模型L计算长尾用户的营销倾向分和未营销倾向分,并对营销倾向分与未营销倾向分进行减法计算,得到第二信贷倾向分。
其中,X为用户行为数据,代表用户行为数据为X的用户的响应概率,
a、b、c、d为模型参数,模型参数a、b、c、d通过学习用户行为数据训练模型获得,treatment代
表是否进行营销活动,treatment=0为不进行营销活动,为
未营销倾向分,treatment=1为进行营销活动,为营销
倾向分,Score2为第二信贷倾向分。
通过uplift算法得到第二信贷倾向分,定位易受营销活动正向作用的营销敏感用户,用以提升营销活动的反响。
S1203、根据第一信贷倾向分和第二信贷倾向分,得到综合倾向分。
优选地,将第一信贷倾向分和第二信贷倾向分按照权重相加,通过AB测试调整权重,得到综合倾向分。AB测试是为Web或App界面或流程制作两个(A/B)或多个(A/B/n)版本,在同一时间维度,分别让组成成分相同(相似)的访客群组(目标人群)随机的访问这些版本,收集各群组的用户体验数据和业务数据,最后分析、评估出最好版本,正式采用。
具体地,在不同的申贷平台中,测试根据多种权重得到的综合倾向分。根据长尾用户的用户行为数据与实际申贷倾向之间的映射关系,调整权重,使得用户行为数据与综合倾向分之间的映射关系最接近实际映射关系。该综合倾向分用作目标平台确定营销目标用户的依据,能够准确反应长尾用户对目标平台偏好和受营销活动影响的综合申贷倾向。
实施例三
实施例三公开了一种对应上述实施例的一种长尾用户挖掘装置,为上述实施例的虚拟装置结构,请参照图3所示,包括:
长尾用户获取模块210,用于获取用户行为数据,根据用户行为数据和排序模型得到长尾用户;
倾向分计算模块220,用于通过LFM模型和uplift算法对长尾用户进行分析,得到综合倾向分;
目标用户确定模块230,用于根据综合倾向分确定目标平台的营销目标用户。
优选地,长尾用户获取模块通过排序模型对用户行为数据进行计算,得到历史信贷倾向分,将历史信贷倾向分低于预设分值的用户作为长尾用户。
优选地,倾向分计算模块包括第一信贷倾向分计算单元、第二信贷倾向分计算单元和综合倾向分计算单元。第一信贷倾向分计算单元用于通过LFM模型分析长尾用户,得到第一信贷倾向分;第二信贷倾向分计算单元用于通过uplift算法分析长尾用户,得到第二信贷倾向分;综合倾向分计算单元用于根据第一信贷倾向分和第二信贷倾向分,得到综合倾向分。
优选地,第一信贷倾向分计算单元根据长尾用户的用户行为数据提取平台主题,计算每个申贷平台在平台主题中的平台权重;根据用户行为数据,计算长尾用户对平台主题的偏好权重,通过偏好权重和平台权重乘法计算,得到第一信贷倾向分。
优选地,第二信贷倾向分计算单元根据用户行为数据计算长尾用户的营销倾向分和未营销倾向分,通过对营销倾向分与未营销倾向分进行计算,得到第二信贷倾向分。
优选地,综合倾向分计算单元将第一信贷倾向分和第二信贷倾向分按照权重相加,通过AB测试调整权重,得到综合倾向分。
优选地,目标用户确定模块将长尾用户按照综合倾向分从高到低进行排序,在目标平台预设的成本条件约束下,选取排序靠前的若干个长尾用户作为营销目标用户。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图,如图4所示,该电子设备包括处理器310、存储器320、输入装置330和输出装置340;计算机设备中处理器310的数量可以是一个或多个,图4中以一个处理器310为例;电子设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器320作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的长尾用户挖掘方法对应的程序指令/模块(例如,长尾用户挖掘装置中的长尾用户获取模块210、倾向分计算模块220和目标用户确定模块230)。处理器310通过运行存储在存储器320中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述实施例一至实施例二的长尾用户挖掘方法。
存储器320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,存储器320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,存储器320可进一步包括相对于处理器310远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。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330可用于接收用户行为数据、预设分值等。输出装置340可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行长尾用户挖掘方法,该方法包括:
获取用户行为数据,根据所述用户行为数据和排序模型得到长尾用户;
通过LFM模型和uplift算法对所述长尾用户进行分析,得到综合倾向分;
根据所述综合倾向分确定目标平台的营销目标用户。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的基于长尾用户挖掘方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台电子设备(可以是手机,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的方法。
值得注意的是,上述基于长尾用户挖掘装置实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.一种长尾用户挖掘方法,其特征在于:包括以下步骤:
获取用户行为数据,根据所述用户行为数据和排序模型得到长尾用户;
通过LFM模型和uplift算法对所述长尾用户进行分析,得到综合倾向分;
根据所述综合倾向分确定目标平台的营销目标用户。
2.如权利要求1所述的一种长尾用户挖掘方法,其特征在于:根据所述用户行为数据和排序模型得到长尾用户,包括:
通过所述排序模型对所述用户行为数据进行计算,得到历史信贷倾向分,将历史信贷倾向分低于预设分值的用户作为长尾用户。
3.如权利要求1所述的一种长尾用户挖掘方法,其特征在于:通过LFM模型和uplift算法对所述长尾用户进行分析,得到综合倾向分,包括:
通过所述LFM模型分析所述长尾用户,得到第一信贷倾向分;
通过所述uplift算法分析所述长尾用户,得到第二信贷倾向分;
根据所述第一信贷倾向分和所述第二信贷倾向分,得到所述综合倾向分。
4.如权利要求3所述的一种长尾用户挖掘方法,其特征在于:通过所述LFM模型分析所述长尾用户,得到第一信贷倾向分,包括:
根据所述长尾用户的用户行为数据提取平台主题,计算每个申贷平台在所述平台主题中的平台权重;
根据所述用户行为数据,计算所述长尾用户对所述平台主题的偏好权重,通过对所述偏好权重和所述平台权重进行乘法计算,得到所述第一信贷倾向分。
5.如权利要求3所述的一种长尾用户挖掘方法,其特征在于:通过所述uplift算法分析所述长尾用户,得到第二信贷倾向分,包括:
所述uplift算法采用基础模型对所述长尾用户的用户行为数据进行计算,得到所述长尾用户的营销倾向分和未营销倾向分,并对所述营销倾向分和所述未营销倾向分进行减法或除法计算,得到所述第二信贷倾向分;
其中,所述基础模型为逻辑回归模型、XGBoost模型、随机森林模型、K最近邻分类模型和朴素贝叶斯模型中的任一种。
6.如权利要求3所述的一种长尾用户挖掘方法,其特征在于:根据所述第一信贷倾向分和所述第二信贷倾向分,得到所述综合倾向分,包括:
将所述第一信贷倾向分和所述第二信贷倾向分按照权重相加,通过AB测试调整所述权重,得到所述综合倾向分。
7.如权利要求1-6任一项所述的一种长尾用户挖掘方法,其特征在于:根据所述综合倾向分确定目标平台的营销目标用户,包括:
将所述长尾用户按照综合倾向分从高到低进行排序,根据目标平台预设的营销成本,选取排序靠前的若干个长尾用户作为营销目标用户。
8.一种长尾用户挖掘装置,其特征在于,其包括:
长尾用户获取模块,用于获取用户行为数据,根据所述用户行为数据和排序模型得到长尾用户;
倾向分计算模块,用于通过LFM模型和uplift算法对所述长尾用户进行分析,得到综合倾向分;
目标用户确定模块,用于根据所述综合倾向分确定目标平台的营销目标用户。
9.一种电子设备,其包括处理器、存储介质以及计算机程序,所述计算机程序存储于存储介质中,其特征在于,所述计算机程序被处理器执行时执行权利要求1至7任一项所述的长尾用户挖掘方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至7任一项所述的长尾用户挖掘方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013415.8A CN110807676A (zh) | 2020-01-07 | 2020-01-07 | 长尾用户挖掘方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013415.8A CN110807676A (zh) | 2020-01-07 | 2020-01-07 | 长尾用户挖掘方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110807676A true CN110807676A (zh) | 2020-02-18 |
Family
ID=69493414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010013415.8A Pending CN110807676A (zh) | 2020-01-07 | 2020-01-07 | 长尾用户挖掘方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807676A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330406A (zh) * | 2020-11-10 | 2021-02-05 | 深圳大学 | 一种长尾物品推荐方法、智能终端及存储介质 |
CN112700131A (zh) * | 2020-12-30 | 2021-04-23 | 平安科技(深圳)有限公司 | 基于人工智能的ab测试方法、装置、计算机设备及介质 |
CN113610536A (zh) * | 2021-08-03 | 2021-11-05 | 北京淇瑀信息科技有限公司 | 交易拒绝用户的用户策略分配方法、装置及电子设备 |
CN112330406B (zh) * | 2020-11-10 | 2024-05-24 | 深圳大学 | 一种长尾物品推荐方法、智能终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022865A (zh) * | 2016-05-10 | 2016-10-12 | 江苏大学 | 一种基于评分和用户行为的商品推荐方法 |
CN108198045A (zh) * | 2018-01-30 | 2018-06-22 | 东华大学 | 基于电子商务网站数据挖掘的混合推荐系统的设计方法 |
US10049664B1 (en) * | 2016-10-27 | 2018-08-14 | Intuit Inc. | Determining application experience based on paralinguistic information |
CN109963175A (zh) * | 2019-01-29 | 2019-07-02 | 中国人民解放军战略支援部队信息工程大学 | 基于显隐性潜在因子模型的电视产品精准推荐方法及系统 |
-
2020
- 2020-01-07 CN CN202010013415.8A patent/CN110807676A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022865A (zh) * | 2016-05-10 | 2016-10-12 | 江苏大学 | 一种基于评分和用户行为的商品推荐方法 |
US10049664B1 (en) * | 2016-10-27 | 2018-08-14 | Intuit Inc. | Determining application experience based on paralinguistic information |
CN108198045A (zh) * | 2018-01-30 | 2018-06-22 | 东华大学 | 基于电子商务网站数据挖掘的混合推荐系统的设计方法 |
CN109963175A (zh) * | 2019-01-29 | 2019-07-02 | 中国人民解放军战略支援部队信息工程大学 | 基于显隐性潜在因子模型的电视产品精准推荐方法及系统 |
Non-Patent Citations (1)
Title |
---|
IRIS: "uplift model学习笔记", 《HTTPS://WWW.CNBLOGS.COM/ZICHUN-ZENG/P/8330358.HTML》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330406A (zh) * | 2020-11-10 | 2021-02-05 | 深圳大学 | 一种长尾物品推荐方法、智能终端及存储介质 |
CN112330406B (zh) * | 2020-11-10 | 2024-05-24 | 深圳大学 | 一种长尾物品推荐方法、智能终端及存储介质 |
CN112700131A (zh) * | 2020-12-30 | 2021-04-23 | 平安科技(深圳)有限公司 | 基于人工智能的ab测试方法、装置、计算机设备及介质 |
CN112700131B (zh) * | 2020-12-30 | 2023-01-10 | 平安科技(深圳)有限公司 | 基于人工智能的ab测试方法、装置、计算机设备及介质 |
CN113610536A (zh) * | 2021-08-03 | 2021-11-05 | 北京淇瑀信息科技有限公司 | 交易拒绝用户的用户策略分配方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11574139B2 (en) | Information pushing method, storage medium and server | |
CN109033408B (zh) | 信息推送方法及装置、计算机可读存储介质、电子设备 | |
CN108509617A (zh) | 知识库构建、基于知识库的智能问答方法及装置、存储介质、终端 | |
CN101110699B (zh) | 具有网络满意度预测预警功能的系统及其实现方法 | |
US10657559B2 (en) | Generating and utilizing a conversational index for marketing campaigns | |
CN111125574A (zh) | 用于生成信息的方法和装置 | |
CN105023165A (zh) | 社交网络平台中投放任务的控制方法、装置及系统 | |
CN110968767B (zh) | 排序引擎训练方法及装置、业务卡排序方法及装置 | |
CN113239275B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN113947336A (zh) | 评估投标企业风险的方法、装置、存储介质及计算机设备 | |
CN110807676A (zh) | 长尾用户挖掘方法、装置、电子设备及存储介质 | |
CN112417267A (zh) | 一种用户行为分析方法、装置、计算机设备及存储介质 | |
CN110716774B (zh) | 金融业务数据大脑的数据驱动方法、系统及存储介质 | |
CN110675179A (zh) | 营销信息处理方法、装置、电子设备及可读存储介质 | |
CN114245185B (zh) | 视频推荐方法、模型训练方法、装置、电子设备及介质 | |
CN111966885B (zh) | 一种用户画像的构建方法和装置 | |
CN113344708A (zh) | 大型系统投产演练应用评估方法及系统 | |
CN111882224A (zh) | 对消费场景进行分类的方法和装置 | |
CN111443973A (zh) | 备注信息的填入方法、装置、设备及存储介质 | |
CN111415283A (zh) | 一种有效在线教学的因素分析方法和装置 | |
CN109949175B (zh) | 一种基于协同过滤和相似性度量的用户属性推断方法 | |
CN108460630B (zh) | 基于用户数据进行分类分析的方法和装置 | |
CN112231590B (zh) | 内容推荐方法、系统、计算机设备及存储介质 | |
CN114860788A (zh) | 一种技术推广信息服务系统及方法 | |
CN113869973A (zh) | 产品推荐方法、产品推荐系统和计算机可读存储介质 |
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: 20200218 |